¿Podría la IA volverse autónoma y aprender y adaptarse de manera no supervisada a través del aprendizaje profundo?

“A través del aprendizaje profundo”: si esto implica ML donde las muestras se asignan a las etiquetas de clase, entonces la respuesta es no. El aprendizaje no supervisado es lo que hacemos cuando interactuamos con un entorno coherente. El entorno nos supervisa siendo coherentes (predecibles). El aprendizaje de estilo hebbiano en el que las entradas comunes son seguras y los caminos (a las respuestas) se refuerzan como resultado. Si no se supervisa, las muestras de aprendizaje de un régimen simbólico como el texto, el número de imágenes de píxeles, etc. tienen un problema semántico con las muestras (por resolver) y también con la elección de las clases: es ese problema el que la gente de ML puede resolver ( dependiendo de sus interpretaciones) con aprendizaje supervisado. Para que la IA sea autónoma, el aprendizaje debe muestrear un entorno consistente a nivel de muestras basadas en sensores y debe adaptarse utilizando la retroalimentación de las respuestas de las interacciones con ese entorno. Las muestras de sensores de entornos consistentes (dadas las tasas de muestreo apropiadas (p. Ej., Nyquist)) proporcionan datos consistentes y persistentes que son espacialmente correctos (relaciones espaciales codificadas). Por lo tanto, está condicionado a ser adecuado para aprender sobre las interacciones con las fuentes de información (que proporcionan las muestras )

No puede conectar un sistema a una fuente de texto sin que el sistema sepa cómo interactúan los componentes de texto con el mundo real. La lógica puede funcionar en el texto, pero la semántica subyacente realmente determina la verdad. (Creo que ese es el punto del experimento mental de la habitación china de John Searle).

En este caso (muestreando un caso de entorno consistente) la respuesta es quizás. En este caso, el aprendizaje profundo implicará: gobernado / determinado por un propósito del sistema definido (conjunto de objetivos) a partir del cual las interacciones se pueden planificar para adaptarse a este propósito y las interacciones proporcionarán la retroalimentación para la gestión y la realización del objetivo.

La cuestión de cómo sería exactamente un sistema de aprendizaje automático “autónomo” es increíblemente confusa. Como mínimo, debería poder hacer lo siguiente:

1. Reescribir a sí mismo
2. Sepa automáticamente cómo buscar en Internet fuentes de datos novedosas e interesantes que lo ayuden a realizar tareas
3. Tener alguna forma de saber exactamente lo que debería estar aprendiendo

Ahora, para ser claros, estas tres cosas son necesarias, pero de ninguna manera suficientes. Además, los tres son completamente imposibles en este momento. Estamos tan lejos de comprender lo que sería un sistema autónomo de aprendizaje automático que ahora es tanta ciencia ficción como hace 50 años.

Absolutamente. Echa un vistazo al proyecto OpenAI. Lo que intentan hacer es alejarse del enfoque tradicional de la función de recompensa para el aprendizaje. Si bien todavía tienen una función de recompensa, las capas adicionales entre ella y el comportamiento real obligan a la IA a desarrollar un plan para obtener la recompensa en lugar de seguir el plan del diseñador del sistema.

Todavía es temprano y hay muchos fracasos, pero es un buen enfoque.

La parte no supervisada es la parte crítica. También es la razón por la que no tengo miedo de la IA en este momento. Creo que estamos al menos 2 a 3 décadas lejos de esto.

Tan pronto como se convierte en realidad, es cuando la IA se vuelve aterradora.

Posiblemente. Pero solo puede ser 10 años más adelante si no más tarde.