¿Cómo se elimina “Inteligencia” de “AI”? Al construir un modelo que pueda resolver solo un problema particular muy estrecho.
Entonces, lo difícil aquí es construir modelos que puedan generalizar.
Por ejemplo, si escribimos un programa de este tipo, podemos darle dos conjuntos de problemas de prueba: un conjunto de tareas para las que realmente fue entrenado para resolver y un conjunto de tareas un poco más abstractas, con algunos elementos que no han sido visto antes.
- ¿Cómo afectará la inteligencia artificial a la industria del juego?
- ¿Cuánto tiempo llevará AI como DeepMind para reemplazar a los programadores?
- ¿Deberíamos seguir trabajando en IA?
- ¿Necesitamos un Newton en el campo de la inteligencia artificial?
- ¿Qué trabajos probablemente AI no destruirá?
O podemos ir hacia otro lado, enseñándole varias cosas diferentes y asegurándonos de que puede diferenciar entre ellas y no olvida cómo resolver viejos problemas después de que aprende nuevos. Es una línea de base bastante débil, pero es un muy buen lugar para comenzar.
La inteligencia es la capacidad de lidiar con situaciones desconocidas utilizando la experiencia previa de la manera más efectiva. Cuando nos referimos a personas sanas con muy poca inteligencia, podemos esperar que memoricen operaciones simples, pero no dependamos de ellas para desarrollar estrategias complejas y construir teorías. La alta inteligencia implica que, incluso si nunca antes ha visto un problema matemático, puede resolverlo construyendo analogías en su mente, lo que requiere mucha abstracción. Y la abstracción es una generalización muy extrema, que es exactamente lo que queremos.
Los detalles de las preguntas contienen una palabra que me gusta mucho en el contexto de la IA: “punto de referencia”. Otra cosa muy importante es construir una métrica confiable de cuán inteligente es su sistema. Es mucho más difícil que evaluar los algoritmos tradicionales de ML, debido al rigor que requiere el investigador. Debería verse casi como un experimento genético moderno: debe esforzarse mucho para no “contaminar” su entorno de prueba con su conocimiento previo sobre cuáles son los problemas de prueba y cómo funciona todo el sistema de prueba.
Vemos algo similar en la educación humana cuando, en lugar de adquirir conocimiento, los estudiantes se preparan para los exámenes, que no es lo mismo.
Estos dos, con mucho, son los problemas más apremiantes y difíciles en IA que aún podrían resolverse en el futuro más cercano.