¿Crees que se te dan bien los clásicos juegos arcade como Space Invaders, Breakout y Pong? Piénsalo otra vez.
En un artículo pionero publicado hoy en Nature, un equipo de investigadores dirigido
por DeepMind y su cofundador Demis Hassabis informó del desarrollo de una red neuronal profunda capaz de aprender a jugar a esos juegos a nivel experto.
Lo que hace que este logro sea aún más impresionante es que no se proporcionó al programa ningún conocimiento previo sobre los juegos. Solo tenía acceso a la puntuación y a los píxeles de la pantalla.
No sabía qué eran las palas, las pelotas, los láseres ni ninguna de las otras cosas que los humanos necesitamos conocer para jugar.
Pero, tras jugar una y otra vez a muchísimas partidas, la computadora aprendió primero a jugar y luego a hacerlo bien.
Una máquina que aprende desde cero
Este es el último de una serie de avances en aprendizaje profundo, uno de los temas más candentes de la inteligencia artificial (IA) actual.
En realidad, DeepMind no es el primer caso de éxito de este tipo en los juegos. Hace veinte años, un programa informático llamado TD-Gammon aprendió a jugar al backgammon a un nivel superior al humano, también mediante una red neuronal.
Pero TD-Gammon nunca obtuvo tan buenos resultados en juegos similares como el ajedrez, el Go o las damas.
Sin embargo, dentro de unos años es probable que veas este tipo de aprendizaje profundo en los resultados de búsqueda de Google. A principios del año pasado, inspirada por resultados como estos, Google compró DeepMind por una cifra estimada de 500 millones de libras esterlinas.
Muchas otras empresas tecnológicas están invirtiendo grandes sumas en este campo.
Baidu, el «Google chino», creó el Instituto de Aprendizaje Profundo y contrató a expertos como el profesor de la Universidad de Stanford Andrew Ng.
Facebook creó su Laboratorio de Investigación en Inteligencia Artificial , dirigido por otro experto en aprendizaje profundo, Yann LeCun.
Y, más recientemente, Twitter adquirió Madbits, otra startup de aprendizaje profundo.
¿Cuál es el ingrediente secreto del aprendizaje profundo?
Geoffrey Hinton es uno de los pioneros en este campo y también se incorporó hace poco a Google. En una inspiradora conferencia magistral en la reunión anual del mes pasado de la Asociación para el Avance de la Inteligencia Artificial, expuso tres razones principales de estos avances recientes
En primer lugar, muchos procesadores centrales (CPU). No se trata de redes neuronales que se puedan entrenar en casa. Se necesitan miles de CPU para entrenar las numerosas capas de estas redes. Esto exige una enorme potencia de cálculo.
De hecho, gran parte de los avances se está logrando con la potencia bruta de las unidades de procesamiento gráfico (GPU), los chips ultrarrápidos que impulsan los motores gráficos de esos mismos juegos arcade.
En segundo lugar, muchos datos. La red neuronal profunda juega al juego arcade millones de veces.
En tercer lugar, un par de ingeniosos trucos para acelerar el aprendizaje, como entrenar un conjunto de redes en lugar de una sola. Piensa en la sabiduría de las multitudes.
¿Para qué será útil el aprendizaje profundo?
Pese a todo el entusiasmo que despiertan las tecnologías de aprendizaje profundo, existen algunas limitaciones respecto de lo que pueden hacer.
El aprendizaje profundo parece ser bueno para tareas de bajo nivel que realizamos sin pensar mucho: reconocer un gato en una imagen, entender parte de una conversación telefónica o jugar como experto a un juego arcade.
Son tareas que hemos «compilado» en nuestras propias y extraordinarias redes neuronales.
Más allá del bombo publicitario, está mucho menos claro que el aprendizaje profundo sea tan eficaz para el razonamiento de alto nivel. Esto incluye demostrar teoremas matemáticos difíciles, optimizar una cadena de suministro compleja o programar los vuelos de una aerolínea.
¿Qué viene ahora para el aprendizaje profundo?
Dentro de no mucho, el aprendizaje profundo aparecerá en un navegador o un teléfono inteligente cerca de ti. Veremos productos como una Siri superinteligente que te simplifique la vida al predecir tu próximo deseo.
Pero sospecho que, dentro de unos años, acabará produciéndose una reacción contra el aprendizaje profundo cuando nos topemos con las limitaciones de esta tecnología. Sobre todo si más startups de aprendizaje profundo se venden por cientos de millones de dólares. Será difícil estar a la altura de las expectativas que conllevan todas esas inversiones.
No obstante, el aprendizaje profundo parece destinado a ser otra pieza del rompecabezas de la IA. Al unir esta y otras piezas, veremos cómo las computadoras replican gran parte de lo que hacemos los humanos.
Si quieres saber más sobre el futuro de la IA, te invito a la Cumbre Next Big Thing en Melbourne el 21 de abril de 2015. Forma parte de la conferencia de dos días CONNECT que se celebra en la capital de Victoria.
Junto con expertos en IA como Sebastian Thrun y Rodney Brooks, intentaré predecir hacia dónde nos llevará todo esto.
Y si sientes nostalgia y quieres probar uno de estos juegos, ve a Google Imágenes y busca «atari breakout» (o sigue este enlace). Podrás jugar a una versión para navegador del clásico de Atari.
Y cuando ya seas experto en Breakout, quizá quieras visitar el sitio web de juegos arcade de Atari.
Este artículo se publica en colaboración con The Conversation. Lee el artículo original.
La publicación no implica el respaldo del Foro Económico Mundial a las opiniones expresadas.
Para estar al día de la Agenda, suscríbete a nuestro boletín semanal.
Autor: Toby Walsh es profesor y líder de grupo de investigación en el Grupo de Investigación en Optimización de NICTA
Imagen: Un competidor levanta uno de sus robots futbolistas ante la cámara durante el torneo Robocup en Singapur, el 22 de junio de 2010. REUTERS/Vivek Prakash.
