No, aunque sospecho que será una gran parte de eso. La inteligencia humana depende en gran medida del contexto y se basa en grandes cantidades de conocimiento específico del dominio.
Piense en un genio indiscutible como, por ejemplo, Albert Einstein, uno de los hombres más inteligentes que jamás haya existido. ¿También lo considerarías el mejor escritor, cocinero, historiador o político que haya vivido?
Claramente, la respuesta es no, fue uno de los más brillantes en su campo, pero es muy dudoso que hubiera alcanzado las mismas alturas en otros campos, ya que son muy diferentes y requieren experiencias y tipos de conocimiento completamente diferentes, incluso tipos de inteligencia
- ¿Cuál es el propósito de usar un parámetro de penalización [matemática] C [/ matemática] en SVM?
- ¿Se siguen evaluando empíricamente las arquitecturas de redes neuronales profundas?
- ¿Qué implica el e-Discovery?
- Cómo visualizar características de alto nivel en una red neuronal convolucional profunda
- ¿Puede el aprendizaje automático diagnosticar el autismo?
Un ejemplo actual de esto son los programas contemporáneos de inteligencia artificial que superan a los mejores jugadores humanos de ajedrez y go. ¿Eso significa que esos programas son de nivel campeón en otros campos? Por supuesto no.
Entonces, una gran clave para la Inteligencia General Artificial (AGI) es cómo transmitir y hacer que las computadoras comprendan una gran cantidad de campos humanos, esfuerzos, experiencias y tipos de conocimiento. Es por esta razón que AGI requerirá aprendizaje supervisado, a partir de enormes cantidades de conocimiento específico de dominio.
El aprendizaje no supervisado claramente desempeñará un papel en facilitar y mejorar este proceso. Por ejemplo, word2vec por sí solo no tiene tantas aplicaciones interesantes, salvo por responder analogías simples. Pero es un gran avance, ya que mostró la manera de integrar conceptos sintácticos como palabras y N-gramos en espacios vectoriales donde dichos mapeos se agrupan de manera muy efectiva por la semántica.
Está claro que los métodos no supervisados, como word2vec, pueden mejorar el aprendizaje supervisado y proporcionar agrupaciones semánticas como puntos de partida. Esta es la razón por la cual los modelos word2vec ahora se usan ampliamente como entradas en el aprendizaje supervisado adicional.
La clave para AGI será mucho y mucho aprendizaje supervisado de enormes conjuntos de datos, que incluirán no solo hechos, sino también razonamientos.