La mezcla de modelos frena la Inteligencia General Artificial (AGI)

Según el analista de Gartner Anthony J. Bradley, la mezcla de modelos es el santo grial de la inteligencia general artificial, aunque no se sabe cómo llegar a ella.

Muchos especialistas en IA y tecnología creen que el desarrollo de la inteligencia general artificial (AGI) es sólo cuestión de tiempo. Sin embargo, actualmente no hay un camino claro entre las capacidades de IA existentes y la AGI. La AGI no es más que una especulación si no hay un camino trazable.

Bradley coincide con los expertos en IA que dicen que el reto de la AGI se centra en el “aprendizaje”. Los algoritmos de aprendizaje automático (ML), por un lado, aprenden dentro de las limitaciones de un único modelo. El cerebro humano, en cambio, es un milagro multimodelo. Nuestro cerebro nos permite aprender absorbiendo y combinando diversos modelos para construir modelos totalmente nuevos. A pesar de ello, la mezcla de modelos casi nunca se menciona en la literatura de ML. Nuestros cerebros combinan constantemente una variedad de modelos para comprender el entorno en el que vivimos.

Bradley escribe que este milagro de los modelos múltiples viene “de fábrica” con cada uno de nosotros, y que cada cerebro humano se encuentra en algún lugar entre el sentido común y la perspicacia poco común. Su capacidad para combinar múltiples modelos y crear otros nuevos, a veces únicos, determina su ubicación.

El experto de Gartner cree que no podremos desarrollar robots que aprendan de la misma manera que los humanos, a menos que rompamos el código de los modelos múltiples. “Y aquí está el truco: no tenemos ni idea de cómo lo consigue nuestro cerebro”, escribe Bradley, que cree que hay un largo camino recorrido desde que miles de millones de conexiones cerebrales colaboran para absorber, almacenar, recuperar, mezclar y construir modelos.

El razonamiento abductivo se alimenta de la mezcla de modelos

El razonamiento abductivo se discute en el excelente libro de Eric J Larson “El mito de la inteligencia artificial” (frente al deductivo y al inductivo). Una de sus principales afirmaciones es que la IA, tal y como existe actualmente, es incapaz de realizar un razonamiento abductivo. El razonamiento inductivo y deductivo no es lo mismo que el abductivo. El pensamiento abductivo incluye conjeturas, lagunas mentales e incluso decisiones subconscientes. La gran mayoría de las decisiones que tomamos a diario se basan en el razonamiento abductivo. El pensamiento abductivo se basa en la capacidad de combinar modelos mentales.

“¿Has tenido alguna vez una idea brillante que surgió de la nada? En eso consiste el razonamiento abductivo”, observa Bradley, agregando que la AGI requiere la capacidad de combinar varios modelos, algo que el lenguaje lineal no puede ofrecer. Pero, en contra de la creencia popular, los algoritmos no aprenden de la misma manera que los humanos. Hay una diferencia significativa y fundamental. Los algoritmos de ML no mezclan los modelos. En cambio, “aprenden” dentro de los límites de un único modelo.

Bradley subraya que no trata de minimizar la importancia de lo que se ha logrado con los algoritmos de aprendizaje automático, ya que proporcionan a la humanidad una plétora de fantásticas oportunidades.

Sin embargo, si se compara con la capacidad de aprendizaje del cerebro humano, el ML está muy limitado. Una red amplia y profunda de diversos algoritmos de modelos sería el equivalente en ML de una mezcla de modelos del cerebro humano.

“No tenemos ni idea de cómo hacerlo”, escribe Bradley, según quien la inteligencia artificial general y la posibilidad de que la inteligencia de las máquinas sustituya a la humana no deberían ser discutidas por los empresarios. “No caiga en el bombo de los medios de comunicación. En su lugar, concéntrese en las ventajas que la inteligencia de las máquinas puede aportar a los humanos”, concluye señalando el analista de Gartner.


Únase a la conversación

Contacto | Diario TI es una publicación de MPA Publishing International Ltd., Reino Unido. © Copyright 1997-2022