No hay espíritu en el carro
En los últimos años, los medios de comunicación se han visto inundados de descripciones exageradas de las tecnologías de inteligencia artificial (IA) y aprendizaje automático (MO). Parece que nunca ha habido tal cosa en el campo de la informática que tantas personas hayan hecho declaraciones ridículas con una idea tan pequeña de lo que está sucediendo. Para cualquiera involucrado activamente en equipos informáticos avanzados en la década de 1980, lo que parece extraño.
En el número de The Atlantic de este mes,
Sapiens , un intelectual intelectual y superventas,
una breve historia de la humanidad y
Homo Deus: una breve historia del mañana ,
Yuval Noah Harari describe el impacto de la IA en la democracia. El aspecto más interesante del artículo es la excesiva fe de Harari en las capacidades de las tecnologías modernas de inteligencia artificial. Describe a un amigo de Google,
el programa de ajedrez
de DeepMind , como "creativo", "imaginativo" e "instinto brillante".
En
el documental Joy of AI de
la Fuerza Aérea, el profesor Jim Al-Khalili y el fundador de DeepMind, Demis Hassabis, describen cómo el sistema de IA "hizo un verdadero descubrimiento", "es capaz de generar realmente una nueva idea" y desarrolló "estrategias inventadas de forma independiente".
Y si se usa una corriente similar de exageraciones y antropomorfismos para describir los sistemas estúpidos y mecanicistas, entonces es hora de probar la realidad con un retorno a lo básico.
La discusión de la tecnología informática a menudo ocurre a través de mitos, metáforas e interpretaciones humanas de lo que aparece en la pantalla. Metáforas como "intuición", "creatividad" y nuevas "estrategias" son parte de la mitología emergente. Los expertos en inteligencia artificial encuentran patrones en el juego de inteligencia artificial y los llaman "estrategias", pero la red neuronal no tiene idea de qué es una estrategia. Si hay algún tipo de creatividad, entonces pertenece a los investigadores de DeepMind, quienes desarrollan y administran los procesos de los sistemas de capacitación.
Los sistemas de inteligencia artificial de hoy se basan en una gran cantidad de pruebas y errores automáticos; En cada etapa, la técnica de
propagación hacia atrás se utiliza para transmitir información sobre errores y ajustar el sistema para reducir la cantidad de errores en el futuro, y esto gradualmente mejora la efectividad de la inteligencia artificial para realizar una determinada tarea, como jugar al ajedrez.
El aumento en la efectividad de AI, MO, etc. El "aprendizaje profundo" (GO) se basa en su mayor parte en la aplicación de esta técnica de retropropagación. Fue inventado por primera vez en la década de 1960, y fue aplicado a las redes neuronales en la década de 1980 por Joffrey Hinton. En otras palabras, durante más de 30 años, no ha habido un progreso conceptual significativo en IA. La mayoría de los resultados de la investigación de IA y los artículos de los medios muestran lo que sucede cuando montañas de equipos informáticos caros y una ingeniosa campaña publicitaria se lanzan a la ejecución de una vieja idea.
Y no se puede decir que DeepMind no hace un trabajo valioso. El trabajo auxiliar de las máquinas en la creación de nuevas estrategias e ideas es algo interesante, especialmente si el funcionamiento de esta máquina es difícil de entender debido a su complejidad. En nuestra cultura secular, la magia y el misterio de la tecnología atrae a las personas, y dar una imagen misteriosa a un campo de ingeniería principalmente seco y racional solo es beneficioso. Pero no hay espíritu en una máquina amiga de Google.
Iron vs. Software, Analog vs. Digital, Thompson vs. Hassabis
Todas las exageraciones que rodean las máquinas DeepMind me recuerdan la emoción que surgió hace un par de décadas a raíz de un sistema de "aprendizaje automático" completamente diferente y posiblemente más profundo.
En noviembre de 1997, el
trabajo de Adrian Thompson, investigador del Centro de Neurobiología Computacional y Robótica de la Universidad de Sussex, apareció en la portada de la revista New Scientist junto con el
artículo "Creaciones de silicio prehistórico: lanzamos el darwinismo en el laboratorio de electrónica y vemos lo que crea". Un coche duro que nadie entiende ".
El trabajo de Thompson causó una ligera sensación, ya que rechazó las costumbres y lanzó la evolución del sistema MO en equipos electrónicos, en lugar de utilizar un enfoque programático como todos los demás. Decidió hacer esto porque se dio cuenta de que el software digital estaba limitado por la naturaleza binaria de encendido / apagado de los interruptores que conforman el cerebro de procesamiento de señales de cualquier computadora digital.
Las neuronas del cerebro humano, por el contrario, han evolucionado para participar en diversos
procesos físicos y bioquímicos sutiles, a veces incomprensiblemente complejos. Thompson sugirió que el desarrollo de equipos informáticos que utilizan un proceso automático de selección natural puede aprovechar todas las propiedades físicas analógicas (infinitamente diversas) del mundo real inherentes al silicio, que conforman los interruptores de computadora digital más simples, lo que puede conducir a algo parecido efectivo Trabajo análogo de los componentes del cerebro humano. Y tenía razón.
En su laboratorio, Thompson lideró la evolución de la configuración FPGA (un tipo de chip de silicio digital en el que las conexiones entre sus interruptores digitales se pueden reconfigurar constantemente) para enseñarle cómo separar dos señales de audio diferentes. Después de mirar dentro del chip para ver cómo el proceso evolutivo ajustaba las conexiones entre los interruptores, observó un esquema de trabajo impresionantemente efectivo: solo usaba 37 componentes.
Además, los ingenieros digitales ya no entienden el esquema evolutivo resultante. Algunos de los 37 componentes no estaban conectados con otros, pero cuando se eliminaron del circuito, todo el sistema dejó de funcionar. La única explicación razonable para esta extraña situación fue que el sistema usaba algún tipo de misteriosas conexiones electromagnéticas entre sus componentes digitales. En otras palabras, el proceso evolutivo adoptó las características analógicas de los componentes y materiales del sistema del mundo real para llevar a cabo sus "cálculos".
Fue una explosión cerebral. Yo era un joven investigador en la década de 1990, tenía experiencia trabajando tanto en el campo de la investigación en
equipos electrónicos como en IA, y el trabajo de Thompson me sorprendió. La computadora no solo fue capaz de inventar un tipo completamente nuevo de circuitos electrónicos y superar las capacidades de los ingenieros electrónicos, sino que, lo que es más importante, indicó el camino hacia el desarrollo de sistemas informáticos e IA infinitamente más potentes.
Hassabis comenzó como programador principal de IA en el juego ahora olvidado de Lionhead Studio, Black & White.Entonces que paso? ¿Por qué Thompson está casi olvidado, y la compañía matriz de Google, Alphabet, está tirando dinero a Hassabis, y los documentales de la Fuerza Aérea le cantan panegíricos? En su mayor parte, se trata de un buen momento. En la década de 1990, AI estaba tan de moda como las bragas de la abuela. Hoy, AI tiene la carga de la necesidad de llevarnos a la "cuarta revolución industrial". El capital persigue el "próximo gran proyecto". Aunque los sistemas de IA digital de DeepMind no son muy adecuados para simular sistemas analógicos complejos del mundo real como el clima o el cerebro humano, definitivamente son adecuados para procesar datos digitales provenientes del mundo digital en línea más simple en forma de enlaces, clics, me gusta, listas de reproducción y píxeles .
DeepMind también se benefició de su capacidad para mostrar la cara del producto. DeepMind anunció su tecnología y liderazgo, cultivando el misterio tecnológico, pero toda la demostración de su trabajo se redujo a los juguetes con las reglas computables más simples. La ventaja de los juegos es su comprensión y atractivo visual para los medios y el público. De hecho, la mayoría de las aplicaciones comerciales de esta tecnología se asociarán con
aplicaciones comerciales de fondo comunes , por ejemplo, para
optimizar la eficiencia energética de los centros
de datos en los que Google almacena sus computadoras.
Ceci n'est pas une paddle *
* "Esto no es un remo" - una referencia a la pintura " Traición de imágenes "Thompson y Hassabis, excepto por ser británicos, definitivamente tenían la experiencia y las habilidades necesarias para el entrenamiento y la evolución efectivos de sus sistemas, pero tal dependencia de las habilidades y la creatividad de las personas es obviamente una debilidad de cualquier sistema de IA o MO. Además, su tecnología era muy frágil. Por ejemplo, los sistemas Thompson a menudo dejaron de funcionar a temperaturas diferentes de las que evolucionaron. Mientras tanto, en DeepMind, simplemente
cambiar el tamaño de la paleta en uno de los videojuegos de la compañía negó por completo la efectividad de la IA. Esta fragilidad se debe al hecho de que AI de DeepMind no comprende qué es una paleta, e incluso el videojuego en sí; sus interruptores solo funcionan con números binarios.
Recientemente, los sistemas MO realmente han logrado grandes éxitos, pero este progreso, en su mayor parte, se obtuvo debido al uso de una gran cantidad de equipos informáticos estándar para resolver problemas, en lugar de innovaciones radicales. En algún momento en un futuro no muy lejano, ya no será posible meter más interruptores de silicio pequeños en un chip de silicio. La eficiencia del circuito (más cómputos con menos equipo) será importante comercialmente, y en este punto, la evolución del equipo finalmente puede ponerse de moda.
También pueden aparecer sistemas híbridos que combinan los enfoques de Thompson y Hassabis. Pero pase lo que pase, Harrari tendrá que esperar hasta que pueda adquirir un sistema de inteligencia artificial "creativo" para escribir su próximo libro más vendido.