No.
Antes de que la gente comenzara formalmente a analizar la inteligencia computacional, se acordó por unanimidad que las tareas cognitivas de alto nivel eran las realmente desafiantes para las computadoras.
El ajedrez, las preguntas y respuestas sofisticadas sobre minería de conocimiento en lenguaje natural y la realización de pruebas matemáticas formales se consideraban el pináculo de la inteligencia humana.
- Cómo preprocesar el conjunto de datos de correo electrónico de Enron
- ¿En qué técnicas de aprendizaje automático se puede confiar para identificar (y posiblemente tratar) la deriva del concepto?
- ¿Cómo afecta su área de investigación de maestría (CS) a su carrera? ¿Y cuáles son las áreas más lucrativas?
- ¿Cómo se determina el tamaño del paso de actualización para el algoritmo de retropropagación ADADELTA?
- ¿Cuál es la diferencia entre análisis de datos, análisis de datos, minería de datos, ciencia de datos, aprendizaje automático y Big Data?
Por el contrario, las tareas de nivel inferior, que los humanos realizan inconscientemente, se consideraron fáciles. Por lo tanto, el famoso comentario de Marvin Minsky de principios de los 60 de que la visión por computadora es un problema que un estudiante graduado puede resolver durante un verano.
Estos no eran supuestos irrazonables. ¿No nos impresionan todos los genios matemáticos, una parte de cuyo trabajo es demostrar el teorema? ¿Los campeones de ajedrez no tienen muchos seguidores? Por otro lado, cualquier idiota puede “ver”, “escuchar”, manipular objetos con sus manos, navegar en el mundo.
Durante el siguiente medio siglo, hicimos grandes avances en las tareas de nivel superior: un gran éxito de la IA simbólica fueron los probadores de teoremas automáticos, seguidos de enfoques de búsqueda de árboles que vencieron al campeón mundial en Ajedrez y técnicas de recuperación de información que permitieron a IBM Watson vencer a Jeopardy ! campeones
Al mismo tiempo, nos dimos cuenta de que el procesamiento de la información realizado inconscientemente por los animales es increíblemente complicado. Los algoritmos de reconocimiento visual siguieron siendo una broma incluso después de 40–45 años de investigación. Los detectores de objetos, que eran buenos para algunas tareas limitadas, por ejemplo, para la detección de rostros, solo comenzaron a aparecer alrededor de 2005, gracias a las características hechas a mano y los avances en métodos de aprendizaje discriminatorios como SVM y bosques aleatorios.
Los avances en el aprendizaje profundo se limitan en gran medida a estas tareas “subconscientes”. Si hay una tarea para la que no necesita “pensar” explícitamente, el aprendizaje profundo es probablemente la opción correcta.
Por lo tanto, creo que eventualmente las técnicas GOFAI surgirán nuevamente incluso en las comunidades de investigación de IA, ya que muchas tareas sofisticadas necesitarán combinar habilidades cognitivas de nivel inferior y superior. Ya hemos visto un ejemplo de esto en AlphaGo.
Por supuesto, fuera de la investigación, la IA tradicional está muy empleada en productos. En la sala de clase, mucha IA pasada de moda acaba de salir de los cursos de IA hacia los cursos de “Algoritmos y estructuras de datos”. Ha sido renombrado.
