Mitchell, M. (2020/24). Inteligencia artificial. Guía para seres pensantes. Móstoles (Madrid): Capitán Swing.
Creo que hemos de congratularnos desde un inicio por el hecho de que una persona tan destacada en el conocimiento de inteligencia artificial (IA) haya querido ayudarnos en la comprensión de la verdadera situación actual de la IA: qué podemos esperar de su actual y futuro desarrollo (objetivos a veces contradictorios: campo plagado de confusiones), evitando en lo posible los exagerados temores -esclavizarnos- y las infundadas esperanzas – futura singularidad-. En definitiva, estamos ante un manual o guía para que entendamos su funcionamiento. Agradecidos, comencemos.
Orígenes de la IA (palabra maleta): década de los 60. Desde la lógica, las matemáticas, la informática (antes teoría de autómatas), la biología, la psicología… un grupo de investigadores -McCarthy Minsky, Papert, Newell, Simon, Rosenblatt…-, con relativa colaboración -y con cierta anarquía de métodos-, trataron de crear máquinas –ordenadores digitales– capaces de manipular símbolos, a semejanza de como lo hace la inteligencia humana (IA simbólica -Solucionador General de Problemas- y subsimbólica -inspirada en la neurociencia: redes neuronales profundas-).
Los dos grandes marcos de la IA, desde sus inicios, son: la IA simbólica y la subsimbólica –perceptrón, aprendizaje supervisado, datos de entrenamiento y de prueba, algoritmo-. La IA, en general, ha vivido primaveras -optimismo y financiación- e inviernos -pesimismo y paro-: las cosas fáciles son difíciles (sobre todo en el ámbito de la visión). La construcción de sistemas híbridos -IA simbólica y subsimbólica-, de momento, no ha dado buenos resultados. Lo que sí nos ha proporcionado la IA, además de sus frutos específicos, ha sido la asunción de la complejidad y las sutilezas de nuestra mente. No está nada mal entonces
La modernidad: nos estamos refiriendo a las redes neuronales – antes denominadas redes conexionistas; neuronas simuladas- multicapa -profundas-, en cuyo contexto tiene lugar el aprendizaje profundo: conjunto de algoritmos y neurociencia (Hubel, Wiesel, Fukushuma… cognitrón, neocognitrón… –redes neuronales convolucionales-).
¿Podremos pasar pronto de la IA estrecha o débil -la actual- a la IA general -IAG, de nivel humano? Incluso, como punto final, ¿podremos algún día presenciar aquella IAG que será capaz de superar a los humanos en la mayoría o la totalidad de los ámbitos de ejecución, llegando a la singularidad, debido a progresos exponenciales convergentes -revoluciones tecnológicas simultáneas: computación, neurociencia, nanotecnología…-?
La realidad: pocas dudas existen de que estamos avanzando mucho en el perfeccionamiento de la IA -aprendizaje automático de la visión: reconocimiento de objetos, por ejemplo-, mediante el empleo de las redes neuronales convolucionales -operaciones matemáticas-(ConvNet o CNN). Ahora bien, todavía nos hallamos muy lejos, comparativamente hablando, de la inteligencia visual humana. Por eso, ¿podríamos decir con rigor que los sistemas de aprendizaje profundo aprenden de manera similar al cerebro humano?
Hay muchas diferencias relevantes entre ambos sistemas: a) el método de aprendizaje supervisado que utiliza una inmensidad de datos y una grandísima cantidad de anotadores humanos es necesario (específico) para la IA –el aprendizaje no supervisado es la materia oscura de la IA-, b) el afrontamiento es dispar -con y sin sentido común– en, por ejemplo, la cola larga de fenómenos improbables entre IA y humanos, c) el sobreajuste a los datos de entrenamiento es una debilidad de la IA, incluso cuando es capaz de superar a los humanos en el reconocimiento de objetos, d) sin teoría de la mente en la IA, no así en los humanos, d) no se ha conseguido crear un sistema de aprendizaje profundo -IA- capaz de explicarse a sí mismo en términos humanos. Además, estos sistemas -IA- son fáciles de engañar –ejemplos antagónicos– y difíciles de defender. Hoy sigue existiendo una barrera del significado (comprensión: simulación de modelos mentales, metáforas, abstracción, analogías, sentido común, metacognición…-) para la IA. Y aún nos quedaría el argumento potente de la corporeidad.
El futuro: son ya muchos los beneficios de la utilización de la IA para la ciudadanía, automatizando (combinación de aprendizajes: importancia del aprendizaje por refuerzo–algoritmo de aprendizaje Q o con redes neuronales, en simulaciones-) los trabajos necesarios que los humanos no quieren o pueden hacer y, cabe razonablemente hipotetizar, que irán afortunadamente en aumento. Bienvenidos, pues, todos estos avances (traducción, búsquedas, incluso juegos…). ¿Será, entonces, la panacea para todos nuestros males? En modo alguno: se promete mucho más de lo que se da.
Necesitamos, para nuestro bien, estar muy pendientes de las limitaciones y de los abusos (ética, sesgos, privacidad, fiabilidad, regulación, necesidad de explicaciones, vulnerabilidad, engaños…) en el campo de la IA. Con la lectura detenida de esta obra, bien escrita y documentada, tanto el presente como el futuro te sonreirán a buen seguro, al poder contar con un conocimiento científicamente bien fundamentado sobre la IA. ¿A qué esperas entonces?