El problema del lenguaje de la IA

Las máquinas que realmente entienden el lenguaje serían increíblemente útiles. Pero no sabemos cómo construirlos. Por

• Will caballero página de archivo

9 de agosto de 2016

Aproximadamente a la mitad de un juego particularmente tenso de Go celebrado en Seúl, Corea del Sur, entre Lee Sedol, uno de los mejores jugadores de todos los tiempos, y AlphaGo, una inteligencia artificial creada por Google, el programa de IA hizo un movimiento misterioso que demostró una inquietante ventaja sobre su oponente humano.

En la jugada 37, AlphaGo decidió colocar una piedra negra en lo que al principio parecía una posición ridícula. Parecía seguro que cedería un territorio sustancial, un error de novato en un juego que se trata de controlar el espacio en el tablero. Dos comentaristas de televisión se preguntaron si habían leído mal el movimiento o si la máquina había fallado de alguna manera. De hecho, contrariamente a la sabiduría convencional, la jugada 37 permitiría a AlphaGo construir una base formidable en el centro del tablero. El programa de Google había ganado efectivamente el juego usando un movimiento que a ningún humano se le habría ocurrido.

sobre el arte

• Una de las razones por las que la comprensión del lenguaje es tan difícil para las computadoras y los sistemas de inteligencia artificial es que las palabras a menudo tienen significados basados ​​en el contexto e incluso en la apariencia de las letras y las palabras. En las imágenes que acompañan esta historia, varios artistas demuestran el uso de una variedad de pistas visuales para transmitir significados mucho más allá de las letras reales.

  
  
  

Esta historia fue parte de nuestra edición de septiembre de 2016

• Ver el resto del número
• Suscribir

La victoria de AlphaGo es particularmente impresionante porque el antiguo juego de Go a menudo se considera una prueba de inteligencia intuitiva. Las reglas son muy simples. Dos jugadores se turnan para colocar piedras negras o blancas en la intersección de líneas horizontales y verticales en un tablero, tratando de rodear las piezas de su oponente y sacarlas del juego. Sin embargo, jugar bien es increíblemente difícil.

Mientras que los ajedrecistas pueden anticipar algunos movimientos, en Go esto no es posible sin que el juego se desarrolle en una complejidad intratable, y no hay gambitos clásicos. Tampoco existe una forma sencilla de medir la ventaja, y puede ser difícil incluso para un jugador experto explicar con precisión por qué hizo un movimiento en particular. Esto hace que sea imposible escribir un conjunto simple de reglas para que las siga un programa de computadora de nivel experto.

A AlphaGo no se le dijo cómo jugar Go en absoluto. En cambio, el programa analizó cientos de miles de juegos y jugó millones de partidos contra sí mismo. Entre varias técnicas de IA, utilizó un método cada vez más popular conocido como aprendizaje profundo, que implica cálculos matemáticos inspirados, de manera muy vaga, en la forma en que las capas interconectadas de neuronas se disparan en un cerebro a medida que aprende a dar sentido a la nueva información. El programa se enseñó solo a través de horas de práctica, perfeccionando gradualmente un sentido intuitivo de la estrategia. Que luego haya podido vencer a uno de los mejores jugadores de Go del mundo representa un verdadero hito en la inteligencia artificial y la IA.

lorenzo weiner
Una pelota de goma lanzada al mar
1970 / 2014

Unas horas después de la jugada 37, AlphaGo ganó el juego y subió dos juegos a cero en el partido al mejor de cinco. Después, Sedol se paró frente a una multitud de periodistas y fotógrafos y se disculpó cortésmente por defraudar a la humanidad. Estoy bastante sin palabras, dijo, parpadeando a través de una tormenta de fotografías con flash.

El sorprendente éxito de AlphaGo apunta a cuánto se ha avanzado en inteligencia artificial en los últimos años, después de décadas de frustración y contratiempos que a menudo se describen como un invierno de IA. El aprendizaje profundo significa que las máquinas pueden aprender cada vez más por sí mismas cómo realizar tareas complejas que hace solo un par de años se pensaba que requerían la inteligencia única de los humanos. Los coches autónomos ya son una posibilidad previsible. En un futuro próximo, los sistemas basados ​​en el aprendizaje profundo ayudarán a diagnosticar enfermedades y recomendar tratamientos.

El aprendizaje profundo significa que las máquinas pueden aprender cada vez más por sí mismas cómo realizar tareas complejas que hace solo un par de años se pensaba que requerían la inteligencia única de los humanos.

Sin embargo, a pesar de estos impresionantes avances, una capacidad fundamental sigue siendo esquiva: el lenguaje. Los sistemas como Siri y Watson de IBM pueden seguir comandos simples hablados o escritos y responder preguntas básicas, pero no pueden mantener una conversación y no tienen una comprensión real de las palabras que usan. Si la IA va a ser verdaderamente transformadora, esto debe cambiar.

Aunque AlphaGo no puede hablar, contiene tecnología que podría conducir a una mayor comprensión del idioma. En empresas como Google, Facebook y Amazon, así como en los principales laboratorios académicos de IA, los investigadores intentan resolver finalmente ese problema aparentemente intratable, utilizando algunas de las mismas herramientas de IA, incluido el aprendizaje profundo, que son responsables del éxito de AlphaGo. el renacimiento de la IA de hoy. Si tienen éxito determinará la escala y el carácter de lo que se está convirtiendo en una revolución de la inteligencia artificial. Ayudará a determinar si tenemos máquinas con las que podamos comunicarnos fácilmente, máquinas que se conviertan en una parte íntima de nuestra vida cotidiana, o si los sistemas de IA siguen siendo cajas negras misteriosas, incluso cuando se vuelven más autónomos. No hay forma de que puedas tener un sistema de inteligencia artificial que sea similar a un humano y que no tenga el lenguaje en el centro, dice Josh Tenenbaum, profesor de ciencias cognitivas y computación en el MIT. Es una de las cosas más obvias que distinguen a la inteligencia humana.

Quizás las mismas técnicas que permitieron que AlphaGo conquiste Go finalmente permitan a las computadoras dominar el lenguaje, o quizás también se requiera algo más. Pero sin la comprensión del idioma, el impacto de la IA será diferente. Por supuesto, aún podemos tener un software inmensamente poderoso e inteligente como AlphaGo. Pero nuestra relación con la IA puede ser mucho menos colaborativa y quizás mucho menos amistosa. Una pregunta persistente desde el principio fue '¿Qué pasaría si tuvieras cosas que fueran inteligentes en el sentido de ser efectivas, pero no como nosotros en el sentido de no empatizar con lo que somos?' dice Terry Winograd, profesor emérito de la Universidad de Stanford. Puedes imaginar máquinas que no se basen en la inteligencia humana, que se basen en estos grandes datos y que controlen el mundo.

susurradores de máquinas

Un par de meses después del triunfo de AlphaGo, viajé a Silicon Valley, el corazón del último auge de la inteligencia artificial. Quería visitar a los investigadores que están logrando un progreso notable en las aplicaciones prácticas de la IA y que ahora están tratando de brindar a las máquinas una mayor comprensión del lenguaje.

Empecé con Winograd, que vive en un suburbio ubicado en el extremo sur del campus de Stanford en Palo Alto, no lejos de las oficinas centrales de Google, Facebook y Apple. Con cabello blanco rizado y un bigote tupido, parece un académico venerable y tiene un entusiasmo contagioso.

En 1968, Winograd hizo uno de los primeros esfuerzos para enseñar a una máquina a hablar inteligentemente. Un prodigio de las matemáticas fascinado con el lenguaje, había venido al nuevo laboratorio de IA del MIT para estudiar su doctorado y decidió construir un programa que conversaría con las personas, a través de un mensaje de texto, utilizando el lenguaje cotidiano. No parecía una ambición descabellada en ese momento. Se estaban logrando avances increíbles en IA, y otros en el MIT estaban construyendo complejos sistemas de visión por computadora y brazos robóticos futuristas. Había una sensación de posibilidades desconocidas e ilimitadas, recuerda.

jose kosuth
Cuatro colores cuatro palabras
1966

Sin embargo, no todos estaban convencidos de que el idioma pudiera dominarse tan fácilmente. Algunos críticos, incluido el influyente lingüista y profesor del MIT Noam Chomsky, sintieron que los investigadores de IA tendrían dificultades para que las máquinas entendieran, dado que la mecánica del lenguaje en los humanos se entendía muy poco. Winograd recuerda haber asistido a una fiesta en la que un estudiante de Chomsky se alejó cuando lo escuchó decir que trabajaba en el laboratorio de IA.

Pero también había razones para ser optimista. Joseph Weizenbaum, un profesor del MIT nacido en Alemania, había creado el primer programa de chatbot un par de años antes. Llamada ELIZA, fue programada para actuar como una psicoterapeuta de dibujos animados, repitiendo partes clave de una declaración o haciendo preguntas para alentar una mayor conversación. Si le dijeras al programa que estabas enojado con tu madre, por ejemplo, diría: ¿Qué más te viene a la mente cuando piensas en tu madre? Un truco barato, pero funcionó sorprendentemente bien. Weizenbaum se sorprendió cuando algunos sujetos comenzaron a confesar sus secretos más oscuros a su máquina.

Hay un problema obvio con la aplicación del aprendizaje profundo al lenguaje. Es que las palabras son símbolos arbitrarios y, como tales, son fundamentalmente diferentes de las imágenes.

Winograd quería crear algo que realmente pareciera entender el lenguaje. Empezó por reducir el alcance del problema. Creó un entorno virtual simple, un mundo de bloques, que consiste en un puñado de objetos imaginarios sentados en una mesa imaginaria. Luego creó un programa, al que llamó SHRDLU , que era capaz de analizar todos los sustantivos, verbos y reglas gramaticales simples necesarias para referirse a este mundo virtual simplificado. SHRDLU (una palabra sin sentido formada por la segunda columna de teclas en una máquina Linotype) podría describir los objetos, responder preguntas sobre sus relaciones y realizar cambios en el mundo de bloques en respuesta a los comandos escritos. Incluso tenía una especie de memoria, de modo que si le decías que moviera el cono rojo y luego te referías al cono, asumiría que te referías al rojo en lugar de uno de otro color.

SHRDLU se presentó como una señal de que el campo de la IA estaba progresando profundamente. Pero fue solo una ilusión. Cuando Winograd intentó hacer que el mundo de bloques del programa fuera más grande, las reglas requeridas para tener en cuenta las palabras necesarias y la complejidad gramatical se volvieron inmanejables. Solo unos años más tarde, se dio por vencido y, finalmente, abandonó la IA por completo para centrarse en otras áreas de investigación. Las limitaciones estaban mucho más cerca de lo que parecía en ese momento, dice.

Winograd llegó a la conclusión de que sería imposible dar a las máquinas una verdadera comprensión del lenguaje utilizando las herramientas disponibles en ese momento. El problema, como argumentó Hubert Dreyfus, profesor de filosofía en UC Berkeley, en un libro de 1972 llamado Lo que las computadoras no pueden hacer , es que muchas cosas que hacen los humanos requieren un tipo de inteligencia instintiva que no se puede capturar con reglas estrictas. Precisamente por eso, antes del partido entre Sedol y AlphaGo, muchos expertos dudaban de que las máquinas dominaran el Go.

Juan Baldessari
Belleza pura
1966–68

Pero incluso cuando Dreyfus estaba haciendo ese argumento, algunos investigadores estaban, de hecho, desarrollando un enfoque que eventualmente le daría a las máquinas este tipo de inteligencia. Inspirándose libremente en la neurociencia, estaban experimentando con redes neuronales artificiales: capas de neuronas simuladas matemáticamente que podrían entrenarse para disparar en respuesta a ciertas entradas. Para empezar, estos sistemas eran terriblemente lentos, y el enfoque se descartó como poco práctico para la lógica y el razonamiento. Sin embargo, de manera crucial, las redes neuronales podrían aprender a hacer cosas que no podrían codificarse a mano, y más tarde esto resultaría útil para tareas simples como reconocer caracteres escritos a mano, una habilidad que se comercializó en la década de 1990 para leer los números en los cheques. Los defensores sostuvieron que las redes neuronales eventualmente permitirían que las máquinas hicieran mucho, mucho más. Un día, afirmaron, la tecnología incluso entendería el lenguaje.

En los últimos años, las redes neuronales se han vuelto mucho más complejas y poderosas. El enfoque se ha beneficiado de refinamientos matemáticos clave y, más importante, hardware informático más rápido y montones de datos. En 2009, investigadores de la Universidad de Toronto demostraron que una red de aprendizaje profundo de muchas capas podía reconocer el habla con una precisión récord. Y luego, en 2012, el mismo grupo ganó un concurso de visión artificial utilizando un algoritmo de aprendizaje profundo que fue asombrosamente preciso.

Una red neuronal de aprendizaje profundo reconoce objetos en imágenes usando un truco simple. Una capa de neuronas simuladas recibe información en forma de imagen, y algunas de esas neuronas se dispararán en respuesta a la intensidad de los píxeles individuales. La señal resultante atraviesa muchas más capas de neuronas interconectadas antes de llegar a una capa de salida, que indica que se ha visto el objeto. Se utiliza una técnica matemática conocida como retropropagación para ajustar la sensibilidad de las neuronas de la red para producir la respuesta correcta. Es este paso el que le da al sistema la capacidad de aprender. Diferentes capas dentro de la red responderán a características como bordes, colores o textura. Dichos sistemas ahora pueden reconocer objetos, animales o rostros con una precisión que rivaliza con la de los humanos.

Hay un problema obvio con la aplicación del aprendizaje profundo al lenguaje. Es que las palabras son símbolos arbitrarios y, como tales, son fundamentalmente diferentes de las imágenes. Dos palabras pueden tener un significado similar aunque contengan letras completamente diferentes, por ejemplo; y la misma palabra puede significar varias cosas en diferentes contextos.

En la década de 1980, a los investigadores se les ocurrió una idea inteligente sobre cómo convertir el lenguaje en el tipo de problema que una red neuronal puede abordar. Demostraron que las palabras se pueden representar como vectores matemáticos, lo que permite calcular las similitudes entre palabras relacionadas. Por ejemplo, el bote y el agua están cerca en el espacio vectorial aunque se vean muy diferentes. Investigadores de la Universidad de Montreal, dirigidos por Yoshua Bengio y otro grupo de Google, utilizaron esta información para construir redes en las que cada palabra de una oración se puede usar para construir una representación más compleja, algo que Geoffrey Hinton, profesor de la la Universidad de Toronto y un destacado investigador de aprendizaje profundo que trabaja a tiempo parcial en Google, llama vector de pensamiento.

Mediante el uso de dos de estas redes, es posible traducir entre dos idiomas con una precisión excelente. Y al combinar este tipo de red con una diseñada para reconocer objetos en imágenes, es posible evocar subtítulos sorprendentemente plausibles.

El propósito de la vida

Sentado en una sala de conferencias en el corazón de la bulliciosa sede de Google en Mountain View, California, uno de los investigadores de la empresa que ayudó a desarrollar este enfoque, Quoc Le, contempla la idea de una máquina que pueda mantener una conversación adecuada. Las ambiciones de Le llegan directamente al corazón de por qué las máquinas parlantes podrían ser útiles. Quiero una forma de simular pensamientos en una máquina, dice. Y si desea simular pensamientos, entonces debería poder preguntarle a una máquina en qué está pensando.

Tauba Auerbach
La respuesta/No estaba aquí II
2008

Google ya está enseñando a sus computadoras los conceptos básicos del lenguaje. En mayo, la compañía anunció un sistema, denominado Parsey McParseface, que puede observar la sintaxis, reconocer sustantivos, verbos y otros elementos del texto. No es difícil ver lo valioso que podría ser una mejor comprensión del idioma para la empresa. El algoritmo de búsqueda de Google se utiliza simplemente para rastrear palabras clave y enlaces entre páginas web. Ahora, utilizando un sistema llamado RankBrain, lee el texto de las páginas en un esfuerzo por obtener significado y ofrecer mejores resultados. Le quiere llevar eso mucho más lejos. Al adaptar el sistema que resultó útil en la traducción y el subtitulado de imágenes, él y sus colegas crearon Smart Reply, que lee el contenido de los mensajes de Gmail y sugiere un puñado de posibles respuestas. También creó un programa que aprendió de los registros de chat de soporte de TI de Google cómo responder consultas técnicas simples.

Más recientemente, Le construyó un programa capaz de producir respuestas aceptables a preguntas abiertas; fue entrenado al recibir diálogos de 18,900 películas. Algunas de sus respuestas parecen inquietantemente acertadas. Por ejemplo, Le preguntó: ¿Cuál es el propósito de la vida? y el programa respondió, Para servir al bien mayor. Fue una respuesta bastante buena, recuerda con una gran sonrisa. Probablemente mejor de lo que hubiera sido el mío.

Solo hay un problema, como se hace evidente rápidamente cuando observa más respuestas del sistema. Cuando Le preguntó: ¿Cuántas patas tiene un gato? su sistema respondió: Cuatro, creo. Luego probó, ¿cuántas patas tiene un ciempiés? lo que produjo una curiosa respuesta: Ocho. Básicamente, el programa de Le no tiene idea de lo que está hablando. Entiende que ciertas combinaciones de símbolos van juntas, pero no aprecia el mundo real. No sabe cómo se ve realmente un ciempiés, o cómo se mueve. Todavía es solo una ilusión de inteligencia, sin el tipo de sentido común que los humanos dan por sentado. Los sistemas de aprendizaje profundo a menudo pueden ser inestables de esta manera. El que Google creó para generar subtítulos para las imágenes cometería errores extraños, como describir un letrero de una calle como un refrigerador lleno de comida.

Le preguntó: ¿Cuál es el propósito de la vida? y el programa respondió, Para servir al bien mayor.

Por una curiosa coincidencia, el vecino de al lado de Terry Winograd en Palo Alto es alguien que podría ayudar a las computadoras a lograr una apreciación más profunda de lo que realmente significan las palabras. Fei-Fei Li, directora del Laboratorio de Inteligencia Artificial de Stanford, estaba de baja por maternidad cuando la visité, pero me invitó a su casa y me presentó con orgullo a su hermoso bebé de tres meses, Phoenix. Mira cómo te mira más a ti que a mí, dijo Li mientras Phoenix me miraba. Eso es porque eres nuevo; es reconocimiento facial temprano.

Li ha pasado gran parte de su carrera investigando el aprendizaje automático y la visión artificial. Hace varios años, dirigió un esfuerzo para construir una base de datos de millones de imágenes de objetos, cada una etiquetada con una palabra clave adecuada. Pero Li cree que las máquinas necesitan una comprensión aún más sofisticada de lo que sucede en el mundo, y este año su equipo lanzó otra base de datos de imágenes, anotadas con mucho más detalle. Cada imagen ha sido etiquetada por un ser humano con docenas de descriptores: un perro montando una patineta, el perro tiene un pelaje esponjoso y ondulado, la carretera está agrietada, etc. La esperanza es que los sistemas de aprendizaje automático aprendan a comprender más sobre el mundo físico. La parte del lenguaje del cerebro recibe mucha información, incluso del sistema visual, dice Li. Una parte importante de la IA será la integración de estos sistemas.

Esto se acerca más a la forma en que los niños aprenden, asociando palabras con objetos, relaciones y acciones. Pero la analogía con el aprendizaje humano solo llega hasta cierto punto. Los niños pequeños no necesitan ver un perro patinando para poder imaginarlo o describirlo verbalmente. De hecho, Li cree que las herramientas de IA y aprendizaje automático de hoy en día no serán suficientes para lograr una IA real. No solo va a ser un aprendizaje profundo rico en datos, dice ella. Li cree que los investigadores de IA deberán pensar en cosas como la inteligencia emocional y social. Nosotros [los humanos] somos terribles en la computación con grandes cantidades de datos, dice, pero somos geniales en la abstracción y la creatividad.

Nadie sabe cómo dotar a las máquinas de esas habilidades humanas, si es que es posible. ¿Hay algo exclusivamente humano en tales cualidades que las coloca fuera del alcance de la IA?

Los científicos cognitivos como Tenenbaum del MIT teorizan que en las redes neuronales actuales faltan componentes importantes de la mente, sin importar cuán grandes puedan ser esas redes. Los seres humanos tienen la capacidad de aprender muy rápidamente a partir de una cantidad de datos relativamente pequeña y tienen la capacidad incorporada de modelar el mundo en 3D de manera muy eficiente. El lenguaje se basa en otras habilidades que probablemente sean más básicas, que están presentes en los bebés pequeños antes de que tengan lenguaje: percibir el mundo visualmente, actuar sobre nuestros sistemas motores, comprender la física del mundo o los objetivos de otros agentes, dice Tenenbaum.

Si tiene razón, será difícil recrear la comprensión del lenguaje en máquinas y sistemas de inteligencia artificial sin tratar de imitar el aprendizaje humano, la construcción de modelos mentales y la psicología.

Explicate tú mismo

La oficina de Noah Goodman en el departamento de psicología de Stanford está prácticamente vacía excepto por un par de pinturas abstractas apoyadas contra una pared y algunas plantas cubiertas de maleza. Cuando llegué, Goodman estaba escribiendo en una computadora portátil, con los pies descalzos sobre una mesa. Dimos un paseo por el campus blanqueado por el sol para tomar un café helado. El lenguaje es especial porque se basa en mucho conocimiento sobre el lenguaje, pero también se basa en una gran cantidad de conocimiento de sentido común sobre el mundo, y esos dos van juntos de maneras muy sutiles, explicó.

Goodman y sus alumnos han desarrollado un lenguaje de programación, llamado Webppl, que se puede usar para dar a las computadoras una especie de sentido común probabilístico, que resulta bastante útil en una conversación. Una versión experimental puede entender los juegos de palabras y otra puede hacer frente a la hipérbole. Si se dice que algunas personas tuvieron que esperar eternamente por una mesa en un restaurante, automáticamente decidirá que el significado literal es improbable, y lo más probable es que simplemente se quedaron por mucho tiempo y se molestaron. El sistema está lejos de ser realmente inteligente, pero muestra cómo los nuevos enfoques podrían ayudar a hacer que los programas de IA hablen de una manera más realista.

Al mismo tiempo, el ejemplo de Goodman también sugiere lo difícil que será enseñar lenguaje a las máquinas. Comprender el significado contextual de forever es el tipo de cosas que los sistemas de IA necesitarán aprender, pero es un logro bastante simple y rudimentario.

Quiero una forma de simular pensamientos en una máquina, dice. Y si desea simular pensamientos, entonces debería poder preguntarle a una máquina en qué está pensando.

Aun así, a pesar de la dificultad y la complejidad del problema, el sorprendente éxito que los investigadores han tenido al usar técnicas de aprendizaje profundo para reconocer imágenes y sobresalir en juegos como Go al menos brinda esperanza de que también podríamos estar al borde de avances en el lenguaje. . Si es así, esos avances llegarán justo a tiempo. Si la IA va a servir como una herramienta omnipresente que las personas usan para aumentar su propia inteligencia y confianza para hacerse cargo de las tareas en una colaboración fluida, el lenguaje será clave. Eso será especialmente cierto a medida que los sistemas de IA utilicen cada vez más el aprendizaje profundo y otras técnicas para programarse esencialmente a sí mismos.

En general, los sistemas de aprendizaje profundo son impresionantes, dice John Leonard, profesor del MIT que investiga la conducción automatizada. Pero por otro lado, su desempeño es realmente difícil de entender.

Toyota, que está estudiando una gama de tecnologías de conducción autónoma, ha iniciado un proyecto de investigación en el MIT dirigido por Gerald Sussman, experto en inteligencia artificial y lenguaje de programación, para desarrollar sistemas de conducción automatizada capaces de explicar por qué tomaron una acción particular. Y una forma obvia de que un automóvil autónomo lo haga sería hablando. Construir sistemas que saben lo que saben es un problema realmente difícil, dice Leonard, quien dirige un proyecto diferente respaldado por Toyota en el MIT. Pero sí, lo ideal sería que no solo dieran una respuesta, sino también una explicación.

Unas semanas después de regresar de California, vi a David Silver, el investigador de Google DeepMind que diseñó AlphaGo, dar una charla sobre el partido contra Sedol en una conferencia académica en Nueva York. Silver explicó que cuando al programa se le ocurrió su movimiento asesino durante el segundo juego, su equipo estaba tan sorprendido como todos los demás. Todo lo que pudieron ver fueron las probabilidades de ganar pronosticadas por AlphaGo, que cambiaron poco incluso después de la jugada 37. Solo varios días después, después de un análisis cuidadoso, el equipo de Google hizo un descubrimiento: al digerir juegos anteriores, el programa había calculado las posibilidades de ganar. un jugador humano haciendo el mismo movimiento en uno en 10,000. Y sus juegos de práctica también habían demostrado que la jugada ofrecía una ventaja posicional inusualmente fuerte.

Entonces, en cierto modo, la máquina sabía que Sedol estaría completamente sorprendido.

Silver dijo que Google está considerando varias opciones para comercializar la tecnología, incluido algún tipo de asistente inteligente y una herramienta para el cuidado de la salud. Luego, le pregunté sobre la importancia de poder comunicarse con la IA detrás de tales sistemas. Esa es una pregunta interesante, dijo después de una pausa. Para algunas aplicaciones puede ser importante. Al igual que en el cuidado de la salud, puede ser importante saber por qué se toma una decisión.

De hecho, a medida que los sistemas de IA se vuelven cada vez más sofisticados y complejos, es difícil imaginar cómo colaboraremos con ellos sin lenguaje, sin poder preguntarles ¿Por qué? Más que esto, la capacidad de comunicarse sin esfuerzo con las computadoras las haría infinitamente más útiles, y se sentiría mágico. Después de todo, el lenguaje es nuestra forma más poderosa de dar sentido al mundo e interactuar con él. Ya es hora de que nuestras máquinas
atrapados.

Will Knight es editor sénior de IA y robótica en Revisión de tecnología del MIT . Su artículo The People's Robots apareció en la edición de mayo/junio.

esconder