Esta habilidad humana básica será el próximo hito importante que la IA deberá alcanzar

¿Recuerda el sentimiento de sorpresa y alegría cuando descubrió por primera vez que todas las cosas y fenómenos en este mundo están relacionados entre sí, más o menos, según un modelo de correlación llamado causa-efecto? Si este es el caso, entonces es así. , o este evento es la razón que lleva a ese evento.

Esto suena "macro" pero en realidad es extremadamente simple y es una categoría de habilidades humanas básicas. Las investigaciones científicas muestran que empezamos a comprender el principio de causa y efecto a los ocho meses de edad, cuando aún no podemos hablar. Nos ayuda a hacer inferencias elementales sobre la existencia de cosas y fenómenos en el mundo circundante. Sin embargo, la mayoría de nosotros no podemos recordar muchas cosas antes de los tres o cuatro años, por lo que la capacidad de percibir causa y efecto, que ayuda a responder preguntas de "por qué", se convierte gradualmente en una habilidad básica que simplemente podemos recordar. darlo por sentado.

Sin embargo, en realidad, esta no es solo una lección importante para que las personas comprendan el mundo que los rodea, sino también una habilidad en la que los sistemas de inteligencia artificial (IA) actuales todavía son bastante malos y que deben enseñarse y mejorarse para obtener un mejor rendimiento.

La capacidad de los sistemas modernos de inteligencia artificial para vencer a las personas que juegan al Go o conducen automóviles en calles abarrotadas no necesariamente debe compararse con el tipo de inteligencia que los humanos pueden utilizar para dominar estas posibilidades. Esto se debe a que los humanos, incluso cuando son bebés, ya poseen la capacidad de generalizar situaciones aplicando conocimientos de un dominio a otro. Para que la IA alcance su máximo potencial, esto es lo que también debe hacer.

La capacidad de razonar causa y efecto es la siguiente habilidad que la IA debe adquirir

Por ejemplo, si un robot con IA aprende a construir una casa usando ladrillos, las habilidades de análisis de causa y efecto pueden ayudarlo a comprender y darse cuenta de que también puede usar esos ladrillos para construir una casa, un puente o incluso estructuras con estructuras más complejas. . En otras palabras, esto se puede lograr cuando la IA posee la habilidad de comprender las relaciones de causa y efecto entre diferentes variables ambientales.

Un mundo de entrenamiento virtual para la IA

Necesitamos un entorno de entrenamiento de IA profundo que permita que los modelos avanzados de aprendizaje automático se generalicen mejor a diferentes cambios en las características ambientales, como la masa o la forma de los objetos. Por ejemplo, cuando un robot aprende a levantar un objeto específico, podemos esperar que sea capaz de reconocer en qué posición debe pararse, así como cuánta fuerza utilizar para levantar un objeto pesado y voluminoso. siempre que comprenda las aplicaciones apropiadas de causa y efecto en cada caso concreto. Eso es lo que impulsó a los científicos a crear una herramienta llamada CausalWorld.

Si es el tipo de entorno de entrenamiento virtual del que oímos hablar a menudo en las películas de ciencia ficción, como en The Matrix, un mundo virtual en el que las reglas no se aplican. Por el contrario, en CausalWorld, los investigadores pueden entrenar y evaluar sistemáticamente sus métodos en entornos robóticos. Se trata de las reglas y de cómo se aplican. Allí, a los robots se les pueden asignar tareas similares a cuando los niños juegan con Lego, así como otros juegos relacionados con las habilidades de análisis de causa y efecto. Los investigadores pueden intervenir para probar la capacidad del robot para generalizar a medida que está entrenado. Básicamente, este es un entorno de prueba que ayuda a evaluar cómo la IA puede generalizar el problema.

Una vez que haya dominado la capacidad de analizar causa y efecto, el rendimiento de los sistemas de IA mejorará muchas veces, junto con la capacidad de operar de forma independiente de manera más efectiva.