Por qué haber superado al humano en el "Go" es importante
Las computadoras nos superan en dominios muy específicos y aún ni se acercan a nuestra aguda capacidad para adaptarnos y crear. No obstante, la derrota del humano en el juego "go" representa la llegada de nuevas técnicas para resolver problemas; las que podrían terminar directamente en tu bolsillo.
Una técnica que viene dando que hablar, asociada al desarrollo de la tan ansiada (y temida) inteligencia artificial, se llama deep learning, que aprovechando el gran aumento en las capacidades de cómputo actuales, ha permitido resolver problemas que antes escapaban de nuestro alcance.
El go, un juego oriental de 2500 años de antigüedad, en el que históricamente las máquinas han logrado un pobre rendimiento por la tremenda cantidad de opciones que encierra y en el que es imposible utilizar la "fuerza bruta" (es decir, computar todas las opciones posibles y elegir la mejor), requiriendo ingenio, intuición y creatividad. No por nada, dominarlo es considerado el "Santo Grial" de la inteligencia artificial.
Para hacerse una idea la complejidad del juego, baste decir que recién este mismo año se logró calcular el número exacto de posiciones "legales" posibles para sus fichas, y el resultado tiene 171 dígitos. Para ser exactos, el número es:
208.168.199.381.979.984.699.478.633.344.
862.770.286.522.453.884.530.548.425.639.
456.820.927.419.612.738.015.378.525.648.
451.698.519.643.907.259.916.015.628.128.
546.089.888.314.427.129.715.319.317.557.
736.620.397.247.064.840.935
O para decirlo en corto, 2,081*10170, que es, de hecho, más que la cantidad de átomos que, se estima, tiene todo el universo observable.
Y sin embargo, incluso este enorme desafío hoy está comenzando a ser conquistado. La prueba de ello es que el programa AlphaGo, desarrollado por la empresa DeepMind de Google, venció hace un par de semanas a uno de los mejores jugadores profesionales del tradicional pasatiempo, el coreano Lee Sedol, en cuatro de cinco partidos. Un hito que se creía, aún estaba al menos a una década de ser posible.
Cómo lo logró AlphaGo
A diferencia de cuando se derrotó al ser humano en ajedrez, la técnica utilizada en esta ocasión no ha sido creada únicamente con el propósito de jugar go: tiene mayor versatilidad y en realidad puede aprender a hacer muchas cosas diferentes: sólo recibiendo datos de muestra y entrenamiento, va mejorando su desempeño tal como cuando un humano va a aprendiendo y practicando. AlphaGo primero aprendió revisando partidas humanas; luego comenzó a jugar partidas contra sí misma, miles y miles de partidas, sin descanso, sin pausa, sin pérdida de concentración, revisando sus algoritmos incrementalmente, encontrando cada vez mejores estrategias y demostrando que no sólo puede imitar a los humanos, sino que superarlos.
La mayoría de las aplicaciones de inteligencia artificial aprenden a través de un conjunto de datos de entrenamiento; los enfoques anteriores a deep learning no seguían mejorando su desempeño, por más que se les presentasen nuevas muestras. AlphaGo, en cambio, continúa mejorando más y más, a medida que se le presentan más datos y esto hace una gran diferencia: el sistema se vuelve cada vez mejor; solo hay que darle la cantidad de datos suficiente. Esto ha sido posible gracias al gran aumento en las capacidades de cómputo y almacenamiento de nuestra tecnología; ejemplo de ello son las tarjetas de video, que además de ser utilizadas para generar bellas imágenes en los videojuegos, se utilizan como unidades de cálculo potentes y baratas.
Según el reconocido investigador Geoffrey Hinton, conocido como el padre del deep learning, este tipo de logros son importantes porque en juegos como el go, la intuición juega un rol fundamental, haciendo que los humanos nos desempeñemos mucho mejor que los computadores (hasta que llegó AlphaGo). Ganarle al ser humano en go significa abrir la puerta a la resolución de problemas que antes era muy difícil enfrentar por limitaciones de cómputo y dificultad.
¿De qué sirve?
Google actualmente está trabajando en un proyecto llamado Google-Brain, cuya meta es crear un sistema que pueda aprender como los humanos. Contar con muchos datos y gran poder de cómputo, le hace estar en una posición ideal para entrenar un sistema de inteligencia artificial.
Los sistemas de inteligencia artificial basados en deep learning, intentan imitar el funcionamiento de las neuronas, mediante las llamadas “redes neuronales”, que explicadas burdamente son un montón de números que se van ajustando para dar mejores resultados a medida que se les presentan datos de entrenamiento.
Uno de los impactos más próximos de los avances en este campo, serán mejores sistemas de traducción, reconocimiento de voz y análisis de imágenes. Por ejemplo, los sistemas de dictado por voz incorporados actualmente en los celulares, ya se benefician de los avances en inteligencia artificial y cada año mejoran su precisión. Hoy ya es posible presentar una imagen a un sistema computacional y que este describa con palabras lo que hay en ella, lo que parecía imposible y muy lejano hace un par de años. Las cosas están avanzando más rápido de lo previsto en el campo de la inteligencia artificial, lo que despierta tanto preocupación como fascinación.
En lo que respecta a cuándo crearemos una inteligencia que nos supere completamente y sea potencialmente peligrosa, Geoffrey Hinton dice que aún estamos muy lejos de eso, ya que todos estos sistemas siguen órdenes y no son autónomos; sólo toman datos, los procesan y entregan un resultado. Según explica, con la inteligencia artificial ocurre lo mismo que ocurrió cuando se hizo el gran colisionador de hadrones, los inexpertos especulaban de que se crearía un agujero negro, mientras los físicos que conocían con mayor profundidad el experimento, estaban tranquilos.
“AlphaGo no es una misteriosa bestia de un extraño y distante planeta. AlphaGo somos nosotros", escribió Andy Salermo, académico de ciencias computacionales, al respecto. “AlphaGo es nuestra incesante curiosidad. AlphaGo es nuestro impulso de forzarnos a ir más allá de lo que creíamos posible".
