¿Puede este hombre hacer que la IA sea más humana?

Como cualquier padre orgulloso, Gary Marcus está muy feliz de hablar sobre los últimos logros de su hijo de dos años. Más inusualmente, él cree que la forma en que su niño pequeño aprende y razona puede ser la clave para hacer que las máquinas sean mucho más inteligentes.

Sentado en la sala de juntas de una bulliciosa incubadora de empresas emergentes en Manhattan, Marcus, un profesor de psicología de 45 años en la Universidad de Nueva York y fundador de una nueva compañía llamada Inteligencia geométrica, describe un ejemplo del ingenio de su hijo. Desde el asiento trasero del auto, su hijo había visto un letrero que mostraba el número 11, y como sabía que otros números de dos dígitos tenían nombres como treinta y tres y setenta y siete, le preguntó a su padre si el número del letrero era ciento uno

Esta historia fue parte de nuestra edición de enero de 2016

• Ver el resto del número
• Suscribir

Había inferido que hay una regla sobre cómo se juntan los números, explica Marcus con una sonrisa. Ahora, lo había generalizado en exceso y cometió un error, pero fue un error muy sofisticado.

Marcus tiene una perspectiva muy diferente a la de muchos de los informáticos y matemáticos que ahora están a la vanguardia de la inteligencia artificial. Ha pasado décadas estudiando la forma en que funciona la mente humana y cómo los niños aprenden nuevas habilidades como el lenguaje y la musicalidad. Esto lo ha llevado a creer que si los investigadores quieren crear una inteligencia artificial verdaderamente sofisticada, algo que aprenda fácilmente sobre el mundo, deben seguir el ejemplo de la forma en que los niños pequeños captan nuevos conceptos y los generalizan. Y esa es una de las grandes inspiraciones para su nueva empresa, que dirige durante un año de licencia de la Universidad de Nueva York. Con su enfoque radical del aprendizaje automático, Geometric Intelligence tiene como objetivo crear algoritmos para usar en una IA que pueda aprender de formas nuevas y mejores.

¿El aprendizaje profundo se basa en un modelo demasiado simple? Marcus cree que los informáticos están perdiendo una gran oportunidad al ignorar muchas sutilezas de la mente humana.

Hoy en día, casi todos los demás que intentan comercializar IA, desde Google hasta Baidu, se centran en algoritmos que modelan aproximadamente la forma en que las neuronas y las sinapsis en el cerebro cambian a medida que se exponen a nueva información y experiencias. Este enfoque, conocido como aprendizaje profundo, ha producido algunos resultados asombrosos en los últimos años, especialmente porque más datos y un hardware informático más potente han permitido que los cálculos subyacentes crezcan en escala. Los métodos de aprendizaje profundo han igualado, o incluso superado, la precisión humana en el reconocimiento de rostros en imágenes o la identificación de palabras habladas en grabaciones de audio. Google, Facebook y otras grandes empresas están aplicando el enfoque a casi cualquier tarea en la que sea útil detectar un patrón en grandes cantidades de datos, como refinar los resultados de búsqueda o enseñar a las computadoras cómo mantener una conversación (ver Enseñar a las máquinas a Comprendernos).

Pero, ¿el aprendizaje profundo se basa en un modelo del cerebro que es demasiado simple? La inteligencia geométrica, de hecho, el propio Marcus, está apostando a que los científicos informáticos están perdiendo una gran oportunidad al ignorar muchas sutilezas en la forma en que funciona la mente humana. En sus escritos, apariciones públicas y comentarios a la prensa, Marcus puede ser un duro crítico del entusiasmo por el aprendizaje profundo. Pero a pesar de su enfoque ocasionalmente abrasivo, ofrece una valiosa contraperspectiva. Entre otras cosas, señala que estos sistemas necesitan recibir muchos miles de ejemplos para aprender algo. Los investigadores que intentan desarrollar máquinas capaces de conversar de forma natural con las personas lo hacen entregando a sus sistemas innumerables transcripciones de conversaciones anteriores. Esto bien podría producir algo capaz de una conversación simple, pero la ciencia cognitiva sugiere que no es así como la mente humana adquiere el lenguaje.

Por el contrario, la capacidad de un niño de dos años para aprender mediante la extrapolación y la generalización, aunque de manera imperfecta, es mucho más sofisticada. Claramente, el cerebro es capaz de algo más que reconocer patrones en grandes cantidades de datos: tiene una forma de adquirir abstracciones más profundas a partir de relativamente pocos datos. Dar a las máquinas incluso una capacidad básica para aprender tales abstracciones rápidamente sería un logro importante. Es posible que un automóvil autónomo no necesite viajar millones de millas para aprender a hacer frente a las nuevas condiciones de la carretera. O un robot podría identificar y buscar un frasco de píldoras que se le haya mostrado solo una o dos veces. En otras palabras, estas máquinas pensarían y actuarían un poco más como nosotros.

Con el cabello un poco despeinado y un par de días de barba, Marcus parece muy adecuado para su nuevo rol como empresario. En el espacio de su empresa, un puñado de programadores trabajan en costosas estaciones de trabajo con potentes procesadores gráficos. En un momento, cuando Marcus quiere ilustrar un punto sobre cómo funciona el cerebro, toma lo que cree que es un marcador de pizarra. Resulta ser un dardo fuera de lugar de una pistola Nerf.

Marcus habla rápido cuando está emocionado y tiene un sentido del humor rápido y una sonrisa traviesa. Se niega a explicar exactamente en qué productos y aplicaciones está trabajando su empresa, por temor a que una gran empresa como Google pueda obtener una ventaja al conocer los conocimientos cruciales que hay detrás. Pero dice que ha desarrollado algoritmos que pueden aprender de cantidades relativamente pequeñas de datos e incluso pueden extrapolar y generalizar, de manera cruda, a partir de la información que reciben. Marcus dice que su equipo ha probado estos algoritmos utilizando tareas en las que sobresalen los enfoques de aprendizaje profundo, y han demostrado ser significativamente mejores en varios casos. Sabemos algo sobre cuáles deberían ser las propiedades del cerebro, explica. Y estamos tratando, en cierto sentido, de aplicar ingeniería inversa a esas propiedades.

Niño Maravilla

Marcus, que nació en Baltimore, quedó fascinado por la mente en la escuela secundaria después de leer El yo de la mente , una colección de ensayos sobre la conciencia editada por el científico cognitivo Douglas Hofstadter y el filósofo Daniel Dennett, así como el libro metafórico de Hofstadter sobre mentes y máquinas, Gödel, Escher, Bach . Casi al mismo tiempo, escribió un programa de computadora diseñado para traducir el latín al inglés. La dificultad de la tarea le hizo darse cuenta de que recrear la inteligencia en las máquinas seguramente requeriría una comprensión mucho mayor de los fenómenos que operan dentro de la mente humana.

El programa de latín a inglés de Marcus no fue particularmente práctico, pero ayudó a convencer a Hampshire College para que lo dejara embarcarse en una licenciatura un par de años antes. Se alienta a los estudiantes de la pequeña escuela de artes liberales en Amherst, Massachusetts, a diseñar sus propios programas de grado. Marcus se dedicó a estudiar el rompecabezas de la cognición humana.

La mitad de la década de 1980 fue un momento interesante para el campo de la IA. Se estaba dividiendo entre quienes buscaban producir máquinas inteligentes copiando la biología básica del cerebro y quienes pretendían imitar funciones cognitivas superiores utilizando computadoras y software convencionales. Los primeros trabajos en IA se basaron en este último enfoque, utilizando lenguajes de programación creados para manejar la lógica y la representación simbólica. Las aves son el ejemplo clásico. El hecho de que las aves puedan volar podría codificarse como una pieza de conocimiento. Entonces, si a una computadora se le dijera que un estornino es un pájaro, deduciría que los estorninos deben poder volar. Se lanzaron varios grandes proyectos con el objetivo de codificar el conocimiento humano en vastas bases de datos, con la esperanza de que eventualmente pudiera surgir algún tipo de inteligencia compleja.

Pero si bien se lograron algunos avances, el enfoque resultó ser cada vez más complejo y difícil de manejar. Las reglas a menudo tienen excepciones; No todas las aves pueden volar. Y mientras que los pingüinos están completamente atados a la tierra, un pájaro en una jaula y otro con un ala rota no pueden volar por razones muy diferentes. Resultó imposiblemente complicado codificar todas las excepciones a tales reglas. La gente parece aprender tales excepciones rápidamente, pero las computadoras se resistieron. (Por supuesto, las excepciones, que incluyen once en lugar de ciento uno, también pueden ser confusas para los humanos).

marcus gary

Alrededor de la época en que Marcus se preparaba para ingresar a Hampshire College, un grupo de psicólogos ideó un enfoque que amenazaba con poner patas arriba la inteligencia artificial. En la década de 1940, Donald Hebb había presentado una teoría de cómo los nervios del cerebro podrían aprender a reconocer una entrada. Mostró cómo el disparo repetido de las neuronas podría fortalecer sus conexiones entre sí, aumentando así la probabilidad de que todas se disparen de nuevo cuando reciban la misma entrada. Algunos investigadores construyeron computadoras con un diseño similar. Pero las habilidades de estas llamadas redes neuronales estuvieron limitadas hasta 1986, cuando un grupo de investigadores descubrió formas de aumentar su poder de aprendizaje. Estos investigadores también mostraron cómo las redes neuronales podrían usarse para hacer varias cosas, desde reconocer patrones en datos visuales hasta aprender el tiempo pasado de los verbos en inglés. Entrene a estas redes con suficientes ejemplos y formarán las conexiones necesarias para realizar dichas tareas.

Llamando a su enfoque conexionismo, los investigadores argumentaron que las redes neuronales suficientemente grandes podrían recrear la inteligencia. Aunque sus ideas no se hicieron cargo de inmediato, eventualmente condujeron a la era actual de aprendizaje profundo.

Justo cuando el conexionismo estaba despegando, Marcus estaba decidiendo dónde hacer sus estudios de posgrado y asistió a una conferencia del renombrado científico cognitivo Steven Pinker, entonces profesor en el MIT. Pinker estaba hablando de la forma en que los niños aprenden y usan los verbos, y argumentaba, contrariamente a una perspectiva conexionista pura, que no parecen adquirir el tiempo pasado de los verbos simplemente memorizando ejemplos y generalizando a otros similares. Pinker mostró evidencia de que los niños detectan rápidamente las reglas del lenguaje y luego las generalizan. Él y otros creen, esencialmente, que la evolución ha dado forma a las redes neuronales que se encuentran en el cerebro humano para proporcionar las herramientas necesarias para una inteligencia más sofisticada.

Se puede entrenar un sistema de aprendizaje profundo para reconocer especies particulares de aves, pero necesitaría millones de imágenes de muestra y no sabría nada acerca de por qué un pájaro no puede volar.

Marcus se unió al laboratorio de Pinker en el MIT a los 19 años y Pinker lo recuerda como un estudiante precoz. Le asigné un proyecto para analizar una hipótesis simple de sí o no en un pequeño conjunto de datos del habla grabada de tres niños, dijo en un correo electrónico. Unos días después había realizado un análisis exhaustivo del habla de 25 niños que ponía a prueba media docena de hipótesis y se convirtió en la base de una importante monografía de investigación.

Como estudiante de posgrado, Marcus reunió más evidencia para respaldar las ideas de Pinker sobre el aprendizaje y agregó ideas propias. Fue pionero en el análisis computarizado de grandes cantidades de datos de investigación cognitiva, estudiando miles de grabaciones del habla de los niños para encontrar instancias en las que cometieran errores como 'rompió y se fue' en lugar de 'se rompió y se fue'. Esto pareció confirmar que los niños captan las reglas de la gramática y luego las aplican a nuevas palabras, mientras aprenden las excepciones a estas reglas de memoria.

Sobre la base de esta investigación, Marcus comenzó a cuestionar la creencia conexionista de que la inteligencia surgiría esencialmente de redes neuronales más grandes y comenzó a centrarse en las limitaciones y peculiaridades del aprendizaje profundo. Se podría entrenar un sistema de aprendizaje profundo para reconocer especies particulares de aves en imágenes o videoclips, y para diferenciar entre las que pueden volar y las que no. Pero necesitaría ver millones de imágenes de muestra para hacer esto, y no sabría nada acerca de por qué un pájaro no puede volar.

El trabajo de Marcus con niños, de hecho, lo llevó a una conclusión importante. En un libro de 2001 llamado La mente algebraica , argumentó que la mente humana en desarrollo aprende tanto de ejemplos como generando reglas a partir de lo que ha aprendido. En otras palabras, el cerebro usa algo así como un sistema de aprendizaje profundo para ciertas tareas, pero también almacena y manipula reglas sobre cómo funciona el mundo para que pueda sacar conclusiones útiles de solo unas pocas experiencias.

Esto no significa exactamente que la inteligencia geométrica esté tratando de imitar la forma en que suceden las cosas en el cerebro. En un mundo ideal, sabríamos cómo lo hacen los niños, dice Marcus. Sabríamos qué circuitos cerebrales están involucrados, los cálculos que están haciendo. Pero la neurociencia sigue siendo un misterio. Más bien, insinúa que la empresa está utilizando una serie de técnicas, incluidas algunas compatibles con el aprendizaje profundo, para tratar de recrear el aprendizaje humano.

Sentido común

El trabajo de Geometric Intelligence seguramente es significativo, porque la combinación de nuevas ideas de la ciencia cognitiva y la neurociencia sin duda será importante para el futuro de la inteligencia artificial. Aún así, después de reunirme con Marcus, me sentí un poco como un niño pequeño tratando de dar sentido a algunos dígitos desconocidos. ¿Cómo se unirá todo esto? Necesitaba que uno de los colaboradores de Marcus me mostrara otra pieza del rompecabezas que está desarrollando la empresa.

Zoubin Ghahramani, profesor de ingeniería de la información en la Universidad de Cambridge en el Reino Unido, es cofundador de Geometric Intelligence. Ghahramani creció en la Unión Soviética e Irán antes de mudarse a España y Estados Unidos, y aunque tiene precisamente la misma edad que Marcus, llegó al MIT un año después. Pero debido a que la pareja compartió un cumpleaños, terminaron organizando fiestas y socializando juntos.

Ghahramani se enfoca en usar la probabilidad para hacer que las máquinas sean más inteligentes. Las matemáticas detrás de eso son complicadas, pero la razón es simple: la probabilidad proporciona una forma de lidiar con la incertidumbre o la información incompleta. Las aves no voladoras pueden, una vez más, ayudar a ilustrar esto. Un sistema basado en la probabilidad puede asignar una alta probabilidad al concepto de que un ave es capaz de volar. Luego, cuando sepa que un avestruz es un pájaro, asumirá que lo más probable es que pueda volar. Pero otra información, como el hecho de que un avestruz adulto suele pesar más de 200 libras, podría cambiar esta suposición, reduciendo la probabilidad de que un avestruz pueda volar a casi cero. Este enfoque flexible puede imbuir a las máquinas con algo parecido a una forma cruda de sentido común, una cualidad que es fundamentalmente importante para la inteligencia humana.

Hablando a través de Skype desde su oficina en Cambridge, Inglaterra, Ghahramani sugiere una aplicación en particular que él y Marcus tienen en la mira: entrenar robots para manejar entornos complejos. En la investigación de robótica, tener experiencias es costoso, dice. Si desea que un robot aprenda a caminar, o un vehículo autónomo para aprender a conducir, no puede presentarle un conjunto de datos de un millón de ejemplos de caídas, roturas o accidentes, eso simplemente no es así. trabajo.

Dado que los algoritmos probabilísticos y otras tecnologías en los trabajos de Geometric Intelligence serían compatibles con el aprendizaje profundo, es posible que, eventualmente, empresas como Google o Facebook adquieran la empresa y la agreguen a su cartera general de IA. Y a pesar de las críticas de Marcus al conexionismo y la fiebre del aprendizaje profundo, tengo el presentimiento de que estaría bastante satisfecho con tal resultado.

Incluso si eso sucede, será significativo si Marcus puede demostrar que el sistema de aprendizaje más milagroso que conocemos, la mente humana, es clave para el futuro de la inteligencia artificial. Marcus me da otro ejemplo de la inteligencia de su hijo. Mi esposa le preguntó: '¿Cuál de tus amigos animales vendrá a la escuela hoy?', dice Marcus. Y él dice: 'Big Bunny, porque el oso y el ornitorrinco están comiendo'. Luego mi esposa regresa a su habitación y, efectivamente, esos juguetes están en una silla 'comiendo'.

Marcus se maravilla de que su hijo de dos años pueda razonar sobre las reglas relativas al comportamiento humano (dándose cuenta de que va a la escuela o está haciendo otra cosa) y construye una oración completamente nueva basada en su creciente comprensión de la forma en que funciona el lenguaje. Después de una pausa y una sonrisa, agrega: Bueno, muéstrame el sistema de IA que puede hacer eso.

esconder