Esta pregunta no está claramente redactada, por lo que no estoy muy seguro de a qué apunta, pero lo interpretaré como “por qué la investigación de inteligencia artificial se centra en técnicas que imitan cerebros en lugar de buscar otros enfoques”.
Creo que hay varias razones:
- Realmente no tenemos nada más para trabajar. Cada entidad inteligente que hemos encontrado tiene un cerebro, y nunca hemos encontrado algo que derive su inteligencia de un mecanismo sustancialmente diferente. Estamos siguiendo un camino probado.
- Al imitar la neurociencia, aprendemos sobre la neurociencia. Asistí a una conferencia donde uno de los investigadores de mi universidad anunció, tentativamente, que habían identificado una región del cerebro que estaba conectada exactamente de la misma manera que nuestras redes neuronales, entonces muy primitivas. Fue un descubrimiento sorprendente. Posteriormente, hemos podido explicar los fenómenos en el comportamiento humano al comprender el tipo de red neuronal que los sustenta y lo que hace matemáticamente.
- Lo más importante: funciona. Se necesitó una de las supercomputadoras más poderosas del mundo, diseñada específicamente para el ajedrez y programada por expertos en ajedrez, para vencer a Gary Kasparov en el ajedrez utilizando un enfoque de fuerza bruta. En ese momento se pensó que pasarían al menos 50 años antes de que una computadora pudiera vencer a un humano de alto nivel en el juego mucho más libre de Go. El año pasado, solo 20 años después, Alpha Go venció a Lee Sedol esencialmente habiéndose enseñado a jugar. El infame Move 37 en el Juego 2 fue un punto clave tanto en el juego como en el desarrollo de la IA. Alpha Go hizo un movimiento que muchos comentaristas pensaron que era un gran error, pero resultó ser decisivo. Fan Hui, un jugador experimentado de Go que ha jugado Alpha Go antes, observó: “No es un movimiento humano. Nunca he visto a un humano jugar este movimiento. Tan hermoso”.
Hasta ahora, en 2017, hemos visto varias historias de noticias en las que Google ha creado rutinas de inteligencia artificial que son mejores para hacer cosas similares a las humanas que los humanos. La más significativa es posiblemente una IA que sea al menos tan buena, y a menudo mejor, en el diseño de otras IA que no sean humanos.
- ¿Cuál es la diferencia entre el aprendizaje automático, el aprendizaje profundo y la IA?
- ¿Cuáles son las mejores aplicaciones de IA?
- ¿Qué tipo de inteligencia tienen los humanos?
- ¿Cuáles son algunos ejemplos de productos o servicios a partir de los cuales podemos generar ingresos después de la inminente adquisición de robot / ai?
- Soy diseñador de circuitos (PhD), quiero entrar en el aprendizaje automático. ¿Qué temas necesito aprender para as de las entrevistas? Realmente agradecería una lista.
El punto es: dado que hemos podido imitar redes neuronales a escala, hemos desarrollado IA que pueden hacer muchas más cosas similares a las humanas, cosas que la potencia computacional no podría manejar, principalmente porque no puede aprender o autocorregir La informática de estilo Deep Blue puede evaluar una gran cantidad de escenarios, pero debe enseñarse. Deep Blue nunca podría haber jugado la jugada 37.
Las redes neuronales, cuando las analiza matemáticamente, realizan análisis estadísticos y aprenden cómo asociar conjuntos complejos de entradas con las salidas que mejor logran un objetivo. Eso significa que con solo entradas repetidas y retroalimentación sobre el éxito o el fracaso, una red suficientemente compleja puede aprender por prueba y error, en lugar de tener que confiar en un humano que codifica el conocimiento humano (con todo el potencial para un error incorporado y no corregido que eso implica) .
Es probable que veamos IA en el futuro que combinen elementos de soluciones de redes neuronales y de procedimiento, porque son buenas para diferentes cosas. Pero estamos progresando más y más rápido a través de la ruta de la red neuronal, y es poco probable que alcancemos los límites de su potencial en el corto plazo.
