Image: El desafío de Deep Blue
Ciencia
El desafío de Deep Blue
Entrada de una de las salas del Museo Nacional de Ciencia y Tecnología de La Coruña
Del ajedrez a los móviles, de los robots domésticos al transporte, de la medicina al Big Data, de la poesía al arte pasando por la música, el cine y la investigación... La Inteligencia Artificial lo filtra todo. El desarrollo tecnológico y sus algoritmos nos sitúan en el futuro preconizado por Asimov o Philip K. Dick. José Manuel Sánchez Ron, Pedro Meseguer, Carme Torras y Lorena Jaume-Palasí reflexionan sobre su presente y su futuro, sobre el aprendizaje profundo de los robots, sobre su relación con el ser humano y sobre la encrucijada ética de su implantación.
En aquella reunión se acuñó la etiqueta Inteligencia Artificial (IA). Pronto aquellos pioneros comenzaron a pedir proyectos de investigación que auguraban desarrollos importantes en la comprensión del lenguaje, la traducción automática, la resolución de problemas, la demostración automática de teoremas o los juegos como el ajedrez o las damas, tareas hasta ese momento reservadas en exclusiva a los humanos. Estas promesas se revelaron exageradas cuando los investigadores se enfrentaron a las cuestiones reales objeto de su estudio, llenas de complejidad, particularidades y excepciones. En consecuencia, el progreso fue más lento. Es ilustrativo que en 2006, cuando en Dartmouth se celebraron los 50 años de aquella reunión, los participantes originales reconocieron que la IA se había revelado como un objetivo mucho más difícil de lo que nunca llegaron a imaginar.
En la actualidad, ¿dónde estamos en IA? ¿cuán lejos hemos llegado? Para responder a estas preguntas, nada mejor que revisar algunos de los éxitos de la IA hasta hoy, que recopilan el trabajo de una legión de investigadores desde aquella reunión fundacional. En mayo de 1997 sucedió uno de los eventos que mejor ha mostrado el músculo de la IA. En Nueva York se enfrentaron, con las reglas de los torneos oficiales de ajedrez, el programa Deep Blue contra Gari Kasparov, entonces campeón mundial. Deep Blue, desarrollado por un equipo de IBM, ganó por 3,5 frente a 2,5. Kasparov, que había tenido una actitud displicente con la capacidad de los ordenadores, tuvo que admitir su derrota: "La cantidad se ha vuelto calidad", dijo.
¿Cómo ganó Deep Blue? Analizaba todas las combinaciones posibles en secuencias de movimientos consecutivos (la longitud de la secuencia era variable, desde seis hasta más de veinte), y elegía la jugada más prometedora. Con una capacidad de cálculo impresionante para la época -era capaz de explorar 200 millones de posiciones por segundo-, y dotado de una biblioteca de aperturas y finales, exhibió un rendimiento de gran maestro.
¿Podía la IA tener éxito en un contexto más abierto que el ajedrez? En febrero de 2011, en Estados Unidos, un programa llamado Watson participó en un concurso de televisión de preguntas y respuestas, llamado Jeopardy! Compitió contra dos cualificados concursantes humanos. Watson, desarrollado también por IBM, ganó con claridad a sus oponentes humanos y consiguió el millón de dólares del premio final.
¿Cómo ganó Watson teniendo en cuenta que las preguntas de Jeopardy! estaban llenas de pistas, dobles sentidos y paradojas? Se desarrolló un módulo adaptado al concurso, para poder identificar con exactitud lo que se preguntaba. Confrontada la pregunta contra su enorme base de datos, se generaban múltiples hipótesis de respuesta que se evaluaban, a veces reforzándose mutuamente. La que alcanzaba la máxima evaluación por encima de un umbral era la que se daba como respuesta. La base de datos estaba alimentada por enciclopedias e incluía toda la Wikipedia. En el concurso, Watson no tuvo acceso a internet.
Tanto Deep Blue como Watson realizaban tareas pensantes. ¿Podía la IA considerar tareas involucrando sensores y ‘actuadores' en el mundo real? Un objetivo largamente perseguido por diferentes equipos de IA ha sido el coche autónomo, capaz de desplazarse sin conductor. Tras un esfuerzo de décadas, diversas empresas automovilísticas poseen tecnología orientada a ese objetivo, (también Waymo, creada a partir del proyecto de Google self-driving car). En 2012, el estado de Nevada fue el primero en aprobar una legislación que permitía circular coches autónomos sin conductor. Otros estados, como California, Florida o Washington D.C. han seguido su ejemplo.
¿Cómo conduce un coche sin conductor? Estos aparatos poseen una sofisticada sensorización, (GPS, cámaras de vídeo, radares, detección de luz, láseres de proximidad). El software que guía el vehículo se divide en tres grandes clases: navegación y guía (¿dónde estoy y cómo voy a llegar a mi destino?), conducción y seguridad (desplazarse con garantías, evitar obstáculos) y gestión del vehículo (gestión del motor, cantidad de combustible, carga de la batería).
La inteligencia humana depende en gran parte de su capacidad de aprendizaje. ¿Puede un sistema de IA exhibir esa competencia? Rotundamente, sí; el aprendizaje automático es un objetivo sobre el que se han hecho muchas aportaciones. Aquí mencionamos el programa AlphaGo. Desarrollado por Google DeepMind, este sistema juega al Go, un antiguo pasatiempo oriental de tablero, con reglas simples pero extraordinariamente difícil de automatizar. Debido al enorme conjunto de jugadas posibles, y a la naturaleza del juego, las técnicas usadas en otros juegos por ordenador no son aplicables al Go. En marzo de 2016, AlphaGo se enfrentó a uno de los mejores jugadores actuales de Go, el coreano Lee Sedol, al que venció por 4 a 1.
¿Cómo juega AlphaGo? En el aspecto técnico, esta pregunta es compleja, porque AlphaGo emplea una sofisticada combinación de técnicas, que se alimentan unas a otras. En lo conceptual, la respuesta es más sencilla: AlphaGo aprende a jugar, y dada su capacidad de aprendizaje, cada vez lo hace mejor. Comienza utilizando ejemplos de jugadas humanas. A partir de cierto momento, continúa jugando contra sí mismo y sigue mejorando su rendimiento. Cuando llega a los últimos niveles de entrenamiento, lo hace con un juego cada vez más depurado, hasta ser capaz de enfrentarse a un jugador profesional y vencerlo.
A finales del siglo pasado las redes neuronales causaron un fuerte impacto en IA, porque permitían aprender funciones complejas con elementos simples y de forma relativamente sencilla. En esta línea se encuentra el aprendizaje profundo, una técnica reciente que emplea redes neuronales con muchas capas, sobre las que se realiza aprendizaje con miles de ejemplos, para afinar con precisión las miles de conexiones de la red. A menudo, esta gran cantidad de ejemplos se extrae de internet. Muchos investigadores han quedado fascinados por el alto rendimiento de estas técnicas. Sin embargo, otros subrayan que no existe una comprensión profunda, y muestran algunos errores garrafales de las mismas.
Los hitos mencionados marcan un rendimiento alto en actividades concretas. Los juegos de tablero parecen conquistados por la IA, que también exhibe músculo en aprendizaje, en respuesta a preguntas o en conducción automática. No hemos hablado de otros logros, como la capacidad de planificar, los traductores automáticos en tiempo real o los asistentes virtuales. Pero todos ellos se concentran en actividades específicas. No sabemos cómo integrar estas capacidades para generar una inteligencia de propósito general. Esta es la gran limitación actual. Haciendo un símil arquitectónico, sabemos hacer ladrillos muy perfectos, pero no sabemos cómo construir una casa con ellos. Por otro lado, el progreso de la IA concreta, sobre problemas específicos, continúa.
Pedro Meseguer es investigador del Instituto de Inteligencia Artificial (CSIC).
