¿Cómo nos ayuda la revolución de la IA a responder las preguntas más fundamentales de la filosofía? (Parte 2)

¿Quien soy? ¿Para qué nací? La revolución de la IA a través de los ojos del experto en tecnología Kaifu-Lee, parte 2, te ayudará a seguir descubriendo las respuestas a estas dos eternas preguntas humanas. Después del fracaso de las dos primeras oleadas, ¿cómo ha seguido desarrollándose y despegando la IA hasta ahora? ¿Tiene hoy la IA suficiente poder para dominar el mundo como algunos pronostican?

• ¿Cómo nos ayuda la revolución de la IA a responder las preguntas más fundamentales de la filosofía? (Parte 1)

Resumen de la parte 1: mecanismos de las dos primeras oleadas de inteligencia artificial en el mundo: sistemas basados ​​en reglas de pensamiento (primera oleada), modelos estadísticos y aprendizaje automático (segunda oleada)

PARTE 2: La tercera ola de Al y la reevaluación de las verdaderas capacidades de Al en la actualidad.

La tercera ola de IA: una explosión impulsada por hardware

Durante la primera ola, yo (el autor Kai-fu Lee) tuve la suerte de conocer al informático y psicólogo Roger Schank. De hecho, uno de sus alumnos fue mi supervisor durante mis años de maestría. Los experimentos anteriores me han llevado a creer que los sistemas expertos no son escalables y que es posible que nuestros cerebros no funcionen como pensábamos. Me di cuenta de que, para simplificar nuestro proceso de decisión, usábamos "si, entonces, si no" como un lenguaje que los humanos entienden, pero nuestros cerebros son complejos, mucho más complicados que eso.

Durante la segunda ola, durante mi tesis y mis estudios de doctorado, leí el trabajo de Judea Pearl sobre redes bayesianas. Fui muy influenciado por destacados científicos de IBM, incluidos el Dr. Fred Jelinek, Peter Brown y Bob Mercer. Dejaron su huella al convertir los métodos estadísticos en algo común, no sólo en el habla sino también en la traducción automática (en los años 80 y 90 del siglo XX). Les debo mucha gratitud. Todavía estamos estancados, pero no es porque la tecnología sea incorrecta. La verdad es que los métodos estadísticos son completamente precisos.

A finales de los 80, mientras yo trabajaba en modelos ocultos de Markov en Carnegie Mellon, Geoff Hinton trabajaba en redes neuronales a las que llamó "redes neuronales retardadas en el tiempo". Se cree que es la primera versión de las complejas redes neuronales que ahora se conocen popularmente como aprendizaje profundo, una tecnología dominante en la actualidad.

Pero ¿por qué no ha despegado la ola de aprendizaje automático neuronal y estadístico? En retrospectiva, esta ola no tuvo nada que ver con la tecnología, la mayor parte de la tecnología ya había sido inventada. El problema es simplemente que no tenemos suficientes datos de entrenamiento. Nuestros cerebros funcionan de una manera completamente diferente a las máquinas de aprendizaje profundo. Para poner en marcha las máquinas de aprendizaje profundo, debemos proporcionarles más datos de entrenamiento en todos los niveles que los humanos. Los humanos pueden ver cientos de rostros antes de comenzar a reconocer a las personas, pero las redes neuronales de aprendizaje profundo quieren ver miles de millones de rostros para dominar el reconocimiento.

Por supuesto, una vez que se vuelvan competentes, serán mejores que los humanos. Eso fue predicho. Pero en ese momento, simplemente no teníamos suficientes datos de entrenamiento, ni suficiente potencia informática para llevar estas tecnologías descubiertas a la vanguardia. Google está empezando a darse cuenta de que para realizar búsquedas se necesitan muchas máquinas funcionando en paralelo. Luego, Jeff Dean (el científico informático que dirige la división de IA de Google) y otras personas de Google vieron que, una vez que se tenían esas máquinas paralelas, se podía hacer mucho más que buscar. Puedes construir IA sobre ellos. Para construir IA, necesitas chips especiales que se especialicen en hacerlo bien. Luego aparecieron las GPU de Nvidia y Google construyó sus propias TPU. Ese es un avance emocionante. Dio la casualidad de que Google retomó la búsqueda, y la búsqueda necesitaba servidores, y consiguieron a Jeff Dean. Esto ha llevado a arquitecturas de aprendizaje masivamente paralelas basadas en GPU o TPU que pueden aprender de una gran cantidad de datos de una sola área (las GPU son procesadores compuestos por miles de núcleos más pequeños y de mayor rendimiento que pueden procesar y manejar muchas tareas simultáneamente, en comparación con un CPU convencional con sólo unos pocos núcleos optimizados para procesamiento secuencial continuo).

(Foto: Anand Tech)

Las nuevas tecnologías han evolucionado basándose en las arquitecturas de aprendizaje automático masivamente paralelas mencionadas anteriormente, y estas arquitecturas se ejecutan en nuevas GPU y aceleradores. Cada vez más personas pueden entrenar dispositivos para que reconozcan rostros, voces, imágenes y apliquen inteligencia artificial a la búsqueda y la predicción. Cada vez hay más datos de Internet disponibles. Amazon utilizó estos datos para predecir lo que los clientes querían comprar. Google utiliza datos para predecir en qué anuncios es probable que haga clic y por los que probablemente pagará. Microsoft también lo usa. En China tenemos Tencent y Alibaba. Muchas aplicaciones han nacido a partir de enormes cantidades de datos de Internet.

Al mismo tiempo que avanzaba la tecnología, Geoff Hinton, Yann LeCun y Yoshua Bengio fueron tres personas que continuaron trabajando en redes neuronales, aunque ya no eran comunes a principios de la década de 2000. En los años 80, ese trabajo es nuevo. y estadísticas innovadoras han demostrado que estas redes no son escalables. Entonces las agencias de financiación los abandonaron, las conferencias dejaron de aceptar investigaciones sobre ellos, pero estos tres investigadores continuaron con un poco de financiación para refinar y desarrollar mejores algoritmos. Y luego aparecieron más datos. Un gran avance se produjo con la creación de nuevos algoritmos, en un momento llamados "redes neuronales complejas" y hoy conocidos como "aprendizaje profundo".

El conjunto de tecnologías derivadas de los tres profesores mencionados anteriormente comenzó a proliferar en la industria de la IA. Los sistemas de reconocimiento de voz diseñados por empresas líderes están ganando a las capacidades humanas, y lo mismo ocurre con las empresas de reconocimiento facial y reconocimiento de imágenes. Hay evidencia de comercio electrónico, identificación de usuario/hablante que se aplica a los datos de Internet, pronósticos más altos para Amazon, dándoles más dinero; mejores predicciones para Facebook sobre cómo se clasifican las fuentes de noticias; Mejores resultados de búsqueda de Google. A finales de la década de 2000, las redes neuronales profundas comenzaron a hacerse populares en Google y explotaron en casi todas partes en los últimos 7 u 8 años. Nacieron más estructuras, se desarrollaron sistemas más inteligentes. Por supuesto, el evento que encendió al mundo fue que AlphaGo derrotó al maestro de Go Lee de Corea y al maestro Ke de China por márgenes cada vez mayores. Y más recientemente, un nuevo estudio sugiere que AlphaGo se puede entrenar desde cero sin conocimiento humano.

Todos estos avances han hecho que el mundo sepa que la IA es una realidad en este momento. Tuvimos algo en la segunda ola, las redes neuronales y los métodos estadísticos eran correctos, simplemente no teníamos suficientes datos, ni suficiente potencia informática ni suficiente progreso en la pila tecnológica en ese momento para que eso sucediera. Pero ahora lo hemos logrado.

¿Puede la IA dominar a la humanidad?

La IA está despegando en todas partes. Surgieron muchas nuevas escuelas de pensamiento. Hay un grupo de personas que están empezando a reflexionar sobre nuestra pregunta original: ¿quiénes somos y por qué existimos? Estas personas razonaron que, debido a que la IA ha podido mejorar tan rápidamente en los últimos dos o tres años, si aprovechamos eso en otras áreas, tendremos máquinas superinteligentes que pueden insertarse en nuestras cabezas y convertirse en aumentos humanos. o serán malvados y gobernarán a la humanidad.

Sólo quiero prohibir este tipo de pensamiento. Simplemente eso no es exacto. No importa cuán avanzada sea la IA hoy en día o que parezca que la IA está haciendo cosas extraordinarias, como derrotar a los humanos en juegos de ajedrez, reconocimiento de voz, reconocimiento facial, vehículos autónomos, robots industriales, la IA seguirá estando limitada de las siguientes maneras: La IA (que llamamos IA débil) es un dispositivo que se optimiza basándose en una gran cantidad de datos sobre un campo que aprende a hacer algo extremadamente bien. Es un robot vertical de una sola tarea, pero sólo puede hacer una cosa. No puedes enseñarle muchas cosas. No puedes enseñarle muchas áreas. No se le puede enseñar a tener sentido común (sentido común, conocimiento común, experiencia, comportamiento que la mayoría de nosotros considera correcto o incorrecto). No puedes darle emoción. No tiene conciencia de sí mismo, por lo que no tiene deseos, ni siquiera comprensión de cómo amar o dominar a un ser humano.

Toda esa charla negativa es una tontería. Eso es demasiada imaginación. Estamos viendo que la IA se introduce en nuevas aplicaciones en áreas de rápido crecimiento, pero lo que tenemos es el rápido crecimiento de las aplicaciones que se encuentran en las tecnologías maduras. Ese crecimiento terminará cuando se desarrolle toda la tecnología. Luego tendremos que esperar nuevos avances para seguir avanzando en la IA. Pero no se pueden predecir mayores avances.

Si nos fijamos en la historia de la IA, este tipo de innovación en aprendizaje profundo solo ocurrió una vez. Sólo una vez desde 1957, una vez cada 60 años, hemos logrado un gran avance. No se puede seguir adelante y predecir que vamos a tener un gran avance el próximo año, y luego el mes siguiente o el día siguiente. Eso es demasiado rápido. El uso de aplicaciones recién ahora se está produciendo. Eso es genial, pero la idea de inventos rápidos es un concepto tonto. En mi opinión, quienes hacen estas afirmaciones y quienes dicen que la unidad está por delante de nosotros están completamente desconectados de la situación industrial real.

Hoy en día, sólo existe la IA que se centra en hacer una cosa a la vez y es una gran herramienta. Es bueno para crear valor. Reemplazará muchos empleos humanos y algunos otros empleos humanos. En eso es en lo que deberíamos pensar, no en una IA grande y poderosa, una máquina que es como un humano y puede pensar en muchos campos y tiene percepciones comunes como los humanos. Después de todo, no podemos predecir eso basándonos en el progreso actual.

¿Podría suceder eso algún día, dentro de cien o mil años? Creo que cualquier cosa puede pasar. Pero tal vez deberíamos centrar nuestra energía en las cosas de aquí, hoy. Y lo que hay aquí ahora son supermáquinas optimizadas que pueden desempeñarse mejor que los humanos en los trabajos: selección de valores, concesión de préstamos, atención al cliente, telemercadeo, trabajo en líneas de producción, soporte legal. La IA puede hacer esas cosas mejor que los humanos. Se están apoderando y liberando nuestro tiempo libre, permitiéndonos hacer lo que realmente amamos y lo que mejor sabemos hacer. Es la oportunidad de nuestra vida, no la aterradora perspectiva de que las computadoras se vuelvan súper inteligentes.

Según VnReview

Ver más:

• Curso gratuito en línea de inteligencia artificial (IA) de universidades finlandesas
• 6 pasos para empezar a aprender programación de inteligencia artificial (IA)
• Cursos online sobre inteligencia artificial (IA), certificación