La investigación islandesa podría revolucionar la IA

IA débil vs IA fuerte

Para comprender la importancia de la investigación que están realizando Thórisson y su equipo, con miembros en Alemania, Francia e Islandia, es útil comprender la diferencia entre una IA fuerte y una IA débil. La IA fuerte, también llamada inteligencia general artificial (AGI) o inteligencia artificial general, se refiere a un sistema que puede resolver problemas en múltiples dominios. La IA fuerte aprende con el tiempo a través de la experiencia.

Hoy en día, la IA fuerte solo existe en teoría. Todos los sistemas existentes están clasificados como IA débil y solo pueden realizar tareas específicas en un dominio, como jugar al ajedrez o responder preguntas sobre un producto específico. 

La IA débil aprende a través del aprendizaje supervisado, lo que requiere la intervención humana para preparar los datos de entrenamiento para ayudar a la IA a reconocer las características relevantes del conjunto de datos.

Una vez que una IA débil pasa por el proceso de aprendizaje, es imposible predecir lo que hará el sistema. Los conjuntos de datos utilizados para el entrenamiento son simplemente demasiado grandes y complejos para que los humanos los analicen, por lo que la IA a menudo toma decisiones que nadie comprende por completo.

Los sistemas de inteligencia artificial débiles buscan correlaciones en los datos y asumen que ciertos patrones de entrada conducirán a ciertos patrones de salida. Según Thórisson, la correlación no es suficiente; lo que se necesita es un sistema que comprenda la lógica y pueda descifrar la causalidad.

el enfoque de Thorisson, arquitectura reflexiva endógena autocatalítica (AERA), puede cambiar su comportamiento sobre la marcha. Toma nueva información y "piensa" sobre lo que ya sabe y lo que indican los nuevos datos.

Los goles son una parte importante de AERA. Dados objetivos explícitos, compara los objetivos con acciones y resultados. Si un conjunto de acciones hace que logre un objetivo determinado, entonces trata de determinar qué acciones conducirán a otro objetivo. De esta forma, se puede decir que el sistema piensa cómo piensa para adaptarse a objetivos cambiantes.

"Nuestro sistema razona usando abducción, deducción e inducción, e incluso un poco de analogía", dijo Thórisson. “El secuestro es en lo que Sherlock Holmes es tan bueno. Tienes un escenario, algo sucedió. Tienes una condición y tratas de deducir qué pasó, cómo pudo haber sido.

“Nuestro enfoque produce sistemas que pueden generar nuevos conceptos desde cero. Estos sistemas pueden manejar conjuntos desconocidos de variables. Por ejemplo, si tiene un sistema de control de tráfico aéreo que detecta un avión más de lo esperado, no se ahogará. Un enfoque clave de nuestra investigación es construir sistemas que, a través de los principios fundamentales de su operación, puedan manejar lo desconocido”.

Si bien AERA promete ofrecer sistemas que van mucho más allá de lo que pueden hacer las IA existentes, el equipo de Thórisson no es el único grupo de investigación que investiga una IA fuerte. Otro enfoque similar a AERA se llama sistema de razonamiento no axiomático (NARS). Este esfuerzo está siendo desarrollado por: Pei Wang en la Universidad de Temple en los EE. UU. durante más de 20 años, más recientemente con la ayuda de un equipo.

Al igual que AERA, el proyecto NARS espera desarrollar sistemas sólidos de IA que puedan "pensar" y seguir los mismos principios que la mente humana. Ambos proyectos tienen como objetivo desarrollar sistemas que puedan resolver problemas en una amplia gama de dominios.

Sin embargo, una forma en que AERA se destaca es que puede aprender de cualquier dominio nuevo, y con un límite superior "suave", lo que significa que no tiene un límite superior en la cantidad de variables o conceptos con los que trabaja.

Avances hasta ahora en AERA

Thórisson utilizará el dinero de Cisco para desarrollar un código que demuestre de manera más completa su enfoque para que los dos grupos de investigación puedan aprender unos de otros. Pero esta no será la primera demostración de AERA. 

Hace unos 10 años, Thórisson y su equipo desarrollaron un modelo de trabajo que enseñaba cómo realizar una entrevista televisiva falsa en tiempo real al observar a dos personas hablando sobre el reciclaje de materiales.

“Fue la primera vez que nos tomamos esto realmente en serio y codificamos nuestra propia metodología y la seguimos al pie de la letra”, dijo Thórisson. “El sistema que creamos superó todas nuestras expectativas más altas. Podría aprender continuamente sobre la marcha y realizar tareas no especificadas y lograr nuevos objetivos. Puede aprender por observación a partir de descripciones de muy alta calidad de una tarea.

“Este sistema funcionó mucho más allá de nuestros sueños más salvajes. Pasamos mucho tiempo deconstruyendo lo que hizo para tratar de condensar los principios detrás de él. Debido a que es tan diferente de la corriente principal, fue un poco difícil de explicar solo con la terminología convencional”.

Al desarrollar más código para liberarlo en código abierto, y al hacer más demostraciones, Thórisson espera ganar un impulso que le permita expandir el equipo y crear una comunidad de investigadores interesados en desarrollar estas ideas que se seguirán elaborando.

"A Wang le tomó varios años crear un pequeño equipo de personas altamente competentes para trabajar en NARS, y eso fue incluso después de que tenían una base de código realmente buena con una versión de código abierto", dijo Thórisson. “Durante los últimos años, han realizado excelentes demostraciones, en parte con la ayuda de Cisco Systems.

“Cisco está financiando a mi equipo para hacer algo similar. NARS y AERA son altamente compatibles tanto conceptual como metodológicamente. Existe la oportunidad de aprender de ambos sistemas y llevar la IA a un nuevo nivel”.

Thorison agregó: “Si solo podemos implementar el 50% de nuestras ideas, sería genial. Eso iría mucho más allá de lo que hace la IA actual”.

Presidente armenio renuncia por ‘tiempos difíciles’ para la nación