Me referiría al libro, The Society of Mind de Marvin Minsky. No tuve la oportunidad de leer este libro porque es un poco caro, pero tuve una buena idea a través de un análisis en Internet, que por supuesto fue gratuito (Examining the Society of Mind). La idea que Minsky quizás está tratando de impulsar es:
¿Qué truco mágico nos hace inteligentes? El truco es que no hay truco. El poder de la inteligencia proviene de nuestra gran diversidad, no de un principio único y perfecto. —Marvin Minsky, La Sociedad de la Mente , p. 308
En resumen, el autor postula que la mente humana no es una entidad única sino una colección de agentes simples que cooperan para realizar una tarea.
- ¿Cuál es la diferencia entre las clases de inteligencia artificial?
- ¿Es teóricamente posible que la inteligencia artificial tome el control del mundo?
- ¿Cómo se define la función de valor de estado óptimo para los procesos de decisión de Markov?
- ¿Crees que un asistente personal de inteligencia artificial puede resolver problemas fundamentales de productividad?
- ¿Debo trabajar en compiladores, sistemas distribuidos o aprendizaje de refuerzo e IA?
Entonces, la pregunta para mí más específicamente es ¿puede Deep Learning modelar nuestras mentes? La respuesta es ¿tenemos algo más que sea más viable, que sea más sustancial y menos teorizante? Según mi opinión, las matemáticas prueban o refutan el límite de lo que la inteligencia humana puede lograr o no.
En los últimos años, DL ha mostrado una gran promesa. Para las personas que no son un pensador tan profundo como Marvin Minsky, esta es la manera de hacer contribuciones humildes, hacer muchos experimentos de DL y ver lo que llama la atención. El refuerzo de aprendizaje no se trata de vencer al mejor jugador AlphaGo, sino que abre una ventana para formas de aprendizaje más sofisticadas, como lo que sucedería en un entorno de múltiples agentes. ¿Aprenderán a trabajar juntos para vencer a un adversario común? ¿Dejarán de lado las recompensas individuales para lograr la tarea final?
El aprendizaje supervisado es lo de corto plazo. Esto es lo que generará los fondos para una investigación de IA más fundamental. La percepción de la máquina, la traducción, el reconocimiento / síntesis de voz son todas buenas tareas de IA que generarán ingresos en el corto plazo. Pero cuando piensas en términos de modelar pensamientos y creatividad, no hay otra opción que el Aprendizaje sin supervisión . Estas son cosas que no se aprenden a través de datos etiquetados, sino que evolucionan a partir de un proceso estocástico. Sin embargo, los datos siguen siendo la clave. ¿Qué tan bueno será un humano si lo mantuvieron aislado en una habitación desprovista durante toda su vida? ¿Cuáles serán sus pensamientos, será lo suficientemente inteligente como para tener pensamientos creativos? ¿Desarrollará un mecanismo de comunicación para expresar sus pensamientos? Algunas personas enfermas y retorcidas incluso han intentado hacer estos experimentos. Pero el punto es que necesita alimentar al modelo con una gran cantidad de datos para permitir que su inteligencia evolucione, parte del aprendizaje será supervisado, otro semi-supervisado, otro auto-supervisado, pero una gran mayoría de ellos no serán supervisados para ser supervisados. Realmente grado de inteligencia humana.
Necesitamos llegar a hitos de las tareas de IA hasta que alcancemos el ideal de Minsky, donde el funcionamiento de la mente humana se replica por completo en las máquinas. Y con la capacidad de las máquinas de redes rápidas y procesamiento aritmético / lógico rápido, no debería ser demasiado difícil llegar a la súper inteligencia una vez que se logra la inteligencia general.
Una de las metas que considero lo suficientemente desafiante es tener una colección de preguntas de Razonamiento lógico (LR) y Comprensión de lectura (RC) de algo tan difícil como CAT (Prueba de admisión común – Wikipedia) y hacer que el modelo de IA compita con un grupo de los solicitantes Si tenemos los modelos dentro del percentil 99.99 de los puntajes, podemos pensar en metas más esotéricas para lograr. Una vez más, DL parece ser nuestra mejor apuesta aquí con cosas como redes neuronales aumentadas y otras cosas.