TL; DR. Cuerpo aumentado paraíso o dominación de la máquina.
Recientemente, hemos experimentado el segundo momento “wow”, en términos de la percepción del público, de AI, y diría que es la derrota de AlphaGo de un profesional de alto rango de Go (1). El primero, diría, sería el juego de ajedrez Deep Blue de IBM que derrotó a Gary Kasparov, que, irónicamente, no fue realmente una IA en el sentido en que Turing lo calificó y los expertos de hoy, e incluso en el día en que se creó, no habrían llamado en Inteligencia Artificial General en cualquier sentido, que asumo es lo que estás discutiendo (2). Dicho esto, el éxito de AlphaGo fue de una naturaleza muy diferente, y lo discutiré brevemente antes de volver a la pregunta real. AlphaGo utilizó una combinación de poda alfa-beta y un proceso de búsqueda en árbol entrenado por aprendizaje automático. Los problemas de Chess and Go son de una naturaleza similar y, de hecho, son equivalentes en el sentido teórico, en el sentido de que son lo que se denomina PSPACE-hard en el caso general. Esto significa que, para cada instancia de Ajedrez, hay una instancia equivalente de Go, y viceversa. Dicho esto, la cantidad de opciones que tiene en cada turno en estos dos juegos, una cantidad llamada factor de ramificación, hace que Go sea un juego mucho más difícil en cualquier sentido humano del término. Deep Blue fue capaz de derrotarse realmente en el espacio de las decisiones y llegar a las buenas, mientras que AlphaGo realmente pudo aprender la estructura del juego y el espacio de las decisiones y tomar decisiones “inteligentes”. Esta es todavía una instancia de inteligencia artificial específica, adaptada para la tarea específica en cuestión, aunque se han logrado muchos avances.
Ahora, como estos dos momentos han sido los más publicitados, uno podría imaginar que son los mayores avances, pero esto simplemente no es cierto. Personalmente, siento que el algoritmo presentado en (3) fue un gran paso, el punto de referencia alcanzado en (4) fue muy impresionante, y las muchas otras impresionantes presentaciones de objetos, texto y reconocimiento de voz que hemos visto en la última Diez años más o menos de inmenso progreso. Hemos visto estas cosas de manera gradual, ya que realmente han comenzado a colarse en nuestras vidas, a veces brillantes y otras veces espeluznantes (estaba pensando en la reacción al lanzamiento de Gmail, pero no pude encontrar fuentes sobre eso). ). Por lo que dije anteriormente, usted podría suponer que ahora tenemos aspectos individuales de cada sentido algo resueltos. Podemos usar sensores visuales para detectar y filtrar objetos, podemos usar sensores de audio para detectar y filtrar el idioma, y podemos usar muchos de los mismos algoritmos que se aplicaron a las dos primeras tareas a la tarea de reconocimiento de texto. El hecho de que suceda que haya tanta superposición en todos los dominios de aprendizaje automático realmente te da alguna pista sobre la naturaleza de la inteligencia, no que yo sepa de qué se trata.
Entonces, ahora que tenemos los sentidos, ¿cuál es el siguiente paso? Bueno, creo que hay bastantes. En particular, en lo que nos hemos vuelto bastante buenos, en general, es la tarea de “ajuste de funciones”. Dada una especificación, quizás de manera abstracta, tal vez en términos de ejemplos de capacitación, de una función, podemos entrenar un procedimiento computacional usando una variedad de métodos para ajustar esta descripción a un cierto nivel de certeza, o a un cierto nivel de desempeño. Entonces, finalmente hemos llegado a un punto en el que podemos discutir las consecuencias de esto socioculturalmente: ¿Cuáles son las consecuencias de que ya no se necesiten humanos para la adaptación de funciones? Bueno, muchos estadísticos pasan sus días jugando con datos y buscando patrones. Muchos trabajadores de las finanzas pasan su tiempo observando los mercados y realizando una tarea similar. Hay muchas personas que pasan sus días haciendo algo muy similar, cuando no nombras los términos involucrados. En teoría, estos trabajos estarán muy molestos por la inteligencia artificial, y en la práctica creo que quizás también lo estén. Dicho esto, puedo imaginar que un humano equipado con un excelente buscador de patrones puede aprender más que ese buscador de patrones por sí solo, y definitivamente podrán transmitir ese patrón a otro humano de una manera mucho más socialmente aceptable ( escupir matrices a su jefe está mal visto en la mayoría de los campos).
- ¿Qué tipo de esfuerzos está haciendo el mundo occidental para reducir las tasas de natalidad en África?
- Haciendo caso omiso de la ética, ¿cuáles son las ventajas tácticas de que ningún cuarto VS tome prisioneros en la guerra?
- Un empleado no está cumpliendo con los estándares debido a su inexperiencia con nuestro nuevo enfoque y me culpa, el gerente del proyecto. ¿Cómo trato con ella?
- Cómo restablecer una primera impresión
- ¿Por qué todos me odian?
Por lo tanto, hemos analizado una consecuencia y un argumento en contra de por qué esa consecuencia no es necesaria. Otra área en la que el aprendizaje automático y la inteligencia artificial se han vuelto cada vez más impresionantes es en el ámbito del aprendizaje por refuerzo, que es algo en lo que DeepMind, la compañía de Google que creó AlphaGo, se ha centrado casi exclusivamente. Este es el tipo de aprendizaje en el que usted, el agente, reside en algún tipo de entorno. Como tal, recibes estímulos, un subconjunto del cual consideras alguna recompensa o algún castigo. El algoritmo de aprendizaje aplicado a problemas como este es, entonces, maximizar la recompensa o minimizar el castigo, respectivamente. Esto se ha aplicado a reinos como la locomoción de robots, juegos de video y una variedad de otros campos, pero sé mucho menos sobre esto académicamente, y lo mejor que puedo decirles es que busque Q-Learning.
¿Cuáles serán las consecuencias socioeconómicas de los sistemas que funcionan bien en tareas de aprendizaje de refuerzo arbitrario? Bueno, creo que depende de cómo lo mires. Si ve la existencia de un organismo como tal tarea, entonces podemos estar cerca de algoritmos que pueden emular el tipo de comportamiento y aprender el tipo de cosas que pueden hacer los organismos arbitrarios. Dicho esto, definitivamente hay un desafío aquí en términos de los materiales disponibles para la construcción de tales máquinas, el costo de dichas máquinas y la capacidad de estas para desempeñarse en línea de tal manera que sean compatibles con el tipo de entornos. A los humanos nos parece interesante. Me gustaría pensar que simplemente la presencia de los algoritmos haría el truco, pero creo que pasarán muchos años antes de que tengamos el tipo de medios en los que insertar estos algoritmos de tal manera que realmente logren el tipo de resultados que obtendremos. Las afirmaciones son inteligentes o interesantes. Sin embargo, una vez que lo hagan, los resultados socioeconómicos podrían ser desde la dominación completa hasta un paraíso absoluto, algo que creo dependerá de nosotros como tomadores de decisiones. Esperemos que esto sea lo suficientemente avanzado en nuestro futuro para que la mayoría de nosotros no seamos idiotas en ese momento.
Habiendo dicho lo anterior, creo que es importante darse cuenta de que mucho más puede surgir de estas cosas, mucho más rápido, si nos permitimos aumentar antes de esperar que las máquinas caminen entre nosotros. Creo que esto disminuirá mucho la carga de aceptar eventualmente a nuestros hermanos de máquinas, y también podría proporcionarnos una tonelada de apéndices útiles, como memoria externa y sentidos adicionales, algo que ya he visto que se está trabajando y me encantaría para jugar con una API para (5).
(1) http://www.nature.com/nature/jou…
(2) https: //pdfs.semanticscholar.org…
(3) http://www.cs.toronto.edu/~fritz…
(4) http://www.cs.toronto.edu/~fritz…
(5) Sustitución sensorial