As we have talked about in some occasions, “The Singularity” is a point in the future where the machines that we have built become capable of building more machines as intelligent as themselves.

There are a lot of discussion about this topic; some people argue that this is an utopic issue, but other ones are absolutely sure about The Singularity.

The November 2, a group of scientists (all from the United States), joined to deal with this topic. In fact, they discussed about the future of artificial intelligence, or more specifically, about questions like these ones:

• Could robots eventually become so smart that they pose a threat to society?
• Is it necessary to include an ethical and legal code about artificial intelligence?

Tom Mitchell, from Carnegie Mellon University, showed his worry about what people could do with artificial intelligence, not what machines themselves could do. Eric Horvitz, a Microsoft Researcher and ex-director of the Association for the advancement of Artificial intelligence (AAAI), was in the meeting too. In fact, Horvitz was the one who joined this group in order to write a report about this topic.

Horvitz said that this was the first time that AAAI merged to discuss about AI’s positive and negative impacts, and from my point of view, this is a good point, since technology evolves very fast and there is no problem in talking about the possible impacts (and I am not talking only about AI).

The most radical opinions were David McAllester’s and Manuela Veloso’s.

In one hand, David McAllester, professor and chief academic officer at the Toyota Technological Institute at Chicago, believes that singularity is absolutely real, and that there is no way to avoid it in the future. Machines would be able to construct smarter and better versions of themselves and become infinitely intelligent.

In the other hand, Manuela Veloso, another professor from Carnegie Mellon, doesn’t think that Singularity is a future problem. She doesn’t believe that artificial intelligence would evolve that way. She declares herself as an engineer, and as a realistic person. Definitely, she observes robots as a medium for improving humanity’s well-being.

As it can be seen, there are various opinions about the topic, what is yours?

Source: PittsburghLive

Creo que la mayoría de la gente ha oído hablar del programa Redes, y de todo lo que hace Eduard Punset por la divulgación científica. Tal vez sea una de las personas a la que más respeto tengo en los medios de comunicación (sin olvidarme de Juan Antonio Cebrián y de todo su equipo), ya que gracias a él se puede hablar de ciencia pura sin tapujos, en espacios de comunicación masivos, aunque esto suceda a horas intempestivas.

El programa del 11 de octubre se titulaba “Aprender de los Robots”; aunque nuestra temática principal no es la robótica (muchas veces lo parece), el reportaje nos da muy de lleno, ya que nos habla de la utilización, para un investigación del Doctor Alan Winfield, de robots autónomos con capacidad de aprender de otros robots. La investigación tiene el objetivo de dar luz al origen de nuestra cultura, y cuáles son los factores que provocaron que existan conceptos como tradición o legado.

Durante el vídeo se tratan principalmente tres temas: técnicas de aprendizaje bioinspiradas, sistemas autónomos y conciencia colectiva.

Como se puede ver, las investigaciones de Alan Winfield mezclan estos conceptos, usando un conjunto de pequeños robots con dispositivos para detectar el entorno y una gran capacidad de aprendizaje. Esto último, unido con la libertad de que ningún sistema tiene la capacidad jerárquica de controlar su acciones, poco a poco hace que se empiecen a detectar patrones de conducta, y que después de ese tiempo se pueda hablar de cultura. Para ello se fijan en las técnicas que utilizan otros seres vivos (como las hormigas, las termitas o las abejas) que por sí solos no tienen una gran inteligencia, pero en conjunto poseen un gran capacidad de creación y coordinación, es decir, de inteligencia colectiva. Es más, se podría decir que poseen esa capacidad de ver a la colmena como un todo, sin necesidad de que nadie mande ni les ordene, aunque cada uno de manera individual es autónomo; el individuo no tiene sentido por sí mismo y el conjunto es el que tiene la capacidad de desarrollarse.

Una investigación alentadora, un uso de los robots muy original, y un concepto muy interesante: crear máquinas para estudiar a seres humanos.

Vía Redes 41: Aprender de los robots.

En el post anterior concluíamos que la teoría de la información de Shannon (con el concepto de entropía), unido a los árboles de decisión, constituían las herramientras principales para la creación de Akinator y sistemas similares. También es cierto que uno de los puntos más importantes en la concepción de dicha máquina es la capacidad de “aprendizaje” o realimentación que muestra a partir de las respuestas de la gente.

Akinator no es una máquina estática, que toma decisiones estáticas durante toda su “existencia”; más bien es una máquina dinámica, que se adapta a las nuevas entradas que la gente introduce. Intuitivamente podemos entender que el árbol que modela su comportamiento se va recalculando a medida que la gente introduce entradas nuevas, de este modo si las tendencias de la gente cambian a la hora de elegir un futbolista, por ejemplo, la máquina se adapta a dicho cambio y por tanto las preguntas variarán. El tema del aprendizaje es de por sí un tema amplísimo, de los más importantes quizá en el campo de la inteligencia artificial, y en mi opinión de los más apasionantes, por ello no voy a tratarlo en este post, sino que dedicaré tiempo a ello más adelante.

Además, tampoco voy a hablar del algoritmo ID3 ni de Quinlan, su creador, puesto que me parece que lo interesante de estos posts era saber intuitivamente cómo era concebible Akinator, sin entrar en detalles más técnicos que a muchos de vosotros quizá no os interese (no obstante, si os interesa, es bastante sencillo entender cómo funciona dicho algoritmo, así que adelante, preguntad).

En este post por tanto quiero dejar algunas reflexiones abiertas; no se basan en mi opinión, son sólo reflexiones, así que a ver si os animáis, las criticáis o las defendeis y levantamos nuevamente el blog después de este pequeño letargo.

Dado un dominio del conocimiento concreto, tanto para humano como para una máquina, y entendiendo intuitivamente la inteligencia:

Reflexión 1: El test de Turing. Si un humano que observa un ente (ya sea humano o máquina) y aprecia en dicho ente un comportamiento que pueda entenderse como inteligente, ¿está observando inteligencia?. De otro modo, si veo a una persona intentando adivinar el pensamiento de otra con preguntas, y después veo el comportamiento de Akinator, presentando ambos un comportamiento inteligente, ¿puedo concluir que ambos son inteligentes?.

Reflexión 2: La habitación China. Si una máquina que muestra un comportamiento inteligente, implementa en su interior un comportamiento que es totalmente determinista, con unos algoritmos concretos y un conocimiento dado, ¿es la máquina inteligente?. Si respondemos que no lo es, sino que sólo atiende a lo que tiene “programado”, entonces ¿por qué entendemos a un humano como un ser inteligente? es decir, en realidad no sabemos que hay en lo más profundo del cerebro humano.

Conclusión:
Tenemos una máquina que responde de forma inteligente, y de la que conocemos totalmente su funcionamiento interno.
Por otro lado tenemos un humano que también responde de forma inteligente y del cual no conocemos su funcionamiento interno.
De esto ¿cómo podemos concluir o discernir dónde hay inteligencia?

A muchos os sonará el término cociente intelectual o coeficiente intelectual; esto es debido a que es el método más común para medir la inteligencia de un individuo. A través de unas preguntas se consiguen medidas psicométricas, las cuales intentan demostrar las capacidades del individuo a través de la resolución de problemas, utilizando la lógica, el cálculo mental, o el análisis del lenguaje. Es muy típico en este tipo de test preguntar cómo continúa la serie, eliminar elementos fuera de lugar, descubrir erratas en el texto o juegos de lógica. Con todos estos conocimiento se realiza un análisis, que da unos valores que son normalizados utilizando una campana de Gauss. De esta normalización se obtiene el coeficiente intelectual.

Campana de Gauss que normaliza el coeficiente intelectual

La teoría triárquica de la inteligencia es en sí misma una crítica a los actuales test de inteligencia que miden los coeficientes intelectuales. Cuando Sternberg define las diferentes subteorías de la inteligencia, realmente desea dejar claro cuáles son las capacidades que cubren las medidas psicométricas realizadas al evaluado. La inteligencia analítica es medida a través de estos test, la inteligencia creativa puede ser medida de manera parcial, pero la inteligencia de adaptación no se puede medir con los test actuales.

Por tanto, nos podemos encontrar con individuos con coeficientes intelectuales muy altos pero con serias capacidades sociales. Muchos de los grandes superdotados con coeficiente muy por encima de la media, como el filántropo Bill Gates, sufren Síndrome de Asperger, un grado de autismo muy bajo que les impide captar las emociones de otros individuos, por lo que su capacidad de adaptación y de relación interpersonal es muy limitada. Con el coeficiente intelectual no se valora la inteligencia social o de adaptación para describir la inteligencia del individuo, no se tiene en cuenta en las mediciones, aunque según esta teoría (y otras, como la teoría de las inteligencias múltiples) es parte de la inteligencia. Por esto, Sternberg pensaba que estas mediciones eran sesgadas y no reflejaban la realidad.

Por último, señalar que si evaluáramos a las máquinas con los mismos tests que miden la inteligencia de los seres humanos, podría sorprender la capacidad y el coeficiente intelectual que obtendrían éstas. Si es válido para los humanos, ¿estaríamos frente a máquinas superdotadas?