ai cerebro humano

¿Qué no puede hacer la IA?

Un problema de econometría ilustra la diferencia entre inteligencia artificial y humana. Comprender el conocimiento tácito y los límites de la IA es crucial para implementarlo de manera efectiva y justa.

Uno de los únicos experimentos mentales lúcidos jamás realizados por econometristas, el problema del «autobús rojo-autobús azul» ilustra un inconveniente central que viene con el uso de la estimación estadística para cuantificar la probabilidad de que una persona haga una elección específica cuando se enfrenta a varias alternativas. A medida que avanza el experimento mental, imagine que le es indiferente tomar un automóvil o un autobús rojo para ir al trabajo. Debido a su indiferencia, una estimación de su probabilidad de elegir cualquiera de las opciones es lanzar una moneda al aire. Hay un 50 por ciento de posibilidades de que tomes el automóvil y un 50 por ciento de que tomes el autobús rojo. Por lo tanto, sus probabilidades de selección son de uno a uno. 

Ahora, presente una tercera opción de transporte en dos escenarios diferentes y suponga que el viajero permanece indiferente entre opciones alternativas. En el primer escenario, se abre una nueva ruta ferroviaria para que las alternativas que enfrenta el viajero apático sean el automóvil, el bus rojo y el tren. Las probabilidades estimadas son ahora un tercio de automóvil, un tercio de autobús rojo y un tercio de tren. Las probabilidades son las mismas que en el escenario de dos opciones, uno a uno a uno. 

En el segundo escenario, en lugar de un autobús rojo, asuma que el autobús podría ser azul. Por lo tanto, la elección que enfrenta el viajero es tomar un automóvil, tomar un autobús rojo o tomar un autobús azul. ¿Hay alguna diferencia real entre tomar un autobús rojo y tomar un autobús azul? No, es efectivamente la misma elección. Entonces, las probabilidades deberían desglosarse como 50 por ciento de automóvil, 25 por ciento de autobús rojo, 25 por ciento de autobús azul y probabilidades de dos a uno a uno. 

Esto se debe a que la elección real es exactamente la misma que en el primer escenario de dos opciones, es decir, tomar un automóvil versus tomar un autobús. En otras palabras, un autobús rojo y un autobús azul representan la misma elección. El color del autobús es irrelevante para la elección de transporte del viajero. Entonces, la probabilidad de que el viajero apático seleccione un autobús rojo o azul es simplemente la mitad de la probabilidad de que la persona tome el autobús. Sin embargo, el método por el cual se estiman estas probabilidades es incapaz de descifrar estas alternativas irrelevantes. El algoritmo codifica coche, autobús rojo, autobús azul como uno a uno como en el escenario con el tren.

Conocimiento tácito

El físico Michael Polanyi definió el «conocimiento tácito» como un resultado cuantificable o comúnmente entendido que un ser humano logra al realizar una tarea que no puede codificarse mediante una regla repetible. Hace una distinción entre este tipo y el conocimiento abstracto, que es descriptible, sujeto a reglas y repetible. El conocimiento tácito es difícil o imposible de expresar formalmente porque los humanos desarrollaron las habilidades que lo componen evolutivamente, antes del advenimiento de los métodos formales de comunicación. Como resultado, entrenar a la IA para realizar tareas que requieren conocimiento tácito es extremadamente difícil.

Más: ¿Está su empresa buscando el tipo de talento equivocado?

Deficiencias algorítmicas

La (no) elección de bus rojo/bus azul es un buen ejemplo de cómo puede fallar el cálculo algorítmico. En sus formas crudas, los modelos no pueden distinguir las sutilezas de la descripción lingüística que los seres humanos tienen poca o ninguna dificultad para captar. Para una persona, la razón por la cual el autobús rojo y el autobús azul son idénticos al considerar las alternativas de transporte se siente intuitiva. Ciertamente es intuitivo que hay una diferencia en el conjunto de opciones cuando se presenta un tren frente a un autobús azul. Describir por qué el color del bus es irrelevante como regla programable en un proceso algorítmico, por otro lado, es extremadamente difícil. ¿Por qué es este el caso?

Este acertijo es un ejemplo de la paradoja de Polanyi , llamada así por el físico Michael Polanyi. La paradoja, en pocas palabras, es «Sabemos más de lo que podemos decir». Más completamente, la paradoja dice : «Sabemos más de lo que podemos decir, es decir, muchas de las tareas que realizamos se basan en un conocimiento tácito e intuitivo que es difícil de codificar y automatizar». La paradoja de Polanyi entra en juego cada vez que un individuo puede hacer algo pero no puede describir cómo lo hace. 

En este caso, «hacer algo» implica un resultado cuantificable o comúnmente entendido que un ser humano logra al realizar una tarea que no se puede codificar mediante una regla repetible. Polanyi llama a este tipo de actuación humana “conocimiento tácito”. Hace una distinción entre este tipo y el conocimiento abstracto, que es descriptible, sujeto a reglas y repetible. 

El economista David Autor utiliza la paradoja de Polanyi para explicar por qué las máquinas no se han apoderado de todas las carreras humanas . Sugiere que, si la automatización no se limitara al ámbito abstracto del conocimiento, las máquinas habrían usurpado todas las tareas humanas y el empleo humano se habría desplomado desde la década de 1980. Sin embargo, la automatización no ha llevado a este resultado porque requiere especificar reglas exactas para informar a las computadoras qué tareas deben realizar. El conocimiento tácito, sin embargo, es difícil o imposible de expresar formalmente porque los humanos desarrollaron las habilidades que lo componen evolutivamente, antes del advenimiento de los métodos formales de comunicación.

Habilidades Evolutivas

Habilidades tácitas e indescriptibles son el quid de otra paradoja formalizada por los investigadores Hans Moravec, Rodney Brooks y Marvin Minsky. La “paradoja de Moravec” establece, en forma compacta, que 

  • Deberíamos esperar que la dificultad de aplicar ingeniería inversa a cualquier habilidad humana sea más o menos proporcional a la cantidad de tiempo que esa habilidad ha estado evolucionando en los animales.

  • Las habilidades humanas más antiguas son en gran parte inconscientes y, por lo tanto, nos parecen sin esfuerzo.

  • Como resultado, deberíamos esperar que las habilidades que parecen no requerir esfuerzo sean difíciles de aplicar mediante ingeniería inversa, pero las habilidades que requieren esfuerzo pueden no ser necesariamente difíciles de diseñar en absoluto. 

Paradójicamente, el razonamiento mental y el conocimiento abstracto requieren muy pocos cálculos, pero las habilidades sensoriomotoras, la visualización de resultados futuros y la inferencia perceptiva requieren grandes cantidades de recursos computacionales. Como afirma Moravec en su libro sobre este tema, “Es comparativamente fácil hacer que las computadoras muestren un rendimiento de nivel adulto en pruebas de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño de un año cuando se trata de percepción y movilidad.»

Incorporando las paradojas de Polanyi y Moravec en un tema común, los humanos solo han desarrollado el pensamiento abstracto durante los últimos miles de años, y parece difícil para nuestra especie porque su desarrollo relativamente rápido lo hace nuevo e inherentemente difícil de entender. Alternativamente, los humanos han desarrollado habilidades tácitas, intuitivas pero indescriptibles a lo largo de todo el curso de nuestra historia evolutiva. Se basan en nuestro entorno, se adquieren experiencialmente y son anteriores a la explicación. 

Más sobre IA: Ha llegado el momento de desvincular la IA de los cerebros humanos

El futuro de la IA es complementario 

Entonces, para la inteligencia artificial, estas paradojas explican una conclusión contraria a la intuición que conduce a una cuestión fundamental de asignación de recursos. Si las habilidades más simples para los humanos son las que representan un mayor desafío para las máquinas y, además, si esas habilidades tácitas son difíciles o imposibles de codificar, entonces las tareas más simples que los humanos realizan inconscientemente requerirán enormes cantidades de tiempo, esfuerzo y recursos para enseñar. a las máquinas.

Surge una relación inversa entre la facilidad con la que un ser humano realiza una habilidad y su capacidad de descripción y, posteriormente, su replicabilidad por parte de las máquinas. La principal pregunta económica es, entonces, ¿vale la pena desarrollar IA para realizar tareas humanas intuitivas? ¿Por qué invertir cantidades cada vez mayores de recursos para desarrollar una IA que realice tareas cada vez más simples? 

Esto sugiere una desaceleración natural del desarrollo general de la IA . Aunque la Ley de Moore apunta al aumento de un billón de veces en el poder de procesamiento de las computadoras, la lógica mediante la cual nos comunicamos con las computadoras no ha cambiado mucho desde la década de 1970. Cuando se vuelve demasiado costoso en términos del costo de oportunidad de la investigación en IA que permite a las máquinas realizar tareas humanas cada vez más simples, su desarrollo se ralentizará a medida que se establezcan rendimientos decrecientes. 

Idealmente, como sugiere Autor, el futuro de la IA radica en sus complementariedades con las habilidades humanas en lugar de su sustitución por ellas. Por ejemplo, hasta la revolución informática de las décadas de 1970 y 1980, los estadísticos empleaban verdaderos ejércitos de estudiantes graduados para procesar manualmente montones de datos en papel en estadísticas de resumen como medias, medianas y desviaciones estándar. Con la llegada de las calculadoras electrónicas y, más tarde, de las computadoras, las estadísticas que antes requerían horas o días de esfuerzo humano podían calcularse en segundos.

Con este cambio en los medios computacionales, las máquinas pudieron complementar a los equipos de investigadores estadísticos al absorber las obligaciones aritméticas repetibles y de bajo nivel de los estudiantes. Esto liberó una gran cantidad de tiempo para los estadísticos y sus estudiantes como equipo para resolver problemas estadísticos más nebulosos y abiertos, los mismos tipos que requieren un pensamiento creativo que las computadoras no resuelven bien. La visión actual de la IA y su interacción con las capacidades humanas necesita un replanteamiento serio en términos de los tipos de problemas para los que se está desarrollando. Después de todo, ¿realmente necesitamos IA para poder decirnos que los autobuses rojos son lo mismo que los autobuses azules?