La inteligencia artificial: la mente en la máquina

Por Demis Hassabis

La civilización moderna es una hazaña milagrosa, hecha posible por la ciencia. Cada vez que tomo un vuelo, me maravillo ante la tecnología que nos ha permitido volar sobre las nubes de forma rutinaria. Hemos mapeado el genoma, construido supercomputadoras y el Internet, aterrizado sondas sobre cometas, roto átomos cercanos a la velocidad de la luz en los aceleradores de partículas y puesto a un hombre en la Luna. ¿Cómo hemos conseguido hacer todo esto? Cuando uno se detiene a contemplar lo que nuestro cerebro de 3 libras de peso ha logrado, es bastante notable.

El método científico podría ser la idea más poderosa que los seres humanos hayan tenido, y los progresos alcanzados desde la Ilustración han sido simplemente asombrosos. Pero ahora estamos en un momento crítico en el que muchos de los sistemas que necesitamos dominar son endiabladamente complejos, desde el cambio climático y las cuestiones macroeconómicas hasta la enfermedad de Alzheimer. Nuestra capacidad para resolver estos desafíos — y cuán rápidamente lo logremos — afectará el futuro bienestar de miles de millones de personas y el medio ambiente en el que vivimos.

El problema es que estos desafíos son tan complejos que incluso los mejores científicos, médicos e ingenieros del mundo tienen dificultades para dominar todos los pormenores que se requieren para realizar los avances necesarios. Se ha dicho que Leonardo da Vinci fue quizás la última persona que ha comprendido toda la amplitud de los conocimientos de su época. Desde entonces hemos tenido que especializarnos, y actualmente se lleva toda una vida dominar completamente incluso un solo campo como la astrofísica o la mecánica cuántica.

Los sistemas que ahora estamos tratando de entender están respaldados por una gran cantidad de datos, generalmente muy dinámicos, no lineales y con propiedades emergentes que hacen muy difícil encontrar la estructura y las conexiones para revelar las ideas que encierran. Kepler y Newton pudieron escribir ecuaciones para describir el movimiento de los planetas y objetos en la tierra, pero muy pocos de los problemas de hoy pueden reducirse a un simple conjunto de fórmulas elegantes y compactas.

Éste es uno de los mayores retos científicos de nuestros tiempos. Los fundadores de la moderna era informática — Alan Turing, John von Neumann, Claude Shannon — comprendieron la importancia central de la teoría de la información, y hoy hemos llegado a darnos cuenta de que casi todo puede ser pensado o expresado en este paradigma. Esto es más evidente en la bioinformática, donde el genoma es efectivamente un gigantesco esquema de codificación de información. Creo que, un día, la información llegará a considerarse tan fundamental como la energía y la materia.

En su núcleo, la inteligencia puede ser considerada un proceso que convierte la información no estructurada en conocimientos útiles y viables. La promesa científica de la inteligencia artificial (IA), a la que he dedicado el trabajo de mi vida, es que podemos sintetizar, automatizar y optimizar ese proceso, utilizando la tecnología como una herramienta para ayudarnos a adquirir rápidamente nuevos conocimientos en campos que seguirían siendo inextricables para los seres humanos sin ayuda.

Actualmente, trabajar en la IA se ha puesto muy de moda. Sin embargo, el término IA puede significar muchas cosas, según el contexto. El enfoque que adoptamos en DeepMind, la compañía que cofundé, se centra en los conceptos de aprendizaje y generalidad, con el objetivo de desarrollar el tipo de IA que necesitamos para la ciencia. Si queremos que las computadoras descubran nuevos conocimientos, entonces debemos darles la capacidad de aprender por sí mismas.

Los algoritmos en los que trabajamos aprenden a dominar las tareas directamente a partir de la experiencia pura, en el sentido de que el conocimiento que adquieren está, en última instancia, basado en alguna forma de realidad sensorial en lugar de en símbolos abstractos. Además, necesitamos que sean generales en el sentido de que el mismo sistema con los mismos parámetros pueda desempeñarse bien en una amplia gama de tareas. Estos dos dogmas se demostraron en el artículo de Nature sobre DeepMind en 2015, en el que un programa aprendió a jugar decenas de juegos clásicos de Atari sin más información que los píxeles en la pantalla y la puntuación. También utilizamos la neurociencia a nivel de sistemas como una fuente fundamental de inspiración para nuevas ideas arquitectónicas y algorítmicas. Después de todo, el cerebro es la única prueba que tenemos de que es posible un sistema de aprendizaje de propósito general basado en la experiencia.

Éste es un alejamiento radical del enfoque de muchos de nuestros predecesores. La diferencia se ilustra quizás mejor comparando dos programas revolucionarios que lograron innovaciones mundiales en el campo de los juegos: Deep Blue de IBM, que derrotó al campeón mundial de ajedrez Garry Kasparov en 1997, y nuestro reciente programa AlphaGo, que el año pasado derrotó a uno de los mejores jugadores del mundo de Go, el juego aun más complejo que el ajedrez. Deep Blue utilizó lo que se conoce como un enfoque de «sistemas expertos»: un equipo de programadores se sentó con algunos grandes maestros del ajedrez para condensar y codificar explícitamente sus conocimientos en un sofisticado conjunto heurístico. Una poderosa supercomputadora utilizó luego estas reglas específicas para evaluar un gran número de variaciones posibles, y calculó la trayectoria hacia el movimiento correcto mediante la fuerza bruta.

La victoria de Deep Blue contra Kasparov representó un hito importante en la historia de la IA. Pero su victoria fue más un testimonio de la genialidad de su equipo de programadores y grandes maestros, así como de la potencia de cálculo del hardware contemporáneo, que de cualquier inteligencia inherente del propio programa.

Después de que se logró dominar el ajedrez, Go se convirtió en el nuevo santo grial de la investigación para la IA. Go tiene alrededor de 3,000 años de antigüedad y tiene una profunda importancia cultural en Asia, donde se le considera no sólo un juego, sino una forma de arte, y sus campeones profesionales son iconos públicos. Con la asombrosa cifra de 10 a la 170ª potencia de posibles configuraciones del tablero — más que el número de átomos en el universo — es irresoluble por métodos de fuerza bruta. De hecho, incluso escribir una función para determinar qué lado está ganando en una determinada posición de Go durante mucho tiempo se le consideró imposible, ya que un pequeño cambio en la ubicación de una sola pieza puede alterar radicalmente toda la situación del tablero. Los grandes jugadores humanos de Go abordan esta enorme complejidad dependiendo en gran medida de su intuición e instinto, y a menudo describen las jugadas simplemente como «sentí que era lo correcto», en contraste con los jugadores de ajedrez, quienes dependen más de un cálculo preciso.

Para AlphaGo nos dimos cuenta de que, a fin de capturar este aspecto intuitivo del juego, tendríamos que adoptar un enfoque radicalmente diferente al de los programas de ajedrez como Deep Blue. En lugar de codificar manualmente las estrategias de expertos humanos, utilizamos técnicas de propósito general, incluyendo redes neuronales profundas para construir un sistema de aprendizaje, y le mostramos miles de juegos de alto nivel para ayudarlo a desarrollar su propia comprensión de cómo juegan normalmente los humanos. Luego hicimos que jugara contra diferentes versiones de sí mismo miles de veces, y fue aprendiendo cada vez de sus errores y mejorando gradualmente hasta que se volvió tremendamente fuerte. En marzo de 2016, estuvimos listos para asumir el reto final: jugar contra el legendario Lee Se-dol, ganador de 18 títulos mundiales y considerado por muchos como el mejor jugador de la última década.

Más de 200 millones de personas observaron en línea como AlphaGo consiguió una sorprendente victoria 4-1, y hubo el consenso entre los expertos de que este avance se adelantó en 10 años a su tiempo. Lo que es más importante, durante los juegos AlphaGo realizó un puñado de jugadas ganadoras muy ingeniosas, una de las cuales — la jugada 37 en el segundo juego — fue tan sorprendente que anuló cientos de años de sabiduría recibida y ha sido profundamente examinada por los jugadores desde ese momento. En su camino a la victoria, AlphaGo le enseñó al mundo conocimientos completamente nuevos acerca de lo que es, quizás, el juego más estudiado de la historia.

Estos momentos de inspiración algorítmica nos dan una idea de por qué la IA podría ser tan beneficiosa para la ciencia: la posibilidad de descubrimientos científicos con ayuda de las máquinas. Creemos que las técnicas que sustentan AlphaGo son de uso general y pueden aplicarse a una amplia gama de otros dominios.

Creemos que en los próximos años los científicos e investigadores que utilizan enfoques similares generarán ideas en una multitud de ámbitos, desde el diseño de materiales superconductores hasta el descubrimiento de fármacos. En muchos sentidos, considero la IA análoga al telescopio Hubble: una herramienta científica que nos permite ver más allá y comprender mejor el universo que nos rodea.

Por supuesto, como cualquier tecnología poderosa, la IA debe ser utilizada de manera responsable, ética y para beneficio de todos. También debemos ser muy conscientes tanto de la utilidad como de las limitaciones de los algoritmos de la IA. Pero con una rigurosa atención a la capacidad de los programas, y más investigación sobre los efectos de la calidad de los datos de entrada que utilizamos y la transparencia de su funcionamiento, podríamos descubrir que la IA puede desempeñar un papel fundamental en el apoyo a todo tipo de expertos identificando patrones y fuentes que se les podrían escapar a los ojos humanos.

Es en esta colaboración entre personas y algoritmos que radica el increíble progreso científico durante las próximas décadas. Creo que la IA se convertirá en una especie de metasolución que los científicos podrán implementar, mejorando nuestra vida diaria y permitiéndonos a todos trabajar de forma más rápida y efectiva. Si podemos implementar estas herramientas amplia y equitativamente, fomentando un entorno en el que todos puedan participar y beneficiarse de ellas, tendremos la oportunidad de enriquecer y hacer avanzar a la humanidad como un todo.

Al hacerlo, también podemos aprender algo acerca de nosotros mismos. Siempre he creído que la física y la neurociencia son, de cierto modo, las materias fundamentales: la primera aborda el mundo exterior, y la segunda el mundo interior en nuestras mentes. Por lo tanto, entre ellas, abarcan todo. La IA tiene el potencial para ayudarnos a comprenderlas mejor. Conforme descubrimos más sobre el propio proceso de aprendizaje y lo comparamos con el cerebro humano, algún día podríamos lograr una mejor comprensión de lo que nos hace únicos, incluyendo arrojar luz sobre los persistentes misterios de la mente como los sueños, la creatividad y quizás algún día incluso la conciencia.

Si la IA puede ayudarnos como sociedad no sólo a salvar el medio ambiente, curar enfermedades y explorar el universo, sino también a comprendernos mejor a nosotros mismos, ése podría ser uno de los mayores descubrimientos de la historia.