Inteligencia natural 🙂
En una nota más seria, creo que el próximo gran avance en IA debe provenir de las matemáticas. Todo el bombo que tenemos hoy en la IA, específicamente en el aprendizaje profundo, depende de algoritmos como Redes Neuronales Artificiales o Máquinas de Vector de Soporte. Si se sumerge profundamente en estos, verá en el corazón de estos algoritmos mentiras de ecuaciones de cálculo diferencial o álgebra lineal. La informática puede resolver problemas algorítmicos y de optimización en la búsqueda (piense en una búsqueda en estrella) o en la clasificación, pero creo que el desafío para la IA es matemático .
¿Por qué?
- ¿Podría la inteligencia artificial gestionar proyectos?
- ¿Es la inteligencia artificial realmente el fin de la humanidad?
- ¿Cómo debo comenzar a crear una IA simple en Java?
- ¿Cuál sería el pronóstico del mercado de inteligencia artificial de Asia Pacífico y cuál es el área de aplicación?
- ¿Dónde comienzas a investigar para la IA? ¿Cuáles son los requisitos para crear una IA?
Un problema central en General Intelligence es poder construir un buen modelo del mundo. El modelado se puede utilizar para razonar y predecir eventos en el mundo, dos de los componentes más críticos de la inteligencia. Para construir buenos modelos, podemos usar algoritmos como ANN, y hemos tenido bastante éxito al hacerlo, hasta cierto punto. Pero los algoritmos existentes no son lo suficientemente ricos como para manejar problemas genéricos. Todavía necesitamos ajustar nuestros algoritmos de aprendizaje automático con hiperparámetros cuidadosamente seleccionados (basados en experimentos). Pero esta es una mano que idealmente una IA no debería requerir.
Si podemos encontrar un algoritmo que pueda tomar señales de varios dominios (visual, audio, etc.) y poder construir una representación jerárquica de los datos sin tener que conocer de antemano las técnicas de optimización específicas del dominio, podemos resolver la mayor pieza del rompecabezas. De hecho, las optimizaciones para casos específicos de dominio deben aprenderse de los datos mismos y no ser una entrada externa. Esa es la esencia de la inteligencia general. Si resolvemos este problema del modelo de construcción, habremos resuelto una IA fuerte.
Entonces, ¿por qué las matemáticas?
Creo que este algoritmo para construir modelos a partir de datos sin procesar necesita resolver un problema matemático. Es cómo representar una secuencia de bytes en un sistema de símbolos jerárquico para que los niveles de abstracción sean casi óptimos. Ser óptimo, tanto compacidad en la representación como velocidad en la búsqueda. Los objetos que reconocemos visualmente, por ejemplo, no son más que el punto dulce de abstracción que nuestro cerebro ha descubierto. Es por eso que no vemos una mancha de diferentes colores, sino claros objetos distintos. Y luego eventos. En resumen, necesitamos resolver primero el desafío matemático de encontrar un esquema casi óptimo para la representación del conocimiento a partir de datos sin procesar. Nunca puede ser completamente óptimo porque la cantidad total de datos nunca se conoce y aumenta en tiempo real. Este problema requerirá cierta innovación matemática en un nivel comparable al cálculo diferencial o algebra lineal. Al menos utilizará estos conceptos y lo llevará mucho más lejos.
Una vez que comencemos a construir marcos que puedan funcionar en datos de tal generalidad y alcance, estaremos en camino de construir nuestra primera instancia de IA fuerte. Hasta entonces, solo estamos optimizando el último avance matemático, que realmente fue cálculo y álgebra.
