¿Alguna vez los investigadores han tratado de hacer que una IA aprenda durante años? Un ser humano pasa años aprendiendo continuamente antes de ser autónomo, mientras que un entrenamiento de inteligencia artificial generalmente toma algunas horas / días.

Si y no.

Todo depende de cómo se defina el tiempo y el aprendizaje.

Los modelos de entrenamiento son solo eso … modelos. Entonces el “aprendizaje” está limitado por definición. Es como criar a un recién nacido en una habitación solitaria y solo enseñarle a cierto punto sobre un tema específico. Pueden volverse muy inteligentes sobre ese tema en teoría, e incluso idear nuevas ideas sobre ese tema, pero están limitados en las pistas contextuales de la experiencia que tienden a definir los saltos intuitivos que nosotros como humanos podemos hacer.

El niño nunca llegaría a la probabilidad de que existan plantas, incluso si usted le dijera la composición exacta del aire que respiraba. Podría crear algunas formas extrañas para un proceso cíclico por el cual el dióxido de carbono y el oxígeno podrían mantenerse en equilibrio, pero la fotosíntesis no sería una de ellas.

En cuanto al ‘tiempo’, el tiempo es una construcción lineal por la cual tendemos a ver la entropía. Tendemos a relacionar el tiempo con nuestra propia visión de la realidad para poder extrapolar el entrenamiento de una máquina para realizar una función específica a cuánto tiempo le tomaría a un humano hacer lo mismo y serían las horas equivalentes de humanos de muchos años. Entonces, en ese sentido, sí, hemos entrenado máquinas durante cientos de años humanos en una tarea específica. Pero, de nuevo, es un aprendizaje limitado y no es realmente equivalente al aprendizaje humano.

Solo un modelo con tal complejidad que pueda imitar los contextos y las ideas que provienen de la experiencia humana podría ser algo equivalente. Pero no estamos buscando equivalencia para ser honestos, se trata más bien de construir modelos lo suficientemente bien como para

• Afrontar desafíos definidos
• Proporcione suficientes datos contextuales continuos para resolver esos desafíos y evolucionar el modelo con el tiempo.
• Utilice la potencia y el modelo informáticos para encontrar asociaciones que llevarían muchas horas humanas lograr (si es que lo hacen)

Ahora, ¿pueden la IA y el aprendizaje automático llegar a un punto de equivalencia en lo que respecta al amplio conocimiento, o quizás mejor … sabiduría? No lo descartaría, pero parece una conclusión poco probable ya que no hay razón para que su evolución tome ese camino. Sin emoción, incluso si tratas de definir algún tipo de moralidad universal, la equivalencia al aprendizaje humano es un camino evolutivo bastante sin sentido.

Dos proyectos de aprendizaje que se han estado ejecutando durante años:
NELL y I-Cub

La IA actual se entrena en días y se ajusta en meses porque están optimizados para procesar formas limitadas de información más rápido que los humanos, como las imágenes, por ejemplo. Pero una sola red neuronal no puede aprender imágenes, sonido y texto y relacionarlos entre sí. También carecen de los maestros y los padres que los corregirán manualmente por su propio conocimiento cuando se equivocan, y carecen de varios procesos de razonamiento que confirman y hacen cumplir lo que han aprendido. Si bien el último tipo de IA también existe hasta cierto punto, no ha habido mucho en la forma de hacer que todos trabajen juntos.
La respuesta barata es que la IA a nivel humano no se puede entregar a corto plazo, por lo que los científicos se están centrando en una IA limitada que sí trae buenos resultados a corto plazo y paga sus fondos.

AlphaGo se entrenó en el equivalente a años de juegos Go humanos. Entrenó en muchos juegos jugados por expertos humanos, y luego entrenó contra una réplica de sí mismo, noche y día durante meses antes de vencer a Lee Sedol. Las máquinas no necesitan dormir, y pueden funcionar en paralelo, que es una forma de condensar el tiempo y llegar a “años” en unas pocas semanas o meses.

No lo creo, por algunas razones.

1. Convergencia cuando estás entrenando un algoritmo, la mayoría de las veces estás tratando de minimizar una función de error. Si converge a un mínimo local para su problema, darle a su algoritmo más tiempo para ejecutarse (hacer más iteraciones) no lo llevará a ningún lugar especial, simplemente permanecerá allí
2. El sobreajuste de muchos algoritmos es propenso al sobreajuste, son realmente buenos en los ejemplos en los que los entrena, pero no se generalizan bien. Más entrenamiento significa más sobreajuste y puede conducir a un peor rendimiento

Personalmente, no creo que el problema hoy en día sea la falta de tiempo o de recursos informáticos (ni de datos).

La IA ciertamente no es un concepto nuevo; más bien, es uno que ha estado en desarrollo desde principios de la década de 1950. El primer intento de lo que todos reconoceríamos como inteligencia artificial fue en 1950 cuando el investigador Alan Turing publicó “Computing Machinery and Intelligence”, donde propuso un juego de imitación denominado “prueba de Turing”. Desde entonces, hemos visto aplicaciones interesantes de la tecnología.