211service.com
Impulsar el coeficiente intelectual de la IA
La inteligencia artificial de hoy está lejos de ser inteligente. Pero Josh Tenenbaum, PhD '99, está trabajando en ello. 27 de junio de 2018
Bob O´Connor
Un domingo por la tarde a fines de marzo, el científico cognitivo Josh Tenenbaum, PhD '99, se sienta frente a un juego de mesa de madera, maneja una paleta magnética e intenta golpear una pequeña pelota naranja en la portería de su oponente. Tenenbaum, profesor de ciencias cognitivas computacionales, y su oponente, un estudiante graduado de primer año, se ríen cuando la pelota rebota en un costado del tablero y rebota hacia atrás en la portería de Tenenbaum, lo que le cuesta un punto.
El espacio de trabajo del Edificio 46 de Tenenbaum está lleno de juguetes, no solo el juego de paletas magnéticas, sino también un rompecabezas en forma de árbol y un juego llamado Stormy Seas, en el que los jugadores intentan equilibrar pequeños objetos con temática pirata en una plataforma inestable. Un niño de primer grado estaría aquí como en casa. Sin embargo, los juguetes también inspiran a Tenenbaum y sus alumnos a explorar cuestiones más importantes sobre qué hace que las personas sean inteligentes, qué nos permite pensar y aprender tan rápido y, en última instancia, qué nos hace más inteligentes que cualquier sistema de inteligencia artificial actual.
Un ser humano que observara a Tenenbaum y su alumno golpear la pelota de un lado a otro comprendería rápidamente que estaban jugando. Después de unos momentos, el observador descubriría las reglas y podría participar. Sería bastante difícil hacer que un robot recogiera la mayoría de las cosas en esta mesa, y mucho menos averiguar qué está pasando, dice Tenenbaum. La inteligencia artificial no está equipada para trabajar hacia atrás a partir de un objetivo y un plan de una manera novedosa, dice. Los humanos, sin embargo, pueden hacerlo, en parte, creando modelos mentales del mundo que los rodea. Puede ser posible construir máquinas más inteligentes mediante la ingeniería inversa de estos procesos mentales.
A pesar de todo el revuelo reciente en torno a la inteligencia artificial, Tenenbaum considera que ninguno de los sistemas de IA actuales es realmente inteligente. Sí, la IA ha logrado avances sorprendentes al permitir que las computadoras realicen tareas relativamente limitadas, como reconocer rostros u objetos. Pero si bien muchos de estos sistemas de IA enfocados funcionan increíblemente bien y están teniendo un gran impacto, los investigadores no han logrado emular la inteligencia general y flexible que permite a las personas resolver problemas sin estar especialmente capacitadas para hacerlo. Su trabajo, dice, está inspirado en la filosofía, incluidas las cuestiones contempladas por Platón, Aristóteles, Kant y Hume. ¿Cómo se pasa de lo particular a lo general? ¿Cómo miras una cosa y dices: Lo que aprendo no se trata solo de esa cosa, también se trata de otras cosas? Eso es emocionante para mí, pensar en estas grandes preguntas sobre cómo llegamos a saber algo, dice.
Bob O´Connor
Tenenbaum argumenta que centrarse en la mente humana es una forma valiosa de hacer avanzar la IA. Históricamente, muchas, si no la mayoría de las innovaciones en el campo, fueron realizadas por personas interesadas en comprender la inteligencia humana desde una perspectiva matemática o de ingeniería, dice. Entonces, si bien este no es el único enfoque posible, cree que es probable que sea fructífero. Además, muchos de los tipos de tecnología que buscamos en la IA son tecnologías que vivirán en un mundo humano, dice. Estos incluyen máquinas que pueden ayudar con las tareas del hogar o incluso cuidar a niños o ancianos, adoptando tareas a escala humana. Y, dice, si queremos que las máquinas interactúen con nosotros de la forma en que interactuamos entre nosotros, entonces, hasta cierto punto, es esencial que tengan una inteligencia similar a la humana.
En marzo, cuando el Instituto lanzó MIT Intelligence Quest (ahora llamado MIT Quest for Intelligence), una iniciativa para explorar los fundamentos de la inteligencia humana, Tenenbaum fue sincero sobre los límites de los sistemas de IA existentes. Cada uno tiene que ser construido por ingenieros realmente inteligentes, dijo, y cada uno hace solo una cosa. Pero elaboró su visión más audaz de desarrollar IA para emular el aprendizaje humano. Imagínese si pudiéramos construir una máquina que se convierta en inteligencia de la forma en que lo hace un ser humano, que comience como un bebé y aprenda como un niño, dijo. Esa sería una IA realmente inteligente, si pudiéramos construirla. Agregó que es casi seguro que no se podría hacer en 10 años, probablemente no en 20, y muy posiblemente ni siquiera en nuestras vidas. Pero está bien, dijo. Es por eso que lo llamamos una búsqueda.
Física intuitiva
En esta era de big data y aprendizaje profundo, es fácil dejarse seducir, dice Robert Goldstone, profesor de psicología y ciencias del cerebro en la Universidad de Indiana. Él quiere decir que es tentador pensar que los sistemas de aprendizaje automático no necesitan interpretaciones coherentes del mundo que los rodea para comportarse de manera inteligente: ¿quién necesita teoría cuando tenemos suficientes datos? El trabajo de Tenenbaum, sin embargo, demuestra la importancia de la teoría, dice Goldstone, porque muestra que para salir adelante, los alumnos necesitan crear modelos internos de sus entornos.
Considere el ámbito de la física cotidiana, en el que los humanos muestran una intuición lista. Cuando vemos a un niño trepar a un árbol, tenemos la sensación de si las ramas son lo suficientemente fuertes para soportar su peso. Cuando vemos una taza colocada en el borde de una mesa, sabemos que si la mesa recibe un empujón, la taza probablemente se caerá. Cada día, nos encontramos con una gama visualmente diversa de escenarios, pero podemos razonar y emitir juicios sobre ellos. Tenenbaum cree que las personas tienen la capacidad de simular mentalmente los mecanismos de la física, y esto nos permite predecir cómo se comportarán los objetos.
Mientras prueba esta teoría, el objetivo de Tenenbaum no es solo comprender mejor la cognición humana, sino también crear programas de computadora que puedan aproximarse a ella de manera más efectiva. En un proyecto, él y su equipo construyeron una serie de torres virtuales con herramientas utilizadas en el diseño de videojuegos. Diseñaron cada torre con 10 bloques apilados en arreglos más o menos precarios. Luego, el equipo presentó estas construcciones a sujetos humanos y les preguntó si las torres caerían, como en un juego de Jenga. Después de que el sujeto respondió, la torre cayó, o no. Tenenbaum argumenta que las personas abordan esta tarea utilizando un motor de física intuitivo: un modelo mental basado en la comprensión de la masa, la fricción, la gravedad y otros aspectos del mundo físico.
Bob O´Connor
Mientras tanto, Tenenbaum y su equipo también habían escrito un programa de computadora para capturar el pensamiento y la percepción humanos sobre tales escenarios físicos. Su objetivo era que el programa codificara información sobre una torre de bloques, como su posición y configuración, y luego ejecutar simulaciones basadas en esa información para predecir si la torre se caería. Hizo predicciones que eran probabilísticas, como él dice que también lo hace nuestro propio razonamiento físico. (Tendemos a pensar en términos estadísticos sobre diferentes resultados posibles, explica, porque en el mundo cotidiano debemos lidiar con la incertidumbre sobre los objetos que estamos observando).
En un artículo publicado en 2013, Tenenbaum, el postdoctorado Peter Battaglia y Jessica Hamrick ’11, MEng ’12, descrito probando el sistema y descubriendo que sus predicciones estaban fuertemente correlacionadas con las realizadas por sujetos humanos. En experimentos posteriores, el equipo manipuló las masas de los bloques, de modo que algunos fueran pesados y otros livianos. También modelaron una sacudida en la mesa y preguntaron qué bloques tenían más probabilidades de caer al suelo. En cada uno de estos casos, las predicciones del modelo de computadora fueron similares a las realizadas por sujetos humanos, dice Tenenbaum: Pudimos modelar el tipo de simulación que alguien podría construir en su propia cabeza.
Aprendiendo a aprender
Hasta la fecha, los mejores algoritmos de IA han requerido que los sistemas se entrenen en miles, o en algunos casos millones, de ejemplos. Esto es cierto, por ejemplo, en el dominio de la identificación de letras, un punto de referencia estándar en el aprendizaje automático. Sin embargo, lo notable de la cognición humana es que no necesitamos 6,000 ejemplos de una letra para aprender qué es y reconocerla en diferentes fuentes o diferentes escrituras, dice Brenden Lake, PhD '14, profesor asistente de psicología y datos. ciencia en la Universidad de Nueva York y ex estudiante de posgrado de Tenenbaum.
A partir de 2009, Lake, Tenenbaum y el posdoctorado Ruslan Salakhutdinov (ahora profesor asociado en la Universidad Carnegie Mellon y director de investigación de IA de Apple) se propusieron desarrollar un programa inspirado en los conocimientos sobre cómo las personas aprenden y perciben los personajes. Después de grabar en video a 20 sujetos dibujando letras de alfabetos extranjeros que nunca antes habían usado, encontraron fuertes puntos en común en la forma en que las personas realizaban la tarea: las partes en las que dividieron los caracteres, su punto de partida y la dirección de sus trazos. Sobre la base de estas observaciones, los investigadores decidieron crear un algoritmo de escritura a mano que tuviera en cuenta cómo se produjeron letras y no simplemente qué píxeles estaban presentes en el resultado final.
La idea clave era representar el concepto de letra como un programa , que es una representación mucho más rica que la que se usa típicamente en el aprendizaje automático, dice Lake. También hicieron el programa probabilístico. Podía observar un carácter escrito, inferir la forma en que probablemente se había dibujado (el programa para dibujarlo) y luego imaginar cómo se podrían dibujar nuevas instancias de ese mismo carácter. También podía acomodar cierta incertidumbre en la información con la que trabajaba y generar una variedad de resultados: cada ejemplo de la letra A, por ejemplo, era ligeramente diferente. Esta capacidad de tolerar la incertidumbre ayudó al algoritmo a manejar situaciones del mundo real. Con experiencia, el programa también podría mejorar en el dibujo de nuevos personajes. Parte de lo que nos entusiasmó fue esta idea de 'aprender a aprender', dice Tenenbaum. Y eso, explica, es cómo ganamos la capacidad de generalizar de manera eficiente, utilizando datos escasos o incluso un solo ejemplo.
En un artículo de 2015 publicado en Ciencias , el equipo probó el algoritmo mostrándole una sola letra desconocida y pidiéndole que produjera un personaje novedoso que fuera similar. Presentaron a sujetos humanos la misma tarea y luego pidieron a los jueces que determinaran cuáles de los personajes habían sido creados por personas y cuáles por máquinas. Sorprendentemente, la gran mayoría de los jueces no pudo notar la diferencia. En otras palabras, el algoritmo pasó una forma simple y visual de la prueba de Turing, el criterio clásico para la inteligencia artificial.
Modelando bebes
En los primeros días de la inteligencia artificial, la ciencia del aprendizaje humano no estaba lo suficientemente avanzada como para ofrecer mucha orientación. Turing solo podía suponer cómo era el cerebro de un niño, dice Tenenbaum —el matemático británico lo consideraba como un cuaderno en blanco—, pero no, es mucho más. Y como parte de su impulso por comprender los orígenes del conocimiento, Tenenbaum también ha colaborado en un trabajo que explora las mentes de los niños pequeños. En 2008, impartió una clase en Harvard con la renombrada psicóloga Elizabeth Spelke, quien ha demostrado que incluso los bebés pequeños tienen ciertas formas de conocimiento que parecen estar incorporadas. (En contraste con el trabajo fundacional de Jean Piaget, quien creía que los niños desarrollar la permanencia del objeto, la comprensión de que los objetos no simplemente aparecen y desaparecen de la existencia, alrededor de los ocho meses; Spelke demostró que alguna forma de esta comprensión está presente en los niños de dos a tres meses). Spelke convenció a Tenenbaum de que el cerebro está configurado para desarrollar ciertos conceptos, y que para apreciar completamente la inteligencia humana, es necesario modelar el conocimiento básico de los niños muy pequeños. Esto incluye la intuición sobre la física y la psicología, en particular, nuestra capacidad para interpretar las acciones de otras personas en términos de sus estados mentales, creencias y objetivos.
Bob O´Connor
Más recientemente, Tenenbaum y Spelke exploraron cómo los bebés de 10 meses pueden descubrir qué quieren otras personas y cuánto valoran las metas que persiguen. Para ello, los investigadores crearon animaciones en las que personajes azules, rojos y amarillos saltaban paredes o realizaban otras tareas físicas para alcanzar a los demás. Por ejemplo, una figura roja puede saltar una pared pequeña para llegar a una figura azul, pero se niega a saltar una pared mediana. Esa misma figura, sin embargo, podría escalar una pared alta para llegar a su contraparte amarilla. Los investigadores plantearon la hipótesis de que si los bebés veían a un personaje esforzarse más para lograr un objetivo, inferirían que el personaje lo valoraba más que la alternativa. De hecho, cuando los investigadores mostraron una figura roja de pie entre el amarillo y el azul sin pared y luego hicieron que se moviera hacia el azul, los bebés se quedaron mirando por más tiempo. Es decir, habiendo visto a la figura roja realizar más trabajo para llegar al amarillo, habían inferido que el rojo prefería el amarillo y se sorprendieron cuando eligió el azul en su lugar. Esto sugiere que incluso los bebés preverbales tienen una comprensión intuitiva del equilibrio entre costos y recompensas y cómo influye en el comportamiento de otras personas, dice Tenenbaum, y agrega que esta intuición psicológica es fundamental para una comprensión social más compleja más adelante. El trabajo, dirigido por el postdoctorado Tomer Ullman, PhD '15, y la estudiante de doctorado de Spelke, Shari Liu, se publicó en Ciencias en 2017.
Tomando una caminata
Hamrick era estudiante de tercer año en el MIT cuando se unió al laboratorio de Tenenbaum en 2010 y comenzó a trabajar en el proyecto de física similar a Jenga. Cuando los estudiantes se exponen por primera vez a la investigación, por lo general se enfocan estrechamente en el problema que tienen ante ellos, dice ella. Pero Tenenbaum los inspira a pensar en cómo encaja también en las preguntas más importantes de la ciencia (no muy diferente de la forma en que él dice que aprendemos). Me hizo sentir que la investigación era algo increíble, agrega Hamrick, y atribuye su experiencia en el laboratorio de Tenenbaum a la decisión de seguir una carrera en ciencias. (Ahora es investigadora en DeepMind, una empresa británica de inteligencia artificial propiedad de Google).
Una forma en que Tenenbaum ha fomentado un espíritu cercano y colaborativo en su laboratorio es llevando a sus estudiantes y posdoctorados a caminatas anuales, algunas de las cuales han sido notoriamente intensas, dice. Al crecer en California, consideraba el Parque Nacional Yosemite como uno de sus lugares favoritos. Y a partir de 2002, cuando se convirtió en profesor asistente en el MIT, comenzó a organizar viajes anuales a las Montañas Blancas en New Hampshire. El grupo suele ir alrededor del Día de la Raza, en el apogeo de la temporada de follaje de otoño. Pero incluso entonces, ocasionalmente se han encontrado con condiciones invernales en altitudes más altas. Recordando un viaje a lo largo de Franconia Ridge Trail, Tenenbaum bromea: No fue una marcha de la muerte, nadie murió, pero hubo algo de nieve y no todos estaban preparados, ¡aunque fueron advertidos!
Junto con esa intensa actividad física, el senderismo también brinda a los miembros del grupo la oportunidad de hablar ampliamente sobre la ciencia y la vida. Cuando las personas caminan por un sendero angosto, tienden a dispersarse. A veces me encuentro al frente, a veces en la parte de atrás, dice Tenenbaum. De cualquier manera, agrega, siempre tengo una gran variedad de conversaciones que se mueven hacia arriba y hacia abajo, todo mientras me inspira este hermoso lugar por el que estamos caminando.
Tenenbaum también se inspira en la paternidad. Se sabe que su hija de 16 años, Abi, le echa una mano en su investigación; a los ocho o nueve años, fue la primera participante en el experimento de Jenga. Inmediatamente encontró un error, esencialmente una forma de obtener una puntuación perfecta, y cuando nos lo explicó, dijimos: 'Oh, buen punto', y reescribió todo el experimento, recuerda. Pero en términos más generales, la paternidad encaja con el interés de Tenenbaum en el aprendizaje humano, especialmente en bebés y niños. La experiencia de ver a su hijo probar su primer helado o ver su primer caballo es genial, dice. Aprovecha mi interés en qué es lo que aprendes desde la primera vez que ves algo.
Abordar grandes preguntas en la intersección de cerebros, mentes y máquinas inteligentes
MIT Intelligence Quest (ahora llamado MIT Quest for Intelligence) tiene como objetivo imbuir a la IA con verdadera inteligencia al reunir a pensadores en una variedad de disciplinas, desde la psicología hasta la informática. La iniciativa trata al cerebro humano (y los sistemas de IA que intentan imitarlo) como un gran desafío de ingeniería. Cuando se anunció el proyecto en marzo, Josh Tenenbaum compartió este cuadro que resume algunas de las grandes preguntas en las que los investigadores del MIT están trabajando en seis categorías principales, y señaló que las preguntas que aún no se han hecho pueden resultar más importantes.