EL ESPAÑOL QUE QUIERE DARLE UN CUERPO A LA INTELIGENCIA ARTIFICIAL

Pablo Lanillos trabaja en el desarrollo de robots que aprendan a interactuar con el mundo como lo hacemos nosotros. Conseguir que reconozcan sus movimientos en el espejo es solo el primer paso.

UN NUEVO SISTEMA DE INTELIGENCIA ARTIFICIAL ANTIRROBO RESUME VARIOS DE LOS PROBLEMAS DE SESGOS ATRIBUIDOS A LOS ALGORITMOS

Una startup estadounidense de inteligencia artificial llamada Standard Cognition ha anunciado que está probando una tecnología desarrollada para permitir comprar en tiendas sin necesidad cajeros ni de detenerse a pagar de ninguna manera: sólo llegar, coger el producto deseado y salir. Al estilo de los supermercados Amazon Go.

ROBOTS CON CAJA NEGRA: POR QUE LA IA PUEDE SER UNA AMENAZA

Un coche autónomo circula tranquilamente mientras su dueño dormita. De repente, un peatón cruza la vía a gran velocidad pese a que no hay paso de cebra. El robot solo tiene dos alternativas: o frena en seco y recibe el impacto del automóvil que viene detrás o protege a su ocupante y atropella al peatón. Una difícil decisión que ha de tomar en tan solo unos segundos.

Inteligencia virtual como la de "Her"

Karen es una aplicación que está siendo desarrollada por la empresa británica Blast Theory, y mediante la cual podremos interactuar con una inteligencia artificial que nos irá conociendo a base de hacernos preguntas sobre nosotros, y reaccionará de diferentes maneras según nuestro estado de ánimo.

Estocástico

Un proceso estocástico es aquel cuyo comportamiento es no determinista, en la medida que el subsiguiente estado del sistema está determinado tanto por las acciones predecibles del proceso como por elementos aleatorios. No obstante, de acuerdo a M. Kac y E. Nelson, cualquier desarrollo temporal (sea determinista o esencialmente probabilístico) que pueda ser analizable en términos de probabilidad merece ser denominado como un proceso estocástico.

Simulando ondas cerebrales

Sabemos que estamos en buenos años: actualmente hay en marcha muchos grandes proyectos de investigación del cerebro, entre ellos el Blue Brain Project.

Igor Aleksander

Igor Aleksander:

Jefe del Departamento de Ingeniería de Sistemas neuronales del Imperial College de Londres. Uno de los mayores expertos en inteligencia artificial.

Planeta Humano

M.A.G.N.U.S.

Igor Aleksander ha creado, por primera vez en la historia de la informática, una especie de mezcla de maquina, ordenador y software, que se denomina MAGNUS (Multi-Automata-General-Neural-Units-Structure), capaz de tener consciencia, imaginar, sentir, tener deseos y soñar.

MAGNUS es la primera fase de consciencia artificial, su diseño y evolución, permitirá conocernos mejor a nosotros mismos, e iluminará lo extraordinario de las criaturas vivientes.

La base de esta consciencia artificial está en el desarrollo de las redes neuronales que no son ni más ni menos que ordenadores y software que simulan el comportamiento de las neuronas humanas.

Red Neuronal
Para llegar a la consciencia artificial se requiere en primer lugar una red neuronal. Estas redes son ordenadores y software que simulan a las neuronas humanas. En el ordenador convencional cualquier decisión es producto del programador, las redes neuronales no se programan de antemano sino que aprenden de una manera parecida al cerebro humano, captando la realidad a través de la experiencia y evitando planificadar todo por anticipado.

El equipo del profesor Aleksander ha producido un software con 250.000 neuronas, lo que supone cuatro millones de conexiones. Las neuronas de nuestro cerebro disparan 100 veces por segundo, un PC actual lo hace a 200 MHz ( 200 millones por segundo).

Por esta razón, aunque haya un menor número de neuronas en una red artificial que una cerebral, es la velocidad la que podrá hacer posible representaciones parecidas a las humanas.

En cuanto al tamaño también existen diferencias: La corteza cerebral extendida tiene una superficie de un metro cuadrado mientras que superficie de Magnus tiene la cuarta parte de una uña.

El ser vivo es consciente de que está vivo y de que tiene unas necesidades biológicas como el deseo de procrear, el deseo de sobrevivir y el deseo de ocupar un lugar en el mundo.

El ser artificial tendrá una consciencia basada en otro tipo de intereses, la mayoría tecnológicos.

A excepción de José Fulano Mengano ningún representante de la raza humana sabe qué es ser José Fulano Mengano. Según los científicos esta sensación es producto de impulsos neuronales, según los filósofos de la facultad contemplativa que permite especular sobre el mundo. Esta escisión será contemplada con la evolución de esta maquina.

Qualia
La consciencia depende en gran medida de la medida en que se adquieren los conocimientos, es decir con la experiencia acumulativa. Las qualia es la sensación interna de la cualidad de un objeto. Ese objeto puede ser una visión, un sonido, un aroma, toda una escena... El ser humano es capaz de combinar en una qualia "un bello atardecer en un día de primavera, mientras perdura en el aire un tenue aroma de jazmín". Magnus ha demostrado que es capaz de captar cualidades de objetos, aproximándose a las qualia humanas. Mientras, los filósofos argumentan que es imposible que esto se consiga con medios tecnológicos.

La consciencia y el lenguaje irán surgiendo del software neuronal, y el propio ordenador se atreverá a interpretar la información que le llega pos sus sentidos y su pensamiento.

Pero veamos lo que esta maquina-ordenador es capaz de hacer en estos mismísimos momentos, ya que aún no sabemos lo que puede llegar a aprender a lo largo de los años:

1. Magnus a primera vista parece un ordenador portátil: Cuenta con dos paneles, uno indica lo que se está observando y otro lo que esta pensando.
2. Magnus está dotado de visión: si se le muestra una imagen y se le pide que responda, nos dará una imagen de lo que vé.
3. Magnus aprende: la información se almacena en la RAM. Lo que se hace es reducir esa unidad de almacenamiento hasta el tamaño de una neurona. Por eso tiene un millón de "neuronas" en la red neuronal en lugar de la neurona única de los ordenadores normales.
4. Magnus habla: Cuando se le deja libre en los mundos simulados que se le almacenan, asocia los objetos con el nombre correspondiente y de este modo aprende el significado de las palabras.
5. Magnus tiene características cognitivas: como pensamiento, memoria ya tención. Tiene conocimiento de sí mismo, es capaz de explorar su mundo virtual y de tener sentido de lo que se puede hacer en ese mundo.
6. Magnus es consciente: sabe las muchas medidas que puede tomar, y elige la que más se adecúa a sus fines.
7. Magnus tiene voluntad: en la actualidad el programa tiene un sentido de dónde procede y a dónde le gustaría ir, y a veces toma decisiones arbitrarias.
8. Magnus imagina: desde lo posible, como un gato negro, hasta lo imposible, como las mariposas quiméricas que pueda haber en Marte.
9. Magnus tiene miedo: es consciente del esfuerzo invertido en su creación. Si algo amenaza el contenido de sus neuronas, donde se almacena dicho esfuerzo, el sistema tratará de protegerse.
10. Magnus envejece: a medida que envejece, hay una mayor cohesión en torno al conocimiento ya adquirido.
11. Magnus posiblemente sueña: sucede en la mayoría de los campos de las neuronas que se encuentran en estado inactivo. El autómata tiene libertad de vagar por su estructura dejándose llevar por el azar.
12. Magnus ¿ se emociona?: tiene capacidad de alejarse de situaciones y de acercarse a otras, lo que podría parecer como el comienzo del placer y del dolor.

proyecto de inteligencia artificial captura y recrea estilos musicales

El director del Laboratorio de Informática de Sony en París, François Pachet, tambien es un músico enamorado del jazz. Su objetivo es crear una nueva generación de herramientas para los compositores o cualquier persona interesada en la música, y para ello cuenta con una beca ERC Advanced Grant. Pachet está convencido de que la inteligencia artificial puede ayudar a desarrollar la creatividad individual, según ha explicado en la Conference on Practical Applications of Agents and Multi-Agent Systems (XII PAAMS) organizada esta semana en la Universidad de Salamanca.

Marvin Minsky considera una pérdida de tiempo los proyectos sobre el cerebro

Según Marvin Minsky, los enormes recursos que EE UU y Europa destinan a megaprogramas de investigación sobre el cerebro humano están mal enfocados, uno de los padres de la inteligencia artificial que hoy recibe el Premio Fundación BBVA Fronteras del Conocimiento en Tecnologías de la Información y la Comunicación. Su propuesta es estudiar primero cómo funciona el cerebro de animales pequeños, como las libélulas.

El ruido no me deja pensar

Nuestra capacidad de tomar decisiones –y a veces cometer errores– podría estar determinada a partir de fluctuaciones aleatorias en el ruido eléctrico de fondo en el cerebro, de acuerdo a un estudio reciente del Centro Para la Mente y el Cerebro, Universidad de California, Davis.

Mapa topográfico de ondas alfa en el hemisferio izquierdo del cerebro en un periodo que da inicio 800 milisegundos antes de tomar una decisión y significativamente la influye. (crédito: Jesse J. Bengson et al./Journal of Cognitive Neuroscience)

El cerebro tiene un nivel normal de “ruido de fondo”, indicó Jesse J. Bengson, autor principal del estudio, a medida que los patrones de actividad eléctrica fluctúan en el cerebro. En el nuevo estudio, las decisiones pueden ser predichas basadas en el patrón de actividad cerebral justo antes de tomar una decisión determinada.

Bengson colocó a un grupo de voluntarios enfrente de una pantalla y les pidió colocar su atención en el centro de la misma, mientras utilizaba electroencefalografía EEF para grabar su actividad eléctrica cerebral. Se les pidió a los voluntarios tomar la decisión de mirar hacia la izquiedra o hacia la derecha cuando una señal apareciera en la pantalla, y luego reportaran su decisión.

La señal para ver hacia la derecha o la izquierda aparecía a intervalos aleatorios, por lo que los participantes no podían consciente o inconscientemente prepararse para su aparición.

El cerebro tiene un nivel normal de “ruido de fondo”, dijo Bengson, una actividad de patrones eléctricos que fluctúa en todo el cerebro. Los investigadores hallaron que el patrón de actividad en el segundo previo a la aparición de la señal –antes de que los voluntarios supieran que tomarían una decisión– podría predecir el resultado de la decisión por tomar.

“El estado cerebral justo antes de la presentación de la señal determina si se tomará hacia la derecha o hacia la izquierda”, dijo Bengson.

El experimento se realiza sobre la base de otro famoso experimento realizado por Benjamin Libet en los 70s.

Libet también midió la actividad eléctrica cerebral antes de que un voluntario tomara la decisión de presionar un interruptor como respuesta a una señal eléctrica. Descubrió actividad cerebral inmediatamente antes que el voluntario decidiera presionar el interruptor.

Los nuevos resultados se suman a los de Libet, ya que proporcionan un modelo sobre la actividad cerebral que precede a la decisión, dijo Bengson. En el nuevo experimento, el tiempo aleatorio significa que “sabemos que los voluntarios no toman la decisión con anticipación”.

La independencia del substrato

Una de las más espectaculares promesas de la IA fuerte es lo que llamamos mind uploading: la posibilidad de descargar nuestra mente en la memoria de un ordenador.

Es una original propuesta de inmortalidad, dado que una memoria computacional física puede ser reparada en todas sus partes siendo potencialmente eterna. En un momento del futuro, toda la humanidad (o un selecto grupo de elegidos) podría ser volcada dentro de enormes memorias informáticas, dando el salto a un mundo virtual en donde la felicidad completa, antes sólo prometida postmortem, será alcanzada. El potencial especulativo de esta afirmación es enorme: ¿Podrían unirse varias mentes en una creando la emergencia de una supermente colectiva? ¿Qué siente alguien viviendo dentro de un computador? ¿Podríamos apagar y volver a encender las mentes almacenadas?

Entre los muchos presupuestos necesarios para que la mind uploading sea posible se encuentra la independencia de substrato: nuestra mente puede funcionar exactamente igual independientemente de la base física que la sostenga. Lo importante sería replicar la estructura del sistema que nos permite pensar, no su material, de modo que si podemos copiar la estructura de nuestras intrincadas redes neuronales (wetware) en chips de silicio, dichos chips tendrán las mismas funciones que nuestro cerebro. Este dualismo soluciona, por ejemplo, el viejo enigma del barco de Teseo: ¿Cuántas piezas hay que cambiar a un barco para que ese barco ya no sea el mismo sino otro diferente? Desde la independencia de substrato diríamos que el cambio de piezas es indiferente para la identidad de cualquier ente. Lo esencial es su estructura, por lo que si el barco mantiene la estructura inicial seguirá siendo el mismo a pesar de no tener nada de su materia inicial. La misma idea parece subyacer en las palabras de Sebastian Seung y su concepto de conectoma.

Cuando Seung dice que somos nuestro conectoma está queriendo decir que nuestras funciones cognitivas superiores son el resultado (o se identifican. Ignoro la postura que Seung tiene en este tema) de una complejidad estructural. Entonces, lo de menos es la base física, cualquiera vale, lo importante es meramente la complejidad estructural. Seung tiene la esperanza de que algún día se desvele el misterio y sepamos toda la exponencial cantidad de conexiones sinápticas. Sin embargo, esto encierra un grave problema que creo que no suele tenerse en cuenta y que reside, precisamente, en dar por sentada la independencia de substrato.

La conciencia, nuestros sentimientos y nuestros recuerdos surgen de esa intrincada red neuronal de un modo absolutamente desconocido a día de hoy. Los científicos, especialmente neurólogos e ingenieros de AI, tienen poca paciencia y quieren hacer un modelo del cerebro dejando de lado ese desconocimiento. Así, elaboran modelos matemáticos partiendo únicamente de la idea cajaliana de que las neronas son herramientas de transmisión de información que funcionan de modo discreto disparando pulsos eléctricos. Los diferentes modelos neuronales (desde los primeros intentos de McCulloh y Pitts, los perceptrones de Rosenblatt, hasta las redes de Hopfield o las máquinas de Boltzmann) parten de la base de que lo único que hacen las neuronas es lanzar o no pulsos eléctricos, de manera que su actuación puede formalizarse fácilmente en código binario. Los diferentes modelos intentan hacer el mayor número de operaciones (operaciones lógicas, memoria asociativa o reconocimiento de patrones) partiendo de esta hipótesis. Como en la realidad podemos encontrar elementos físicos biestables (cosas que puedan estar en dos estados diferentes el tiempo suficiente: el magnetismo de las memorias informáticas), podemos construir redes neuronales artificiales. Es curioso que nadie haya caído (o sí, vete tú a saber) en que en este planteamiento hay una contradicción inicial muy básica: si las neuronas sólo transmiten información, ¿cómo van a poder generar consciencia? ¿Es que la consciencia es sólo un pulso eléctrico o un transporte de información? No, responderían aireados, la consciencia surge de la complejidad de interconexiones eléctricas, no de las propiedades de los pulsos eléctricos entendidos individualmente. Pero, ¿qué significa realmente que algo pueda surgir de su complejidad estructural?

No significa nada, pues aquí está el error. Yo puedo hacer que mi computadora sea muy compleja en el sentido de que cada vez pueda resolver un número mayor de problemas matemáticos (de hecho los problemas con los que se enfrentan los ingenieros de redes neuronales artificiales son exclusivamente de índole matemático), pero no puedo hacer otra cosa. No, podríamos replicar, si yo conecto mi red neuronal artificial, por ejemplo, a un brazo robótico, podría emular los movimientos de un brazo humano. Los problemas matemáticos se traducen en replicar acciones humanas. Cierto, algunos problemas son de este tipo. Sin embargo, ¿cómo se espera resolver matemáticamente el problema de la conciencia? La conciencia es una entidad real, “física” en el sentido de estar en el mundo como lo está un mueble. No digo que la conciencia sea una cosa, pero sí que será un proceso o, de alguna manera, la propiedad de un sistema físico. Lo poco que sabemos es que la conciencia emerge (o se identifica, o es causada o lo que queramos decir aquí) de un determinado sistema físico: el cerebro. Un sistema, por otra parte, con unas propiedades fisico-químicas muy concretas. Entonces parece razonable pensar que las propiedades físico-químicas del cerebro tendrán mucho que ver con el fenómeno de la conciencia, del mismo modo que las propiedades físico-químicas del estómago tienen mucho que ver con la digestión. ¿En qué se basan entonces para decir que nuestra mente es un conectoma, una complejidad estructural independiente del substrato donde se realice? ¿Es que acaso hemos comprobado alguna vez que otra química diferente a la del carbono dé lugar a algún tipo de conciencia? ¿Es que acaso podemos encender fuego únicamente con un modelo matemático de la combustión?

Nada surge meramente de lo complejo, igual que nada es exclusivamente una estructura. Los ingenieros de AI piensan que si tenemos un mapa muy detallado de lo que es una gallina escrito en un papel, ya tenemos realmente una gallina. No, para hacer una gallina hacen falta átomos de gallina. Y quizá, los átomos de gallina tienen unas propiedades tales que sólo con átomos de gallina podemos hacer gallinas, y no con cualquier otro substrato que se nos antoje estructuralmente similar. La independencia de substrato es una tesis que suele aceptarse con demasiada ligereza.

vonneumannmachine

Alabada sea su divina Singularidad

En las míticas conferencias de Dartmouth, los pioneros de la IA pronosticaron que en unos pocos años tendríamos seres mecánicos con las mismas características que el ser humano. Alan Turing, Marvin Minsky o John McCarthy pensaban que las computadoras tendrían conducta inteligente e incluso consciencia y emociones en unas décadas.

Desde la filosofía, pronto se lanzó una feroz crítica a estas pretensiones: John Searle, Herbert Dreyfus, Joseph Weizenbaum o Margaret Boden se apresuraron en mostrar los problemas filosóficos existentes tras tales pretensiones. Filósofos e ingenieros se enzarzaron en una ardua polémica (bueno, más bien sólo filósofos con filósofos. Los ingenieros siguieron trabajando como si la filosofía no existiera, cosa que han hecho siempre). En la actualidad parece que los filósofos han ganado la partida ya que, a parte de que sus ataques fueron bastante certeros en algunos casos (es muy famoso el argumento de la habitación china de Searle) y a que es más fácil destruir que construir, las promesas de Dartmouth están aún muy lejos de conseguirse.

Jaron Lanier ha revitalizado la polémica en un reciente artículo en donde acusa a estas exageradas pretensiones de la AI de ser la nueva ideología de moda, la nueva pseudoreligión que acompaña nefastamente el desarrollo de las ciencias de la computación provocando, según Lanier, una mala comprensión de las mismas y de lo que es realmente el hombre.

Son ciertas las pretensiones mesiánicas de muchos tecnofílicos. Hemos leído con cierta frecuencia fabulaciones como que podremos descargar nuestra mente en ordenadores consiguiendo la inmortalidad o, de modo apocalíptico, que acabaremos siendo esclavizados o exterminados por beligerantes máquinas futuristas. El gran guru de la IA, Raymond Kurzweil habla con total naturalidad de la singularidad tecnológica, momento histórico en el cual las máquinas serán tan superiores al ser humano actual que nos es imposible establecer cualquier tipo de predicción del futuro desde ese momento. Leo en El hombre mecánico de Hans Moravec:

Lo que nos espera no es el olvido, sino un futuro que, desde nuestra ventajosa situación actual, se puede describir con las palabras “posbiológico” o, mejor aún, “sobrenatural”. En este mundo, la marea del cambio cultural ha barrido al género humano y lo ha sustituido por su progenie artificial. Las consecuencias finales todavía nos resultan desconocidas, aunque muchos de los pasos intermedios no sólo son predecibles sino que ya se han dado. En la actualidad, nuestras máquinas son todavía creaciones simples que precisan los cuidados maternales y la atención constante de todos los recién nacidos. Y no se puede decir que merezcan el calificativo de “inteligentes”. Pero en el curso de un siglo madurarán, se convertirán en seres tan complejos como nosotros y, finalmente, en entes que trascenderán todo lo que conocemos, de los que nos podremos sentir orgullosos y considerarlos nuestros propios descendientes.

Nótese que Moravec no duda en hablar de la futura generación de máquinas inteligentes como seres sobrenaturales como si no pasara nada. Y es que la advertencia de Lanier es muy cierta:

1. Que en una ciencia se introduzcan elementos propios de las religiones es en sí nefasto. La ciencia ha de huir del ethos de la religión, no acercarse a él. La predicción salvajemente especulativa sin base empírica (a lo sumo apoyada en una discutible ley de Moore) nos recuerda a la espera cristiana de la segunda llegada de Dios. No dejemos que vicios que ya creíamos superados vuelvan a introducirse en la ciencia.

2. Ésto sólo a causado que se cancele la financiación de interesantes proyectos en AI debido a lo irreal de sus objetivos. Si en vez de prometer replicas de humanos habláramos sólo de sistemas expertos que sirven de ayuda profesional seguro que los mecenas verían la gran utilidad de estos ingenios sin defraudarse por no encontrarse con HAL 9000.

3. Al contrario que la mayoría de los filósofos, yo no encuentro contradicción alguna a la posibilidad de que puedan crearse seres artificiales que tengan formas de consciencia e, incluso, poseer emociones. Sin embargo, reconozco tanto que podría haberla y aún no la conocemos, como que aún estamos lejísimos de conseguirlo. Seguramente que el modelo computacional actual no es el adecuado para representar el pensamiento humano (o, simplemente, es todavía muy sencillo) y nuestra tecnología es tan pobre que no da ni para hacer predicciones a corto plazo de lo que podríamos conseguir en el campo de la computación; más aún cuando su avance está sujeto a los devenires propios de cualquier progreso histórico: la economía, los cambios socio-culturales, las modas… e incluso los caprichos de ese extraño ser que se resiste tanto a ser replicado al que llamamos hombre.

Sistema universal de símbolos

En las actuales ciencias cognitivas, el concepto de información se ha postulado como central para comprender el funcionamiento de la mente. Muchos afirman rotundamente que la mente es un sistema universal de símbolos, es decir, una máquina que transmite, manipula, modifica información.

Tal tesis quedó avalada por el descubrimiento fundacional de las neurociencias: la neurona, una célula cuya primordial misión parece ser la de transmitir información. Además, parece hacerlo de modo relativamente simple, mediante un sistema sumatorio de pesos que hace que una neurona se dispare o no en función de los estímulos recibidos por otras neuronas (la grandísima aportación de Hebb). Además, debido a la plasticidad cerebral, las asambleas de neuronas pueden aprender. En los modelos matemáticos que tenemos de ellas el aprendizaje es arduo y costoso, pero, a la postre eficaz. Podemos entrenar estas agrupaciones de células simples para que hagan un montón de cosas y, a pesar de la dura crítica de Papert y Minsky que dejó está vía de investigación paralizada durante años, hoy ha renacido con fuerza consiguiendo algunos notables resultados.

La idea parece muy buena. Los pioneros de la Inteligencia Artificial pensaban que la mente era algo así como el software de nuestro cerebro, de modo que lo que había que encontrar era ese programa maestro que emulara perfectamente a la mente humana. Pero, pensándolo bien, el cerebro no parece tener un programa que funcione a modo del Prolog o del Lisp (aunque muchos así lo siguen defendiendo: es el popular mentalés). Parecía más lógico empezar por debajo: en vez de construir el software, hagamos el hardware y veremos lo que pasa. Así, basándose en estudios del sistema nervioso, se construían modelos matemáticos y se comprobaba que podían hacer. Es el clásico programa conexionista.

Los modelos de redes neuronales siguen avanzando y, de momento, son lo más parecido que tenemos a cómo los cien mil millones de neuronas que contiene nuestro cerebro, pueden hacer que tengamos vida mental. En este vídeo vemos un pequeño ejemplo de un robot diseñado por Pentti Haikonen a partir de su famosa arquitectura.

El robot detecta la dirección de la fuente de sonido y se acerca a ella. Todo lo hace sin ningún tipo de programa (nada de if, for, case, class, main…) ni realizando ningún cálculo. Simplemente sigue los patrones de una red de neuronas: puro cableado que muestra una notable similitud con lo que parecen ver los neurólogos al cartografiar nuestro cerebro. Es posible que, realmente, nuestro sentido auditivo pueda funcionar así. Es un gran logro y una magnífica vía de investigación que, sin duda, dará un montón de frutos.

Sin embargo (mi famoso sin embargo con el que empiezo el 90% de mis argumentaciones) hay un problema muy grande. Para ciertos procesos mentales el modelo de Haikonen parece muy apropiado, pero sólo para ciertos procesos mentales. ¿Cuáles? A saber, los inconscientes. Porque un sistema basado únicamente en el concepto de información no puede dar constancia de nuestros estados mentales conscientes. Razonemos:

1. He leído mucho acerca del concepto de información, incluso libros dedicados en exclusiva a ese concepto, y no he encontrado una definición satisfactoria. En muchos casos he encontrado una definición matemática (I=1/logp), la cual relaciona la información que disponemos de un suceso con su probabilidad. Está muy bien, y da para pensar un montón, pero no nos dice realmente qué es la información. Un ejemplo muy ilustrativo al respecto es el siguiente: supongamos que tenemos varios medios para codificar una información: una cinta de cassette, un disco de vinilo y un CD. En ambos está guardada la misma canción. Los tres medios están compuestos de materiales diferentes: la cinta de cassette es de plástico unida a diferentes materiales magnéticos que graban la información de forma mecánica y analógica; el disco de vinilo graba la información en surcos en su superficie; y el CD está hecho de policarbonato y aluminio grabando la información de modo digital. Tres materiales diferentes que, maravillosamente, nos dan el mismo resultado: escuchar la misma canción. ¿Qué es lo que tienen en común estos tres objetos hechos de materiales diferentes y estructurados de distinta forma? La información que guardan. Vale pero, ¿qué es exactamente eso que los tres guardan por igual? Vergonzoso silencio.
2. La información sólo tiene sentido en la medida que informa a algo o a alguien. La información es simbólica, refiere a algo, da como resultado algo que no es ella misma, tiene necesariamente una función dentro de un todo más grande. Por ejemplo, en un termostato que activa la calefacción cuando la temperatura baja a 10ºC, cuando el termómetro llega a tal temperatura informa a la caldera para que se active. Su único sentido es activar la caldera. Sin calefacción, el termómetro del termostato sólo es una barra de mercurio que se contrae o se dilata, un objeto sin sentido informativo alguno. Dicho de otro modo: la información no es nada, no es un “objeto” de la naturaleza si no existe un sujeto que la utilice. La naturaleza, sin seres vivos o máquinas que traten la información, está desinformada, no contiene información alguna, porque la información no es una propiedad objetiva, sino subjetiva.
3. Entonces, y aquí viene lo importante, la mente no puede ser sólo flujo de información, ya que esa información tiene sentido sólo si informa a algo o a alguien. En la máquina de Haikonen, la información que pasa por los cables tiene sentido en la medida en que activa los motores del robot. La información sólo es información cuando causa cosas. A fortiori, el cerebro sí que puede contener flujos de información, pero eso no es lo esencial en ella: lo esencial es que produce pensamientos, emociones, recuerdos, etc. La información puede activar cierto estado mental, pero no puede ser ese estado mental. Al igual que en el robot de Haikonen, la información causa que el robot se mueva, pero el movimiento no es información.
4. Conclusión: que el cerebro contenga un montón de información y que esa información fluya a raudales por sus fibras nerviosas no nos dice nada de la naturaleza de los estados mentales. O, como mucho, sólo nos dice una pequeña parte de la historia. Si entendemos el proceso en términos de entrada y salida, un input (información) como ver al ministro de educación, estimula mis neuronas y hace que la información fluya por ellas para producir un output (resultado que no es información) como puede ser un ataque de pánico (estado mental). La información informa a “alguna parte de mi cerebro” para que ésta produzca, de una manera totalmente desconocida a día de hoy por la ciencia, un estado mental (que ya no es información, sólo es una sensación consciente).
5. Estudiar la mente en términos de la teoría de la información puede dar grandes resultados y, a mi juicio, ha sido uno de los grandes descubrimientos del siglo XX, pero no puede ser toda la historia. Lo importante es saber cómo esa información produce estados mentales. Debe existir algún tipo de mecanismo o proceso físico o biológico desconocido aún que produzca sensaciones, que haga que yo tenga miedo o que piense en mi abuela. Y eso no puede ser un conjunto de neuronas que únicamente se transmitan información unas a otras porque la información no es nada si no hace algo. Descubrir qué es ese algo debe ser la línea fundamental de investigación si queremos saber de una vez por todas cómo funciona la mente.

General Problem Solver (GPS)

Marvin Minsky dice que la mejor forma de comprender la mente es construyendo una. En 1957, Simon, Shaw y Newell, diseñaron uno de los grandes hitos de la historia de la Inteligencia Artificial: el General Problem Solver.

Bahamas

Era un programa creado para solucionar cualquier problema de tipo general, rompiendo con la preconcepción de que las máquinas solo podían resolver problemas muy específicos. Su estructura, muy simplificada, venía a ser la siguiente:

El GPS funcionaba realizando una analogía entre su situación actual y el objetivo a cumplir, efectuaba un análisis de las diferencias entre ambos estados, utilizaba métodos para reducir las diferencias, y luego volvía a realizar la analogía inicial hasta que no existiesen diferencias entre el estado actual y el estado deseable. El diseño es muy interesante, sobre todo, por las similitudes que parece reflejar con respecto a la forma que tenemos los seres humanos de solucionar problemas, manteniendo una estructura muy simple:

1. Al realizar una comparación entre su situación y sus objetivos, tiene una cierta representación de sí mismo. Si quiero irme de viaje a las Bahamas, lo primero que tengo que saber es que YO no estoy en las Bahamas. Estaríamos todavía a años luz de la autoconsciencia, pero ya es un paso.
2. Para reducir las diferencias, el GPS podía suspender momentáneamente su objetivo principal para resolver sub-objetivos. Esto es una característica plenamente humana: suspender las urgencias del presente en pro de un objetivo futuro, es decir, planificar una acción en pasos. Si quiero irme a las Bahamas tengo que solucionar sub-problemas como pagar los billetes de avión, hacer las maletas, coger un taxi al aeropuerto, etc. Cuando queremos solucionar un gran problema, una buena forma de hacerlo es dividirlo en problemas más pequeños.
3. El GPS razonaba por analogía, quizá la forma humana más habitual de razonar. ¿Cómo sé que hay que hacer para viajar a las Bahamas? Porque antes he realizado otros viajes o porque he visto a otros hacerlos. Realizo analogías entre ese conocimiento previo y el problema al que me enfrento. Si yo viajé antes a Hawai, también hice las maletas y cogí un taxi al aeropuerto, pero a la hora de comprar los billetes de avión ahora tendré que comprarlos para Bahamas y no para Hawai y, probablemente, el precio será diferente. Hay similitudes que utilizaré sin problemas y diferencias que tendré que solucionar.

Sin embargo (ah, el siempre triste sin embargo), el GPS tenía el defecto que, hasta la fecha, no ha podido solucionarse (y del que ya hemos hablado en muchas entradas). Si realizar una analogía entre como estoy y lo que quiero hacer no parece presentar demasiados problemas, encontrar métodos de reducción de diferencias sí. Cuando nuestra máquina se encuentra en el aeropuerto y comprueba que “comprar un billete para Hawai” no le llevará a las Bahamas tiene que saber, de algún modo, que “en un aeropuerto pueden comprarse billetes a muchos sitios diferentes”. Si no sabe eso, es imposible que pueda solucionar tan simple problema. Y es que el GPS solo funcionaba en entornos muy formalizados, no en el mundo real. Estamos ante el enigma del sentido común: si el GPS podía resolver teoremas matemáticos de gran complejidad, no podría comprar un billete de avión.

Una forma de entender este dilema se ha formulado afirmando que cuando realizamos cualquier acción existe un montón de conocimiento implícito que excede el conocimiento de una simple descripción simbólica como la que maneja un computador. Douglas Lenat nos ofrece un magnífico ejemplo de ello: analicemos la frase “Fred le dijo al camarero que él quería patatas fritas a la inglesa”. ¿Qué tenemos que saber para entender esta afirmación?:

La palabra él se refiere a Fred, y no al camarero. Eso sucedía en un restaurante. Fred era un cliente que estaba cenando allí. Fred y el camarero se encontraban más o menos a un metro de distancia. El camarero trabajaba allí y en aquel momento estaba atendiendo a Fred.

Fred quiere patatas en rodajas finas, no en tiras. Fred no desea unas patatas determinadas, sino solo un tipo determinado de patatas.

Fred indica esto mediante las palabras habladas que dirige al camarero. Tanto Fred como el camarero son seres humanos. Ambos hablan el mismo idioma. Ambos tienen edad suficiente para poder expresarse, y el camarero tiene edad suficiente para trabajar.

Fred tiene hambre. Desea y espera que en unos minutos el camarero le traiga una ración normal, que Fred empezará a comer en cuanto le sirvan.

Asimismo podemos suponer que Fred supone que el camarero también supone todas esas cosas.

No hay más que decir: o el GPS sabe o puede deducir todo este conocimiento implícito, o jamás podrá resolver problemas que ocurran cuando tenga que pedir una ración de patatas en un restaurante. La solución que se dio fue la de crear sistemas expertos. Podríamos dotar al GPS de un montón de conocimiento sobre todos los pasos que hay que dar para realizar un viaje o comer en un restaurante. No obstante, al hacerlo, estamos incumpliendo nuestro propósito inicial, a saber, que nuestra máquina solucione cualquier tipo de problemas y no únicamente problemas específicos. Este es el asunto en el que la Inteligencia Artificial lleva estancada durante las últimas décadas y que no tiene demasiados visos de resolverse a corto plazo.

Vision Artificial

¿Cómo sabemos si lo que vemos es real o producto de un engaño? Más aun,¿cómo lo podría saber una máquina?

Aunque a los seres humanos la visión nos parece simple, la creación de un programa informático que permita que una máquina ‘vea’ es una tarea sumamente complicada, que a la fecha no se ha logrado. Crédito: Dyet (rgbstock)/Akash Khairate (stock.xchng)/Ciencia al Día

Para los seres humanos, dotados de inteligencia y del poder de la computación biológica, ver es simple: nuestras redes neuronales calculan la explicación más probable de lo que vemos, y convierten el burbujeo de fotones en percepción.

Eso es muy difícil de plasmar en un código informático, dice David Cox, profesor adjunto de Biología Molecular y Celular, y Ciencias Informáticas de la Universidad de Harvard.

“La visión es el proceso de averiguar lo que hay en un mundo en 3D, a partir de un conjunto de imágenes en 2D proyectadas en nuestras retinas,” explica Cox. “En realidad es muy difícil, y la única razón por la que parece fácil es porque vemos el mundo a través de la solución al problema”.

“Ese es uno de los retos de la visión por ordenador”, dice Cox, y añade que “nuestras intuiciones acerca de lo que es fácil y lo que es difícil generalmente son incorrectas, debido a que todas nuestras intuiciones nos llegan a través de nuestro sistema biológico. Cuando uno trata de escribir un programa informático que haga lo mismo, descubre lo difícil que es”.

El objetivo de Cox es crear sistemas artificiales que puedan ver y entender lo que ven. Es una tarea que requiere un conocimiento a profundidad de la neurociencia, pero también una buena cantidad de pensamiento creativo de lo que podría ser posible en el ámbito del reconocimiento artificial de objetos.

El grupo de investigación de Cox emplea ordenadores de alto rendimiento masivamente paralelos para tratar de reproducir el nivel de cálculo que se lleva a cabo dentro del cerebro.

Hay una gran diferencia entre reconocer una cara en una ficha policial, y reconocer un rostro que forma parte de una escena complicada y desordenada del mundo real.

Muchos de los beneficios potenciales que se derivarían del diseño de un sistema así son tan extraños que parecen pertenecer al ámbito de la ciencia ficción. Así, el ordenador portátil se daría cuenta de si estamos cansados, felices o tristes, e interactuaría de forma consecuente; o nuestro auto nos vería caminando por la acera y se acercaría para recogernos.

tanto o menos ‘inteligente’ como un niño de 4 años

Un equipo de ingenieros de la Universidad de Illinois en Chicago (UIC) sometió a pruebas de inteligencia a uno de los mejores sistemas de inteligencia artificial para determinar que tan inteligente es en realidad, y resultó que en algunos aspectos el sistema es tan inteligente como un niño de cuatro años.

Un equipo de ingenieros sometió a pruebas de inteligencia a uno de los mejores sistemas de inteligencia artificial, y encontró que en algunos aspectos es tan inteligente como un niño de 4 años. Crédito de la imagen: University of Illinois at Chicago

El equipo sometió a ConceptNet 4, un sistema de inteligencia artificial desarrollado en el MIT, a las porciones verbales de la prueba de inteligencia Weschsler Preschool and Primary Scale, una evaluación estándar del coeficiente intelectual para niños pequeños.

Encontraron que ConceptNet 4 tiene el coeficiente intelectual promedio de un niño pequeño, pero a diferencia de la mayoría de los niños, los resultados del sistema de inteligencia artificial fueron muy desiguales en las diferentes partes de la prueba.

Si un niño obtuviera puntuaciones tan variadas, podría ser un síntoma de que algo anda mal, dice Robert Sloan, profesor y director de informática de la UIC, y autor principal del estudio.

Sloan dice que ConceptNet 4 salió muy bien en las prueba de vocabulario y de la capacidad para reconocer similitudes; sin embargo, salió muy por debajo del promedio en la compresión de las preguntas “por qué”.

Uno de los problemas más difíciles en la construcción de los sistemas de inteligencia artificial, dice Sloan, está en la elaboración de un programa informático que pueda hacer un juicio prudente y adecuado sobre la base de una percepción simple de la situación o de los hechos, que es la definición que ofrecen los diccionarios de “sentido común”.

El sentido común ha eludido a los ingenieros de inteligencia artificial, ya que requiere, tanto una gran colección de hechos, como lo que Sloan llama “hechos implícitos”, que son aquellas cosas tan obvias que no sabemos como las conocemos. Una computadora puede conocer la temperatura a la que el agua se congela, pero nosotros sabemos que el hielo es frío.

“Todos conocemos un gran número de cosas”, dice Sloan. “Como bebés, gateamos y tiramos de las cosas, y así aprendemos que las cosas se caen. Tiramos de otras cosas y aprendemos que a los perros y los gatos no les agrada que tiremos de sus colas”. La vida es un ambiente rico para el aprendizaje.

“Todavía estamos muy lejos de los programas con sentido común – inteligencia artificial que pueda responder preguntas de comprensión con la habilidad de un niño de 8 años”, dice Sloan. Él y sus colegas esperan que el estudio ayude a centrar la atención en los “puntos duros” de la investigación en inteligencia artificial.

Interfaz cerebro-computador para conducir un automóvil robotizado

Una investigación pionera en Latinoamérica que proyecta la implementación de una interfaz cerebro-computador en la navegación de un automóvil totalmente robotizado, es el principal objetivo de una colaboración entre la Universidad Técnica Federico Santa María y la Universidade Federal do Espírito Santo (Brasil).

En una investigación pionera en Latinoamérica, investigadores de la Universidad Técnica Federico Santa María (Chile) y la Universidade Federal do Espírito Santo (Brasil) han desarrollando una interfaz híbrida que combina elementos de navegación autónoma de un vehículo, junto a elementos biológicos como las señales electroencefalográficas. Foto: USM

Se trata de la generación e implementación de una interfaz híbrida, que combina los elementos de navegación autónoma de un vehículo, junto a elementos biológicos como las señales electroencefalográficas, logrando así avanzar en la integración tecnológica, vinculada a la movilidad, de personas con tetraplejia, paraplejia y discapacidades motoras en general. Esto a través de una BCI (Brain-Computer Interface).

La investigación está a cargo de Dres. Alberto de Souza y Teodiano Bastos Filho (Brasil) quienes, desde la Universidade Federal do Espírito Santo, encabezan las áreas de Informática y Bio Ingeniería, respectivamente. En tanto, el trabajo de la Universidad Santa María en esta investigación está a cargo del Dr. Fernando Auat Cheein, académico del Departamento de Electrónica, quien encabeza el área de robótica.

¿Cómo funciona esta interfaz? El Dr. Auat Cheein explica que “si te imaginas que estás moviendo tu brazo derecho eso se refleja en una parte del cerebro, que es la corteza motora, y si realizas el movimiento se va a reflejar en tu señal electroencefalográfica. Todo eso se conoce como potenciales, que obedecen a diferentes tipos de estímulos. Lo que estamos implementando es una interfaz cerebro-computador basada justamente en estímulos visuales”.

Estos estímulos no deben perjudicar la visión de la persona que va conduciendo, por lo que “necesitamos un vehículo autónomo, que pueda reaccionar ante un peatón que se cruce por delante y que detecte las condiciones del entorno, como su ubicación y estado del tráfico, ya que como está pensado para ser utilizado por personas con necesidades especiales, es posible que no puedan reaccionar ante algún cambio repentino en la ruta”, agrega el académico.

La prueba de fuego para este auto robotizado será realizar un trayecto uniendo las ciudades de Vitória y Guaraparí, en el estado de Espírito Santo (Brasil). Se trata de un viaje de 50 kilómetros que deberá completar este móvil que en su fabricación es como cualquier otro vehículo pero que cumple con ciertas características como ser automático, híbrido y adaptado posteriormente para incorporarle la interfaz cerebro-computador.

Investigación que cruza fronteras

Los respectivos equipos de investigadores han trabajado conjuntamente para unir sus experiencias en las áreas que aborda el proyecto, por lo que expertos de Brasil han visitado la USM, así como el grupo de este plantel ha viajado a la Universidade Federal do Espírito Santo, instancias que han marcado los avances en la investigación.

“En nuestro viaje avanzamos en ciertas mejoras al algoritmo de Simultaneous Localization and Mapping, un algoritmo de inteligencia artificial y estimación recursiva, que lo que hace es localizar y construir un mapa que rodea el robot, al mismo tiempo. Mientras que en el área de Bioingeniería definimos las características de implementación de la interfaz cerebro-computador para controlar el automóvil, para que pueda ser adecuada al comando de éste”, explica el Dr. Fernando Auat Cheein.

El objetivo primordial es que el automóvil ande solo, sin intervención del ser humano: “eso ya está hecho, ahora debemos integrar la BCI, con el propósito de que se pueda direccionar el auto”. En tanto, ya se han concretado dos visitas de parte del equipo de investigación de Brasil. El Profesor de la Universidad de Espíritu Santo, Edilson de Aguiar, y el estudiante de doctorado de dicha Universidad, Lucas Veronese, se reunieron con el Dr. Auat Cheein en la USM para procesar datos, avanzar en los aspectos del proyecto que suponen unir el área informática y robótica de terreno, además de proyectar nuevas líneas de investigación en la materia.

Además, la Dra. Sandra Torres, investigadora de la Universidade Federal do Espírito Santo, experta en el área de procesamiento de señales cerebrales, también visitó la USM para trabajar con el Dr. Auat Cheein en los alcances de la conexión de la BCI (Brain Computer-Interface) con el automóvil.

“El objetivo de mi trabajo es que la utilización de esta interfaz sea más natural para el usuario y que sea visto como algo sumamente práctico. Hay una gran discusión en el área de las interfaces cerebro-computador de cómo dar ese impulso a que sean dispositivos prácticos en la vida cotidiana. En ese sentido yo no lo pienso solo para personas con discapacidad sino también para ser utilizado desde el mundo del entretenimiento”, opina la Dra. Sandra Torres.

La seguridad y validación

El Dr. Auat Cheein enfatiza que están conscientes de que no existe en la actualidad una reglamentación para un automóvil de estas características, pero “no olvidemos que este es un proyecto de investigación, no es un producto que se está desarrollando para un nivel comercial”. El proyecto supone una serie de desafíos también en ese ámbito pues, “de causar un accidente, ¿de quién sería la responsabilidad?”, plantea el académico.

Una vez que lo técnico es abordado es preciso validar el trabajo. En este caso, los expertos advierten que es un gran desafío (y que debiera concretarse en el corto plazo) poner a una persona dentro del automóvil y que recorra un trayecto definido. “Ya hicimos pruebas preliminares con personas tetrapléjicas y parapléjicas, para poder medir la relación entre confort y seguridad con el uso de la interfaz. Son aspectos cualitativos pero indispensables para la investigación”, indica la Dra. Sandra Torres.

“Es preciso evaluar qué tan bien esa persona congenió con el hardware y recibir un feedback de su parte: si les gustó, si se sintieron en confianza, eso es muy importante. No queremos que una persona controle el automóvil, sino que queremos que se complementen”, finaliza el Dr. Auat Cheein.

Un cerebro ‘simplificado’ permite aprender mejor el idioma

El robot humanoide iCub, en funciones desde hace varios años, ahora es capaz de entender lo que se dice y anticipar el final de una frase. Esta proeza tecnológica ha sido posible gracias al desarrollo de un ‘cerebro artificial simplificado’ que reproduce ciertos tipos de conexiones llamadas ‘recurrentes’, que se observan en el cerebro humano.

La capacidad del robot humanoide iCub de aprender un idioma se basa en una ‘red neuronal artificial’, construida sobre los principios fundamentales de la capacidad del cerebro humano para aprender un nuevo idioma. Crédito de la imagen: © Inserm / P. Latron

Este sistema de cerebro artificial permite que el robot aprenda y entienda nuevas oraciones con una estructura gramatical nueva. Es capaz de establecer un vínculo entre dos frases, e incluso puede predecir el final de la frase antes de que suceda.

Los investigadores del Inserm, del CNRS y de la Universidad de Lyon han tenido éxito en el desarrollo de una ‘red neuronal artificial’, construida sobre los principios fundamentales de la capacidad del cerebro humano para aprender un nuevo idioma. El modelo fue desarrollado después de años de investigación en la Unidad 846 del Inserm (Instituto de Investigación sobre las células madre y el cerebro) a través del estudio de la estructura del cerebro, y la comprensión de los procesos de aprendizaje.

Uno de los aspectos más notables del procesamiento del lenguaje es la velocidad con la que se lleva a cabo. Por ejemplo, en tiempo real nuestro cerebro procesa las primeras palabras de una frase y anticipa las siguientes, lo que mejora la velocidad con la que se procesa la información. También en tiempo real, el cerebro continuamente revisa sus predicciones a través de la interacción entre la nueva información y el contexto previamente formado.

Una consecuencia importante de la investigación es que contribuirá a que un día los robots tengan la capacidad de aprender un idioma un día.

Actualmente no es posible programar todos los conocimientos necesarios en un robot. Ahora sabemos que la forma en la que los robots adquieren su conocimiento del mundo podría lograrse parcialmente a través de un proceso de aprendizaje, de la misma manera que lo hacen los niños, explica Peter Ford Dominey, director de investigación del CNRS.

El trabajo se ha publicado en la revista PLoS ONE.

Robots exploradores Inteligentes

La NASA utiliza inteligencia artificial para enseñar a los robots lo que deben hacer para comportarse de una manera más semejante a los exploradores humanos.

Es posible que no se asemeje
al androide Data de Viaje a las
Estrellas, sin embargo, en 
el futuro, exploradores robóticos
como este, poseerán inteligencia
artificial que les permitirían
explorar el terreno sin
supervisión humana.

Es posible que Ayanna Howard nunca ponga los pies en Marte, o conduzca una misión a Júpiter, pero el trabajo que ella está realizando sobre robots "inteligentes", ayudará, sin embargo, a revolucionar la exploración planetaria.

En su calidad de Científica de Proyecto, especializada en inteligencia artificial en el Laboratorio de Propulsión a Chorro de NASA (JPL), Ayanna es parte de un grupo que aplica energía creativa a una nueva generación de misiones espaciales -- exploración de la superficie de planetas y de la Luna por robots autónomos, capaces de "pensar" por sí mismos.


Casi todos los vehículos espaciales robóticos utilizados hoy son inflexibles en la manera como responden a las dificultades que encuentran (una importante excepción es el Deep Space 1 que emplea tecnología de inteligencia artificial). Estos robots sólo pueden ejecutar actividades que están explícitamente escritas es su software o a través de instrucciones enviadas por radio por un controlador humano en la Tierra.

Durante la exploración de planetas desconocidos, a millones de kilómetros de la Tierra, esta variedad de robot, como "perro obediente" requiere la atención constante de los humanos. En comparación, el objetivo final de Ayanna y sus colegas es de "colocar un robot en Marte y dejarlo que trabaje por sí solo sin intervención humana directa."

"Queremos darle instrucciones al robot para que piense sobre los posibles obstáculos que pueda encontrar, de igual manera que lo haría un astronauta en la misma situación," dice. "Nuestro trabajo es ayudar al robot para que piense en términos más lógicos respecto a girar a la derecha o a la izquierda, no simplemente cuantos grados de rotación."

¿Cómo es posible que un robot pueda hacer decisiones como un humano?

Los científicos han desarrollado técnicas apropiadas, aprendiendo de la habilidad visual y de observación de los humanos.

Los humanos no tienen un libro de reglas o un programa que consultar para cada movimiento que hacen, anota Ayanna -- somos mucho más ingeniosos que eso. El trabajo de su grupo es el diseño de robots que puedan emular, no solo el proceso de pensamiento y análisis de los humanos en determinar las características del terreno, sino también la habilidad humana para conducir un vehículo en tiempo real.

Ayanna Howard recibió un
doctorado en ingeniería
eléctrica de la Universidad
de California Sur,
especializándose en
inteligencia artificial y
robótica. Ha trabajado en
JPL desde 1993.

Para lograr esto, Ayanna y sus colegas cuentan con dos conceptos en el campo de la inteligencia artificial: "lógica confusa" (fuzzy logic, en inglés) y "redes neurales."

La lógica confusa permite a los computadores operar no sólo en términos de blanco y negro -- verdadero o falso -- sino también en términos de matices de gris. Por ejemplo, un computador tradicional tomaría la altura de un árbol y le asignaría la categoría de -- "alto". Pero un computador equipado con lógica confusa diría que el árbol tiene una probabilidad del 78 por ciento (por ejemplo) de estar en la categoría de "alto" y 22 por ciento de pertenecer a alguna otra categoría. La distinción exacta entre "alto" y "bajo" es ahora confusa.

Esta facultad del computador de definir categorías con base en un enfoque de probabilidades le permite al computador aprender de sus experiencias, puesto que la asignación de probabilidad puede ser modificada la próxima vez que encuentre un objeto similar. La lógica confusa ya es utilizada en software para programas de computadores en reconocimiento de voz y escritura manual, los cuales aprenden a mejorar su desempeño a través de "entrenamiento."

La combinación de lógica confusa y de redes neurales permite que los nuevos robots detecten un obstáculo en un terreno desconocido (izquierda, una secuencia de una imagen siendo procesada), juzgar la seguridad relativa de varias rutas alternas, y establecer una ruta hacia su destino (derecha, un panorama con tres imágenes), todo esto sin que un humano los guíe en tiempo real.

Las redes neurales también tienen la habilidad de aprender de sus experiencias. Esto no debe ser una sorpresa puesto que el diseño de redes neurales duplica la manera que las células del cerebro -- llamadas "neuronas" -- procesan información.

"Las redes neurales permiten asociar entradas generalizadas con un resultado específico," dice Ayanna. "Cuando una persona observa cuatro patas y oye un ladrido (las entradas), su experiencia le permite concluir que esto es un perro (el resultado)." Esta facilidad de las redes neurales permitirá que un nuevo robot seleccione comportamientos o caminos a seguir de acuerdo a elementos generales de sus alrededores, de manera muy semejante a lo que hacen los humanos.

En este ejemplo simplificado de
una red neural, las señales de
entrada se conectan a la capa
amarilla de la izquierda, pasan a
través de dos capas de proceso,
y luego emergen a la derecha
como señales de salida. Esta
arquitectura puede ejecutar
problemas de lógica
sorprendentemente sofisticados,
 especialmente cuando se
agregan bucles de realimentación.

Para poder hacer esto, las redes neurales contienen varias capas de "nodos," que son análogas a las neuronas. Cada nodo en una capa está conectado a nodos en otras capas. Las señales viajan en esta red de conexiones, y cada nodo actúa como una compuerta, solo dejando pasar señales de cierta magnitud. La red "aprende" ajustando el umbral para cada nodo individual.

Este gráfico de redes neurales, que puede ser dibujado en una servilleta, puede parecer muy simple, pero en la práctica, estos cerebros artificiales pueden ejecutar problemas de lógica increíblemente complejos. Ayanna llama a las redes neurales "tecnología de caja negra" -- en otras palabras, lo que pasa entre la capa de entrada y la de salida es tan difícil de descifrar que los científicos la tratan como una "caja negra " que de una manera u otra convierte las entradas en salidas.

Combinando estas dos tecnologías, Ayanna y sus colegas en el JPL esperan poder crear un "cerebro" robot que por si solo pueda aprender a caminar sobre los terrenos desconocidos de otros planetas.

Si es posible que los
humanos algún día
lleguen a colonizar la
Luna y otros planetas,
los robots autónomos
se convertirán en una
herramienta invaluable
para ayudar a los
humanos en la
exploración de
nuevos mundos.

Este robot inteligente se parece más a las fantasías de ciencia-ficción de las tiras cómicas para niños que a un proyecto real de NASA. Sin embargo, Ayanna cree que el parecido con la ciencia-ficción contribuye a su importancia en la exploración del espacio.

Ayanna -- quien deseaba ser la "mujer biónica" de televisión cuando era joven, y más tarde decidió que lo que quería más bien era construirla -- dice que ella cree que los vuelos de la imaginación, muy comunes en la niñez, se convierten en éxitos científicos de los adultos."En verdad creo que la ciencia-ficción impulsa la ciencia real hacia adelante," dice. "Se debe tener imaginación para llegar hasta el nivel siguiente."

Inteligencia en juegos para móviles

Para garantizar el éxito comercial de los videojuegos para móviles es necesario asegurar un algoritmo de Inteligencia Artificial que suponga al jugador un desafío ni demasiado elevado ni demasiado bajo.

tekken tag tournament

Pese a que ya existen soluciones óptimas para PC y videoconsola, trasladarlas a dispositivos móviles constituye un verdadero reto dadas las limitaciones que imponen al desarrollador. Además hay que considerar cierta clase de juegos conocidos como juegos con información imperfecta. Por ejemplo el póquer, donde los jugadores no tienen información completa del estado del juego.

En estos casos muchos de los agentes IA pueden presentar un comportamiento más aleatorio que inteligente, por lo que se precisa el uso de algoritmos de inferencia por parte de la máquina que le permitan intuir las intenciones del oponente, tal y como hacemos los seres humanos.

La mejor forma en la que un algoritmo IA obtendría información de su oponente sería infiriendo información sobre su estilo de juego y de su tendencia a reaccionar ante determinadas situaciones. Por tanto el algoritmo de aprendizaje iría compilando un perfil del comportamiento de dicho jugador. Así, cada comportamiento podría ser identificado con una clase o categoría: jugador agresivo, esquivo, etc. Al fin y al cabo de lo que se trata es de un problema de reconocimiento de patrones.

Diagrama

Este conocimiento podría ser usado en futuras partidas para predecir algunos movimientos, por lo que el sistema iría aprendiendo de su propia experiencia.

Hay básicamente dos métodos de predicción:

• discriminativo
• no-discriminativo.

Predicción discriminativa

Uno de los métodos de clasificación discriminativa más eficaces son las máquinas de soporte vectorial o SVM (Support Vector Machine). Sin entrar en detalles matemáticos, un algoritmo basado en SVM construye un modelo capaz de predecir si una muestra nueva (cuya categoría desconocemos) pertenece a una categoría o a la otra.

PAC-MAN malo malo

Estas predicciones presentan algunas de las ventajas de las redes neuronales al utilizar un reducido número de parámetros: la solución puede ser expresada como una forma muy simple de combinación de funciones que dependen de las instancias de entrenamiento (muestras) en el espacio original. Su principal problema es que el rendimiento se reduce notablemente cuando el conjunto de entrenamiento es muy grande, por lo tanto funcionaría bien en videojuegos relativamente sencillos como por ejemplo un PacMan.

Predicción no-discriminativa

Por el contrario, el modelo no-discriminativo o bayesiano estimaría la predicción en base a la regla de Bayes (la probabilidad de que un jugador realice tal movimiento, dado que antes ha realizado este otro) y entonces cada nueva instancia se compararía con la clase más probable.

Así, el sistema no discriminativo tiende a ser más eficiente en dispositivos móviles, ya que consume menos recursos computacionales que los métodos discriminativos, a pesar de que estos últimos presenten un mejor desempeño deliberativo. Por tanto se adapta mejor a juegos donde necesitamos un mayor procesamiento de datos en tiempo real con muchas fuentes de incertidumbre (por ejemplo el mítico StarCraft, que por cierto estará disponible muy pronto en Android mediante controles táctiles).

STARCRAFT