Mente humana vs mente artificial
l
La investigación en inteligencia artificial se enfrenta a grandes paradojas y nunca lo que parece ser sencillo realmente lo es. La historia de las tecnologías de la información nos ha demostrado que lo que parecía difícil, como resolver ecuaciones o jugar al ajedrez, es muy fácil, y lo que parecía fácil, andar, hablar o identificar formas, es en realidad difícil. Cuentan que Marvin Minsky puso a uno de sus estudiantes como trabajo, a resolver en seis meses, obtener una máquina que viese. Más de cuarenta años después, aún seguimos esperando.
Y es que los pioneros en la IA lo primero que se plantearon fue el problema de reproducir la conducta inteligente de los seres humanos con ordenadores. Un objetivo a todas luces demasiado alto. El listón ha ido bajando con el devenir de los años hasta convertirse en el desarrollo de algoritmos que resuelvan de la forma más adecuada un problema complejo. En este sentido, la mayoría de las actividades humanas pueden formularse en términos lógicos y, por tanto, se pueden simular en un ordenador. Esto ha dado origen a los sistemas expertos. El paso fundamental es, en este caso, el desarrollo de un lenguaje que permita al ordenador relacionar un gran número de variables respetando unas reglas del juego. Es lo que se llama el motor de inferencias.
La causa de esta caída de las pretensiones de los científicos IA es que, aunque la velocidad de proceso del cerebro es inferior a la de un ordenador, aún estamos muy lejos de conseguir el nivel de procesamiento en paralelo, la tolerancia a fallos, el número de conexiones o el tipo de control de proceso que tiene el cerebro humano. Dentro de este terreno un campo de investigación muy interesante es el de las redes neuronales artificiales (RNA). Para comprenderlas debemos tener en mente tres conceptos fundamentales que describen a los sistemas nerviosos: el cálculo paralelo, la memoria distribuida y la adaptabilidad. Esto es lo que se ha conseguido con las RNA. Un sistema neuronal artificial se compone de un conjunto de neuronas, un patrón de conexiones, unas dinámicas de aprendizaje o recuerdo y un entorno, al igual que las naturales. Cuando la RNA aprende, puede hacerlo por el sistema profesor-alumno o puede hacerlo por sí misma reconociendo regularidades en los patrones de entrada, extraer rasgos, estimar probabilidades o agrupar los datos según su similitud. En el llamado modo de ejecución, cuando la red debe aplicar lo que ha aprendido, las neuronas se influyen mutuamente, activándose o desactivándose, y la red evoluciona de un estado a otro. Podríamos definir estos estados como una idea elemental. Las RNA pueden suponerse como el primer paso -y un gran paso a fin de cuentas- en la búsqueda de la IA. Aunque, bien está reconocerlo, muchos expertos opinan que los modelos actuales de RNA están acercándose peligrosamente a su límite máximo. Según ellos, algo debe cambiar.
Otra herramienta que parece va a jugar un papel importante en el futuro de la IA es la llamada lógica borrosa. Imaginemos que un ordenador está leyendo un libro de cocina. De pronto se encuentra con la afirmación “añádase una pizca de sal”. ¿Qué demonios significa 'eso'? se preguntará la máquina. ¿Cuánto es 'una pizca'? Lo mismo sucede cuando decimos que hace demasiado calor. Este tipo de sentencias son ininteligibles para un ordenador convencional. Esta falta de exactitud, tan habitual entre nosotros, no es admisible dentro de la lógica tradicional de una máquina. Fue Lofti Zadeth, también profesor de Berkeley, cantera de expertos en IA, quien creó en 1965 la llamada lógica difusa o fuzzy. En ella, las cosas no son verdaderas o falsas en sentido estricto sino que entre ambos existe toda una gama de respuestas igualmente válidas. el establecimiento de esta lógica es un paso previo para intentar lograr una máquina inteligente, y en la actualidad diversos sistemas, desde protección de aeropuertos hasta estudios bancarios, la utilizan.
¿Y el problema del almacenamiento de la memoria? Una de las líneas de investigación más prometedoras es el de las memorias moleculares. Si completamos estos prometedores avances tecnológicos con los recientes avances en computadores cuánticos o los análogos óptico-holográficos, dicen los visionarios más optimistas que el tiempo en que las máquinas puedan pensar no está tan lejos...
Y es que los pioneros en la IA lo primero que se plantearon fue el problema de reproducir la conducta inteligente de los seres humanos con ordenadores. Un objetivo a todas luces demasiado alto. El listón ha ido bajando con el devenir de los años hasta convertirse en el desarrollo de algoritmos que resuelvan de la forma más adecuada un problema complejo. En este sentido, la mayoría de las actividades humanas pueden formularse en términos lógicos y, por tanto, se pueden simular en un ordenador. Esto ha dado origen a los sistemas expertos. El paso fundamental es, en este caso, el desarrollo de un lenguaje que permita al ordenador relacionar un gran número de variables respetando unas reglas del juego. Es lo que se llama el motor de inferencias.
La causa de esta caída de las pretensiones de los científicos IA es que, aunque la velocidad de proceso del cerebro es inferior a la de un ordenador, aún estamos muy lejos de conseguir el nivel de procesamiento en paralelo, la tolerancia a fallos, el número de conexiones o el tipo de control de proceso que tiene el cerebro humano. Dentro de este terreno un campo de investigación muy interesante es el de las redes neuronales artificiales (RNA). Para comprenderlas debemos tener en mente tres conceptos fundamentales que describen a los sistemas nerviosos: el cálculo paralelo, la memoria distribuida y la adaptabilidad. Esto es lo que se ha conseguido con las RNA. Un sistema neuronal artificial se compone de un conjunto de neuronas, un patrón de conexiones, unas dinámicas de aprendizaje o recuerdo y un entorno, al igual que las naturales. Cuando la RNA aprende, puede hacerlo por el sistema profesor-alumno o puede hacerlo por sí misma reconociendo regularidades en los patrones de entrada, extraer rasgos, estimar probabilidades o agrupar los datos según su similitud. En el llamado modo de ejecución, cuando la red debe aplicar lo que ha aprendido, las neuronas se influyen mutuamente, activándose o desactivándose, y la red evoluciona de un estado a otro. Podríamos definir estos estados como una idea elemental. Las RNA pueden suponerse como el primer paso -y un gran paso a fin de cuentas- en la búsqueda de la IA. Aunque, bien está reconocerlo, muchos expertos opinan que los modelos actuales de RNA están acercándose peligrosamente a su límite máximo. Según ellos, algo debe cambiar.
Otra herramienta que parece va a jugar un papel importante en el futuro de la IA es la llamada lógica borrosa. Imaginemos que un ordenador está leyendo un libro de cocina. De pronto se encuentra con la afirmación “añádase una pizca de sal”. ¿Qué demonios significa 'eso'? se preguntará la máquina. ¿Cuánto es 'una pizca'? Lo mismo sucede cuando decimos que hace demasiado calor. Este tipo de sentencias son ininteligibles para un ordenador convencional. Esta falta de exactitud, tan habitual entre nosotros, no es admisible dentro de la lógica tradicional de una máquina. Fue Lofti Zadeth, también profesor de Berkeley, cantera de expertos en IA, quien creó en 1965 la llamada lógica difusa o fuzzy. En ella, las cosas no son verdaderas o falsas en sentido estricto sino que entre ambos existe toda una gama de respuestas igualmente válidas. el establecimiento de esta lógica es un paso previo para intentar lograr una máquina inteligente, y en la actualidad diversos sistemas, desde protección de aeropuertos hasta estudios bancarios, la utilizan.
¿Y el problema del almacenamiento de la memoria? Una de las líneas de investigación más prometedoras es el de las memorias moleculares. Si completamos estos prometedores avances tecnológicos con los recientes avances en computadores cuánticos o los análogos óptico-holográficos, dicen los visionarios más optimistas que el tiempo en que las máquinas puedan pensar no está tan lejos...
