Los escritores de ciencia ficción llevan mucho tiempo imaginando cómo podrían organizarse las sociedades humanas cuando las máquinas puedan hacer todo el trabajo. Los economistas y politólogos han dedicado bastante menos esfuerzo a determinar cómo podríamos gestionar la transición hacia ese mundo desde el entorno político actual.
Esta pregunta es más urgente de lo que podría pensarse.
Pocas personas fuera del campo del aprendizaje automático han comprendido todavía lo asombrosamente rápido que avanza. Las máquinas son ahora capaces de hacer cosas que, hace apenas unos años, ni siquiera los expertos más optimistas creían posibles en décadas, como conducir coches con seguridad en condiciones reales, comprender el lenguaje, leer la escritura a mano e interpretar imágenes.
Estamos muy cerca de que no haya nada que una persona pueda hacer mejor que una máquina. Y lo verdaderamente notable es lo rápida y recientemente que ha ocurrido.
La empresa para la que trabajaba, Kaggle, una de las Pioneros Tecnológicos del Foro Económico Mundial de 2014 – organiza competiciones de aprendizaje automático. Las empresas aportan datos y una pregunta: ¿cómo puede una aseguradora predecir el nivel de siniestros, una aerolínea prever las ausencias de pasajeros o un minorista optimizar los precios? Los científicos de datos compiten por escribir algoritmos que superen los métodos de trabajo actuales de la empresa.
Hasta hace uno o dos años, los ganadores de estas competiciones solían diseñar algoritmos mediante un gran número de ajustes específicos para cada problema. Como analogía simplificada, imaginemos a un experto en juegos de mesa que escribe un algoritmo para jugar describiendo primero una variedad de posibles estrategias y luego haciendo que el ordenador encuentre los parámetros óptimos y las combinaciones de estas estrategias.
Cada vez más, las propuestas ganadoras se basan en un algoritmo llamado Aprendizaje Profundo (Deep Learning), que en la práctica elimina al ser humano. Imaginemos a alguien que nunca ha oído hablar de un juego de mesa escribiendo un algoritmo para jugarlo, alimentándolo con repeticiones de partidas anteriores y dejando que la máquina descubra todo por sí misma. Y este algoritmo supera sin esfuerzo al algoritmo del experto.
Un ejemplo real: cuando Merck pidió ayuda para analizar datos moleculares con el fin de encontrar fármacos prometedores sin efectos secundarios no deseados, el algoritmo más avanzado de su categoría fue escrito en dos semanas por estudiantes sin formación en medicina.
A medida que las máquinas aprenden a aprender, estamos viendo cómo estos algoritmos de vanguardia mejoran de forma exponencial: normalmente, el doble de buenos cada año. Existe un bucle de retroalimentación: a medida que los ordenadores son más rápidos, los volúmenes de datos crecen y los resultados de los algoritmos anteriores orientan el desarrollo de la siguiente iteración, los algoritmos siguen mejorando.
El crecimiento exponencial es un concepto que todos entendemos intelectualmente, pero que aún tiende a desconcertarnos. Recordemos la famosa historia del emperador chino que aceptó pagar un grano de arroz por la primera casilla de un tablero de ajedrez, dos por la segunda, cuatro por la tercera, y así sucesivamente; pronto le debía más arroz del que existe en el mundo. Ahora pensemos en máquinas que este año son el doble de inteligentes que el año pasado e intentemos imaginar lo que podrían hacer dentro de dos, 10 o 50 años. Como le ocurrió al emperador chino, nuestra mente se bloquea.
Ya vivimos antes en la historia un periodo en el que una ola de innovación vio cómo las máquinas se hacían cargo de empleos humanos: la revolución industrial. Con el tiempo, eso resultó beneficioso para todos: surgieron nuevas industrias que empleaban a personas y la riqueza se distribuyó. Pero solo tras una desarticulación de décadas que sumió a millones en la miseria y provocó profundas convulsiones sociales.
Hoy estamos ante algo no solo más poderoso, sino también permanente. Ya en los últimos años, los salarios se estancan mientras la productividad mejora. A medida que el aprendizaje automático se acelera, este desacoplamiento también lo hará. Quizá mucho antes de lo que esperamos, podría volverse imposible para la mayoría de las personas aportar valor económico alguna vez más.
Esto plantea un desafío profundo a uno de los objetivos fundamentales de nuestro sistema político actual: recompensar a las personas que generan valor económico y castigar a quienes no lo hacen. A la mayoría nos gustaría más que la tecnología liberara a todas las personas para que prosperen, en lugar de condenar a la mayoría a la pobreza. Pero ¿cómo gestionamos esta transición de la escasez a la abundancia?
El plan de Suiza para garantizar a todos los ciudadanos una renta básica, que se someterá a votación en referéndum este mayo, sugiere una posible vía. Otra posibilidad es el «impuesto negativo sobre la renta» propuesto por Milton Friedman, según el cual los trabajadores de bajos ingresos podrían realizar un trabajo significativo aunque una máquina pudiera hacerlo de forma más eficiente.
Todos deberíamos empezar a pensar en cómo nos gustaría que fuera el mundo cuando las máquinas puedan hacer todos nuestros trabajos; es una de las pocas preguntas que no querremos que respondan las máquinas.
Autor: Jeremy Howard es científico de datos y expresidente de Kaggle, empresa Technology Pioneer del Foro Económico Mundial.
Imagen: Niños prueban portátiles en Seúl. REUTERS/Bobby Yip
