La nueva inteligencia: las máquinas ya no nos necesitan para aprender
El ser humano lleva miles de años diseñando dispositivos en los que descargar los trabajos más arduos. Pero en las últimas siete décadas, la inteligencia artificial (IA) ha permitido que esos dispositivos no solo se encarguen de tareas repetitivas, sino que sean capaces de imitar al cerebro humano para resolver problemas muy complejos. Permite explorar nuevos modos de transporte, herramientas de diagnóstico médico preciso o diseñar nuevos modos de relacionarnos en las redes. Pero la tecnología nos lleva a varios dilemas. ¿Qué impacto tendrá en el mundo laboral? ¿Cómo impedir posibles efectos nocivos? ¿Hasta dónde puede llegar el aprendizaje autónomo de las máquinas?
Todo comienza en una universidad de New Hampshire, en Estados Unidos. Un curso de verano del Dartmouth College reunió en 1956, en la localidad de Hanover, a un puñado de matemáticos interesados en diseñar máquinas capaces de simular algo parecido al razonamiento humano. Fue allí donde se bautizó la nueva rama como Inteligencia Artificial. Eran programas primitivos, pensados para resolver sencillos problemas de álgebra o jugadas de ajedrez.
El salto tardó en llegar, tras superar ciclos de esperanza y estancarse después durante años, hasta que en los 90 la tecnología adquiere un nuevo brío. La victoria de la máquina Deep Blue frente al campeón de ajedrez Garri Kaspárov tiene un gran impacto mundial. El siglo XXI trae computadoras más potentes y, en su segunda década, los sistemas de redes neuronales y el procesamiento de grandes cantidades de datos suponen una revolución.
Las máquinas pueden ya aprender por sí mismas. Registran información, elaboran patrones y buscan soluciones inmediatas y muy precisas cuando se les piden respuestas. Aprenden sin descanso, absorbiendo cada vez más materia prima para interpretar y contemplando más posibilidades a la hora de abordar un asunto.
Los pasos que llevan a la máquina a obtener una respuesta precisa no están del todo claros. El científico no conoce al cien por cien cómo se ha construido su razonamiento. Incluso en eso, el proceso artificial es muy similar al del cerebro humano y sus conexiones neuronales.
Las redes neuronales artificiales son sistemas de inteligencia artificial que tratan de replicar el funcionamiento del cerebro humano.
Se organizan en capas sucesivas de nodos interconectados, a modo de neuronas. Y, a diferencia de otras formas de inteligencia artificial, que necesitan órdenes explícitas, son capaces de aprender por sí mismos.
La primera capa de nodos-neuronas es la capa de entrada, por donde el sistema recibe la información. Debe estar codificada, porque la red no es capaz de ver, escuchar o tocar, ni siquiera de leer textos: solo entiende números.
En un coche autónomo, por ejemplo, la información proviene de los diferentes sensores y cámaras del vehículo, que traducen lo que captan a matrices numéricas para procesar los datos.
La capa de entrada es pasiva, no efectúa ningún procesamiento y se limita a leer los datos iniciales. Después los envía a una o varias capas sucesivas de nodos, llamadas capas ocultas o intermedias.
Cada capa se rige por una función de activación, una condición matemática que determina si las 'neuronas' se activan o no. Si se activa, cada neurona procesa los números que recibe en función de un peso que les asigna el algoritmo. Por ejemplo, si los sensores han detectado un peatón, las neuronas implicadas se activan y procesan el dato para que el sistema sepa reconocerlo.
Hay redes recurrentes, en las que las 'neuronas' se conectan con las capas posteriores y anteriores, lo que permite una cierta memoria al sistema; se usan sobre todo para textos. Otras redes son hacia delante, de forma que los nodos reciben la información de la capa previa y la envían a la siguiente; son las usadas para predecir fenómenos.
En cualquier caso, cada capa adicional depura los datos iniciales, en función de los pesos. A partir de tres capas intermedias se considera que es una red neuronal profunda, lo que exige una mayor capacidad de procesamiento de datos.
Al final de la red, la capa de salida muestra el resultado del proceso, de nuevo una matriz de números. Esa respuesta se puede comparar con el resultado correcto; por ejemplo, en el reconocimiento de imágenes.
Pero también puede simular el aprendizaje humano: el sistema no sabe cuál es la respuesta correcta, por lo que opera mediante ensayo y error. Y funciona por refuerzos: si un coche autónomo choca contra un obstáculo recibe una penalización, mientras que si alcanza su destino, recibe un refuerzo.
Cuando el sistema compara su resultado con el óptimo, revisa hacia atrás el proceso y modifica los pesos de las neuronas en las conexiones intermedias, en función de una regla de aprendizaje, para mejorar su rendimiento.
En cualquiera de los casos, la repetición de ese proceso, a modo de entrenamiento, se denomina deep learning (aprendizaje profundo) y permite al sistema encontrar la mejor combinación de parámetros para optimizar sus resultados.
"El objetivo es que la red sepa generalizar, que sea capaz de responder a entradas que nunca se le habían presentado", explica Daniel Manrique, especialista en inteligencia artificial de la Universidad Politécnica de Madrid. Así, cuando la red ya está entrenada, puede realizar predicciones y tomar decisiones. Y, en última instancia, conducir un coche.
Es posible que estemos aún en los primeros pasos de un salto sin precedentes en la Historia. Para los tecno-optimistas, las nuevas herramientas pueden liberarnos de la parte más pesada del trabajo para centrarnos únicamente en el factor humano y en la aportación creativa. Pero hay quienes advierten de riesgos. De las fricciones que surgen ya en el mundo laboral, donde los programas inteligentes pueden dejar a un lado a los trabajadores más "prescindibles". O incluso plantean la posibilidad lejana de una superinteligencia que desarrolle su capacidad de aprendizaje hasta el punto de querer burlar el control humano.
Coches-robot en el desierto
En 2022, durante el rodaje de la serie 10.000 días, muy pocas ciudades del mundo permitían la circulación de vehículos inteligentes sin conductor. En Estados Unidos, solo Phoenix, en Arizona, autorizaba este servicio, aunque existían experiencias en otras localidades, restringidas a trabajadores de las compañías, por ejemplo.
La compañía Waymo, propiedad de Google, nos permitió pasear por el centro de la ciudad a bordo de uno de sus vehículos. El proceso es muy similar a cualquier servicio de vehículos VTC. Una aplicación, un clic, y el coche se acerca a lo lejos para iniciar el trayecto. Así fue la experiencia.
Es solo una de las infinitas aplicaciones de la Inteligencia Artificial, un campo que muchos expertos definen como la nueva electricidad. Es decir, una fuerza que altera todos los sectores y que supone un cambio histórico. Se aplica en la automoción, en las búsquedas en internet, en el tratamiento fotográfico o las simulaciones científicas de laboratorio. Es la nueva savia que la acelera todo con su capacidad de procesamiento.
La competición por el desarrollo de nuevas herramientas no solo afecta a las grandes corporaciones. La inteligencia artificial ha abierto una carrera por la hegemonía tecnológica que afecta a la rivalidad entre potencias. La guerra comercial impulsada por Estados Unidos para frenar la capacidad de China en esos sectores es la parte más evidente. Las industrias estratégicas y las exportaciones de productos críticos, como los microchips, están en el corazón de esa disputa.
El impacto en el trabajo
Toda revolución tecnológica genera fricciones. La utilización del petróleo como fuente de energía junto al desarrollo de nuevas máquinas dispararon la capacidad de producción en todos los sectores, desde la agricultura a la industria textil. Lo mismo está ocurriendo con la Inteligencia Artificial.
Su uso está creando nuevos escenarios laborales y se habla de una "algoritmización" en el empleo. Se crean herramientas que permiten evaluar a candidatos a un puesto de trabajo, sin la intervención de una supervisión humana hasta las fases finales. O se procesan enormes volúmenes de datos que hacen prescindibles algunas categorías en la empresa. Las plataformas de reparto de comida, con un análisis exhaustivo del desempeño del empleado, son un buen ejemplo de cómo ese impacto ha creado un nuevo entorno.
La velocidad del cambio tecnológico supone un desafío para los reguladores. Las instituciones tratan de fijar límites para evitar abusos y también para que una parte de la sociedad no se quede en la cuneta.
¿Es el momento de poner límites?
La regulación es necesaria para controlar el impacto del cambio tecnológico, pero algunos pensadores van más allá. Varias décadas más allá, hasta un futuro hipotético en el que las máquinas habrán alcanzado un nivel de inteligencia y creatividad muy similar al del ser humano. O incluso superior.
Muchos expertos no creen que ese escenario deba plantearse en esos términos. Tienen serias dudas de que eso pueda ocurrir en un futuro cercano. Pero en el Instituto para el Futuro de la Humanidad de la Universidad de Oxford tratan de adelantarse a esa posibilidad. Su director es Nick Bostrom, un filósofo sueco que escribió el libro Superinteligencia, recomendado por referentes de la industria como Bill Gates o Elon Musk.
Bostrom plantea diferentes escenarios que podrían llegar en las próximas décadas. Desde la capacidad de emular el cerebro humano para volcar nuestras experiencias y conocimientos en soportes digitales, hasta una revuelta consciente de las máquinas contra la supervisión humana. La vieja pesadilla que ha alimentado novelas y películas de ciencia-ficción durante décadas.
-
Facebook
-
Twitter
-
WhatsApp
-
Copiar Enlace
-
Guardar en Mis Listas
-
Enviar e-mail
