Es probable que este desarrollo sea lo que provocó que el tecnócrata / transhumano Ray Kurzweil de Google declarara que la singularidad se alcanzará en 2029 en lugar de 2045. Recordar es un resultado peligroso si, al principio, son defectuosos o, peor aún, tienen prejuicios contra las entradas que los crearon. Basado en los 'recuerdos' de la IA, el aprendizaje definitivamente aumentará, pero ¿el aprendizaje adicional se basará en la realidad o simplemente en un modelo de computadora deseado? ⁃ TN Editor
Si bien los sistemas de inteligencia artificial pueden igualar muchas capacidades humanas, toman 10 veces más tiempo para aprender. Ahora, al copiar la forma en que funciona el cerebro, Google DeepMind ha construido una máquina que está cerrando la brecha.
Las máquinas inteligentes tienen humanos a la vista. Las máquinas de aprendizaje profundo ya tienen habilidades sobrehumanas cuando se trata de tareas como el reconocimiento facial, el juego de videojuegos e incluso el antiguo juego chino de Go. Por lo tanto, es fácil pensar que los humanos ya están superados en armas.
Pero no tan rápido. Las máquinas inteligentes todavía van a la zaga de los humanos en un área crucial de desempeño: la velocidad a la que aprenden. Cuando se trata de dominar los videojuegos clásicos, por ejemplo, las mejores máquinas de aprendizaje profundo necesitan unas 200 horas de juego para alcanzar los mismos niveles de habilidad que los humanos alcanzan en solo dos horas.
Por lo tanto, a los científicos informáticos les encantaría tener alguna forma de acelerar la velocidad a la que las máquinas aprenden.
Hoy, Alexander Pritzel y sus amigos de la filial DeepMind de Google en Londres afirman haber hecho exactamente eso. Estos muchachos han construido una máquina de aprendizaje profundo que es capaz de asimilar rápidamente nuevas experiencias y luego actuar sobre ellas. El resultado es una máquina que aprende significativamente más rápido que otros y tiene el potencial de igualar a los humanos en un futuro no muy lejano.
Primero, algunos antecedentes. El aprendizaje profundo utiliza capas de redes neuronales para buscar patrones en los datos. Cuando una sola capa detecta un patrón que reconoce, envía esta información a la siguiente capa, que busca patrones en esta señal, y así sucesivamente.
Entonces, en el reconocimiento facial, una capa puede buscar bordes en una imagen, la siguiente capa para patrones circulares de bordes (del tipo que hacen los ojos y la boca), y la siguiente para patrones triangulares como los hechos por dos ojos y una boca. Cuando todo esto sucede, la salida final es una indicación de que se ha visto una cara.
Por supuesto, el diablo esta en los detalles. Existen varios sistemas de retroalimentación para permitir que el sistema aprenda ajustando varios parámetros internos, como la fuerza de las conexiones entre capas. Estos parámetros deben cambiar lentamente, ya que un gran cambio en una capa puede afectar catastróficamente el aprendizaje en las capas posteriores. Es por eso que las redes neuronales profundas necesitan tanto entrenamiento y por qué toma tanto tiempo.
Pritzel y compañía han abordado este problema con una técnica que llaman control episódico neural. "El control episódico neuronal demuestra mejoras dramáticas en la velocidad de aprendizaje para una amplia gama de entornos", dicen. "Críticamente, nuestro agente puede adherirse rápidamente a estrategias altamente exitosas tan pronto como tengan experiencia, en lugar de esperar muchos pasos de optimización".
La idea básica detrás del enfoque de DeepMind es copiar la forma en que los humanos y los animales aprenden rápidamente. El consenso general es que los seres humanos pueden abordar situaciones de dos formas diferentes. Si la situación es familiar, nuestros cerebros ya han formado un modelo de ella, que utilizan para averiguar cuál es la mejor manera de comportarse. Esto usa una parte del cerebro llamada corteza prefrontal.
wpDiscuz