¿Cómo puede la inteligencia artificial aprender sobre el proceso de aprendizaje?

Para dar nuevos saltos en el avance de la inteligencia artificial, la IA tendría que “aprender a aprender”, como dice el autor Jun Wu en Forbes. ¿Qué significaría eso?

Como explica Wu, “los humanos tienen la capacidad única de aprender de cualquier situación o entorno.” Los humanos pueden adaptar su proceso de aprendizaje. Para tener una calidad tan flexible, la IA necesita Inteligencia Artificial General – tendría que aprender sobre el proceso de aprendizaje, lo que se llama Meta-Aprendizaje.

Hay una diferencia muy específica en el proceso de aprendizaje entre humanos y inteligencia artificial. Mientras que la capacidad de aprendizaje humano es limitada, la IA tiene muchos más recursos, como su poder computacional. La capacidad cerebral humana tiene sus límites y también tiene un tiempo limitado para aprender. Pero, mientras que la IA “aprende de más datos que los datos que utilizan nuestros cerebros humanos, procesar estas vastas cantidades de datos requiere un enorme poder computacional.”

Wu explica que“a medida que crece la complejidad de las tareas de la IA, hay un aumento exponencial en el poder computacional.” Esto significaría que incluso si el costo del poder computacional es bajo, “el aumento exponencial nunca es el escenario que queremos.” Esta es la razón principal por la que, en este momento, “la IA está diseñada para ser una aprendiz específica de propósito,” lo que hace que su proceso de aprendizaje sea más eficiente.

Pero a medida que la IA comenzó a aprender más, “aprender a aprender” comenzó a “inferir de los datos con una complejidad creciente.” Para evitar el aumento exponencial en el poder computacional, se tuvo que idear un camino de aprendizaje más eficiente, y la IA tuvo que recordar ese camino.

El problema se volvió aún más complejo cuando los investigadores y tecnólogos comenzaron a asignar problemas de multitarea a la IA. Para poder hacer eso, la IA “necesita ser capaz de evaluar conjuntos de datos independientes en paralelo. También necesita relacionar piezas de datos e inferir conexiones en esos datos.” Mientras se realiza una tarea, la IA necesita actualizar su conocimiento para que pueda aplicarlo en otras situaciones. “Dado que las tareas están interrelacionadas, las evaluaciones para las tareas tendrán que hacerse por toda la red.”

Google (GOOGL ) desarrolló un modelo como este, MultiModel, que es un sistema de IA que “aprendió a realizar ocho tareas diferentes simultáneamente. MultiModel puede detectar objetos en imágenes, proporcionar subtítulos, reconocer el habla, traducir entre cuatro pares de idiomas y realizar análisis gramatical de constituyentes.

Aunque el logro de Google es un gran salto adelante, la IA todavía necesita dar pasos adicionales para que pueda convertirse en una aprendiz de propósito general. Para poder lograr esto, necesitaría desarrollar aún más la razonamiento meta y el meta-aprendizaje. Como explica Wu, “el razonamiento meta se centra en el uso eficiente de los recursos cognitivos. El meta-aprendizaje se centra en la capacidad única de los humanos para utilizar de manera eficiente los recursos cognitivos limitados y los datos limitados para aprender.”

Actualmente, se están llevando a cabo estudios para determinar las brechas entre la cognición humana y la forma en que la IA aprende, como la conciencia de los estados internos, la precisión de la memoria o la confianza.

Todo esto significa que “convertirse en un aprendiz artificial generalizado requiere una investigación exhaustiva sobre cómo los humanos aprenden, así como una investigación sobre cómo la IA puede imitar la forma en que los humanos aprenden. Adaptarse a nuevas situaciones, como tener la capacidad de “multitarea” y la capacidad de tomar “decisiones estratégicas” con recursos limitados, son solo algunos de los obstáculos que los investigadores de IA superarán en el camino.”