Inteligencia Artificial

Lady Ada Lovelace predijo la IA en la década de 1840.1 Más concretamente, predijo parte de ella. Al no haber atisbos de las redes neuronales ni de la IA evolutiva o dinámica, se centró en los símbolos y en la lógica. Tampoco sentía inclinación por el objeto psicológico de la IA, ya que su interés era puramente tecnológico.

Cualquiera interesado en la IAF debería tener en cuenta que los pocos científicos de IA que han considerado seriamente la arquitectura computacional de la mente como un todo aceptan el hibridismo sin reservas. Entre ellos figuran Allen Newell y Anderson (de cuyos soar y ACT* se habló en el capítulo II), Stan Franklin (cuyo modelo de consciencia LIDA se describe en el capítulo VI), Minsky (con su teoría de la “sociedad” de la mente)25 y Aaron Sloman (cuya simulación de la ansiedad se describe en el capítulo III).

Una forma de conseguir esto pasa por adoptar la idea del equilibrio de la termodinámica. Los niveles de energía en física se expresan numéricamente, igual que los pesos en PDP. Si la regla de aprendizaje es similar a las leyes físicas (y si las unidades ocultas son estocásticas), las mismas ecuaciones estadísticas de Boltzmann pueden describir los cambios en ambos casos.

La mayoría de las RNA pueden aprender. Esto requiere realizar cambios adaptativos en los pesos y a veces también en las conexiones. Por lo general, la anatomía de la red (el número de unidades y los enlaces entre ellas) es fija. En tal caso, el aprendizaje altera solamente los pesos, pero a veces el aprendizaje –o la evolución (véase el capítulo V)– puede añadir conexiones nuevas y reducir conexiones antiguas. Las redes constructivas llevan esto al extremo: empiezan con ninguna unidad oculta y las van añadiendo conforme avanza el aprendizaje.

Y el aspecto dinámico y constantemente cambiante de las RNA contrasta notablemente con los programas simbólicos.

Además, los conceptos de IA ayudan a explicar la creatividad humana y nos permiten distinguir tres tipos: combinatoria, exploratoria y transformacional,11 que comportan diferentes mecanismos psicológicos y suscitan diferentes tipos de asombro.

Igual que el hipocampo, el sistema DQN almacena un conjunto de muestras o experiencias pasadas y las reactiva rápidamente durante el aprendizaje. Esta característica es crucial: los diseñadores señalaron “un deterioro grave” del rendimiento cuando se desactivaba.

El aprendizaje profundo es un nuevo avance muy prometedor basado en redes multicapa (véase el capítulo IV) mediante el que se reconocen patrones en los datos de entrada en diferentes niveles jerárquicos.24 Dicho de otro modo, el aprendizaje profundo descubre una representación del conocimiento con varios niveles, por ejemplo, píxeles para detectores de contraste, para detectores de bordes, para detectores de formas, para partes de objetos, o para objetos.

El aprendizaje automático simbólico asume en general (lo que obviamente no es cierto) que la representación del conocimiento para el aprendizaje tiene que incluir alguna forma de distribución de probabilidad. Y muchos algoritmos de aprendizaje asumen (lo que suele ser falso) que todas las variables de los datos tienen la misma distribución de probabilidad y que son todos mutuamente independientes. Esto es porque este supuesto i.i.d. (independiente e idénticamente distribuido) se sustenta en muchas teorías matemáticas sobre probabilidad, en las que se basan los algoritmos. Los matemáticos adoptaron las variables i.i.d. porque simplificaban las matemáticas. De la misma forma, utilizar las i.i.d. en IA simplifica el ámbito de búsqueda, y por lo tanto facilita la solución de problemas.

En situaciones muy complejas, como en el ajedrez, el éxito (o el fracaso) se señala solo después de muchas decisiones y algún procedimiento de asignación de crédito identifica las decisiones que es más probable que conduzcan al éxito.