Mi introducción al campo de la IA ocurrió casi por accidente. Estaba en la escuela de posgrado en la India en 1981, entrenando para ser ingeniero eléctrico. Fui a una feria de libros muy grande (¡no había Internet en esos días!), Y descubrí un libro maravilloso de Douglas Hofstadter:
Gödel, Escher, Bach: una trenza dorada eterna: Douglas R. Hofstadter: 9780465026562: Amazon.com: Libros
Este libro es una exposición popular de una vez en una generación que es bastante densa y larga (más de 800 páginas), pero también un modelo de escritura (ganó el Premio Pulitzer). En mi opinión, nunca ha habido otro libro que haya alcanzado las alturas de GEB de reunir diversos campos. Fue y es un tour de force de la escritura. Nada de lo que Hofstadter escribió jamás se acercó a esta obra maestra. Se trata de entrelazar ideas en matemáticas, informática, arte, IA y música. La recursión juega un papel importante en este libro. De todos modos, el aprendizaje automático y la IA fueron temas principales en este libro. Hofstadter fue clarividente, prediciendo casi cuatro décadas antes de su tiempo la importancia del aprendizaje automático. Cambio mi vida. Pasé a estudiar IA, convencí a mi escuela de posgrado en India para que me dejara salir con una tesis de maestría sobre aprendizaje automático e ingresé a un programa de doctorado en los Estados Unidos para hacer aprendizaje automático con Tom Mitchell (¡suerte!). El resto es historia.
- Con el surgimiento de autos sin conductor en un futuro previsible, ¿convertirse en un conductor de Uber / Lyft es una buena opción de carrera?
- ¿Cuándo habrá un software de IA de asistente virtual personal asequible y de calidad que trabaje de manera interactiva conmigo para ser mi maestro de tareas para maximizar mi productividad y felicidad?
- ¿Cuál es la diferencia entre skip, mirilla y conexiones residuales en redes neuronales?
- ¿Hay alguna manera de probar si es posible un modelo algorítmico de la mente humana sin implementarlo?
- ¿La supercomputadora 'Watson' realmente lo sabe todo?
La mejor manera de aprender IA, y la forma en que aprendí IA, es haciendo. Elija un problema que le interese y aprenda a resolverlo escribiendo un programa o pensando en ello. Esos días, ML estaba en su infancia. Quién sabía que ML sería bueno para cualquier cosa. Ninguno de nosotros lo hizo. Todo fue diversión inofensiva y, con suerte, una pequeña ventana a la mente humana. Elegí un conjunto de problemas inteligentes diseñados por el matemático ruso Bongard, y escribí un programa LISP para resolverlos. ¿Quieres un desafío divertido? Intenta resolver algunos problemas de Bongard:
Índice de problemas de Bongard
En el camino, aprendí programación de IA a través del maravilloso libro de Charniak, Riesbeck y McDermott (nuevamente en LISP).
Programación de Inteligencia Artificial: Eugene Charniak, etc .: 9780898590043: Amazon.com: Libros
Fue muy agradable, aunque, por supuesto, sabía muy poca teoría. Aprendí un poco en la escuela de posgrado, aunque ML en aquellos días aún no había descubierto estadísticas. Mi primera reunión de ML fue en un pintoresco retiro para adultos mayores en las montañas de Pocono, que contó con 40 investigadores de ML (fue el taller de ML de 1985, no había NIPS o ICML en esos días). Valiant dio una gran charla invitada sobre el aprendizaje PAC. Desde entonces, ML ha crecido, y hoy, NIPS se está acercando a los 10,000 asistentes. ¿Quién sabe cuántos asistirán a NIPS 2017? 20,000? Es maravilloso ver cuán exitoso y práctico se ha convertido el ML, pero debo confesar que en comparación con mi primer taller de ML en 1985, cuando se podía hablar con todas y cada una de las personas que asistieron a la reunión, estos días, ICML y NIPS se sienten como ferias de la industria.
En estos días, siento el fuerte impulso de ramificarse en un campo completamente nuevo, desarrollando la próxima generación de ideas de IA que van más allá de ML. Después de> 150 artículos en ML, estoy en la etapa en la que “he estado allí, hecho eso”. Creo que el campo se ha convertido en ajustes muy incrementales de viejas ideas, en su mayor parte.
Nada en el campo de ML actualmente me explica cómo un niño puede aprender tantas cosas tan rápido. El aprendizaje profundo NO es la respuesta, por más comercialmente exitoso que sea (ningún niño necesita 50,000 ejemplos para aprender a distinguir dígitos). Un niño de 3 años demuestra en gran medida una conciencia del mundo que está más allá del estado del arte en IA.
Si desea una buena exposición de las limitaciones de la IA moderna, lea el siguiente maravilloso artículo sobre “Hacer la IA más humana” en Scientific American por una de las psicólogas más importantes del mundo, Alison Gopnik, en Berkeley. En los dos párrafos iniciales, ella desmantela AI mediante unas simples observaciones sobre su nieto, Augie.
http://www.nature.com/scientific…
La hermosa disección de Gary Marcus del estado del arte en IA que apareció recientemente en la sección Sunday Review del New York Times también es muy recomendable. El párrafo inicial utiliza nuevamente un ejemplo de su hija para mostrar por qué la investigación de IA está fundamentalmente “estancada”. Parafraseando las palabras inmortales de Hubert Dreyfus, es “intentar llegar a la luna trepando al árbol más alto”.
Opinión | La inteligencia artificial está atascada. Aquí se explica cómo avanzar.
El campo necesita NUEVAS ideas, ¡y es difícil encontrarlas! Pero, con suerte, el progreso sucederá lenta y seguramente …
