Enseñando a las máquinas a entendernos

La primera vez que Yann LeCun revolucionó la inteligencia artificial fue un falso amanecer. Era 1995, y durante casi una década, el joven francés se había dedicado a lo que muchos informáticos consideraban una mala idea: que imitar toscamente ciertas características del cerebro era la mejor forma de crear máquinas inteligentes. Pero LeCun había demostrado que este enfoque podía producir algo sorprendentemente inteligente y útil. Trabajando en Bell Labs, creó un software que simulaba aproximadamente las neuronas y aprendió a leer texto escrito a mano mirando muchos ejemplos diferentes. La matriz corporativa de Bell Labs, AT&T, lo utilizó para vender las primeras máquinas capaces de leer la escritura a mano en cheques y formularios escritos. Para LeCun y algunos compañeros creyentes en las redes neuronales artificiales, parecía marcar el comienzo de una era en la que las máquinas podían aprender muchas otras habilidades que antes estaban limitadas a los humanos. no lo fue

Todo este proyecto desapareció el día de su mayor éxito, dice LeCun. El mismo día que celebraba el lanzamiento de cajeros automáticos que podían leer miles de cheques por hora, AT&T anunció que estaba dividirse en tres empresas dedicada a los diferentes mercados de las comunicaciones y la informática. LeCun se convirtió en jefe de investigación en un AT&T más delgado y se le indicó que trabajara en otras cosas; en 2002 dejaría AT&T, para convertirse pronto en profesor en la Universidad de Nueva York. Mientras tanto, los investigadores de otros lugares descubrieron que no podían aplicar el avance de LeCun a otros problemas informáticos. El enfoque de la IA inspirado en el cerebro volvió a ser un interés marginal.

Esta historia fue parte de nuestra edición de septiembre de 2015

• Ver el resto del número
• Suscribir

LeCun, ahora un hombre fornido de 55 años con una sonrisa pronta y un mechón de cabello oscuro tocado con canas, nunca dejó de perseguir ese interés marginal. Y sorprendentemente, el resto del mundo se ha reconciliado. Las ideas que él y algunos otros cultivaron frente a más de dos décadas de apatía y, en ocasiones, de rechazo absoluto han producido en los últimos años resultados sorprendentes en áreas como el reconocimiento facial y de voz. El aprendizaje profundo, como se conoce ahora al campo, se ha convertido en un nuevo campo de batalla entre Google y otras empresas tecnológicas líderes que compiten para utilizarlo en los servicios de consumo. Una de esas empresas es Facebook, que contrató a LeCun de NYU en diciembre de 2013 y lo puso a cargo de un nuevo grupo de investigación de inteligencia artificial, FAIR, que hoy cuenta con 50 investigadores pero crecerá a 100. El laboratorio de LeCun es la primera inversión importante de Facebook en investigación fundamental. investigación, y podría ser crucial para los intentos de la compañía de convertirse en algo más que un lugar social virtual. También podría remodelar nuestras expectativas de lo que pueden hacer las máquinas.

Facebook y otras empresas, incluidas Google, IBM y Microsoft, se han movido rápidamente para entrar en esta área en los últimos años porque el aprendizaje profundo es mucho mejor que las técnicas anteriores de IA para lograr que las computadoras adquieran habilidades que desafían a las máquinas, como comprender fotografías. . Esas técnicas más establecidas requieren que expertos humanos programen laboriosamente ciertas habilidades, como detectar líneas y esquinas en imágenes. El software de aprendizaje profundo descubre cómo dar sentido a los datos por sí mismo, sin tal programación. Algunos sistemas ahora pueden reconocer imágenes o caras con tanta precisión como los humanos.

Ahora LeCun apunta a algo mucho más poderoso. Quiere ofrecer software con las habilidades lingüísticas y el sentido común necesarios para una conversación básica. En lugar de tener que comunicarnos con las máquinas haciendo clic en botones o ingresando términos de búsqueda cuidadosamente elegidos, podríamos simplemente decirles lo que queremos como si estuviéramos hablando con otra persona. Nuestra relación con el mundo digital cambiará por completo gracias a los agentes inteligentes con los que podrás interactuar, pronostica. Él piensa que el aprendizaje profundo puede producir software que entienda nuestras oraciones y pueda responder con respuestas apropiadas, preguntas aclaratorias o sugerencias propias.

Los agentes que responden preguntas fácticas o reservan restaurantes para nosotros son una aplicación obvia, si no exactamente revolucionaria. También es fácil ver cómo dicho software podría conducir a personajes de videojuegos más estimulantes o mejorar el aprendizaje en línea. Más provocativamente, LeCun dice que los sistemas que captan el lenguaje común podrían llegar a conocernos lo suficientemente bien como para entender lo que es bueno para nosotros. Los sistemas como este deberían ser capaces de entender no solo lo que la gente se entretiene, sino también lo que necesitan ver, independientemente de si lo disfrutarán, dice. Tales hazañas no son posibles utilizando las técnicas detrás de los motores de búsqueda, los filtros de spam y los asistentes virtuales que intentan entendernos hoy. A menudo ignoran el orden de las palabras y se las arreglan con trucos estadísticos como hacer coincidir y contar palabras clave. Siri de Apple, por ejemplo, trata de encajar lo que dices en una pequeña cantidad de categorías que desencadenan respuestas programadas. Realmente no entienden el texto, dice LeCun. Es increíble que funcione en absoluto. Mientras tanto, los sistemas que parecen haber dominado tareas de lenguaje complejas, como el de IBM ¡Peligro! ganador Watson, hágalo superespecializándose en un formato particular. Es lindo como una demostración, pero no es un trabajo que realmente se traduciría en cualquier otra situación, dice.

Por el contrario, el software de aprendizaje profundo puede dar sentido al lenguaje más de la misma manera que lo hacen los humanos. Los investigadores de Facebook, Google y otros lugares están desarrollando un software que ha mostrado avances en la comprensión del significado de las palabras. El equipo de LeCun tiene un sistema capaz de leer historias simples y responder preguntas sobre ellas, aprovechando facultades como la deducción lógica y una comprensión rudimentaria del tiempo.

Sin embargo, como LeCun sabe de primera mano, la inteligencia artificial es conocida por los destellos de progreso que alimentan las predicciones de grandes avances pero que, en última instancia, cambian muy poco. Crear software que pueda manejar las deslumbrantes complejidades del lenguaje es un desafío mayor que entrenarlo para que reconozca objetos en imágenes. La utilidad del aprendizaje profundo para el reconocimiento de voz y la detección de imágenes está fuera de toda duda, pero aún es solo una suposición de que dominará el lenguaje y transformará nuestras vidas de manera más radical. Todavía no sabemos con certeza si el aprendizaje profundo es un problema pasajero que se convertirá en algo mucho más grande.

historia profunda

Las raíces del aprendizaje profundo se remontan más allá de la época de LeCun en Bell Labs. Él y algunos otros que fueron pioneros en la técnica en realidad estaban resucitando una idea muerta hace mucho tiempo en inteligencia artificial.

Cuando comenzó el campo, en la década de 1950, los biólogos apenas comenzaban a desarrollar teorías matemáticas simples sobre cómo la inteligencia y el aprendizaje surgen de las señales que pasan entre las neuronas del cerebro. La idea central, todavía actual, era que los vínculos entre las neuronas se fortalecen si esas células se comunican con frecuencia. La descarga de actividad neuronal desencadenada por una nueva experiencia ajusta las conexiones del cerebro para que pueda entenderlo mejor la segunda vez.

En 1956, el psicólogo Frank Rosenblatt usó esas teorías para inventar una forma de hacer simulaciones simples de neuronas en software y hardware. El New York Times anunció su trabajo con el titular El 'cerebro' electrónico se enseña a sí mismo . El perceptrón de Rosenblatt, como llamó a su diseño, podría aprender a clasificar imágenes simples en categorías, por ejemplo, triángulos y cuadrados. Rosenblatt usualmente implementó sus ideas en maquinas gigantes densamente enredados con cables, pero establecieron los principios básicos en el trabajo de las redes neuronales artificiales en la actualidad.

El aprendizaje profundo es bueno para tomar dictados y reconocer imágenes. Pero, ¿puede dominar el lenguaje humano?

Una computadora que construyó tenía ocho neuronas simuladas, hechas de motores y diales conectados a 400 detectores de luz. Cada una de las neuronas recibió una parte de las señales de los detectores de luz, las combinó y, dependiendo de lo que sumaron, escupió una 1 o un 0 . Juntos, esos dígitos equivalían a la descripción del perceptrón de lo que vio. Inicialmente los resultados fueron basura. Pero Rosenblatt usó un método llamado aprendizaje supervisado para entrenar un perceptrón para generar resultados que distinguieran correctamente diferentes formas. Le mostraría al perceptrón una imagen junto con la respuesta correcta. Luego, la máquina ajustaría cuánta atención prestaba cada neurona a sus señales entrantes, cambiando esos pesos hacia configuraciones que producirían la respuesta correcta. Después de muchos ejemplos, esos ajustes dotaron a la computadora de suficiente inteligencia para categorizar correctamente imágenes que nunca antes había visto. Las redes de aprendizaje profundo actuales utilizan algoritmos sofisticados y tienen millones de neuronas simuladas, con miles de millones de conexiones entre ellas. Pero están entrenados de la misma manera.

Rosenblatt predijo que los perceptrones pronto serían capaces de realizar hazañas como saludar a las personas por su nombre, y su idea se convirtió en un eje del naciente campo de la inteligencia artificial. El trabajo se centró en hacer perceptrones con redes más complejas, organizados en una jerarquía de múltiples capas de aprendizaje. Pasar imágenes u otros datos sucesivamente a través de las capas permitiría que un perceptrón abordara problemas más complejos. Desafortunadamente, el algoritmo de aprendizaje de Rosenblatt no funcionó en múltiples capas. En 1969, el pionero de la IA Marvin Minsky, que había ido a la escuela secundaria con Rosenblatt, publicó un crítica de un libro de perceptrones eso acabó con el interés por las redes neuronales de un plumazo. Minsky afirmó que hacer que más capas funcionen no haría que los perceptrones fueran lo suficientemente poderosos como para ser útiles. Los investigadores de inteligencia artificial abandonaron la idea de hacer software que aprendiera. En cambio, recurrieron al uso de la lógica para crear facetas funcionales de la inteligencia, como la aptitud para el ajedrez. Las redes neuronales fueron empujadas a los márgenes de la informática.

No obstante, LeCun quedó hipnotizado cuando leyó sobre los perceptrones cuando era estudiante de ingeniería en París a principios de la década de 1980. Me sorprendió que esto funcionara y me preguntaba por qué la gente lo abandonaba, dice. Pasó días en una biblioteca de investigación cerca de Versalles, buscando artículos publicados antes de que se extinguieran los perceptrones. Luego descubrió que un pequeño grupo de investigadores en los Estados Unidos estaba trabajando de forma encubierta en redes neuronales nuevamente. Este fue un movimiento muy clandestino, dice. En artículos cuidadosamente purgados de palabras como neuronal y aprendizaje para evitar el rechazo de los revisores, estaban trabajando en algo muy parecido al viejo problema de Rosenblatt de cómo entrenar redes neuronales con múltiples capas.

LeCun se unió a la clandestinidad después de conocer a sus figuras centrales en 1985, incluido un británico irónico llamado Geoff Hinton, que ahora trabaja en Google y en la Universidad de Toronto. Inmediatamente se hicieron amigos, admiradores mutuos y el núcleo de una pequeña comunidad que revivió la idea de las redes neuronales. Fueron sostenidos por la creencia de que usar un mecanismo central visto en la inteligencia natural era la única forma de construir inteligencia artificial. El único método que sabíamos que funcionaba era un cerebro, por lo que a la larga tenía que ser algo así como los sistemas que pudieran funcionar, dice Hinton.

El éxito de LeCun en Bell Labs se produjo después de que él, Hinton y otros perfeccionaran un algoritmo de aprendizaje para redes neuronales con varias capas. Se conocía como retropropagación y despertó el interés de psicólogos e informáticos. Pero después de que terminó el proyecto de lectura de cheques de LeCun, la retropropagación resultó difícil de adaptar a otros problemas, y un investigador de Bell Labs inventó una nueva forma de entrenar software para clasificar datos al final del pasillo de LeCun. No involucró neuronas simuladas y se consideró matemáticamente más elegante. Muy rápidamente se convirtió en la piedra angular de empresas de Internet como Google, Amazon y LinkedIn, que lo utilizan para entrenar sistemas que bloquean el spam o sugieren cosas para comprar.

Después de que LeCun llegó a NYU en 2003, él, Hinton y un tercer colaborador, el profesor de la Universidad de Montreal Yoshua Bengio, formaron lo que LeCun llama la conspiración de aprendizaje profundo. Para demostrar que las redes neuronales serían útiles, desarrollaron silenciosamente formas de hacerlas más grandes, entrenarlas con conjuntos de datos más grandes y ejecutarlas en computadoras más poderosas. El sistema de reconocimiento de escritura a mano de LeCun tenía cinco capas de neuronas, pero ahora podrían tener 10 o muchas más. Alrededor de 2010, lo que ahora se denominó aprendizaje profundo comenzó a vencer a las técnicas establecidas en tareas del mundo real como la clasificación de imágenes. Microsoft, Google e IBM lo agregaron a los sistemas de reconocimiento de voz. Pero las redes neuronales aún eran ajenas a la mayoría de los investigadores y no se consideraban muy útiles. A principios de 2012, LeCun escribió una carta ardiente, inicialmente publicado de forma anónima —después de que una conferencia líder rechazara un artículo que afirmaba haber establecido un nuevo récord en una tarea de visión estándar. Acusó a los revisores de no tener ni idea y de tener un sesgo negativo.

Todo cambió seis meses después. Hinton y dos estudiantes de posgrado usaron una red como la que hizo LeCun para leer cheques para arrasar en el principal concurso de reconocimiento de imágenes. Conocido como el Desafío de reconocimiento visual a gran escala de ImageNet, le pide al software que identifique 1,000 tipos de objetos tan diversos como mosquiteros y mezquitas. La entrada de Toronto identificó correctamente el objeto en una imagen dentro de cinco conjeturas alrededor del 85 por ciento del tiempo, más de 10 puntos porcentuales mejor que el segundo mejor sistema. Las capas iniciales de neuronas del software de aprendizaje profundo se optimizaron para encontrar cosas simples como bordes y esquinas, y las capas posteriores buscaron características cada vez más complejas como formas básicas y, finalmente, perros o personas.

LeCun recuerda haber visto a la comunidad que en su mayoría había ignorado las redes neuronales en la sala donde los ganadores presentaron un documento sobre sus resultados. Se podía ver allí mismo que muchas personas mayores en la comunidad simplemente se volvían locas, dice. Dijeron: 'Está bien, ahora lo compramos'. Eso es todo, ahora, ganaste.

Los académicos que trabajaban en la visión por computadora abandonaron rápidamente sus viejos métodos y el aprendizaje profundo se convirtió repentinamente en uno de los principales aspectos de la inteligencia artificial. Google compró una empresa fundada por Hinton y los otros dos detrás del resultado de 2012, y Hinton comenzó a trabajar allí a tiempo parcial en un equipo de investigación conocido como Google Brain. Microsoft y otras empresas crearon nuevos proyectos para investigar el aprendizaje profundo. En diciembre de 2013, el director ejecutivo de Facebook, Mark Zuckerberg, sorprendió a los académicos al presentarse en la conferencia de investigación de redes neuronales más grande, organizando una fiesta en la que anunció que LeCun comenzaría FAIR (aunque todavía trabaja en NYU un día a la semana).

LeCun todavía alberga sentimientos encontrados sobre la investigación de 2012 que llevó al mundo a su punto de vista. Hasta cierto punto, esto debería haber salido de mi laboratorio, dice. Hinton comparte esa evaluación. Fue un poco desafortunado para Yann que él no fuera quien realmente creó el sistema innovador, dice. El grupo de LeCun había trabajado más que nadie para probar las técnicas utilizadas para ganar el desafío de ImageNet. La victoria podría haber sido suya si los horarios de graduación de los estudiantes y otros compromisos no hubieran impedido que su propio grupo se enfrentara a ImageNet, dice. La búsqueda de LeCun por el próximo avance del aprendizaje profundo es ahora una oportunidad para igualar el marcador.

LeCun en Bell Labs en 1993, con una computadora que podía leer la letra manuscrita de los cheques.

Aprendizaje de idiomas

La oficina de Facebook en Nueva York está a tres minutos caminando por Broadway desde la oficina de LeCun en NYU, en dos pisos de un edificio construido como una tienda por departamentos a principios del siglo XX. Los trabajadores están más densamente agrupados en el plan abierto que en la sede de Facebook en Menlo Park, California, pero todavía se los puede ver deslizándose en patinetas articuladas pasando avisos de cerveza pong semanal. Casi la mitad del equipo de investigadores líderes en inteligencia artificial de LeCun trabaja aquí, y el resto en el campus de Facebook en California o en una oficina en París. Muchos de ellos están tratando de mejorar las redes neuronales para comprender el lenguaje. Contraté a todas las personas que pude trabajar en esto, dice LeCun.

Una red neuronal puede aprender palabras poniendo en cola el texto y calculando cómo se podría haber predicho cada palabra que encuentra a partir de las palabras anteriores o posteriores. Al hacer esto, el software aprende a representar cada palabra como un vector que indica su relación con otras palabras, un proceso que captura asombrosamente conceptos en el lenguaje. La diferencia entre los vectores para rey y reina es la misma que para marido y mujer, por ejemplo. Los vectores de papel y cartón están muy juntos, y los de grande y grande están aún más cerca.

El mismo enfoque funciona para oraciones completas (Hinton dice que genera vectores de pensamiento), y Google está considerando usarlo para reforzar su servicio de traducción automática. Un artículo reciente de investigadores de una universidad china y del laboratorio de Microsoft en Beijing utilizó una versión de la técnica vectorial para crear un software que supera a algunos humanos en preguntas de pruebas de coeficiente intelectual que requieren una comprensión de sinónimos, antónimos y analogías.

El grupo de LeCun está trabajando para ir más allá. El lenguaje en sí mismo no es tan complicado, dice. Lo complicado es tener un conocimiento profundo del lenguaje y del mundo que te dé sentido común. Eso es lo que realmente nos interesa construir en las máquinas. LeCun significa sentido común como Aristóteles usó el término: la capacidad de comprender la realidad física básica. Quiere que una computadora comprenda que la oración Yann recogió la botella y salió de la habitación significa que la botella se fue con él. Los investigadores de Facebook han inventado un sistema de aprendizaje profundo llamado red de memoria que muestra lo que pueden ser los primeros indicios del sentido común.

Una red de memoria es una red neuronal con un banco de memoria conectado para almacenar datos que ha aprendido para que no se eliminen cada vez que recibe datos nuevos. El laboratorio de inteligencia artificial de Facebook ha creado versiones que pueden responder preguntas simples de sentido común sobre texto que nunca antes habían visto. Por ejemplo, cuando los investigadores le dieron a una red de memoria un resumen muy simplificado de la trama de señor de los Anillos , podría responder preguntas como ¿Dónde está el anillo? y ¿Dónde estaba Frodo antes del Monte del Destino? Podría interpretar el mundo simple descrito en el texto a pesar de que nunca antes se había encontrado con muchos de los nombres u objetos, como Frodo o el anillo.

El software aprendió su sentido común rudimentario al mostrarle cómo responder preguntas sobre un texto simple en el que los personajes hacen cosas en una serie de habitaciones, como Fred se mudó al dormitorio y Joe fue a la cocina. Pero LeCun quiere exponer el software a textos que son mucho mejores para capturar la complejidad de la vida y las cosas que un asistente virtual podría necesitar hacer. Un conserje virtual llamado Moneypenny que se espera que Facebook lance podría ser una fuente de esos datos. Se dice que el asistente está impulsado por un equipo de operadores humanos que ayudarán a las personas a hacer cosas como hacer reservas en restaurantes. El equipo de LeCun podría tener una red de memoria que vigile el hombro de Moneypenny antes de dejar que aprenda interactuando con los humanos por sí mismo.

Varias empresas han abierto laboratorios de aprendizaje profundo. Contraté a todas las personas que pude trabajar en esto, dice LeCun.

Construir algo que pueda contener incluso una conversación básica y con un enfoque limitado aún requiere un trabajo significativo. Por ejemplo, las redes neuronales solo han mostrado un razonamiento muy simple, y los investigadores no han descubierto cómo se les puede enseñar a hacer planes, dice LeCun. Pero los resultados del trabajo que se ha realizado con la tecnología hasta ahora lo dejan seguro de hacia dónde van las cosas. La revolución está en camino, dice.

Algunas personas están menos seguras. El software de aprendizaje profundo hasta ahora ha mostrado solo las capacidades más simples requeridas para lo que reconoceríamos como conversación, dice oren etzioni , CEO del Instituto Allen de Inteligencia Artificial en Seattle. Las capacidades de lógica y planificación que aún se necesitan, dice, son muy diferentes de las cosas que las redes neuronales han estado haciendo mejor: digerir secuencias de píxeles o formas de onda acústicas para decidir qué categoría de imagen o palabra representan. Los problemas de comprensión del lenguaje natural no son reducibles de la misma manera, dice.

marcus gary , profesor de psicología y ciencias neuronales en la Universidad de Nueva York que ha estudiado cómo los humanos aprenden el lenguaje y recientemente comenzó una empresa de inteligencia artificial llamada Geometric Intelligence, cree que LeCun subestima lo difícil que sería para el software existente captar el lenguaje y el sentido común. Entrenar el software con grandes volúmenes de datos cuidadosamente anotados está bien para lograr que clasifique las imágenes. Pero Marcus duda que pueda adquirir las habilidades más complicadas necesarias para el lenguaje, donde los significados de las palabras y las oraciones complejas pueden cambiar según el contexto. La gente recordará el aprendizaje profundo y dirá que esta es una técnica realmente poderosa: es la primera vez que la IA se vuelve práctica, dice. También dirán que esas cosas requerían una gran cantidad de datos y que había dominios en los que la gente simplemente nunca tenía suficiente. Marcus piensa que el lenguaje puede ser uno de esos dominios. Para que el software domine la conversación, necesitaría aprender más como un niño que aprende sin instrucciones explícitas, sugiere.

creencia profunda

En la sede de Facebook en California, los miembros de la costa oeste del equipo de LeCun se sientan cerca de Mark Zuckerberg y Mike Schroepfer, el CTO de la empresa. Los líderes de Facebook saben que el grupo de LeCun todavía está lejos de construir algo con lo que puedas hablar, pero Schroepfer ya está pensando en cómo usarlo. El futuro Facebook que describe recupera y coordina información, como un mayordomo con el que te comunicas escribiendo o hablando como lo harías con un ser humano.

Puede interactuar con un sistema que realmente puede comprender los conceptos y el lenguaje a un nivel mucho más alto, dice Schroepfer. Se imagina poder pedirte que veas las instantáneas de bebé de un amigo pero no sus chistes, por ejemplo. Creo que en el corto plazo una versión de eso es muy realizable, dice. A medida que los sistemas de LeCun logran mejores habilidades de razonamiento y planificación, espera que la conversación se vuelva menos unilateral. Facebook podría ofrecer información que cree que te gustaría y preguntarte qué te pareció. Eventualmente, es como este ayudante superinteligente que está conectado a todos los flujos de información del mundo, dice Schroepfer.

No está claro cuánto nos beneficiaríamos de los asistentes virtuales más inteligentes, pero es posible que no tengamos que esperar mucho para averiguarlo.

Los algoritmos necesarios para impulsar tales interacciones también mejorarían los sistemas que utiliza Facebook para filtrar las publicaciones y los anuncios que vemos. Y podrían ser vitales para las ambiciones de Facebook de convertirse en mucho más que un simple lugar para socializar. A medida que Facebook comience a alojar artículos y videos en nombre de las empresas de medios y entretenimiento, por ejemplo, necesitará mejores formas para que las personas administren la información. Los asistentes virtuales y otros productos derivados del trabajo de LeCun también podrían ayudar a las salidas más ambiciosas de Facebook de su negocio original, como el grupo Oculus que trabaja para convertir la realidad virtual en una tecnología de mercado masivo.

Nada de esto sucederá si los impresionantes resultados recientes se encuentran con el destino de las grandes ideas anteriores en inteligencia artificial. Las floraciones de entusiasmo en torno a las redes neuronales ya se han marchitado dos veces. Pero mientras se queja de que otras empresas o investigadores están exagerando su trabajo es uno de los motivos de LeCun. pasatiempos favoritos , dice que hay suficiente evidencia circunstancial para mantenerse firme detrás de sus propias predicciones de que el aprendizaje profundo generará beneficios impresionantes. La tecnología aún brinda más precisión y potencia en cada área de la IA donde se ha aplicado, dice. Se necesitan nuevas ideas sobre cómo aplicarlo al procesamiento del lenguaje, pero el campo aún pequeño se está expandiendo rápidamente a medida que las empresas y las universidades le dedican más personas. Eso acelerará el progreso, dice LeCun.

Todavía no está claro que el aprendizaje profundo pueda ofrecer algo parecido a la información que prevé el mayordomo de Facebook. E incluso si pudiera, es difícil decir cuánto se beneficiaría realmente el mundo. Pero es posible que no tengamos que esperar mucho para averiguarlo. LeCun supone que los ayudantes virtuales con un dominio del lenguaje sin precedentes para el software estarán disponibles en solo dos a cinco años. Él espera que cualquiera que dude de la capacidad del aprendizaje profundo para dominar el lenguaje se demuestre que está equivocado incluso antes. Hay el mismo fenómeno que estábamos observando justo antes de 2012, dice. Las cosas están empezando a funcionar, pero la gente que hace técnicas más clásicas no está convencida. Dentro de un año o dos será el final.

esconder