En casi todas las situaciones de resolución de problemas de ingeniería y ciencias, lo correcto es simplificar nuestra rica realidad haciendo una reducción a los modelos. Esto significa que descartamos todo lo que sea irrelevante para el problema en cuestión y, en su lugar, trabajamos en un modelo mucho más simplificado. Los modelos son modelos científicos, modelos ingenuos, ecuaciones, fórmulas, hipotesis y programas de computadora. Pasamos la mayor parte de nuestra educación en ingeniería / ciencias aprendiendo cómo hacer esta Reducción, cómo crear nuevos modelos (como Científicos y Programadores) o usar los existentes (como Ingenieros). La idea de resolver problemas de esta manera se llama reduccionismo y es el invento más grande que nuestra especie haya hecho. Es la base de toda la ciencia y la ingeniería.
Pero hay algunos tipos de situaciones en las que los modelos no funcionan. En absoluto. Uno es donde no se puede hacer la reducción porque los problemas están en lo que se llama un “Dominio extraño”. La economía global y el mercado de valores, la fisiología humana y las interacciones farmacológicas, el funcionamiento del cerebro y muchos otros dominios altamente complejos son extraños … lo que significa que son a la vez caóticos, irreducibles, que cambian con el tiempo y donde los datos de entrada son correctos y completos para alimentar cualquier Modelo que hagamos simplemente nunca puede estar disponible. Los agentes inteligentes que operan con Intuition pueden sobrevivir y prosperar en estos entornos mediante el uso de métodos libres de modelos, pero un enfoque basado en modelos científicos (reduccionistas) ni siquiera puede comenzar.
Estas cosas ni siquiera se pueden * discutir * en un Marco Científico ya que la Ciencia (Reduccionista) * asume * que la Reducción siempre funciona o que el problema simplemente no se puede resolver. Necesitamos salir de la Ciencia a la Epistemología para discutir estas cosas. Y luego podemos tropezar con la idea de que los cerebros humanos no son realmente científicos en absoluto. Llegan a conclusiones sobre escasa evidencia. Y esto es realmente algo que tenemos que hacer que nuestras máquinas de IA hagan. Los MFM pueden usarse para esto.
- Características de wit.ai vs API.ai?
- Cómo construir un administrador financiero chatbot AI
- Con los avances en inteligencia artificial, ¿se volverá obsoleto el dinero?
- ¿La inteligencia artificial se convertirá en una revolución más grande que Internet?
- ¿Qué recursos y temas habría en un plan de estudios para aprender Inteligencia Artificial a través de recursos de código abierto?
Hay alrededor de una docena de métodos primitivos sin modelo (Generar y probar, Enumeración, Búsqueda en tablas, Copia sin sentido, Adaptación, Evolución, etc.). Dependiendo del contexto, puede verlos como métodos meta, métodos de aprendizaje automático, evolución en abstracto, modelos de la mente, modelos de relevancia y reducción, o métodos de descubrimiento de patrones. Se pueden combinar de innumerables maneras, produciendo métodos libres de modelos más complejos.
Usando estos métodos en combinaciones inteligentes, podemos construir sistemas que se puedan adaptar a cualquier entorno sin que se les informe nada de ningún entorno de antemano (como por ejemplo los programadores). Las máquinas usan su “sustrato”, capaz de aprender lo que importa, construido a partir de métodos libres de modelos para * crear sus propios modelos * desde cero. Esto es * en realidad * lo que es la inteligencia y este * debería * ser el objetivo de la Investigación de Inteligencia Artificial: crear una “Máquina capaz de Reducción Autónoma” de nuestro mundo rico a Modelos simples que una computadora pueda Entender y usar (*). Un nombre más corto para estos sería “Comprensión de máquinas”.
Me han dicho que un mejor nombre para MFM sería “Métodos de creación de modelos”. No estoy de acuerdo … ese es su efecto, pero al elegir ese tipo de nombre no daría ninguna pista sobre cómo hacerlo. MFM describe estos métodos nombrando exactamente lo único que los distingue de otros métodos.
Al no tener, inicialmente, ningún Modelo de ningún subdominio especial, estas máquinas no se limitarían a un solo dominio. Serían verdaderas inteligencias * generales *. Cualquier cosa basada en el modelo simplemente no puede ser general, ya que solo tendría conocimiento de la parte de la realidad que el modelo puede igualar y, por lo tanto, inútil para “AGI”
(*) No es necesario reducir todo el camino a Modelos para que esto funcione. Una reducción parcial a conjuntos de patrones es suficiente y mucho más fácil de generar.
Para obtener más información, consulte Recursos tecnológicos de Syntience en la Web.
