Los seres humanos han realizado enormes progresos en la comprensión de la realidad física por medio de la comprensión de las leyes que gobiernan el comportamiento de la naturaleza. Sin embargo, estamos muy lejos de comprender la naturaleza de nuestras capacidades intelectuales.
Los primeros cuestionamientos acerca de si una máquina puede llegar a pensar, se pueden rastrear más de dos mil años atrás en la mitología griega. Los griegos hablaban de seres mitológicos creados de manera artificial, los cuales aparecen en historias como Jason y los argonautas, el robot de bronce de Talos y el robot femenino Pandora. Estas entidades producto de la imaginación humana determinan un punto de partida en la búsqueda de la creación de vida artificial. A pesar que son entidades ficticias, representan una idea que muestra retos técnicos altamente desafiantes que nos alientan a hacerlos realidad. Estos retos han marcado el camino hacia la meta de lograr una Inteligencia Artificial útil.
Uno de los primeros enfoques para la creación de inteligencia artificial fue a través de la compresión de la inteligencia biológica. La idea de obtener un modelo matemático de la neurona y conectarla a una red para obtener una red neuronal, marcó el inicio de los Sistemas Inteligentes y del área de “Machine Learning” (Aprendizaje Máquina) o sistemas que aprenden por sí mismos.
Agentes inteligentes que pueden aprender a desenvolverse un juego de damas, jugando contra sí mismos y aprendiendo a través de prueba y error han logrado ser capaces de vencer al mismo programador. En 1997 la supercomputadora Deep Blue construida por IBM, derrotó a uno de los más grandes maestros de ajedrez, Gari Kasparov, demostrando de esta manera que en ciertas tareas la máquina puede superar al hombre. En años recientes la empresa inglesa Deep Mind creó el primer programa de computadora que derrotó al campeón mundial del juego GO, conocido como uno de los desafíos más grandes debido a su alta complejidad.
En los últimos 12 años un gran avance en el área de Machine Learning tuvo lugar: el Deep Learning. Deep learning es nada más que el resultado en mejoras en los algoritmos de redes neuronales, Big Data y avances en computación distribuida. Deep learning ha contribuido de manera central en hacer realidad sistemas como “Self driving cars”, ya que los modelos de redes neuronales entrenados con esta técnica son capaces de reconocer imágenes, muchas veces de manera más precisa que un ser humano.
Si podemos ser capaces de reemplazar a un conductor humano, podemos ser capaces de pintar al estilo de Pablo Picasso?. Las Redes Generativas Adversarias (GAN) intentan lograr esa meta. Las redes GAN se componen de una red generativa y una discriminativa. La generativa forja una imagen por medio de un ejemplo dado y la red discriminativa determina si la imagen generada es falsa o real. En este proceso de generar y discriminar, en algún punto la imagen generada es aceptada por el discriminador como real, en este caso un cuadro al estilo de Pablo Picasso.
El modelo de lenguaje GPT 3 es una técnica cuyo objetivo es predecir lo que viene basado en datos anteriores. Este modelo fue entrenado con una enorme cantidad de libros y millones de páginas web en internet. GPT 3 es capaz de predecir las frases siguientes de un artículo en función de las anteriores, esto quiere decir que con unas cuantas frases es capaz de construir un artículo completo. Existen modelos GPT 3 capaces de responder de manera coherente y generar conversaciones a nivel humano, incluso capaces de superar la prueba de Turing: no percibir la diferencia entre hablar con una máquina o un ser humano.
Este largo camino desde la época de los griegos hacia la conquista de la inteligencia artificial y sus logros, nos hace reflexionar acerca de si una máquina podría ser capaz de superar o reemplazar a un pintor, a un escritor, a un psicólogo. ¿Será que el que escribió este artículo no es un humano y fue creado a través de un modelo GPT 3?
Marco Sotomayor
Docente de la Facultad de Ingeniería
