Allá por la década de 1980, Hans Moravec, científico especializado en IA, descubrió una paradoja: lo que resulta fácil para los seres humanos, como la comprensión visual o auditiva, es difícil para las máquinas.
Las cosas han cambiado desde entonces. Las IA actuales son mucho mejores para entender lo que ven. No es que la IA haya alcanzado todas nuestras capacidades visuales humanas, sino que la tecnología se desarrolla de formas distintas.
Cuando pensamos en IA, pensamos en automatización pura. Ya no es así. ¿Pensabas, por ejemplo, que la IA nunca podría reemplazar a los fotógrafos de retratos? Piénsalo de nuevo: ni siquiera necesita un modelo. Hoy tenemos IA que pueden «imaginar», es decir, según la definición de Merriam-Webster, formar una imagen de «algo que no está presente para los sentidos o que nunca antes se ha percibido por completo en la realidad».
El vídeo anterior muestra los resultados de una IA que ha aprendido a generar fotos de personas que no existen. En términos cualitativos, solo unos pocos artistas son capaces de inventar rostros con precisión fotográfica.
El secreto de la imaginación de la IA
El mecanismo que dota a la IA de capacidades imaginativas tiene un nombre: Red Generativa Antagónica (GAN, por sus siglas en inglés). Las GAN se inspiraron en parte en la investigación neurocientífica. En esencia, las GAN constan de dos entidades que compiten entre sí y aprenden la una de la otra: una aprende a generar falsificaciones, mientras que la otra aprende a detectarlas. A medida que el detector de falsificaciones se vuelve más eficaz, también lo hace el generador. Los neurocientíficos han descubierto que utilizamos un mecanismo relacionado, el modelo actor-crítico, que se cree que se ubica prácticamente en el centro de nuestro cerebro.
Si la imaginación ya no es un privilegio de la mente humana, ¿cómo podemos aprovechar la imaginación de las IA? Estos son algunos ejemplos de lo que ocurre actualmente en los laboratorios.
Convertir la noche en día: que se hagan las GAN
La imaginación tiene una aplicación directa: adivinar la representación de un sujeto de una manera diferente o, dicho de otro modo, traducir una imagen de una representación a otra. Por ejemplo, esta IA imagina cómo sería el boceto de una fotografía o cómo se vería la versión en color de una fotografía en blanco y negro.
Una aplicación de la traducción de imágenes consiste en ayudarnos a ver el mundo de una forma más comprensible o más allá de lo visible.
Esta IA, por su parte, simula el día a partir de una imagen nocturna. Esto es valioso, ya que crear coches autónomos que funcionen y puedan ubicarse con precisión en todas las condiciones (de día, de noche, con niebla, lluvia, nieve, etc.) requiere una gran cantidad de datos que cubran todos los escenarios. Recopilar grandes cantidades de datos en todas las condiciones es prácticamente muy difícil, ya que ciertas condiciones (como la nieve) se presentan muy raramente en algunas zonas. En lugar de recopilar más datos, los científicos han ideado esta solución alternativa de noche a día. Esto también podría mejorar la visión nocturna de los militares, los pilotos de avión y los conductores humanos.
Cuando algo no es directamente visible, las GAN se utilizan para hacer suposiciones fundamentadas. Tomemos el caso de la IA BodyNet (véase más arriba), que estima la forma corporal de una persona a partir de una imagen de ella completamente vestida. El maniquí digital resulta útil para diseñar prendas a medida sin necesidad de tomar medidas a mano ni de recurrir a sofisticados escáneres corporales.
¿Y si pudiéramos ver a través de las paredes? Esta IA puede ayudarte literalmente a seguir cómo se mueve la gente detrás de las paredes. Del mismo modo que los murciélagos ven en la oscuridad, se emite una señal y se interpreta lo que regresa. Los murciélagos emiten ultrasonidos que se reflejan en la superficie de los objetos cercanos. Aquí, se emiten señales en el rango de WiFi. Como el WiFi puede atravesar las paredes, pero es reflejado parcialmente por nuestros cuerpos, esta señal es interpretada por una arquitectura de aprendizaje profundo (véase el vídeo a continuación).
Máquinas de descubrimiento
La capacidad de hacer suposiciones fundamentadas no se limita a la generación o traducción de imágenes. La imaginación es, en un sentido más amplio, una herramienta para el descubrimiento y tiene aplicaciones en ámbitos diversos como la ciberseguridad o el diseño de fármacos.
Las herramientas modernas de ciberseguridad incorporan IA capaces de detectar amenazas analizando sus características. Los investigadores han diseñado una GAN que aprende a generar fragmentos de código malicioso capaces de eludir estos detectores de ciberseguridad. Puede sonar alarmante, pero la buena noticia es que también podríamos usarla para perfeccionar los detectores de código malicioso; o, pensándolo bien, a veces el engaño puede ser algo bueno, como cuando diseñamos fármacos para combatir enfermedades.
¿Qué significa esto para nosotros?
La Cuarta Revolución Industrial no solo trata de la automatización, sino también de la colaboración y la simbiosis entre humanos y máquinas. Las GAN marcan un punto de inflexión en el desarrollo de la IA y nos ayudarán a potenciar enormemente nuestras capacidades mentales.
También son una herramienta con la que podemos estudiar los mecanismos de la imaginación y comprender mejor el papel que desempeña en ámbitos como la traducción o el descubrimiento. Aunque la imaginación no equivale a la creatividad, es una de las herramientas que utilizamos para inventar cosas nuevas. ¿Cuáles son las piezas que faltan, aún por descubrir, que nos permitirán construir máquinas capaces de superarnos también en el ámbito creativo?
