Enseñar a los robots a aprender
Supongamos que un día, en cada hogar, hay un robot que lava los platos, cocina, limpia la habitación y hace todas las tareas del hogar, en cada empresa, la mayor parte del trabajo lo realizan robots, y humanos Puedes deshacerte por completo del trabajo duro. ¿Le resultaría muy atractivo un futuro así? Pero si queremos entrar en esa era soñada de inteligencia artificial, primero debemos enseñar aprendizaje automático.
Deje que la máquina aprenda por sí sola
Así como todo el mundo debe aprender y capacitarse antes de adquirir habilidades, las máquinas solo pueden lograr inteligencia a través del aprendizaje. El aprendizaje automático se originó como una rama de la inteligencia artificial, un campo en el que la informática intenta crear inteligencia similar a la humana en las computadoras.
El aprendizaje automático real es fundamentalmente diferente de lo que consideramos programación tradicional. Cuando hablamos de programas de computadora (o algoritmos utilizados en un programa), generalmente pensamos en ingenieros que dan a las computadoras una serie de instrucciones, diciéndoles cómo procesar una serie de entradas y luego producir las salidas correspondientes. Un navegador realiza un seguimiento de las páginas web que se visitan y responde a las entradas del usuario de forma determinista y predecible. Pero estos están precodificados por humanos y no son el resultado de un aprendizaje automático activo.
El aprendizaje automático significa que las máquinas se programan a sí mismas, después del entrenamiento, estas máquinas también pueden programar como los humanos. Google lanzó una aplicación de reconocimiento de imágenes llamada "Deep Dream" en 2015. Este software no solo puede reconocer imágenes, sino que también las utiliza para crear escenas fantásticas e inesperadas. Por ejemplo, cuando presenta una imagen de paisaje, el software analizará su imagen y generará una imagen de paisaje en los ojos de la computadora.
¿Cómo se hace esto? El principio operativo de Google Deep Dream es establecer el propio sistema de red neuronal de la computadora simulando la red neuronal humana y obtener información del objeto a través de las neuronas para su análisis. El sistema de red neuronal de la computadora contiene miles de neuronas que interactúan para lograr operaciones matemáticamente precisas.
Por supuesto, para permitir que las máquinas reconozcan la información de los objetos, en los últimos cuatro años, los investigadores han estado utilizando una gran cantidad de imágenes para entrenar redes neuronales informáticas, como mostrar muchas imágenes al "Deep Dream" y decirle a cada uno ¿Cuál es el tema de la imagen? Una vez que "Deep Dream" ha visto cientos de cabezas de perro desde cientos de ángulos miles de veces, puede aprender a generar la imagen por sí mismo.
En el experimento, "Deep Dream" produjo imágenes borrosas mezcladas con los contornos de pájaros, ojos y cabezas de perros. Aunque no eran tan realistas, también revelaron una especie de creatividad en el procesamiento de imágenes por computadora. Ha aprendido a reconocer las caras de gatitos y cachorros sin supervisión humana.
La estructura de la máquina de la red neuronal imita el cerebro humano y también da rienda suelta a la función de supermemoria de la computadora, y se usa más comúnmente en la vida. El motor de búsqueda de Google, el directorio recomendado de Amazon, las actualizaciones de amigos de Facebook y el filtrado de spam, así como tareas importantes como el ejército, las finanzas, la investigación científica y la conducción autónoma que son más confiables que la conducción humana, son todas aplicaciones específicas de las operaciones de redes neuronales.
Hoy en día, el aprendizaje automático se ha utilizado con éxito en más campos, desde programas de extracción de datos para detectar transacciones fraudulentas con tarjetas de crédito hasta sistemas de filtrado de información que capturan los intereses de lectura de los usuarios y la conducción autónoma en las autopistas. Se puede decir que nuestra vida inteligente es el resultado del aprendizaje automático.
Estudiando algoritmos para el aprendizaje de robots
El aprendizaje automático se remonta al final de la Segunda Guerra Mundial en la década de 1940 gracias a los exhaustivos esfuerzos de las élites científicas de ambos bandos durante la década de 1940. Durante la guerra, la teoría de la computación se desarrolló a pasos agigantados. En ese momento, los investigadores en cibernética imaginaron un modelo informático de neuronas que podría simular aproximadamente neuronas biológicas y expresarse en una forma matemática concisa e inequívoca.
Sin embargo, frente a un mundo de incertidumbre y diversidad, las formas matemáticas preparadas artificialmente son simplemente difíciles de manejar. En otras palabras, el mundo de la programación artificial se desvía demasiado del mundo humano real, y el mundo real no será tan ordenado y respetuoso de las reglas.
Por ejemplo, los ordenadores están preprogramados para expresar matemáticamente que un caballo tiene cuatro patas, pero esto genera dos problemas. En primer lugar, ¿cómo aprende una computadora a comprender este hecho? En segundo lugar, ¿qué pasa con los caballos que pierden una pata en un accidente? Estas pueden parecer preguntas tontas, pero son los mayores obstáculos que se encuentran en la programación manual. Es por eso que los motores de búsqueda no pueden responder preguntas hasta el momento y solo pueden buscar palabras clave.
Pero si el aprendizaje automático crea sistemas de autoprogramación, estos pueden reaccionar ante sus propios errores y actualizar continuamente su estado interno. Las vulnerabilidades en la programación manual deben verificarse antes de su lanzamiento, mientras que los algoritmos de aprendizaje automático pueden corregir errores continuamente durante el proceso, haciéndolos más flexibles e inteligentes que la inteligencia artificial.
Pero ¿cómo podemos hacer que las máquinas aprendan? Esto implica algoritmos. Se puede decir que los algoritmos son el núcleo de la construcción de Internet. Muchos métodos actuales de búsqueda y comunicación en línea se basan en fórmulas matemáticas establecidas, como el motor de búsqueda de Google, el sistema de voz de Apple y Facebook. En la era de la información, nuestras vidas se guían por algunas fórmulas matemáticas. En medicina, ya existen fórmulas que pueden calcular la diabetes y la malaria. Hoy en día, también permitimos que máquinas que aprenden fórmulas verifiquen el volumen de rayos X durante las radiografías de tórax.
El aprendizaje conectivo, la deducción simbólica, el aprendizaje bayesiano y el aprendizaje por analogía son cuatro paradigmas contemporáneos del aprendizaje informático. Entre ellos, el aprendizaje por conexión consiste en imitar el sistema nervioso del cerebro humano y establecer una red neuronal artificial por computadora; el método de deducción simbólica es representar problemas o conocimientos en algún tipo de red lógica y utilizar el método de deducción simbólica para aprender; reglas de probabilidad Para realizar el proceso de aprendizaje y razonamiento, el aprendizaje por analogía es aprender comparando cosas similares. Estos cuatro paradigmas de aprendizaje son todavía demasiado complejos. Por lo tanto, el profesor Pedro Domingos de la Universidad de Washington presentó una hipótesis más audaz: en el futuro, las fórmulas algorítmicas existentes se podrán unificar en un algoritmo universal.
El mundo bajo el algoritmo universal
Domínguez concibió tal algoritmo universal que puede unificar las teorías descubiertas en física y biología con el modelo estándar o dogma central. Al mismo tiempo, todo conocimiento A partir de los datos se puede descubrir todo el conocimiento humano existente, incluido todo el conocimiento futuro. Por ejemplo, un algoritmo universal puede deducir las leyes de Newton a partir de las observaciones espaciales de Tycho Brahe, incluso si no tiene conocimientos básicos relevantes.
La corteza cerebral puede ser un ejemplo típico de un algoritmo tan universal. Algunos neurocientíficos creen que en todos los campos, la corteza cerebral solo utiliza la misma fórmula para ajustar continuamente las funciones del cerebro subcortical y la médula espinal en todos los niveles, de modo que puedan aprender y adaptarse continuamente según el entorno, oír, ver o comprender. . significado del mundo que nos rodea.
En la era de la información, los algoritmos universales también desempeñarán un papel similar al de la corteza cerebral. Puede aprender y utilizar información basada en la nube de datos, cambiar el modo de ejecución pasiva actual de la computadora, mejorar activamente las funciones y mejorar la producción, lo que traerá cambios revolucionarios a la vida de la información humana.
Por ejemplo, la cantidad de información que hay en Internet hoy en día es enorme. Si escribes unas pocas palabras clave, obtendrás millones de páginas web, lo que a menudo te impide elegir. Pero con el algoritmo universal, la computadora se convertirá en una enciclopedia. Basta con hacer algunas preguntas y podrá dar respuestas precisas muy rápidamente.
Al mismo tiempo, el sistema de recomendaciones actual también se actualizará por completo. Hoy en día, todo el mundo encontrará mucha información de recomendación. Según los datos fragmentados que dejan todos, millones de sistemas de recomendación le recomendarán cosas diferentes todos los días: Baofeng Video le recomienda películas desde el momento en que comienza a ver sus películas. Amazon le recomienda películas según lo que compró y Sin libros; se recomiendan para usted sin comprar nada; Sina le recomendará cientos de grupos de interés cuando se registre. Pero lo que la mayoría de la gente puede necesitar más es un sistema más inteligente que pueda proporcionar servicios de recomendación más específicos basados en todos los datos y la información generados por su navegación por Internet. Por ejemplo, puede recomendar cosas correspondientes a cada etapa de tu vida, no sólo libros y películas, sino también casas, trabajos, etc. Para lograr tal efecto, primero necesita datos generados en su vida diaria, pero por otro lado, también necesita un algoritmo universal, porque ante una gran cantidad de datos, es imposible procesarlos sin fórmulas.
Si se logra encontrar un algoritmo universal, la inteligencia artificial será realmente una realidad. Pero el futuro de la inteligencia sigue siendo motivo de preocupación. Por ejemplo, si el aprendizaje automático puede manejar la mayoría de los trabajos, habrá una gran cantidad de personas desempleadas en el mundo. ¿Cómo sobrevivirán? ¿Se convertirá en una fuente de inestabilidad social? Si los políticos utilizan la inteligencia artificial con motivos ocultos, ¿seguirá siendo pacífico el mundo?
Pedro Domingos, defensor de los algoritmos universales, no se preocupa por estos problemas, pero se muestra muy optimista. Cree que los ordenadores no tendrán la capacidad de evolucionar biológicamente, ni inventarán cosas por sí solos, y por tanto no serán una amenaza para los humanos.
En cambio, los trabajos aburridos serán asumidos por robots, mientras que los humanos realizarán las tareas más interesantes. El medio ambiente de la Tierra también será cada vez mejor, y los seres humanos vivirán más años, serán más felices y más creativos. Al mismo tiempo, las personas no aparecerán en el campo de batalla y los robots saldrán en persona, lo que evitará que los seres humanos queden discapacitados debido a la guerra.
(Este artículo se deriva del artículo del número 1 de 2016 de Big Technology* Encyclopedia News)