Para dar nuevos saltos en el avance de la inteligencia artificial, la IA lo haría, como dice el autor Jun Wu Forbes, hay que ‘aprender a aprender’. ¿Qué significaría eso?
Como explica Wu, “los humanos tienen la capacidad única de aprender de cualquier situación o entorno”. Los humanos pueden adaptar su proceso de aprendizaje. Para poder tener una IA de calidad tan flexible, se necesita Inteligencia General Artificial: tendría que aprender sobre el proceso de aprendizaje, lo que se llama Meta-Aprendizaje.
Hay un contraste muy específico en el proceso de aprendizaje entre los humanos y la inteligencia artificial. Si bien la capacidad humana para aprender es limitada, la IA tiene muchos más recursos, como su poder computacional. La capacidad intelectual humana tiene sus límites y también tiene un tiempo limitado para aprender. Pero, si bien la IA “aprende de más datos que los que usa nuestro cerebro humano, procesar estas grandes cantidades de datos requiere un poder computacional inmenso”.
Wu explica que “a medida que crece la complejidad de las tareas de la IA, también hay un aumento exponencial en el poder computacional”. Esto significaría que incluso si el costo de la potencia computacional es bajo, “el aumento exponencial nunca es el escenario que queremos”. Esta es la razón principal por la que, en este momento, “la IA está diseñada para ser estudiantes con un propósito específico”, haciendo que su proceso de aprendizaje sea más eficiente.
Pero a medida que la IA comenzó a aprender más, “aprender a aprender” comenzó a “inferir a partir de datos con una complejidad creciente”. Para evitar el aumento exponencial de la potencia computacional, se tuvo que diseñar un camino de aprendizaje más eficiente, y la IA tuvo que recordar ese camino.
Todo el problema se volvió aún más complejo cuando los investigadores y tecnólogos comenzaron a asignar problemas de múltiples tareas a la IA. Para poder hacer eso, la IA “necesita poder evaluar conjuntos independientes de datos en paralelo. También necesita relacionar piezas de datos e inferir conexiones sobre esos datos”. Mientras se realiza una tarea, la IA necesita actualizar su conocimiento para poder aplicarlo en otras situaciones. “Dado que las tareas están interrelacionadas, las evaluaciones de las tareas deberán ser realizadas por toda la red”.
Google desarrolló uno de esos modelos, multimodelo, que es un sistema de IA que “aprendió a realizar ocho tareas diferentes simultáneamente. MultiModel puede detectar objetos en imágenes, proporcionar subtítulos, reconocer el habla, traducir entre cuatro pares de idiomas y realizar un análisis de circunscripción gramatical.
Si bien el logro de Google es un gran paso adelante, la IA aún debe avanzar más para convertirse en un aprendiz de propósito general. Para poder lograr esto, sería necesario desarrollar aún más el meta-razonamiento y el meta-aprendizaje. Como explica Wu, “el meta-razonamiento se centra en el uso eficiente de los recursos cognitivos. El metaaprendizaje se centra en la capacidad única del ser humano para utilizar de manera eficiente recursos cognitivos limitados y datos limitados para aprender”.
Actualmente, se están realizando estudios para descubrir las brechas entre la cognición humana y la forma en que la IA aprende, como la conciencia de los estados internos, la precisión de la memoria o la confianza.
Todo esto significa que “convertirse en un aprendiz generalizado artificial requiere una investigación exhaustiva sobre cómo aprenden los humanos, así como una investigación sobre cómo la IA puede imitar la forma en que aprenden los humanos. Adaptarse a nuevas situaciones, como tener la capacidad de “multitarea” y la capacidad de tomar “decisiones estratégicas” con recursos limitados, son solo algunos de los obstáculos que los investigadores de IA superarán en el camino”.