Inteligencia Artificial

Margaret A. Boden

• Publisher: Turner
• Year: 2017
• ISBN:
  9788416714902
• Topic: Tecnología e ingeniería
• Subtopic: Ingeniería general

Una de las grandes aventuras de nuestro tiempo es la búsqueda de la Inteligencia Artificial. De ella se habla con esperanza, con temor, con escepticismo o con desprecio según las voces. Margaret A. Boden, una de las autoridades mundiales en este campo, nos presenta aquí un completo y accesible "estado de la cuestión". ¿Qué ofrece hoy la IA? ¿Cuáles son sus retos más inmediatos? ¿Existen ya los seres artificiales capaces de sentir emociones? ¿Está cerca la Singularidad, es decir, el momento en que los robots sean más inteligentes que los seres humanos? ¿Siguen vigentes las leyes de la robótica de Asimov?Una lectura crucial para los interesados en los grandes retos tecnológicos y éticos de nuestro siglo, y casi un mapa para abrirse camino entre los complicados conceptos de la Inteligencia Artificial. Por una parte, una breve historia de la computación, y por otra un sucinto tratado de filosofía práctica sobre qué es la mente humana y cómo trabaja.

II
LA INTELIGENCIA GENERAL ES EL SANTO GRIAL

La IA de última generación es una cosa esplendorosa. Brinda en abundancia máquinas virtuales que realizan muchas clases diferentes de procesamiento de la información. No hay una llave maestra, no hay una técnica primordial que unifique el campo: los profesionales de la IA trabajan en temas muy diversos con muy poco en común en cuanto a objetivos y métodos. En este libro solo se pueden mencionar unos pocos de los avances recientes. En suma, el alcance metodológico de la IA es extraordinariamente amplio.

Se podría decir que ha tenido un éxito asombroso, ya que su alcance práctico, también, es extraordinariamente amplio. Existen multitud de aplicaciones de IA diseñadas para innumerables tareas específicas que utilizan en casi todos los campos de la vida legos y profesionales por igual. Muchas superan hasta a los seres humanos más expertos. En ese sentido, el progreso ha sido espectacular.

Pero los pioneros de la IA no solo aspiraban a sistemas especializados. También esperaban lograr sistemas con inteligencia general. Cada una de las capacidades humanas que replicaron (visión, razonamiento, lenguaje, aprendizaje y demás) ya conllevaba todo el cupo posible de desafíos. Además, se iban añadiendo cuando eran procedentes.

Según esos criterios, el progreso ha sido mucho menos impresionante. John McCarthy reconoció muy pronto lo necesario que era el “sentido común”¹ en la IA y habló de “generalidad en la inteligencia artificial” en los dos discursos de amplia repercusión que pronunció en los premios Turing, en 1971 y 1987, pero se estaba quejando, no celebrando. En 2016, sus quejas siguen sin respuesta.

El siglo XXI está viviendo un renacer del interés por la inteligencia artificial fuerte (IAF), motivado por el aumento reciente de la potencia de los ordenadores. Si se lograse la IAF, los sistemas de IA podrían depender menos de trucos de programación con un propósito específico y beneficiarse en su lugar de las facultades generales del razonamiento y la percepción, además del lenguaje, la creatividad y la emoción (de los que se habla en el capítulo III).

No obstante, es más fácil decirlo que hacerlo. La inteligencia general sigue siendo un reto fundamental pero muy esquivo. La IAF es el santo grial de este campo.

LOS SUPERORDENADORES NO BASTAN

Los superordenadores actuales son sin duda una ayuda para todo el que quiera hacer realidad este sueño. La explosión combinatoria –para la que se requieren más cálculos de los que se pueden realizar en realidad– ya no es la amenaza constante que era antes. Sin embargo, los problemas no se pueden resolver por el mero hecho de aumentar la potencia del ordenador.

En general, se necesitan nuevos métodos de resolución de problemas. Además, aunque un método en particular deba tener éxito en teoría, puede que necesite mucho tiempo y/o memoria para tener éxito en la práctica. Se dan tres ejemplos así (a propósito de las redes neuronales) en el capítulo IV. De la misma forma, una “solución” por fuerza bruta que enumerase todos los movimientos de ajedrez posibles requeriría más direcciones de memoria que electrones hay en el universo, así que ni siquiera bastaría con un montón de superordenadores.

La eficiencia también es importante: cuanto menor sea el número de cálculos, mejor. En resumen, hay que convertir los problemas en solubles y existen varias estrategias básicas para ello. La IA simbólica clásica les abrió el camino a todas y todas siguen siendo esenciales.

Una es concentrarse en una sola parte del espacio de búsqueda (la representación del problema del ordenador, en la que se supone que se encuentra la solución). Otra es crear un espacio de búsqueda menor mediante supuestos simplificados. La tercera es ordenar la búsqueda con eficiencia. Otra más es crear un espacio de búsqueda distinto, representando el problema de una forma nueva.

Estas estrategias requieren heurísticas, planificación, simplificación matemática y representación del conocimiento, respectivamente. Las cinco secciones siguientes tratan de estas estrategias de la IA general.

BÚSQUEDA HEURÍSTICA

La palabra “heurística” tiene la misma raíz que “¡Eureka!”: viene del griego encontrar o descubrir. Las heurísticas fueron las estrategias que eligió la inteligencia artificial simbólica inicial y se suelen considerar “trucos de programación”. Pero el término no surgió con la programación; hacía mucho que lógicos y matemáticos lo conocían. En cuanto a la actividad humana de utilizar heurísticas para la resolución de problemas (ya sea conscientemente o no), se remonta a miles de años, mucho antes de que a Ada Lovelace se le pasara por la cabeza la IA.

Ya sea para seres humanos o máquinas, las heurísticas hacen que un problema sea más fácil de resolver. En IA, lo consiguen dirigiendo el programa hacia unas zonas determinadas del espacio de búsqueda y apartándolo de otras.

Muchas heurísticas, incluidas la mayoría de las que se utilizaron en los primeros tiempos de la IA, son reglas empíricas que no está garantizado que resulten. La solución puede estar en algún lugar del espacio de búsqueda que el sistema, por indicación de la heurística, ignora. Por ejemplo, “Protege a tu reina” es una regla muy útil en ajedrez, pero que a veces hay que desobedecer.

Se puede demostrar que otras heurísticas son adecuadas lógica o matemáticamente. Gran parte del trabajo actual sobre IA y ciencias de la computación tiene como objetivo identificar propiedades demostrables de los programas. Este es un aspecto de la “IA fácil de usar”,² porque el uso de sistemas lógicamente poco fiables puede poner en peligro la seguridad humana (véase el capítulo VII). (No hay una distinción rigurosa entre heurísticas y algoritmos. Muchos algoritmos son, en efecto, miniprogramas que incluyen alguna heurística determinada).

Ya sean fiables o no, las heurísticas son un aspecto esencial de la investigación en la IA. La especialización creciente de la IA ya mencionada depende en parte de que se definan nuevas heurísticas que mejoren la eficiencia de manera espectacular, pero solo en un tipo de problema o espacio de búsqueda muy restringidos. Una heurística sumamente eficaz puede que no sea apta para que la “tomen prestada” otros programas de IA.

Dadas varias heurísticas, su orden de aplicación puede que sí sea importante. Por ejemplo, “Protege a tu reina” debería tenerse en cuenta antes de “Protege a tu alfil”, aun cuando esta orden conduzca a veces al desastre. Órdenes distintas definirán árboles de búsqueda en el espacio de búsqueda. Definir y ordenar heurísticas son tareas cruciales para la IA moderna. (Las heurísticas también son muy importantes en la psicología cognitiva. El fascinante trabajo sobre “heurísticas rápidas y frugales”, por ejemplo, demuestra cómo la evolución nos ha equipado con formas eficientes de reaccionar ante el medio).³

Las heurísticas buscan mediante fuerza bruta por todo el espacio de búsqueda superfluo, pero a veces se combinan con la búsqueda por fuerza bruta (limitada). El programa de ajedrez de IBM Deep Blue, que causó revuelo mundial al vencer al campeón Gary Kasparov en 1997, utilizaba chips de hardware dedicado que procesaban doscientos millones de posiciones por segundo para generar todos los movimientos posibles para las siguientes ocho jugadas.⁴

No obstante, tenía que usar heurísticas para seleccionar el “mejor” movimiento entre ellos. Y como sus heurísticas no eran fiables, ni siquiera Deep Blue fue capaz de vencer a Kasparov siempre.

PLANIFICACIÓN

La planificación, también, ocupa un lugar destacado en la IA actual, sobre todo en una amplia gama de actividades militares.⁵ De hecho, el departamento de Defensa de Estados Unidos, que pagaba la mayoría de la investigación sobre IA hasta hace muy poco, ha dicho que el dinero ahorrado en logística (gracias a la planificación con IA) en el campo de batalla en la primera guerra de Irak superó toda la inversión previa.

La planificación no se limita a la IA: todos la hacemos. Si el lector piensa en hacer la maleta para las vacaciones, por ejemplo, tiene que encontrar las cosas que se quiere llevar, que seguramente no estén todas en el mismo sitio. Quizá tenga que comprar algunas cosas (crema solar, tal vez). Debe decidir si juntar todas las cosas (quizá sobre la cama o una mesa) o si ponerlas en la maleta conforme las va encontrando. La decisión dependerá en parte de si quiere poner la ropa encima de todo para impedir que se arrugue. Le hará falta una mochila o una maleta o quizá dos: ¿cómo decidirlo?

Los programadores de inteligencia artificial simbólica que usaban la planificación como técnica tenían en cuenta este tipo de ejemplos pensados con todo detalle. (La IA basada en las redes neuronales es muy diferente, puesto que no intenta mimetizar la deliberación consciente: véase el capítulo IV). Esto es porque a los pioneros en IA responsables de la Máquina de la Teoría Lógica (véase el capítulo I) y el Solucionador General de Problemas les interesaba principalmente la psicología del razonamiento humano. Basaron sus programas en experimentos que habían hecho con sujetos humanos, a los que se les pidió que “pensaran en voz alta” para descubrir su propio proceso de pensamiento mientras hacían juegos de lógica.

Los planificadores de IA modernos no dependen tanto de las ideas obtenidas mediante la introspección consciente o la observación experimental. Y sus planes son mucho más complejos de lo que fueron en los primeros tiempos, pero la idea básica es la misma.

Un plan especifica una secuencia de acciones representadas a nivel general (un objetivo final, más subobjetivos y sub-subobjetivos…) para que no se tengan en cuenta todos los detalles a la vez. La planificación a un nivel adecuado de abstracción puede llevar a “podar” el espacio de búsqueda, para que algunos detalles no tengan que examinarse para nada. A veces, el objetivo final es un plan de acción en sí mismo, quizá programar envíos desde y a una fábrica o a un campo de batalla. Otras veces, es la respuesta a una pregunta; por ejemplo, un diagnóstico médico.

Para cualquier objetivo y situaciones previstas, el programa de planificación necesita: una lista de acciones (esto es, operadores simbólicos) o tipos de acciones (que se instan al completar los parámetros derivados del problema) que puedan realizar algún cambio relevante; para cada acción, un conjunto de requisitos previos necesarios (como agarrar algo que deberá estar al alcance) y heurísticas que den prioridad a los cambios necesarios y ordenen las acciones. Si el programa opta por una acción concreta, quizá tenga que crear un nuevo subobjetivo que cumpla con los requisitos previos. Este proceso de formulación de objetivos se puede repetir una y otra vez.

La planificación permite que el programa (y/o el usuario humano) averigüe si ya se han llevado a cabo las acciones y por qué. El “por qué” se refiere a la jerarquía de los objetivos: esta acción se llevó a cabo para cumplir con ese requisito previo, para alcanzar este y aquel subobjetivo. Los sistemas de IA, por lo general, usan técnicas de “encadenamiento hacia adelante” y “encadenamiento hacia atrás”, que explican cómo encontró la solución el programa, lo que ayuda al usuario a juzgar si la acción / dictamen del programa es la apropiada.

Algunos planificadores actuales tienen decenas de miles de líneas de código que definen la jerarquía del espacio de búsqueda en numerosos niveles. Estos sistemas suelen ser significativamente distintos de los primeros planificadores.

Por ejemplo, en general no se supone que sea posible trabajar en todos los subobjetivos de manera independiente (es decir, que los problemas puedan descomponerse del todo). En la vida real, al fin y al cabo, el resultado de una acción orientada a un fin puede ser deshecho por otra. Los planificadores actuales son capaces de resolver problemas descomponibles parcialmente (trabajan por subobjetivos independientes), pero también de realizar procesos adicionales para combinar los subplanes derivados en caso necesario.

Los planificadores clásicos podían abordar solo problemas en los que el medio fuese del todo observable, determinista, finito y estático, pero algunos planificadores modernos son capaces de adaptarse a entornos que sean observables en parte (a saber, el modelo del sistema del mundo puede ser incompleto y/o incorrecto) y probabilísticos. En esos casos, el sistema debe supervisar la evolución de la situación durante la ejecución con el fin de hacer cambios en el plan (y/o en sus propias “creencias” sobre el mundo) según proceda. Algunos planificadores modernos pueden hacer esto a lo largo de amplios periodos de tiempo: entablan continuamente la formulación, ejecución, adaptación y abandono de objetivos, según cambie el medio.

Se han añadido y se siguen añadiendo muchos otros avances a la planificación clásica.⁶ Puede parecer sorprendente, pues, que algunos especialistas en robótica la rechazaran rotundamente en la década de 1980 y recomendasen en su lugar la robótica “situada” (véase el capítulo V). La noción de representación interna (de objetivos y acciones posibles, por ejemplo) también fue rechazada. Sin embargo, aquella crítica era errónea en su mayor parte. Los sistemas de los propios críticos puede que no representasen los objetivos, pero requerían representaciones de otras cosas, como de estimulaciones retinianas y recompensas. Además, incluso la robótica, origen de la crítica, por lo general necesita tanta planificación como respuestas puramente reactivas para construir robots que jueguen al fútbol, por ejemplo.⁷

SIMPLIFICACIÓN MATEMÁTICA

Mientras que las heurísticas dejan el espacio de búsqueda tal cual es (haciendo que el programa se fije solo en una parte), al simplificar las variables se crea un espacio de búsqueda irreal pero computacionalmente manejable.

Algunas de esas variables son matemáticas. Un ejemplo es la variable “i.i.d.” (independiente e idénticamente distribuida), que se suele utilizar en el aprendizaje automático y representa las probabilidades de los datos como si fueran mucho más simples de lo que son.

La ventaja de la simplificación matemática al definir el espacio de búsqueda es que se pueden usar métodos de búsqueda matemática; es decir, que el espacio se puede definir con claridad y es, al menos para los matemáticos, fácilmente inteligible. Eso no quiere decir que cualquier búsqueda matemática definida sea útil. Como ya se ha dicho, un método que matemáticamente garantice la resolución de todos los problemas dentro de una clase determinada quizá no se pueda utilizar en la vida real porque necesitaría un tiempo infinito. Puede, sin embargo, sugerir estimaciones más factibles: véase el análisis sobre “retropropagación” en el capítulo IV.

Las simplificaciones no matemáticas de suposiciones en IA son legión y a menudo implícitas. Una es la suposición (tácita) de que los problemas se pueden definir y resolver sin tener en cuenta las emociones (véase el capítu...