Los años 80 en el laboratorio de informática e inteligencia artificial del MIT parecían una edad de oro para los extraños, pero en el interior, David Chapman pudo observar que el invierno ya se acercaba. Como miembro del laboratorio, Chapman se convirtió en el primer investigador en aplicar las matemáticas de la teoría de la complejidad computacional a la planificación robótica, así como en demostrar que no existe un método generalizado real para crear IA que pueda hacer un plan para manejar todas las circunstancias imprevistas. Llegó a la conclusión de que, aunque la IA a nivel humano en principio puede ser posible, ninguno de los enfoques disponibles para nosotros tiene ninguna esperanza de alcanzar este nivel.

En 1990, Chapman escribió, posteriormente difundido ampliamente, una propuesta de investigación que pedía un nuevo enfoque y otra tarea para que se probara la IA:Enseña al robot a bailar . El baile, como escribió Chapman, fue un modelo importante porque “no logra objetivos. No puedes ganar ni perder. Este no es un problema que requiera solución. La danza es un proceso de interacción ". Los robots de baile requirieron un cambio brusco en las prioridades de los investigadores de IA, cuyas técnicas se desarrollaron en torno a tareas como el ajedrez, con una estructura clara y objetivos inequívocos. La complejidad de crear robots danzantes requería un cambio aún mayor en nuestras suposiciones acerca de qué es la inteligencia.

Chapman ahora está escribiendo sobre las aplicaciones prácticas de la filosofía y la ciencia cognitiva . Recientemente, en una entrevista con la revista Nautilus, habló sobre la importancia de la imitación y el aprendizaje, las limitaciones de la racionalidad formal y por qué los robots no preparan el desayuno para usted.

¿Qué es el robot de baile interesante?

El aprendizaje humano es una cosa social, tangible, y ocurre en situaciones prácticas especiales. No aprendes a bailar de un libro o de experimentos de laboratorio. Aprendes bailando con personas más experimentadas que tú.

La imitación y el aprendizaje son las principales formas de educar a las personas. Olvidamos esto, ya que la instrucción en el aula se volvió nuevamente importante en el siglo pasado y más visible.

Decidí cambiar el enfoque del aprendizaje al desarrollo. "Aprender" significa terminar: una vez que hayas aprendido algo, habrás terminado. "Desarrollo" significa un proceso continuo e interminable. No toman exámenes de baile, después de lo cual terminas tus estudios.

Fue una desviación seria del enfoque tradicional para enseñar IA, ¿verdad?

Sí, en las primeras décadas, los investigadores de IA se centraron en aquellas tareas que están especialmente asociadas con la inteligencia, porque son difíciles para las personas: por ejemplo, el ajedrez. Resulta que para computadoras lo suficientemente rápidas, el ajedrez es simple. En los primeros trabajos, se ignoraban las tareas simples para las personas: preparar el desayuno, por ejemplo. Tales tareas simples resultaron ser difíciles para las computadoras que controlan los robots.

Los primeros intentos de investigar los problemas de aprendizaje de IA también abordaron problemas formales, como el ajedrez, en los que los cuerpos, los contextos sociales y prácticos podrían ignorarse. Estudios recientes muestran un progreso impresionante en tareas prácticas del mundo real, como el reconocimiento de patrones. Pero los éxitos en los recursos sociales y físicos críticos para el aprendizaje humano aún no son visibles.

¿Qué nos puede enseñar Heidegger sobre inteligencia y aprendizaje?

La racionalidad formal utilizada en la ciencia, la ingeniería y las matemáticas en los últimos siglos ha proporcionado muchos avances. Es natural tomarlo como la esencia de la inteligencia y asumir que subyace al funcionamiento del hombre. Durante décadas, filósofos analíticos, psicólogos cognitivos e investigadores de IA han aceptado incondicionalmente que las personas primero crean un plan racional usando la lógica y luego lo ejecutan. A mediados de la década de 1980, se hizo evidente que, por razones técnicas, esto generalmente no es posible.

El filósofo Hubert Dreyfus previóeste callejón sin salida diez años antes de su aparición, en su libro "Lo que las computadoras no pueden hacer". Partió del análisis de Heidegger de acciones prácticas rutinarias, como cocinar el desayuno. Tales habilidades físicas no parecen requerir racionalidad formal. Además, nuestra capacidad de participar en el razonamiento formal depende de nuestra capacidad de participar en cosas prácticas, informales y físicas, pero no al revés. ¡La ciencia cognitiva entendió todo exactamente lo contrario! Heidegger sugirió que la mayor parte de su vida fue como el desayuno, y no como el ajedrez.

Mi colega Phil Agre y yo desarrollamos enfoques computacionales nuevos e interactivos para ejercicios prácticos que no incluían razonamiento formal, y demostraron que pueden ser mucho más efectivos que los paradigmas lógicos tradicionales. Sin embargo, nuestros sistemas deben programarse manualmente, lo que parece poco práctico para tareas un poco más complicadas que los videojuegos. El siguiente paso debería ser un sistema de inteligencia artificial que desarrolle habilidades sin programarlas directamente.

Heidegger dijo poco sobre el aprendizaje, pero su idea de que las actividades humanas siempre tienen un aspecto social fue clave. Phil y yo nos inspiramos en las escuelas de antropología, sociología y psicología del desarrollo social (algunas de las cuales, a su vez, también se inspiraron en Heidegger). Comenzamos a desarrollar una teoría computacional del aprendizaje a través del aprendizaje. Un artículo sobre robots bailarines describe parcialmente nuestras aspiraciones. Poco después, nos dimos cuenta de que aún no es posible convertir estas ideas en programas de trabajo.

La construcción de un robot físico conlleva muchas dificultades, por ejemplo, es necesario que no se caiga, no teniendo, a primera vista, una relación directa con el aprendizaje y la inteligencia. ¿Por qué no comenzar a crear un robot de baile con animación por computadora?

Uno de los desafíos de un enfoque racionalista de la IA es que no podemos construir un modelo absolutamente preciso del mundo real. El es muy descuidado. Una cucharada de mermelada de bayas no tiene una forma definida. Es pegajoso, maleable, fluido. Es heterogéneo: las bayas parcialmente frotadas se comportan de manera diferente a las partes líquidas. A nivel atómico, obedece las leyes de la física, pero cocinar el desayuno con ellos no es práctico.

Estos son nuestros cuerpos. Los músculos son bolsas de gelatina intercaladas con hilos elásticos. Los huesos son de forma irregular, conectados por tendones elásticos, como resultado de lo cual las articulaciones se prestan a un patrón complejo, acercándose al límite de resistencia.

Usando simulaciones físicas, puedes hacer bailar una figura animada. Ella puede parecer muy realista. Pero estos métodos no funcionan con robots para realizar tareas humanas simples. Bailar o preparar el desayuno aún está fuera del alcance de la ciencia moderna.

Las simulaciones físicas funcionan mal porque los cuerpos de los robots, como los humanos, son imperfectos. La mayoría de los diseños modernos intentan conectar robots a modelos físicos simples, haciéndolos fuertes y sólidos, y lo más finamente posible. Pero de todos modos, muestran flexibilidad y limitaciones, e inconsistencia, lo que los hace difíciles de controlar. También tienen que ser muy pesados y poderosos, lo que los hace peligrosos e ineficaces.

En el artículo "Dancing Robots", sugerí abandonar este enfoque y utilizar el aprendizaje automático para encontrar formas de controlar robots ligeros, más débiles y más flexibles. Como un niño, el sistema debe desarrollar gradualmente habilidades físicas a través de la experiencia. Entonces no teníamos suficiente potencia de computadora, pero algunos investigadores recientemente han tenido éxito con este enfoque.

Parece que este tema se repite en tu trabajo. Queremos un mundo duro y absoluto, y que sea complejo y heterogéneo.

Si Mi último trabajo sobre " significados " sugiere trabajar en una interacción de incertidumbre y patrones para mejorar la comprensión y la acción. Esta es una "filosofía práctica" para la efectividad personal, basada en el trabajo que hice en el campo de la IA y en las áreas académicas que mencioné anteriormente. Ella tiene una dimensión para aprender. Un estudio sobre el desarrollo de adultos muestra que las personas pueden desarrollarse a través de formas de comprensión pre-racionales, racionales y meta-racionales. La condición promedio es extremadamente severa. Tiene la idea de que el mundo se puede ajustar a los sistemas. Este enfoque puede ser incómodo, ineficiente e inestable.

Si la barrera que nos separa de los modelos perfectamente precisos es fundamental en lugar de tecnológica, ¿necesitaremos un enfoque completamente diferente de la IA?

El enfoque básico de los años setenta y ochenta definitivamente ha fallado, y por esta misma razón. El " aprendizaje profundo ", que ha logrado resultados sorprendentes, es más flexible. Construye modelos estadísticos e implícitos, en lugar de modelos absolutos y lógicos. Sin embargo, requiere grandes cantidades de datos, y las personas a menudo aprenden de un solo ejemplo. Será muy interesante descubrir el alcance y las limitaciones del enfoque de aprendizaje profundo.

Limitaciones del aprendizaje formal, o por qué los robots no pueden bailar