Lo que los bebés nos dicen sobre la inteligencia artificial

Lo que los bebés nos dicen sobre la inteligencia artificial
Este contenido ha sido traducido automáticamente con IA.

Puede que sean capaces de vencer al gran maestro de ajedrez Kasparov, pero ¿podrán las máquinas ser tan inteligentes como un niño de tres años?

En lugar de intentar producir un programa que simule la mente adulta, ¿por qué no intentar producir uno que simule la de un niño? —Alan Turing, 1950.

En un debate del «Ideas Lab» en Davos el 20 de enero, cuatro académicos de Berkeley, mi universidad, debatirán si las computadoras pueden (¿o podrán? ¿O quizá podrían algún día en el futuro? ¿O es totalmente imposible?) tomar decisiones mejor que las personas (los tiempos verbales son una parte importante del debate).

El grupo incluirá a un especialista en robótica, un informático, una neurocientífica y a mí, psicóloga del desarrollo. ¿Por qué estaré allí? Resulta que los niños son una parte crucial, aunque poco reconocida, del debate sobre la inteligencia artificial.

La prueba de inteligencia de Turing

Todo el mundo recuerda que Alan Turing propuso el juego de imitación para comprobar si una máquina era inteligente. Si un ser humano estuviera ante un teclado y no pudiera saber si estaba hablando con una máquina o con una persona, la máquina habría superado «la prueba de Turing».

Casi nadie recuerda que, en ese mismo artículo, Turing sugirió que la clave para alcanzar la inteligencia sería diseñar una máquina que se pareciera a un niño, no a un adulto. Señaló, con gran perspicacia, que el verdadero secreto de la inteligencia humana es nuestra capacidad de aprender. El aprendizaje ha estado en el centro del reciente resurgimiento de la IA. Desde hace unos 15 años, informáticos y científicos cognitivos del desarrollo intentan averiguar cómo aprenden los niños tanto y tan rápido, y cómo diseñar una máquina capaz de hacer lo mismo.

La historia de la IA es fascinante porque ha sido muy difícil predecir qué aspectos del pensamiento humano serían fáciles de simular y cuáles resultarían difíciles. Al principio, pensábamos que cosas como jugar al ajedrez o demostrar teoremas —las carreras de machismo nerd— serían lo más difícil para las computadoras. De hecho, resultan fáciles. Cosas que cualquier persona puede hacer, como reconocer una taza o recogerla, resultan mucho más difíciles. Y resulta mucho más fácil simular el razonamiento de un experto adulto altamente capacitado que imitar el aprendizaje corriente de cualquier bebé. Entonces, ¿en qué aspectos están las máquinas alcanzando a los niños y qué tipos de aprendizaje siguen estando muy fuera de su alcance?

Bebés asombrosos

En los últimos 15 años hemos descubierto que hasta los bebés son asombrosamente buenos para detectar patrones estadísticos. Las máquinas también se han vuelto extraordinariamente buenas en el aprendizaje estadístico. Técnicas como el «aprendizaje profundo» pueden detectar regularidades estadísticas incluso muy complejas en conjuntos de datos enormes. Como resultado, las computadoras de pronto han podido hacer cosas que antes eran imposibles, como etiquetar con precisión imágenes de Internet.

Pero el problema de este tipo de aprendizaje automático puramente estadístico es que depende de disponer de cantidades enormes de datos, y de datos predigeridos por cerebros humanos. Y, aun con toda esa ayuda, las máquinas siguen necesitando conjuntos de datos gigantescos y cálculos extremadamente complejos para poder mirar una imagen nueva y decir «¡gatito!», algo que cualquier bebé puede hacer con solo unos pocos ejemplos.

Más profundamente, solo se puede generalizar a partir de este tipo de aprendizaje estadístico de manera limitada, tanto si se es un bebé como una computadora o un científico. Una forma más poderosa de aprender es formular hipótesis sobre cómo es el mundo y ponerlas a prueba con los datos. En el siglo XVI, Tycho Brahe, el Google Scholar de su época, reunió un enorme conjunto de datos de observaciones astronómicas y pudo usarlos para predecir la posición de las estrellas en el futuro. Pero en el siglo siguiente, las hipótesis heliocéntricas de Johannes Kepler le permitieron hacer predicciones inesperadas, de amplio alcance y totalmente novedosas, muy por encima de lo que Brahe podía concebir. Los niños de edad preescolar pueden hacer lo mismo.

Otro de los grandes avances del aprendizaje automático ha sido formalizar y automatizar este tipo de comprobación de hipótesis. Incorporar la teoría de la probabilidad bayesiana al proceso de aprendizaje ha sido especialmente importante. Por ejemplo, podemos describir matemáticamente una hipótesis causal concreta y luego calcular qué probabilidad hay de que sea cierta, dados los datos que observamos. Las máquinas han adquirido una gran capacidad para poner a prueba hipótesis frente a los datos de esta manera, con consecuencias en campos que van desde el diagnóstico médico hasta la meteorología. Cuando estudiamos a niños pequeños, resulta que razonan de forma parecida, lo que quizá ayude a explicar cómo pueden aprender tanto.

Alison Gopnik

Tres diferencias entre los niños y las computadoras

Pero hay tres cosas que hacen incluso los niños humanos muy pequeños que siguen estando muy lejos de cualquier capacidad de las computadoras actuales, o incluso de lo que podemos imaginar que harán en un futuro próximo. Y hacen que la brecha entre la inteligencia artificial y la inteligencia humana resulte particularmente evidente.

Las computadoras se han vuelto extremadamente hábiles para extraer inferencias de hipótesis estructuradas, especialmente inferencias probabilísticas. Pero el verdadero problema difícil es decidir qué hipótesis, entre todas las posibilidades infinitas, vale la pena poner a prueba. Incluso los niños de edad preescolar son extraordinariamente buenos para crear conceptos e hipótesis completamente nuevos y originales de manera creativa, y luego ponerlos a prueba. De algún modo combinan racionalidad e irracionalidad, sistematicidad y aleatoriedad para hacerlo, de una forma que ni siquiera hemos empezado a comprender.

En otra parte poco atendida de su artículo fundamental, Turing sostuvo con gran perspicacia que quizá sería conveniente que su computadora infantil actuara al azar, al menos parte del tiempo. Y los pensamientos y las acciones de los niños de tres años a menudo sí parecen aleatorios, incluso disparatados: basta con participar alguna vez en un juego de simulación. Precisamente por eso psicólogos como Piaget pensaban que eran irracionales e ilógicos. Pero también tienen una capacidad asombrosa para dar con el tipo adecuado de hipótesis extravagante; de hecho, las investigaciones de nuestro laboratorio han demostrado que pueden ser considerablemente mejores en esto que los adultos.

En un experimento, por ejemplo, dimos a niños de cuatro años y a estudiantes universitarios de Berkeley un aparato nuevo que debían descifrar: una máquina que se iluminaba cuando se colocaban ciertas cosas encima y otras no. Mostramos a los niños y a los adultos la máquina funcionando de una manera evidente o de una más inusual, y luego les dejamos averiguar cómo hacerla funcionar con unos bloques nuevos. Los niños aprendieron rápidamente la hipótesis inusual, pero los adultos se aferraron a la idea evidente, a pesar de los datos. Esto puede parecer sorprendente al principio. Pero quizá no lo sea si, como yo, ha visto a su nieto de 3 años dominar rápida y espontáneamente el teléfono inteligente que a usted le tomó un mes descifrar.

Creemos que los niños exploraban las posibilidades de una manera más amplia e impredecible que los adultos, tal como hacen cuando «lo tocan todo» en sus juegos de exploración o imaginan alternativas disparatadas a la realidad en sus juegos de simulación. Pero casi no sabemos cómo es posible este tipo de aleatoriedad racional, esta creatividad restringida.

Una segunda área en la que los niños superan a las computadoras es su capacidad para salir y explorar el mundo que los rodea. Turing se refiere a esto como «la capacidad de ir a buscar el cubo de carbón» y sugiere que las computadoras pueden prescindir de ella. Pero, al fin y al cabo, la experimentación es una parte crucial y bastante misteriosa del aprendizaje científico.

Cada vez más estudios muestran que incluso los bebés muy pequeños exploran activamente el mundo que los rodea, y que esta exploración activa es crucial para el aprendizaje. Los bebés observan sistemáticamente durante más tiempo los acontecimientos que tienen más probabilidades de aportar información, y juegan con los objetos de una manera que les enseña más. Esta capacidad de extraer los datos adecuados del mundo, en lugar de limitarse a procesar los datos que se reciben, es muy poderosa. También implica la misma tensión entre racionalidad y aleatoriedad que la generación creativa de hipótesis de los niños. Sigue estando muy fuera del alcance de cualquier máquina que conozcamos.

Una tercera forma en que aprenden los niños es obteniendo información de las demás personas que los rodean. La mayoría no comprende que muchos de los éxitos recientes del aprendizaje automático también dependen profundamente de la información que aportan las personas. Las computadoras solo pueden reconocer imágenes de Internet porque millones de personas reales han reducido la información increíblemente compleja que reciben sus retinas a una representación de su lindo gatito en Instagram, muy estilizada, restringida y simplificada, y además han etiquetado claramente esa imagen. (En cierto modo, la fantasía distópica de «Matrix» es un simple hecho: en realidad, todos estamos ayudando a que las computadoras sean más poderosas, bajo la ilusión anestesiante de que solo nos divertimos con gatos graciosos). Y pueden traducir, más o menos, porque pueden aprovechar enormes bases de datos de traducciones humanas.

Las computadoras no pueden poner los ojos en blanco

Pero las computadoras actuales usan la información de las personas de una manera relativamente simple y poco reflexiva. Nuevos estudios muestran que, en cambio, incluso los niños de tres años pueden evaluar el testimonio de otras personas de una manera sorprendentemente sofisticada. Pueden distinguir si alguien es fiable o disparatado, ingenuo o experto. Incluso pueden usar indicios muy sutiles para saber si un adulto simplemente dice lo que piensa o si intenta deliberadamente instruirlos. Y los niños muy pequeños aprenden de manera diferente según lo que piensan de la persona que les habla. (Ni siquiera las computadoras más sofisticadas han logrado dominar la capacidad de poner los ojos en blanco ante la necedad de los adultos).

Por supuesto, la gran intuición de Turing fue que, una vez que contamos con una descripción completa, paso a paso, de cualquier proceso, podemos programarlo en una computadora. Aquí es donde entran en juego los tiempos verbales: por el momento, es una cuestión de fe si será posible disponer de tal descripción de la inteligencia humana o qué aspecto tendrá. Como científicos, es natural querer respaldar esa fe y esperar que tal descripción sea posible, aunque, a estas alturas, no sea más que fe y esperanza.

Y, al fin y al cabo, sabemos que hay sistemas físicos inteligentes capaces de hacer todas estas cosas. De hecho, la mayoría hemos creado sistemas así y también hemos disfrutado haciéndolo (bueno, al menos en las primeras etapas). Los llamamos nuestros hijos. La computación sigue siendo la mejor explicación científica —de hecho, la única— que tenemos de cómo un objeto físico como el cerebro puede actuar de manera inteligente. Pero, al menos por ahora, casi no tenemos idea de cómo es posible el tipo de inteligencia que vemos en los niños. Hasta que lo sepamos, las computadoras más grandes y potentes seguirán sin estar a la altura de los seres humanos más pequeños y débiles. hay sistemas físicos inteligentes capaces de hacer todas estas cosas. De hecho, la mayoría hemos creado sistemas así y también hemos disfrutado haciéndolo (bueno, al menos en las primeras etapas). Los llamamos nuestros hijos. La computación sigue siendo la mejor explicación científica —de hecho, la única— que tenemos de cómo un objeto físico como el cerebro puede actuar de manera inteligente. Pero, al menos por ahora, casi no tenemos idea de cómo es posible el tipo de inteligencia que vemos en los niños. Hasta que lo sepamos, las computadoras más grandes y potentes seguirán sin estar a la altura de los seres humanos más pequeños y débiles.

Autora: Alison Gopnik es profesora de Psicología y profesora afiliada de Filosofía en Tolman Hall, Universidad de California en Berkeley . Participa en la Reunión Anual 2015 del Foro Económico Mundial en Davos. Esta publicación es una versión ampliada de una entrada en el sitio web de

Imagen: Una niña juega en su cuna en la sala de bebés de un hospital de Ajman, Emiratos Árabes Unidos. REUTERS/Jumana ElHeloueh

Compartir:

Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso. Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.