La pregunta aborda muchos problemas al mismo tiempo. Vamos a desglosarlos.
Parte 1: ” un niño de 6 años puede realizar tareas de reconocimiento de objetos mejor que una red neuronal distribuida a gran escala con decenas de miles de núcleos de CPU ”
Esto es, en el mejor de los casos, en parte cierto. Hay muchos casos en los que el cerebro de un niño funciona mejor que los actuales sistemas de reconocimiento de objetos generales en términos de precisión. Estos casos están más relacionados con el problema de encontrar un objeto 3D complejo en una escena natural donde el cerebro humano (tanto niños como adultos) supera a los modelos de computadora.
- ¿Cuáles son algunos de los conjuntos de habilidades esenciales que debe tener un desarrollador de aprendizaje automático?
- Estoy aprendiendo aprendizaje profundo, ¿por qué es útil la matriz y qué es el cálculo?
- ¿Por qué la búsqueda de imágenes de Google es tan rápida?
- ¿Cuáles son las ventajas y desventajas de la traducción automática estadística y basada en reglas?
- ¿Cuáles son los pasos necesarios para el análisis de sentimientos de las redes sociales?
Otro problema puede ser encontrar un objeto 2D simple que se muestre entre un corpus grande de otros objetos 2D “similares”. Aquí es donde el cerebro humano tendrá problemas debido a la atención. La atención es un método utilizado por la corteza para dar sentido a las toneladas de datos que bombardean el sistema visual cada segundo. Simplemente ignora la mayor parte. Un niño / humano tendría que realizar una exploración lineal exhaustiva a través del cuerpo comparando el patrón deseado con el del campo de atención. En cambio, se puede hacer que una computadora realice esta tarea en paralelo y no necesite atención modelada. Vencería a un humano cualquier día hasta el final de los tiempos en todos los sentidos.
El problema con las redes grandes con decenas de miles de núcleos no es uno de hardware (tal vez), sino que se trata de lo que esas redes almacenan o aprenden. Tenemos mucho conocimiento y, de hecho, modelos matemáticos de lo que hace la corteza visual temprana (retina a LGN a V1 a V4). Parecen estar aprendiendo más de una manera no supervisada en lugar de la tendencia actual de aprendizaje profundo supervisado.
Parte 2: ” un cerebro adulto no puede competir con un procesador anticuado cuando se trata de cálculos procesales ”
El cerebro adulto no puede competir con un procesador en el sentido tradicional, por cálculos de procedimiento porque, de hecho, no está destinado a hacerlo. El cerebro humano se adapta y se vuelve experto en procesar la forma más abundante de información, es decir, perceptiva (visual, auditiva, etc.). Si esto se debe a influencias genéticas o naturalmente debido al desarrollo del cerebro o ambos, aún podría ser una pregunta abierta. Al procesar la información perceptiva, el cerebro aprende a “dar sentido” a los datos sin procesar durante mucho tiempo. Y, de hecho, dar sentido a la información perceptiva es un problema muy difícil (NP-hard en el caso general). Esto es mucho más difícil que decir sumar números (debido a la naturaleza del problema, la escalabilidad, etc.). Los cálculos de procedimiento son mucho más simples que, por ejemplo, representaciones de aprendizaje. El cerebro humano sobresale en este último y, por lo tanto, no estoy seguro de si el hecho de que las computadoras sobresalgan en el primero sigue siendo impresionante.
Dicho y hecho, estoy seguro de que con el tiempo tendremos una mejor comprensión de la complejidad del problema de aprendizaje y desarrollaremos algoritmos altamente eficientes. Estos aprenderían órdenes de magnitud más rápido que el cerebro infantil y pueden diseñarse para ser “mejores” que cualquier cerebro real para cualquier tarea específica.
También es interesante contemplar que habrá un momento en el futuro, cuando un sistema inteligente finalmente comprenda por qué es inteligente. Entonces habríamos alcanzado la llamada singularidad.