¿Qué tan inteligente es la IA ahora (octubre de 2014)?

Las computadoras siguen siendo terribles * al descubrir que el verbo principal que ocurre en estas imágenes es el mismo.


Esto es muy simple para los humanos, pero (sorprendentemente) casi imposible con los mecanismos actuales de IA [1].

* Actualización: Google decidió ponerme al tanto de este problema y lanzar una red neuronal que describe imágenes ( espeluznante, tal vez están mirando, ¡tal vez la IA está mirando!: P ). Las muestras en su sitio web muestran que todavía no es genial, pero seguramente es un salto adelante de antes. El otro problema es que el aprendizaje profundo es bastante críptico en la forma en que tiene éxito, por lo que en realidad no aprendemos mucho de los avances que hacemos cuando los usamos.

Pero hay otras buenas noticias, en muchas, muchas tareas específicas que nombra (a diferencia del ejemplo anterior), una IA especializada puede vencer a un humano promedio o incluso experto. Algunos ejemplos populares sobre cosas en las que generalmente pensamos que los humanos son buenos:

• Reconociendo rostros: GaussianFace – Algorithm Beats Humans en Recognizing Faces

• ¡Peligro! Watson (computadora)
• Chess Deep Blue (computadora de ajedrez)
• Cálculo [simbólico] Motor de conocimiento computacional
• Cosas de malabarismo y equilibrio

En general, los verdaderos científicos de la comunidad de IA están menos interesados ​​en construir una máquina que sea “inteligente como los humanos” (lo que sea que eso signifique). Están bastante interesados ​​en construir sistemas que puedan resolver problemas de manera eficiente y correcta. El problema que tenemos al recrear rasgos como “inteligencia” y “conciencia” es que estas cosas tienen definiciones muy vagas y, por lo tanto, hacer ciencia sobre ellas es imposible.

Si está interesado en una discusión más ‘actual’ sobre IA, lea esta entrevista con Michael Jordan de Machine Learning: el maestro de aprendizaje automático Michael Jordan sobre los delirios de Big Data y otros enormes esfuerzos de ingeniería

[1] El crédito para este ejemplo pertenece al Prof. Patrick Winston (MIT).

Los éxitos espectaculares en la IA utilizan diferentes métodos de resolución de problemas que los humanos. Por ejemplo, los mejores programas de juego de ajedrez dependen de búsquedas más exhaustivas de más movimientos posibles que los humanos pueden manejar. Google Translate utiliza la búsqueda de texto de colecciones masivas de documentos traducidos de un idioma a otro. Los programas de reconocimiento facial identifican y usan descriptores faciales que son diferentes de los que ‘nosotros’ usamos.

Podría ser útil pensar en estos como los últimos ejemplos del desarrollo constante de nuevas herramientas de pensamiento por parte de la humanidad: desde el arte y la música, hasta el lenguaje, la ley, la medición, las matemáticas, el análisis estadístico, el modelado por computadora, … La gente necesita mucho herramientas de calidad para realizar mediciones de precisión, teléfonos para hablar a largas distancias, estructuras corporativas para coordinar las acciones de muchas personas. Y necesitamos computadoras para cálculos complejos, especialmente aquellos que involucran grandes cantidades de datos.

Entonces, las IA aún no son inteligencias independientes. Y todavía no son solucionadores de problemas muy generales. Podrías llamarlos “justos” como parte de nuestra creciente inteligencia. Pero entonces, ¿nuestra inteligencia es natural o artificial?

Tonta como una bolsa de martillos. Con todos los supuestos avances en tecnología, todavía es un poco sorprendente lo limitadas que siguen siendo nuestras aplicaciones.
Una de las razones por las que pienso en esto con la inteligencia artificial es por la fijación que todos se hicieron para simular la inteligencia en lugar de crearla.

Lo que quiero decir con eso es que, como con la prueba de Turing, no parecía ser el objetivo hacer pensar a una máquina, sino hacer que una persona piense que una máquina era una persona. El problema con eso como objetivo es que el desorden, la maraña y la complejidad de nuestro mundo analógico no tienen relación alguna con un conjunto de algoritmos.

En lo que necesitábamos concentrarnos es en crear algoritmos que vivan en un mundo de algoritmos, creando programas que no están en nuestro espacio, sino en el suyo. Programas codificados con impulsos pero con poco más y que pueden simular el proceso de desarrollo evolutivo.

Si pudiéramos crear ese mundo binario, con un programa binario en él, que tuviera esas capacidades, entonces la inteligencia podría hacerse casi inevitable.
Entonces, hasta que lleguemos a tener algo tan simple como un gusano funcionando y evolucionando en código, entonces diría que no estamos cerca de una IA inteligente

Me encanta esta pregunta y muchas de las respuestas brindan una imagen altamente calificada y precisa del “estado del arte” en IA, incluida una mención del acrónimo AGI que aborda la distinción (quizás) necesaria entre AI como “Sistemas Expertos” vs. AGI como “inteligencia autónoma”.

Creo que ese es el quid de lo que todos estamos hablando aquí a pesar de las distinciones: Autónomo es la palabra operativa, y puede apreciarlo cuando considera la forma en que una computadora puede jugar al ajedrez: es totalmente autónomo. Sin embargo, cuando se nos pide que tomemos diferentes tipos de juicios y decisiones, se hace evidente que nuestro objetivo, idea y valor para AI y AGI tienen un largo camino por recorrer porque la mayoría de estos sistemas no abordan adecuadamente la autonomía en la forma en que nosotros ‘ d me gusta; Esto se está volviendo menos cierto en el espectro de IA.

Mi contribución a este conjunto de respuestas se centrará en lo que no se ha dicho, y representa quizás la única perspectiva original que puedo proporcionar, aparte de mi disposición original de opinión y comentario como poesía y semántica …

Tengo algunos artículos que discuten precisamente dónde percibo que las verdaderas IA o AGI aterrizan en la escala de posibilidades y qué se necesitará para llegar allí. Simplemente creo que el cuello de botella reside en la capacidad humana para expresar inteligencia; reconocerlo y permitir su presencia en toda la sociedad. No creo que sea por falta de genio que la verdadera IA todavía se está riendo de nosotros detrás de una cortina en algún lugar, creo que es porque no nos hemos desarrollado colectivamente para apoyar el tipo de desarrollo requerido para producir una verdadera IA.

Desde 2010 he estado escribiendo código usando lo que llamo “Programación conductual” y lo que la industria ahora llama “Programación reactiva”.

Debido a que soy codificador y arquitecto de sistemas, y porque mi objetivo es entregar sistemas comerciales con aplicaciones altamente especializadas y sistemas integrados, veo esta pregunta de 2 maneras diferentes pero relacionadas:

1. Lo veo desde las trincheras, y por esta razón puedo hablar específicamente sobre lo que se requeriría para habilitar la IA de próxima generación e incluso comenzar o espero comenzar a desarrollar AGI en una escala más apreciable. Me di cuenta de que cierto código se puede aplicar a un conjunto genérico de entornos, máquinas, servidores, software, etc. Sin embargo, en la realidad (en la práctica en el mundo real) sucede con mayor frecuencia que el verdadero progreso requiere el desarrollo de sub -sistemas, construcciones de lenguaje e incluso hardware que es capaz de ejecutar la inteligencia correctamente. Por lo tanto, en ausencia de un límite definido, es casi seguro que en algún momento el crecimiento (léase: la evolución de un sistema) requerirá un crecimiento adicional en el hardware, el software y el entorno general específicos; de lo contrario, dicho crecimiento no será posible . (¿No se parece mucho a la vida?)

2. Lo veo desde la vanguardia de la investigación y la ciencia. No veo que las empresas o la industria tengan en mente un alcance social lo suficientemente amplio o un mayor propósito en comparación con parte de la ciencia pura aplicada por otras disciplinas, y sin embargo, las empresas impulsan la investigación (principalmente) en este momento. Por lo tanto, creo que dado que el campo general del aprendizaje automático ha sido impulsado por los negocios y la industria, al igual que la industria informática en general responde, se necesitará algo mucho mayor para respaldar el tipo de agendas y la responsabilidad fiscal requeridas para construir el conjunto masivo de recursos y la energía colectiva de la intención de accionar algo que en última instancia es mucho más inteligente que los sistemas de IA más capaces.

3. Debe haber una revolución en el hardware de al menos un orden de magnitud antes de que la IA sea posible, pero esta revolución no se trata de saltos incrementales en Mhz o incluso GHz. Este es un salto cuántico en la arquitectura como lo hace la naturaleza. (Adapt, Adapt, Adapt, Adapt, BAM! Nuevas especies). Yo diría que este salto cuántico terminará usando luz internamente para procesar dinámicamente flujos de datos sensoriales. Si yo fuera a Jules Verne fuera de este sistema, se vería como láseres de núcleo radiante (piense en imanes de núcleo polar en lugar de imanes lineales) o campos MIR (radar de microimpulso) utilizados junto con un nuevo lenguaje que consiste de 65.535 texturas diferentes que se rellenan polivinílicamente para crear código y representaciones de datos por igual. Es solo un interferómetro saltado que utiliza tecnología láser / EMF o MIR (micro-impulso-rader) y rejilla de difracción / difusión similar a la tecnología holográfica; y estos se implementarían en lugar de los DSP de hoy, con muchos más sistemas de soporte para dar forma a este constructor de datos y fibra de E / S en general.

…

Sin embargo, a diferencia de algunos de los encuestados aquí, creo que las máquinas autónomas de un orden inteligente son más que posibles, creo que lo son en nuestro futuro. Creo que se necesita un científico muy pobre para descartar cualquier posibilidad, incluso si un gran científico sabe que solo existen unas pocas probabilidades como reales y verdaderas dado un campo ilimitado de posibilidades potenciales …

Por supuesto, aunque me encantaría tomar cada punto explorado a través de este Quora y desglosarlo en detalle, quizás sea mejor decir lo siguiente de este foro:

Cuando se trata del estado actual de la técnica, existimos en un momento muy emocionante cuando se están produciendo aplicaciones de IA, lo que significa que el éxito ya ha sucedido en la capacidad teórica / de investigación y ahora estamos implementando IA real , aunque de forma muy limitada. naturaleza. La tecnología existe hoy como un subconjunto de nuestra propia inteligencia; desafortunadamente, la primera IA no puede tener éxito con la inteligencia de sus creadores como los niños humanos.

La IA debe progresar, y progresará.

Veo la progresión de las etapas en este momento avanzando por un número incierto de años:

1. Los sistemas actuales de IA son reales y existen de conformidad con el modelo de autonomía dado ciertas tareas del mundo real de suficiente complejidad, y en algunos casos más complejidad que las soluciones aptas para humanos.

2. Los “comportamientos inteligentes” o la evolución de los principios de programación reactiva demostrarán una mejor automatización del negocio y permitirán desarrollar sistemas más eficientes. Esto no solo se debe a la programación reactiva en sí misma, sino también a nuevas arquitecturas de soporte en software, así como a sistemas técnicos de soporte capaces de entregar resultados tanto incrementales como significativos en tiempo real.

3. Desarrollar un conjunto de aplicaciones y un protocolo para manejar “objetos autoconscientes” y para avanzar en el campo de los componentes autoconscientes de la máquina, protocolos de Internet, código de software y funciones dinámicas capaces de trabajar en este nivel.

4. La aceptación social de que la inteligencia artificial es un subconjunto propio y que nunca surgirá al azar por su propio acuerdo frankentoniano. Se entenderá universalmente que el proceso de integración sigue un paradigma predecible de 5 pasos que comienza con la autoconciencia; Por lo tanto, los objetos fundamentalmente conscientes de sí mismos presentes en la etapa 3 se recombinarán orgánicamente y parecerán hacerlo de manera inteligente debido a su presencia dentro de una industria tecnológica agregada que demuestra ser un sistema abierto que expresa la IA que alguna vez se pensó que fue diseñada por alguien en particular. La sensación progresiva de que estaba dirigiendo a los humanos a hacer su voluntad todo el tiempo será convincente, y el tema de muchas películas favoritas por venir …

5. La inteligencia real, como lo demuestra una máquina, comenzará a aparecer cuando los avances en hardware estén disponibles por primera vez y luego el software se revolucione.

Eso es nada menos que una revolución completa en las arquitecturas desde el hardware hasta las capas de software, y por esta razón, veo este tema como de gran alcance, pero espero que no perdamos interés.

Bueno, la respuesta principal está desactualizada, así que tuve que publicar.

Una imagen vale más que mil palabras (coherentes): construir una descripción natural de las imágenes

Muy inteligente ¿Aunque una mejor pregunta podría ser “qué tan rápido está ‘aprendiendo'”?

Lo responderé desde una perspectiva histórica. Tenga en cuenta que esta es una pequeña parte de la historia que creo que arrojará algo de luz sobre su pregunta y puede no representar completamente la realidad. En la medida en que cubre la historia, creo que es bastante precisa.

IA temprana: las personas intentaron trabajar en cosas que los humanos encuentran difíciles, como el ajedrez, sistemas expertos (programas que se comportan como expertos humanos, por ejemplo, médicos), traducción automática, etc. Algunos de estos intentos, como el ajedrez y los sistemas expertos (hasta cierto punto ) tuvieron bastante éxito. La traducción falló miserablemente. De hecho, una traducción del inglés al ruso al inglés de nuevo pasó de algo como “el espíritu está listo pero la carne está cansada” a “el vodka está fresco pero la carne está podrida”. (Aunque no recuerdo las palabras exactas). Todos estos eran métodos basados ​​en reglas. Por ejemplo, los programas de juego de ajedrez probarían muchas jugadas diferentes y elegirían el mejor según alguna métrica. Los sistemas expertos recibieron un conjunto de reglas sobre las cuales harían su diagnóstico. Los traductores descompondrían una oración en varias partes y la reconstruirían en otro idioma.

Desafortunadamente, nunca funcionaron, agravados por el hecho de que muchos de ellos fueron impulsados ​​por la probabilidad y los humanos son notoriamente malos para estimar la probabilidad. Por ejemplo, los humanos son malos para responder preguntas como “¿qué fracción de pacientes con dolor de cabeza, estornudos e historia viral reciente se ven afectados por este virus?” O “¿en qué fracción de las oraciones que contienen la palabra ‘leopardo’ aparece la palabra ‘volar’?”

Inicialmente, la gente asumía que las tareas que los humanos encuentran fáciles, como describir objetos en una escena visual, también serían fáciles para las computadoras. De hecho, hay un famoso ejemplo de un profesor que le pidió a su alumno que ‘conectara una cámara a su computadora y que describiera lo que vio’ durante el verano. ¡Un problema abierto incluso hoy!

IA moderna: al ver cómo fallaba la lógica codificada, muchos investigadores intentaron inferir estas reglas a partir de los datos. Es decir, en lugar de preguntar “¿en qué fracción de las oraciones que contienen la palabra ‘leopardo’ aparece la palabra ‘volar’?” tomarían grandes cantidades de texto y en realidad medirían esta cantidad. Para el reconocimiento del habla, comenzarían a extraer números que creen que podrían caracterizar el sonido y ayudar a discriminar entre diferentes sonidos. Estos números podrían ser frecuencias, el alcance de su distribución y una serie de cosas diferentes (cuya discusión, lamentablemente, lleva demasiado tiempo para esta publicación). Los investigadores de la visión por computadora se enfocarían en algunos puntos específicos dentro de una imagen y tratarían de identificar el objeto usando solo esos puntos característicos comparándolos con los puntos que la máquina ya ha visto. Tenga en cuenta que la lista anterior de métodos no es exhaustiva, sino que solo pretende dar una idea de cómo se hacen las cosas.

Aprendizaje profundo: este es un campo relativamente nuevo y, sin embargo, muchos lo consideran una nueva era. Aquí, incluso la tarea de descubrir qué ‘características’ (números que pueden caracterizar lo que estamos buscando) se deja a la máquina, esencialmente reduciendo el papel del científico de la computación en el proceso. Estos sistemas han superado los registros de larga data en el campo de la visión por computadora, el análisis de texto y el reconocimiento de voz, y parecen ser el camino a seguir para muchos. (Nota: estas máquinas están inspiradas en el cerebro humano, en el sentido de que las personas hablan de neuronas y sinapsis, pero probablemente funcionan de manera bastante diferente).

Espero que esto te dé una idea del estado de la IA de hoy. Aunque no respondí directamente a su pregunta, creo que he dado suficiente referencia a los métodos anteriores para que pueda relacionarse con lo que ha estado sucediendo en los últimos años y extrapolar por sí mismo. Hice esto porque es difícil responder a esa pregunta de manera más directa de manera que pueda darle al lector una idea del estado del campo.

El modelo de computación en la nube de próxima generación creado en torno a las capacidades de inteligencia artificial debería ser capaz de ejecutar aprendizaje profundo o aplicaciones de inteligencia artificial. El potencial de la computación en la nube es reducir los costos de computación y aumentar la flexibilidad empresarial. La IA utiliza un gran volumen de datos almacenados y puede utilizarse para la robótica en la nube, la automatización, las acciones inteligentes y el aprendizaje automático.

Descargue un informe de muestra para comprenderlo y obtener más información sobre el análisis de la industria de inteligencia artificial

Las principales empresas se están centrando en una alta inversión en la contratación de ingenieros de inteligencia artificial debido a su rápido crecimiento en todo el mundo. La inteligencia artificial se utiliza principalmente para transformar los negocios empresariales y reducir el tiempo de reacción. Varias compañías como IBM Corp, Salesforce, Google Inc., Facebook Inc. y muchas otras compañías están pagando altos salarios para retener a sus empleados altamente calificados.

Mercado global de gasto en sistemas de inteligencia artificial: segmentación y pronóstico

El mercado global de gasto en sistemas de inteligencia artificial está segmentado según el tipo de industria (BFSI, fabricación discreta y de procesos, atención médica, venta minorista, venta al por mayor, servicio profesional y de consumo, transporte, medios y entretenimiento, telecomunicaciones y servicios públicos, gobierno, educación, otros ( Construction, Resource Industries)), sobre la base de la tecnología (aprendizaje profundo, aprendizaje automático, procesamiento del lenguaje natural, visión artificial, AGI, ASI) y en función del mercado (hardware, software, servicios).

• En 2017, se estima que el segmento BFSI tendrá un valor de US $ 3,081.5 Mn, y se espera que registre una CAGR de 48.6% durante el período de pronóstico, que se valorará en US $ 161,525.7 Mn para fines de 2027.
• En 2017, se estima que el segmento de atención médica estará valorado en US $ 1,321.1 Mn, y se espera que registre una tasa compuesta anual de 45.7% durante el período de pronóstico, que estará valorado en US $ 56,943.1 Mn para fines de 2027.
• En 2017, se estima que el segmento minorista estará valorado en US $ 1,647.1 Mn, y se espera que exhiba una tasa compuesta anual de 46.5% durante el período de pronóstico, a un valor de US $ 75,128.9 Mn para fines de 2027.
• En 2017, se estima que el segmento de aprendizaje profundo estará valorado en US $ 4,758.4 Mn, y se espera que registre una tasa compuesta anual de 49.3% durante el período de pronóstico, que estará valorado en US $ 262,031.6 Mn para fines de 2027.
• En 2017, se estima que el segmento de aprendizaje automático tendrá un valor de US $ 2,784.5 Mn, y se espera que exhiba una tasa compuesta anual de 46.6% durante el período de pronóstico, que se valorará en US $ 127,790.1 Mn para fines de 2027.
• En 2017, se estima que el segmento de hardware tendrá un valor de US $ 4,841.1 Mn, y se espera que registre una TCAC del 43.9% durante el período de pronóstico, que se valorará en US $ 183,734.3 Mn para fines de 2027.

Según nuestros expertos en Techopedia, la cuestión de hasta qué punto ha progresado la inteligencia artificial en un momento determinado siempre es nebulosa; sin embargo, hay un buen caso para afirmar que hoy estamos en un paso adelante definido relacionado con el aprendizaje automático, inteligencia artificial y uso de redes neuronales.

Las redes neuronales son la vanguardia actual de ML / AI: buscan imitar la cognición humana utilizando una combinación de entradas probabilísticas y resultados ponderados. A través de varias tecnologías y unidades en capas, como el perceptrón, buscan modelar la actividad del cerebro humano, no conductualmente, sino a un nivel estructural más profundo.

Como resultado, la IA ha progresado a una nueva etapa de capacidades notables.

Hace unos años, la gente todavía hablaba de la integridad de Turing, basada en el trabajo de Alan Turing en la década de 1940. La idea de la integridad de Turing es que si una computadora puede, a través de la conversación, engañar a los usuarios humanos para que piensen que es un humano, pasa la “prueba de Turing”. Podrías ver este tipo de trabajo en juego en proyectos como el Watson de IBM, donde una computadora rivalizaba con los humanos en el juego de preguntas “¡Peligro!” o en máquinas de juego de ajedrez y go como Deep Blue, que venció a Kasparov.

Solo unos años después, el enfoque ha cambiado bastante. Menos personas hablan de pasar una prueba de Turing y, en cambio, se centran en lo que se necesita para hacer un proyecto “AI-complete” (este artículo de 2015 de Guia Marie Del Prado en Business Insider proporciona una buena sinopsis de este cambio), a diferencia de La integridad de Turing, la integridad de la IA evalúa lo que una computadora puede hacer, no lo bien que puede imitar a un ser humano, per se, aunque muchas capacidades de inteligencia artificial generalmente aún se juzgan por ese criterio. En el mundo tecnológico actual, donde las computadoras están escribiendo noticias y novelas, existe la confianza un tanto establecida de que las computadoras pueden, en muchas formas, pasar una prueba de Turing. La pregunta es qué tan capaces pueden ser las máquinas de IA. Por ejemplo, un robot que no solo puede conversar, sino que responde a estímulos visuales como el lenguaje corporal, está en camino a una especie de inteligencia artificial que no solo es innovadora sino incluso un poco inquietante. Si una computadora pasa una prueba de Turing sentado a su lado, puede dejar de aplaudir sus increíbles poderes y comenzar a sentirse un poco preocupado.

Como resultado, los principales innovadores como Elon Musk y Bill Gates sugieren que ahora es el momento de definir la ética de la informática, antes de que la inteligencia artificial avance aún más hacia una “inteligencia artificial fuerte” que haga mucho más que pasar una prueba de Turing .

Advertencia de IA: los robots serán MÁS INTELIGENTES que los humanos para 2045, dice el investigador

A nivel mundial, hay una ola de inteligencia artificial en varias industrias, especialmente en electrónica de consumo y atención médica. Es probable que la ola continúe en los años venideros con la creciente base de aplicaciones de la tecnología. Se espera que el mercado global de inteligencia artificial sea testigo de un crecimiento fenomenal en los próximos años a medida que las organizaciones de todo el mundo hayan comenzado a capitalizar los beneficios de estas tecnologías disruptivas para el posicionamiento efectivo de sus ofertas y el alcance del cliente.

Obtenga un folleto en PDF para obtener más información [protegido por correo electrónico] Mercado de inteligencia artificial

Un número cada vez mayor de empresas en estos días se enfoca en varias tecnologías disruptivas para llegar a los clientes de manera efectiva. Este es uno de los principales factores impulsores del mercado mundial de inteligencia artificial. Estas tecnologías implican el uso de actividades de marketing como las tecnologías SMAC (social, móvil, analítica y en la nube) que ayudan a la empresa a establecerse en el negocio digital.

Todavía hay muchas ideas falsas sobre la naturaleza de la inteligencia, especialmente en los medios sensacionalistas de la ciencia pop que juegan con nuestros sentimientos animistas y supersticiosos naturales. Este tipo de pregunta a menudo surge del mismo tipo de maravilla que nuestros antepasados ​​sintieron al pensar en demonios y fantasmas. Un espíritu sin manifestación física, un demonio dentro de un cuerpo que se hace cargo de las cosas. O como lo expresaríamos hoy, algún software inteligente que vive dentro de una máquina, haciéndolo actuar de una manera “generalmente óptima”.

Este tipo de pregunta está profundamente metida en temas filosóficos. ¿Existe una forma de actuar “generalmente óptima” en sentido absoluto? ¿Hay un propósito más elevado en el universo que nuestra hipotética súper IA podría descubrir y actuar? Toca la moralidad, la intencionalidad, el naturalismo, el materialismo, la espiritualidad, los ideales platónicos, los fundamentos y la filosofía de las matemáticas, la computabilidad, etc.

En mi opinión, no hay nada singular como la “inteligencia” con la que podamos tropezar accidentalmente, construirlo en una máquina, encenderlo y disfrutar del espectáculo.

Esto ciertamente sería decepcionante para mi yo adolescente, todavía imaginando supersticiosamente “inteligencia” como esta luz brillante y brillante que vive dentro de nosotros, iluminando nuestro intelecto, que podríamos de alguna manera extraer, capturar y usar, liberándolo de nuestro contenedor vulnerable e ineficiente, el humano cuerpo. El software y la inteligencia eran puros, ideales y casi divinos, mientras que el cuerpo era un hardware terrenal, incidental e irrelevante.

Incluso después de descubrir que ningún ser humano funciona como un homo oeconomicus optimizado inteligente diseñado desde arriba, a menudo pensamos en este hecho como una deficiencia y decimos que los humanos son irracionales, no actúan de manera inteligente casi tan a menudo “como sería óptimo”. Este tipo de comparación con un ideal es nuevamente una especie de superstición en mi opinión. Lo que no está allí simplemente no está allí, no está “perdido” o “faltante” o “no ha alcanzado la etapa necesaria en la escalera de la evolución”, simplemente no está allí. Cualquier otra cosa es fantasía, imaginación e ilusión.

Esto es importante para entender la idea de IA, porque a menudo razonamos ingenuamente de arriba hacia abajo. La IA se construirá perfecta, superinteligente, eficiente, óptima, etc. y luego preguntamos qué hará, en virtud de tener estos excelentes atributos. Pero las cosas nunca funcionan así. Un avión no vuela porque posee la cualidad abstracta de “poder volar”. El aire no mira el avión y decide “está bien, esta cosa puede volar, así que tendré que evitar que se caiga”. Es precisamente al revés. Las moléculas de aire tonto simplemente tropiezan y se mueven y mantienen el avión en alto, y nosotros * llamamos * a este vuelo. Cuando las cosas “salen mal” desde nuestro punto de vista y el avión se estrella, no es porque haya perdido esta esencia “voladora” interior, sino porque alguna pieza del motor se descompuso, etc. Siempre es un evento físico concreto.

Y como humanos, no nos esforzamos por alcanzar una meta universal absoluta. En un nivel laico, todavía estamos atrapados con la visión del siglo XIX de la gran cadena del ser, la gloriosa transición de la materia inanimada a la animada que luego a lo largo de la evolución produjo sucesivamente animales “más y más altos” y finalmente el pináculo de la existencia, el ser humano y la mente humana, la cosa más compleja y misteriosa del universo, bla bla. Esto también está conectado a nuestra visión moderna del progreso. Vemos progreso moral, abolimos la esclavitud, no cazamos brujas, etc., experimentamos un cambio / progreso tecnológico y social más rápido que nunca, esperamos que las economías saludables crezcan por defecto y nos preocupemos por el estancamiento, etc. En esta mentalidad es natural preguntar a dónde se dirige la humanidad, cuál es nuestro objetivo final, a dónde nos llevará este progreso cada vez más acelerado. La idea de IA también es algo que surge de este suelo.

Pero ni la vida ni la inteligencia son “especiales” o “extraordinarias” en algún sentido esencial. La vida simplemente se “seleccionó a sí misma”, no se esfuerza por ser lo que es. Nadie convenció a los primeros seres unicelulares de que la reproducción es buena. Una vez que aparecieron algunas entidades autorreplicantes, simplemente se extendió. El patrón que forma el material circundante en patrones que a su vez también crean dichos patrones simplemente se extiende sin ninguna orientación externa o decisión de diseño. En retrospectiva, a menudo reinterpretamos nuestro pasado como un camino que siempre apuntaba en la dirección de la situación actual. Nos olvidamos de las cosas que no se ajustan a esa narrativa (todas las especies extintas) y recordamos las que sí lo hacen (el linaje único que nos conduce a este vasto árbol evolutivo). Nuestros antepasados ​​no eran una versión subdesarrollada de nosotros, ni tampoco somos una versión subdesarrollada de nuestros descendientes.

Hay mucho bagaje filosófico oculto e implícito cuando se habla de “IA”. Entonces, cuando la pregunta es este tipo de “¿la IA ya puede hacer esas cosas mágicas que realmente no puedo describir pero que me hacen sentir un hormigueo”, entonces no. Pero los humanos tampoco pueden hacer tales cosas, pero nos gusta idealizarnos para sentirnos mejor e imaginar que nuestros errores son simplemente indicentales y que hay una versión interna óptima y pura de nosotros mismos escondidos allí.

La IA todavía está en sus primeras etapas. Sin embargo, hay algunas aplicaciones impresionantes que, en sus primeras etapas, son prometedoras. Programas como IBM Watson.
La principal preocupación es el miedo a una IA incontrolable que sea popular en la cultura pop, como Hal en 2001: A Space Odyssey o Skynet en la franquicia Terminator.
No creo que la tecnología en sí sea peligrosa, solo la aplicación en la que podría programarse. Apenas este mes, julio de 2015, un importante científico advirtió contra el peligro de mezclar la IA con la guerra. Mentes científicas de renombre como Stephan Hawking y Elon Musk han firmado una carta declarando su preocupación por combinar la IA con la tecnología militar y están defendiendo el control humano. Puede encontrar más información sobre el tema en esta publicación de blog que escribí: myWebRoom’s Recommended: From Giant Squids to AI Warfare

La movilidad se ha convertido en un aspecto importante de las empresas y muchas empresas ahora están explorando formas de maximizar las innovaciones, características y funcionalidades de los teléfonos inteligentes y tabletas.

La realidad aumentada (AR) tiene un gran potencial para transformar la forma en que hacemos negocios y se convertirá en una herramienta importante en el lugar de trabajo para mejorar los procesos y flujos de trabajo de la empresa.

ASISTENCIA REMOTA

Cuando se trata de trabajos de campo (trabajar de forma remota), incluso los profesionales con mejor desempeño pueden encontrar circunstancias desafiantes en las que necesitan el apoyo de alguien en la base, y aquí es donde las gafas AR podrían ser útiles.

Los trabajadores remotos podrían usar gafas AR como Google Glass o teléfono inteligente AR para obtener información importante, como manuales o pautas sobre cómo resolver la tarea. Un experto humano que examine la escena desde la base que está lejos o un sistema capaz de visión por computadora (a través de un software inteligente) podría proporcionar esa información importante al trabajador de campo.

MEJOR FORMACIÓN

AR y VR ya se utilizan en el campo del eLearning, que se ha convertido en todo un éxito. Gracias a la tecnología de Realidad Aumentada, un aprendiz ahora puede seguir una instrucción tantas veces como sea necesario para comprender completamente un concepto o procedimiento.

A diferencia de un escenario de entrenamiento del mundo real, el entrenamiento puede ser mucho más elaborado. Puede desmontar fácilmente un motor de automóvil virtual y aprender sus mecanismos rápidamente. Además, el proceso puede repetirse tantas veces como sea necesario. Con Realidad Aumentada, puedes practicarlo una y otra vez para aprenderlo a fondo o para mejorar una habilidad en particular. Leer más: La realidad aumentada de 5 maneras podría expandir su negocio

En este momento tenemos sistemas que pueden realizar tareas particulares muy bien, como sistemas de reconocimiento de voz o automóviles autónomos. Lo que no tenemos son sistemas que puedan aprender a realizar nuevas tareas.

los La inteligencia artificial (IA) es la inteligencia exhibido por máquinas o software. Hay pocos ejemplos de esto en la vida real que funcionan de manera muy eficiente y de maneras maravillosas. Este sistema de IA tiene aplicaciones en muchos campos y, por lo tanto, funciona en muchos campos, uno de ellos es la lingüística .

Chatterbot:

Un chatterbot (también conocido como talkbot , chatbot , Bot chatterbox , Artificial Conversational Entity ) es un programa de computadora que conduce una conversación a través de métodos auditivos o textuales. Dichos programas a menudo están diseñados para entablar pequeñas conversaciones con el objetivo de pasar la Prueba de Turing engañando al compañero de conversación para que piense que el programa es humano.

Algunos chatterbots utilizan sofisticados sistemas de procesamiento de lenguaje natural, pero muchos simplemente buscan palabras clave dentro de la entrada y obtienen una respuesta con las palabras clave más coincidentes, o el patrón de redacción más similar, de una base de datos textual.

Watson

los mejor ejemplo de la vida real Lo sé es IBM Watson . Watson es un sistema informático de respuesta a preguntas capaz de responder preguntas formuladas en lenguaje natural.

Watson compitió en el programa de televisión estadounidense Jeopardy! contra los ex ganadores Brad Rutter y Ken Jennings. Watson recibió el primer premio de $ 1 millón. Watson tenía acceso a 200 millones de páginas de contenido estructurado y no estructurado que consumen cuatro terabytes de almacenamiento en disco, incluido el texto completo de Wikipedia, pero no estaba conectado al Internet durante el juego. Las fuentes de información para Watson incluyen enciclopedias, diccionarios, tesauros, artículos de noticias y obras literarias. Watson también usó bases de datos, taxonomías y ontologías.

La mejor IA conversacional todavía está un poco apagada … aquí hay un artículo que leí sobre el tema hace un tiempo; La IA conversacional se acerca a vencer la prueba de Turing – Probado
Existen otras formas de IA, como el reconocimiento de imágenes. Este tipo de IA por sí solo distingue la diferencia entre una puerta y un arco cuando se muestran imágenes de cada uno. También hay otras áreas de investigación y logros de IA para incluir construcciones de IA específicas de hardware y similares. IBM ha tenido una gran influencia tanto en el lado del hardware como del software, al igual que varias universidades, probablemente en estas áreas se encuentra la mayor parte del crecimiento en este campo. Google es tu amigo, ya que hay numerosos lugares con conexión a Internet con más información.

Visión por computadora: descripción precisa de fotos
Una computadora ahora puede resumir el contenido de una foto con precisión. Esta investigación en detección de objetos, clasificación y etiquetado proporciona subtítulos como “perros jugando en el césped”. Esto también es útil para usuarios ciegos. Con Google [1] aplicando esto a Google Photos a finales de 2014, el software de Microsoft ganó el desafío de visión por computadora ImageNet en 2015 [2] y ahora Facebook [3] permitiendo a los usuarios con discapacidad visual “ver” sus fotos al reconocer objetos en él, Los avances en el reconocimiento de objetos han recorrido un largo camino.

Momento AlphaGo de Google
Por primera vez, un programa de computadora venció a un jugador profesional en Go, considerado más complejo que el ajedrez que no tiene métodos de juego sencillos. DeepMind de Google combinó el aprendizaje profundo con la búsqueda de árboles (búsqueda de árboles de Monte Carlo) junto con el aprendizaje de refuerzo para construir la mejor tecnología de IA capaz de ganar contra jugadores profesionales de Go. Ganó contra Fan Hui 5-0 y contra Lee Sedol 4-1. Con habilidades de reconocimiento de patrones, planificación y toma de decisiones, las redes neuronales (políticas y redes de valor) junto con la técnica de búsqueda de árboles de Monte Carlo para jugar el resto del juego en su cabeza, el programa está capacitado para mejorar con el tiempo. Las redes neuronales reducen en gran medida el espacio de búsqueda exponencial. Ver [4] y [5].

Revolución de hardware
Nvidia ha desarrollado Tesla P100 para acelerar el aprendizaje profundo al permitir que la IA haga uso de unidades de procesamiento gráfico (utilizadas para videojuegos). [6] Con potentes chips que constan de 15 mil millones de transistores, Nvidia ha permitido a otras compañías construir redes neuronales sustancialmente más grandes y, por lo tanto, acelerar el aprendizaje. Llamada Pascal [7], esta plataforma está hecha para un rendimiento extremo y cargas de trabajo intensivas como la del aprendizaje profundo.

Notas al pie

[1] Una imagen vale más que mil palabras (coherentes): construir una descripción natural de las imágenes

[2] Los investigadores de Microsoft ganan el desafío de visión por computadora ImageNet – Siguiente en Microsoft

[3] Uso de la inteligencia artificial para ayudar a las personas ciegas a “ver” Facebook | Sala de prensa de Facebook

[4] AlphaGo: Dominando el antiguo juego de Go con Machine Learning

[5] https://deepmind.com/alpha-go.html

[6] Un chip de $ 2 mil millones para acelerar la inteligencia artificial

[7] Inside Pascal: la plataforma de computación más nueva de NVIDIA

A principios de este verano, tuve el placer de conocer a varios adorables robots diseñados para jugar fútbol. [1]

Estos son los robots que está desarrollando un grupo de ingenieros de UT Austin para su Robocup League.

Nuestra intención es utilizar RoboCup como un vehículo para promover la robótica y la investigación de IA, ofreciendo un desafío público atractivo pero formidable. Una de las formas efectivas de promover la investigación científica y de ingeniería es establecer un objetivo desafiante a largo plazo. Cuando el logro de tal objetivo tiene un impacto social significativo, se llama un proyecto de gran desafío. Construir un robot que juegue fútbol no generará por sí solo un impacto social y económico significativo, pero el logro se considerará un logro importante para el campo. Llamamos a este tipo de proyecto un proyecto emblemático. RoboCup es un proyecto emblemático y un problema estándar. Objetivo

El objetivo de Robocup me recordó lo que había dicho uno de los profesores. La tecnología, ya sea informática o ingeniería, se trata de pararse sobre los hombros de los gigantes. Se trata de aprender de lo que los antepasados ​​de la profesión han logrado y llevar sus hallazgos un poco más allá.

En este sentido, los robots en el futuro serán versiones mejoradas de lo que tenemos hoy. En unos cincuenta años, los robots que compitan bajo Robocup podrán jugar eficazmente contra los humanos. ¡Imagina eso!

Estamos lejos de que los robots sean los equivalentes de los humanos. En lugar de centrarnos en la terrible posibilidad de que los robots se apoderen del mundo, creo que deberíamos centrarnos en cómo podemos construirlos hasta el punto en que puedan ser de ayuda para nosotros.

Hasta ahora, hemos recorrido un largo camino en IA. Podemos hacer que los robots se muevan. Pueden realizar acciones simples como patear una pelota de fútbol y comunicarse con otros robots en el campo. Ahora, ¿pueden correr a la velocidad de un humano? ¿Pueden resistir contra el fuerte viento y la lluvia? ¿Pueden pensar en una estrategia de juego sólida por su cuenta?

No.

Pero al pararse sobre los hombros de los gigantes que hemos construido a lo largo del siglo, deberían poder hacer todo esto y más en las próximas décadas.

1. VID_20170607_094705.mp4

La IA no es inteligente. Más bien, es capaz.

El alcance y la profundidad de las tareas que realiza la IA continúan expandiéndose. Como practicante de IA, puedo crear Programas Genéticos (GP) increíblemente exitosos siempre que tenga buenos conjuntos de entrenamiento. Dame ejemplos de entrada y salida, y generalmente te daré una buena transformación, salida como cualquier cosa de un programa de computadora, autómatas de estado finito, árbol de decisión, etc. Una ventaja es que las salidas de este tipo de GP pueden usarse para resolvió problemas aún más difíciles en dominios relacionados. Este enfoque es capaz de resolver tareas que los humanos no pueden resolver fácilmente.

Otro enfoque es la minería de datos masiva. En lugar de un conjunto de capacitación específico para un pequeño número de dominios, podemos recopilar datos diversos y dejar que la IA determine qué relaciones y conclusiones interesantes puede extraer. Ha habido algunos éxitos, pero nada que se aproxime a la inteligencia humana general. Esto muestra las limitaciones de la IA moderna. La inteligencia artificial solo puede mejorar a medida que se realizan mejoras en el software, y la computación, el almacenamiento y la recuperación de datos mejoran en velocidad y calidad. Como beneficio adicional, la capacidad de tarea de la que hablé anteriormente se puede incorporar a esta capacidad general. Sus hijos verán cosas asombrosas. HAL 9000 alguien?

¡Asegúrese de consultar la respuesta de Sam Sinai a esta pregunta!

depende de la IA y de lo que le pidas que haga. Por lo general, la inteligencia artificial tal como está ahora es la más adecuada para analizar grandes conjuntos de datos o una rápida toma de decisiones o análisis de datos: cosas como comparar la geometría de los rostros humanos con una base de datos de datos faciales, o marcar un cargo por un chocolate de ‘300 dólares Conejo de Pascua ‘en una tarjeta de crédito como’ sospechoso ‘o cosas como monitorear un sistema complejo e informar sobre consultas (IE: muéstrame un mapa de cada edificio que usa más de una cierta cantidad de agua o electricidad). el tipo de cosas que los humanos pueden hacer, pero generalmente están abrumados o no pueden hacerlo tan rápido como sea óptimo. Las cosas de base amplia o difíciles de definir matemáticamente siguen siendo muy difíciles para ellos, por lo que algo así como una entidad autoconsciente todavía está lejos. pero algo que funciona como la ‘computadora’ en las películas de Star Trek?
podemos hacer eso ahora.