Inteligencia Artificial en el Siglo Veintiuno

Luis F. Copertari copertari@yahoo.com

Profesor, Programa de Ingeniera en Computacin, Universidad Autnoma de Zacatecas, Mxico

Resumen
La Inteligencia Artificial (IA) es un rea de estudio relativamente nueva y excitante que intenta resolver problemas que involucran al razonamiento. Hasta ahora, IA ha sido exitosa en algunos dominios de inters muy especficos, en los cuales tpicamente, las funciones ms altas del razonamiento son requeridas. Algunos avances han sido muy impresionantes, tales como jugar ajedrez, cruzamiento de datos en minera de datos, visin en cmaras porttiles para deteccin de caractersticas tales como caras, reconocimiento de voz, navegacin por Sistema de Posicionamiento Global (Global Positioning System o GPS), reconocimiento de patrones y clasificacin, consejos de experto en dominios de inters muy especficos, entre otros. Sin embargo, ha sido hasta ahora imposible duplicar el sentido comn y alguna de las habilidades que los nios desarrollan cuando son jvenes. Este ensayo intenta explorar lo que se ha hecho en IA y lo que promete el futuro: habr alguna vez una mquina verdaderamente inteligente (y consciente)?

Palabras clave
Inteligencia Artificial, mente, inteligencia, cognicin, computadoras, tecnologa.

1. Introduccin
La Inteligencia Artificial (IA) es un rea de estudio relativamente nueva y excitante. Puede decirse que la inteligencia artificial comenz con la definicin de Alan Turing (Turing, 1950) del llamado Prueba de Turing que era un experimento en el cual una mquina presumiblemente inteligente es probada en contra de un ser humano igualmente inteligente. En este experimento, la mquina presumiblemente inteligente es puesta dentro de un cuarto y el ser humano es puesto en otro cuarto. Luego, sujetos experimentales interactan tanto con la mquina como con el ser humano (el mtodo de interaccin no es importante, puede ser texto escrito, voz, o cualquier otro mecanismo apropiado). Si, estadsticamente hablando, el experimentador no puede distinguir entre el ser humano y la mquina haciendo

-1-

preguntas de sentido comn, entonces se dice que la mquina ha pasado la prueba de Turing y es en consecuencia inteligente.

Una gran cantidad de trabajo en IA ha sido llevado a cabo desde entonces, y realmente se han obtenido resultados impresionantes en campos de inters muy especficos, pero el verdadero objetivo de la IA, que es, en ltima instancia, la construccin de una mquina verdaderamente inteligente (y consciente), no se ha logrado todava.

El argumento del Cuarto Chino, desarrollado por Searle (1980) como un experimento mental, y la derivacin asociada (Searle, 1984), intenta mostrar lo absurdo de que una computadora jams entienda algo. En el argumento del Cuarto Chino, una persona que habla ingls es puesta dentro del cuarto. Esa persona tiene un libro muy detallado, escrito en ingls (el cual la persona puede entender) de instrucciones, de forma tal que para cada entrada posible dada en chino, la persona puede seguir el libro (esto es, el programa) para generar una respuesta razonable tambin en chino. Entiende la persona chino? Claramente, la respuesta es no, dado que la persona no sabe una sola palabra (o ms bien un solo carcter) de chino. Pero luego, viene la pregunta difcil. El cuarto (como un sistema) entiende chino? De acuerdo a Minsky (1988) el cuarto, como un sistema (el dira como una agencia en una sociedad de agentes) s lo entiende.

Pero regresando al argumento de Searle: ningn programa de computadora podra jams lograr la consciencia, porque simplemente sigue un conjunto de instrucciones: no tiene sentido comn. Hay aqu una pregunta ms profunda. Requiere la consciencia (y el comportamiento verdaderamente inteligente) un alma? Acaso el funcionamiento de la mente humana (y posiblemente otras mentes, tales como delfines, ballenas, orangutanes, gorilas, monos, y quiz incluso toda cosa viva, incluyendo la plantas recurdese que las plantas carnvoras pueden moverse rpidamente y reaccionar a su ambiente) est automticamente ligado a un alma (e incluso quiz a un espritu)? Tendra una mquina inteligente un alma artifical? Estas preguntas son ms difciles de responder, porque hay mucho que se desconoce acerca del cerebro humano.

-2-

El argumento de Searle est guiado por el siguiente conjunto de axiomas y conclusiones: Axioma 1. Los programas son formales. Axioma 2. Las mentes tienen contenido (semntica). Axioma 3. La sintaxis en s misma no es ni constitutiva ni suficiente para la semntica. Conclusin 1. Los programas no son ni constitutivos ni suficientes para las mentes. Axioma 4. Los cerebros causan las mentes. Conclusin 2. Cualquier otro sistema capaz de causar mentes debera tener poderes causales (al menos) equivalentes a los de los cerebros. Conclusin 3. Cualquier artefacto que produzca fenmenos mentales, cualquier cerebro artificial, debera ser capaz de duplicar los poderes causales especficos de los cerebros, y no podra hacer esto solamente ejecutando un programa formal. Conclusin 4. La manera en la que los cerebros humanos de hecho producen fenmenos mentales no pueden ser solamente por virtud de ejecutar un programa de computadora.

Por otro lado, hay algunos que parecen ser ms optimistas. Franklin (2001) y los colaboradores en el Centro de Investigacin en Computacin Cognitiva (Cognitive Computing Research Center) han desarrollado lo que llaman el Agente de Aprendizaje Integrado Distribuido (Learning Integrated Distributed Agent LIDA), el cual segn claman posee las caractersticas bsicas requeridas para la consciencia, al trabajar como un operador de la Marina, el cual se desempea tomando decisiones autnomas respecto a asignaciones de personal de la Marina.

Pero, qu se requerira para ser verdaderamente capaz de construir una mquina inteligente? Incluso si la propuesta de Franklin es aceptada (que su arquitectura de agente de software es capaz de consciencia), los agentes deberan de estar apropiadamente distribuidos para al menos simular el funcionamiento del cerebro humano. Sera posible implementar tal arquitectura en una computadora? La Figura 1 (tomada de Moravec, 1999) muestra la evolucin del poder de computacin que se puede comprar por USD $1,000 a medida que los aos van pasando. El eje horizontal muestra los aos y el eje vertical la capacidad de procesamiento de la informacin en una escala logartmica. Es muy claro que si uno sigue las tendencias, el poder de computadora requerido para un cerebro humano

-3-

(100 millones de MIPS1) debera lograrse entre el 2020 y el 2040. Sin embargo, desde el ao 2000, la velocidad de los procesadores de computadora se ha estancado. Esto es debido al procedimiento seguido para producir los microprocesadores, llamado litografa. En un filme transparente relativamente largo, el microprocesador es dibujado. Luego, usando qumicos especiales sensitivos a la luz y lentes que reducen la proyeccin de la transparencia, el microprocesador es creado. Cul es el problema? El problema es que el campo electromagntico de la luz tiene una amplitud dada, y no puede dibujar cosas comparables en tamao a su amplitud. (Sera como tratar de construir una escultura lanzando rocas a sta.) As pues los microprocesadores no pueden ser hechos de circuitos ms pequeos, lo que significa que no pueden funcionar ms rpidamente. Esta es la razn por la cual desde el ao 2,000, no ha habido avances significativos en velocidad de procesamiento2, aunque se han creado sistemas operativos que tratan de usar dos o ms microprocesadores en paralelo (lo cual es extremadamente difcil) y ciertamente usa ms memoria y ms espacio de disco duro.

MIPS son Millones de Instrucciones por Segundo; 100 millones de MIPS son 100 trillones de instrucciones (1014) por segundo, el equivalente de hacer 100 trillones de sumas al segundo. 2 La computacin cuntica es un enfoque diferente y muy prometedor.

-4-

Figura 1. Evolucin del poder de computadora entre el costo a lo largo de los aos.3

Penrose (1989) argumenta que hay una falta de una revelacin fundamentalmente importante en la fsica, sin la cual nunca podremos comprender la mente. Ms an, el sugiere, que esta revelacin puede ser la misma requerida antes de que una teora unificada de todo (en Fsica) pueda ser escrita. As pues cules son las alternativas y las posibles tecnologas y teoras que pueden ser puestas en uso? Este ensayo trata precisamente con este tema. Cul es el futuro de la IA?

La Figura 2 muestra una grfica en la que el eje horizontal es la capacidad de almacenamiento en megabytes (la escala es logartmica) y el eje vertical es el poder de procesamiento en MIPS (tambin escala logartmica). El asterisco marca a las computadoras universales. Ntese las posiciones relativas de los clculos manuales, una computadora casera de 1965, una computadora casera de 1996 y una supercomputadora de
3

Tomado de Moravec (1999).

-5-

teraflops de 1996. Tambin ntese las diferentes posiciones de diferentes tecnologas tales como un libro, un Disco Compacto (CD), la Librera del Congreso, y canales auditivos y de video. Finalmente, ntese la posicin relativa de una lombriz, una araa, un lagarto, un mono, una ballena, un elefante y un ser humano. Figura 2. Capacidad de almacenamiento contra poder de procesamiento.4

2. El Cerebro Humano
Se calcula que el cerebro humano contiene aproximadamente entre 1011 y 1012 neuronas (entre 100 y 1,000 billones de neuronas). De acuerdo a Minsky (1988) hay aproximadamente 100 diferentes tipos de neuronas, cada una conectada con entre 1,000 y 10,000 otras neuronas (102 a 103 conexiones). As que eso significa que hay aproximadamente entre 1013 y 1015 sinapsis. (Una sinapsis es una conexin entre una neurona y otra.)

Tomado de Moravec (1999).

-6-

Figura 3. Estructura de una neurona.5

El componente elemental ms importante del cerebro humano es la neurona (ver Figura 3). La neurona tiene dendritas, las cuales reciben impulsos nerviosos de neuronas anteriores (neuronas previamente conectadas en el circuito neuronal). Luego acta agregando todos los impulsos recibidos, los cuales pueden ser excitatorios o inhibitorios, dependiendo de la carga de los iones que entren o salgan de la neurona. Por defecto, la neurona mantiene un voltaje de aproximadamente -70 mV al filtrar hacia fuera K+. Si iones positivamente cargados (Ca++ o Na+) entran a la neurona y la carga total excede un lmite dado (+55 mV), una carga elctrica pasa a travs del axn a los botones terminales al final del axn. Estos botones terminales estn conectados (en una sinapsis) a otras neuronas. Dependiendo de la fuerza relativa de la sinapsis establecida por la neurona con su neurona subsiguiente, la sinapsis puede o no desencadenar otra salida excitatoria en la siguiente neurona. Si, por el otro lado, la neurona recibe en sus dendritas iones cargados negativamente (Cl-), puede haber una respuestas inhibitoria, lo cual significa que la neurona no ser capaz de responder por un rato, incluso si luego recibe entradas excitatorias (OReilly & Munakata, 2000). Hay otro tipo de clula en el cerebro: las clulas gliales. Estas clulas se presume que funcionan

Tomado del tutorial en lnea del Cognitive Computing Research Group.

-7-

como las clulas que proveen sostenimiento qumico a las neuronas. Sin embargo, tambin pudieran jugar un rol en el proceso de pensamiento, el cual es hasta la fecha desconocido. Algunas neuronas tienen axones que abarcan unos cuantos centmetros. Otras neuronas tienen axones con casi un metro (a veces ms) en longitud tales como las neuronas de la mdula espinal.

El problema principal que enfrenta la IA a fin de construir una mquina inteligente es que hay aproximadamente cientos de diferentes tipos de neuronas. Qu si cada tipo de neurona se comporta de manera diferente? (Lo cual podra ser una suposicin razonable, dado el hecho de que tienen diferentes arquitecturas, esto es, algunas neuronas tienen sus botones terminales distribuidos horizontalmente mientras que el axon es vertical; otras tienen botones terminales distribuidos en lo que parece un acomodo aleatorio.) Figura 4. Una sinapsis en una neurona.6

La Figura 4 muestra una sinapsis. Ntese que no hay conexin fsica entre las neuronas. El axn (o bulbos terminales) de la neurona previa manda iones qumicos a la dendrita de la neurona receptora. Estos qumicos tienen que pasar por receptores qumicos ubicados en la neurona receptora.

Qu hay del cerebro humano? El cerebro humano puede dividirse en tres capas, cada capa est arriba de la previa y es el resultado de la evolucin de nuestros ancestros cada vez ms lejanos. La Figura 5 muestra el cerebro ternario.

Tomado del tutorial en lnea del Cognitive Computing Research Group.

-8-

Figure 5. The triune brain.7

En la parte superior de la Figura 5 est el cerebro reptiliano, que es el que nuestros ancestros reptiles nos han heredado. El cerebro reptiliano es responsable, entre otras cosas, del sentimiento de hambre, el control de la temperatura, la territorialidad, entre otras habilidades. En la mitad de la Figura 5 est el sistema lmbico, heredado de nuestros ancestros mamferos. El sistema lmbico, que puede ser hallado en gatos, ratones, entre otros, es responsable del humor y la memoria, entre otras cosas. En la parte de abajo de la Figura 5 est el neo-crtex, el cual puede ser hallado en primates y delfines. El neo-crtex es nuestro rasgo evolutivo ms reciente. Como puede verse en la Figura 5, tiene muchas circunvoluciones. Estas circunvoluciones estn ah para maximizar el rea de superficie del
7

Tomado del tutorial en lnea del Cognitive Computing Research Group.

-9-

neo-crtex a fin de ubicar ms y ms habilidades especializadas. El neo-crtex ha sido tpicamente ligado con las habilidades sociales y la planeacin.

La Figura 6 muestra la ubicacin de las estructuras ms importantes del sistema lmbico. Ntese que el complejo reptiliano y el sistema lmbico parecen ocupar el mismo espacio (adentro del cerebro), pero tienen circuitos muy especializados y diferenciados. Figura 6. Ubicacin de las estructuras ms importantes del sistema lmbico.8

Figura 7. Lbulos del neo-crtex humano.9

La Figura 7 muestra las areas del neo-crtex humano. Ntese que en este caso, el cerebro est siendo mostrado revertido comparado con la Figura 6. Un ejemplo de diferentes tipos

8 9

Tomado del tutorial en lnea del Cognitive Computing Research Group. Tomado del tutorial en lnea del Cognitive Computing Research Group.

-10-

de neuronas puede ser hallado aqu. Las neuronas del cerebellum tienen una arquitectura diferente que las neuronas de las restantes reas (lbulos).

La Figura 8 muestra las diferentes habilidades que han sido descubiertas, las cuales estn tpicamente ligadas al neo-crtex. Ntese que el cerebro tiene dos hemisferios y estas diferentes habilidades puedes estar ubicadas en diferentes hemisferios. La Figura 8 meramente muestra descubrimientos tpicos. Ms an, se ha demostrado que la misma habilidad puede estar duplicada en hemisferios diferentes para mayor robustez. Figura 8. Habilidades ligadas a cada area del neo-crtex.10

10

Tomado del tutorial en lnea del Cognitive Computing Research Group.

-11-

El hemisferio derecho del cerebro fundamentalmente se ocupa del reconocimiento, intuicin, sensibilidad y pensamiento creativo. El hemisferio izquierdo se ocupa de los pensamientos racional, analtico y crtico. Estas son las fuerzas duales opuestas que caracterizan el pensamiento humano.

3. Tecnologas de IA
La IA es un area de estudio que abarca varias disciplinas, desde la cognicin y la psicologa a las ciencias computacionales y la ingeniera. IA a sido exitosa en muchas reas, las cuales se mencionan brevemente a continuacin. Algoritmos genticos (tambin llamados computacin evolutiva). Heursticos. Lgica difusa. Redes neuronales artificiales. Lgica proposicional. Sistemas expertos. Agentes inteligentes. Computacin cuntica. Robtica. Visin. Lenguaje natural. Minera de datos.

Estas areas de dominios especficos son explicadas con mayor detalle en las siguientes subsecciones.

3.1. Algoritmos genticos (computacin evolutiva) Los algoritmos genticos (o computacin evolutiva), como su nombre implica, dependen de la evolucin para resolver problemas (Schoenauer & Michalewicz, 1996). Ms especficamente, los algoritmos genticos confan en la propiedad de todos los sistemas evolutivos de mejor seleccin de patrones y reproduccin, esto es, heredamiento gentico y lucha darviniana para la supervivencia (Davis, 1987). En los algoritmos genticos, las secuencias que llevan a las mejores soluciones tienden a reproducirse ms que las secuencias que llevan a soluciones pobres.

El algoritmos gentico general es como sigue: -12-

1. 2. 3. 4. 5.

Codificacin. Mutacin. Evaluacin. Reproduccin. Decodificacin.

Hay un ciclo entre los pasos 4 y 2. Tal ciclo termina cuando gx100% de la poblacin ha alcanzado la misma solucin (0 g 1). Tal valor, g, es el porcentaje generacional. Ntese que tener gx100% de la poblacin igual no garantiza la solucin ptima. Sin embargo, hay una buena probabilidad de que si gx100% es suficientemente grande, la solucin ptima ha sido encontrada, o al menos, una solucin ptima local. La tasa de mutacin, wx100%, (donde 0 w 1) indica la mutacin de cada individuo. Si para un nmero aleatorio R, resulta que R w (donde 0 R < 1), entonces tal individuo tiene que mutar. La mutacin involucra un cambio aleatorio en el genoma del individuo. Tambin, la tasa de mutacin tiene que ser fijada justo para que si la poblacin de individuos se estanca en un ptimo local, la tasa de mutacin aleatoriamente trae la solucin correcta, y tal solucin puede tener una oportunidad de reproducirse.

Ntese que para que el algoritmo converja, la ecuacin (1) se debe aplicar, donde << significa substancialmente menor que. La ecuacin (1) puede transformarse en la ecuacin (2). La ecuacin (2) significa que el porcentaje generacional tiene que ser suficientemente ms pequeo que 1-w. Esto es porque incluso asumiendo que un 100% (esto es, 1) de la poblacin tenga la misma solucin, wx100% mutar, y as, cambiar. As pues, habr a lo ms (1-w)x100% de individuos que quedarn con la misma solucin. Si eso no es lo suficientemente mayor que g, el algoritmo gentico nunca se detendr.

g + w << 1 g << 1 - w

(1) (2)

Otro factor importante es el tamao de la poblacin, esto es, el nmero de individuos, cada uno representando una posible solucin completa al problema. Tamaos de poblacin ms

-13-

grandes implican mayor poder de cmputo, pero tienden a conducir a mejores soluciones. Menores tamaos de poblacin implican menor poder computacional, pero el espacio de solucin est ms limitado.

Generalmente hablando, es posible representar un gran nmero de problemas utilizando algoritmos genticos. La cuestin importante a tener en mente es ser capaz de codificar en un solo individuo una solucin completa al problema. Las redes neuronales de varias capaz pueden ser resueltas utilizando algoritmos genticos, aunque la velocidad es un factor.

3.2. Heursticos Los heursticos son reglas generales de dedo que son utilizadas cuando creencias particulares, tales como yo pienso que o es probable que y as sucesivamente, son cuantificadas basadas en la probabilidad, la cual puede estar basada en datos histricos o recomendaciones de expertos (Tversky & Kahneman, 1974).

La gente tpicamente confa en un conjunto dado (y posiblemente y lgicamente finito) de heursticos para desenvolverse en su vida. La pregunta clave es: puede un conjunto finito de heursticos, programados en una computadora, mostrar comportamiento inteligente, incluso al punto de pasar la prueba de Turing?

Generalmente hablando, hay tres tipos de heursticos: heursticos de representatividad, heursticos de disponibilidad y heursticos de ajuste y acomodo. Los heursticos de representatividad son heursticos basados en la probabilidad de que el objeto A pertenezca a la clase B o que el proceso A sea el resultado del proceso B o viceversa. Los heursticos de disponibilidad son aquellos basados en la probabilidad inferida de casos pasados. Los heursticos de ajuste y acomodo son aquellos basados en un valor inicial, el cual es luego ajustado de acuerdo al juicio.

Tambin hay dos tipos de heursticos: rpidos y frugales, tales como cuantificaciones rpidas tales como toma el mejor, y ms complejos en estrategia, tales como la regresin lineal, entre otros (Gigerenzer & Todd, 1999).

-14-

3.3. Lgica difusa La lgica difusa es un rea de estudio en la que no hay datos slidos sino ms bien granularidad en los datos que son procesados. Por ejemplo, en la lgica booleana, slo hay falso y verdadero, pero en la lgica difusa hay varias posibilidades (ms de dos, esto es, ms que en un sistema binario), tales como bajo, mediano y alto. La lgica difusa ha sido exitosamente utilizada en el diseo de domsticos tales como lavadoras, en las cuales hay, por ejemplo, varios niveles para la cantidad de agua utilizada (mnima, mnima-media, media, media-alta y alta).

La granularizacin de la informacin, la cual est inspirada en la manera en la cual los seres humanos granulan conceptos, es central para la lgica difusa y marca el rol esencial en la concepcin y diseo de sistemas inteligentes (Zadeh, 1997).

Hay dos tipos de conjuntos difusos, conjuntos difusos de tipo-1, los cuales son los ordinarios descritos anteriormente, y conjuntos difusos de tipo-2, los cuales son una extensin de los conjuntos difusos de tipo-1. Los conjuntos difusos de tipo-2 son tiles en circunstancias donde es difcil determinar una funcin de membresa exacta para el conjunto difuso, tal como en lingstica, donde una palabra dada puede significar diferentes cosas para diferente gente (Karnik & Mendel, 2001).

Generalmente hablando, en la lgica difusa hay varios grados de verdad y usualmente un grado de certidumbre (un valor entre 0 y 1).

3.4. Redes neuronales artificiales Las redes neuronales artificiales son un rea de estudio muy excitante, que ha sido relativamente desarrollada recientemente. Las redes neuronales artificiales asumen que las neuronas son simplemente elementos de adicin, y que las sinapsis pueden ser modificadas numricamente de manera digital. Esta es una suposicin atrevida, dado que las verdaderas neuronas en el cerebro humano (y otros cerebros a tales efectos) pueden ser analgicos en su naturaleza, en cuyo caso seran mucho ms difciles de modelar. Sin embargo, las redes

-15-

neuronales artificiales han mostrado impresionante xito en muchas reas del conocimiento, donde la clasificacin y el pareo son requeridos (Hagan, Demuth & Beale, 1996).

3.5. Lgica proposicional La lgica proposicional es una tcnica que genera y evala expresiones o proposiciones basadas en combinaciones de operadores lgicos (verdadero/falso) y algunas reglas que pueden ser aplicadas a tales operadores. Hay una sintaxis especfica a ser utilizada; hay una semntica a ser considerada y varios procedimientos de inferencia.

Hay mucho que puede ser logrado con la lgica proposicional, pero sus posibilidades estn un poco restringidas a lo que puede ser hecho con la sintaxis dada, la semntica y los procedimientos de inferencia.

3.6. Sistemas expertos Los sistemas expertos son un rea de estudio que es parte del rea de anlisis de decisin. Sus desarrollos iniciales ocurrieron durante los 1950s y 1960s, estudiando la aplicacin de la teora de decisin a problemas de decisin reales. Era til tomar decisiones donde intereses importantes estaban en juego, tales como el mundo de los negocios, gobierno, leyes, estrategia militar, diagnstico mdico y salud pblica, diseo ingenieril y administracin de recursos. El proceso usado involucraba un cuidadoso estudio de las acciones y los posibles resultados, as como las preferencias para cada resultado.

En el proceso de construir un sistema experto hay dos responsables principales: el tomador de decisiones y el analista de decisiones. Durante las primeras investigaciones en sistemas expertos, el nfasis se pona en responder preguntas ms que en tomar decisiones. Tales sistemas estaban basados en reglas de condicin-accin, y no ofrecan opiniones de hechos especficos. Luego, los modelos de clculo de utilidad expresa fueron incorporados, los cuales permitan a los sistemas expertos seleccionar acciones automticamente as como las conclusiones y deducciones basadas en evidencia donde el experto explcitamente representaba sus preferencias o las preferencias del cliente.

-16-

3.7. Agentes inteligentes Un agente inteligente es bsicamente un programa pequeo o una coleccin de programas que reciben informacin del ambiente a travs de sensores y reaccionan al ambiente basados en una funcin dada actuando o reaccionando a tal ambiente a travs de sus actuadores. Un agente inteligente sencillo es ilustrado en la Figura 9.

Puede haber un agente inteligente solo o quiz toda una sociedad de agentes organizadas en una agencia dada, tal como Minsky (1988) propone.

Es posible que la creacin de una mquina inteligente simplemente requiera construir agentes inteligentes apropiadamente programados para hacer el mismo trabajo que la mente hace. Despus de todo, los aviones tienen alas, pero no aletean sus alas para volar. Pero esto es tema de especulacin.

Figura 9. Un agente inteligente sencillo. Agente inteligente Sensores Funcin de reaccin Actuadores Ambiente

3.8. Computacin cuntica La computacin cuntica es un rea de las ciencias computacionales relativamente nueva y muy excitante. En la computacin clsica, el elemento computacional bsico es el bit, el cual puede ser 0 o 1, pero no ambos. En la computacin cuntica, el elementos computacional bsico es el qbit, el cual es un elemento que puede ser tanto 0 como 1 al mismo tiempo.

-17-

Para ilustrar, considere dos bits. Hay dos posibles estados para dos bits, dado que sus valores son dados y conocidos. Sin embargo, para dos qbits, hay 22 = 4 posibles estados, esto es, pueden ser 00, 01, 10 y 11. Dado que los qbits son tanto 0 y 1 al mismo tiempo, los clculos en las computadoras cunticas que pueden ser llevados a cabo son exponencialmente mucho ms rpidos que en computadoras regulares11.

Sin embargo, la nica manera que una computadora cuntica pueda computar es si sus qbits estn sobreposicionados, esto es, conectados en lo que se llama teleportacin cuntica. Tan pronto como un resultado se obtenga de la computadora cuntica, ocurre la decoherencia y algoritmos especiales para corregir por el error son requeridos. La computacin cuntica es un rea de estudio de vanguardia que necesita ir de una representacin matemtica a una representacin fsica (Williams & Clearwater, 1998).

3.9. Robtica Hay varias definiciones posibles de robot. Un robot puede ser definido como un manipulador programable capaz de realizar varias funciones, diseado para ubicar materiales, partes, y herramientas o artefactos dados a travs de movimientos variados programados y cuyo objetivo es la realizacin de ciertas tareas. El problema con la definicin previa es que no es muy estricta. Una banda desplazadora con un interruptor de dos velocidades podra aparentemente satisfacer la definicin.

Podra ser major definer un robot como un agente artificial, activo, cuyo ambiente es el mundo fsico. El trmino activo descarta de la definicin cosas tales como piedras. El trmino artificial descarta animales. El trmino fsico descarta a los agentes de software puros o softbots.

De inters particular, son los robots autnomos, los cuales son aquellos capaces de tomar decisiones propias, lo cual est opuesto a los robots manipulados. Los robots manipulados son, sin embargo, muy tiles. Ejemplos son los aviones androide, o las manos quirrgicas que le permiten a los doctores mdicos llevar a cabo cortes muy precisos o procedimientos
11

n qbits pueden estar en 2n diferentes estados al mismo tiempo.

-18-

especiales durante la operacin. El diseo de un robot autnomo es muy similar al de un agente inteligente. Dadas las limitaciones en sensores y poder de procesamiento, los robots autnomos estn usualmente restringidos a ambientes muy especficos y benignos para stos.

Una de las grandes ventajas de los robots es que pueden tener una amplia variedad de diseos posibles. Los robots autnomos no necesariamente tienen que parecerse a los seres humanos. Pueden tener muchas formas. Por ejemplo, un robot para una lnea de ensamblaje de automviles tendra un brazo con pinzas y una cmara. La cmara capturara imgenes monoscpicas (en lugar de estereoscpicas), pero el procesamiento de la imagen para deteccin de caractersticas podra hacer las imgenes tiles al determinar la distancia, mas el hecho de que se espera que todas las piezas estn en el mismo lugar, de forma tal que el robot se pueda pre-programar para hacer una secuencia de actividades. Si, por accidente, las partes cambian de lugar, el resultado probablemente sera un desastre total en la lnea de ensamblaje. As que los robots pueden ser diseados para la manufactura y manejo de materiales.

Otra aplicacin de la robtica es robots mviles (o romovs). Las dos principales aplicaciones son como robots de entregas en edificios, especialmente en hospitales, y como guardianes de seguridad. Los robots tambin pueden guiar vehculos (tanto en la tierra como submarinos). Ciertamente es ms barato enviar un robot a hacer investigacin submarina dado que puede quedarse bajo el agua por meses para descubrimientos cientficos o para reparar lneas submarinas.

Los robots tambin pueden ser usados en ambientes peligrosos para los seres humanos, tales como desastres nucleares o terremotos que puedan causar destruccin de edificios.

3.10. Visin Uno de los tres elementos clave de un robot o un agente inteligente es la percepcin o los sensores. Tal percepcin puede ser un conjunto de nmeros de una base de datos o texto, pero tambin puede ser la entrada de una cmara. Cuando se trata de entrada de una

-19-

cmara, tal entrada usualmente viene slo de una cmara (visin monoscpica) y el procesamiento de la informacin llevado a cabo usualmente tiene ms que ver con deteccin de caractersticas, tales como sombras, bordes, a veces formas, y as sucesivamente. Por ejemplo, considere las cmaras modernas. Pueden detectar caras y ubicar un rectngulo alrededor de cada cara detectada. Pero hacen esto con slo una cmara.

Es posible construir sistemas computarizados para visin estereoscpica. Mahowald (1994) desarroll un sistema de Integracin de Gran Larga Escala anlogo y estereoscpico, que emula el procesamiento de la informacin llevado a cabo por las primeras neuronas del ojo.

3.11. Lenguaje natural Generalmente hablando, hay dos tipos de lenguajes: lenguajes formales (tales como Lisp y lgica de primer orden, que son producto de la invencin y una definicin muy rgida) y lenguajes naturales (tales como Ingls, Espaol, Dans, Chino, entre otros).

Es posible en IA encontrar una gramtica formar para un subconjunto del Ingls, por ejemplo. En tal caso, es posible procesar lenguaje natural usando un conjunto de comandos y frases predefinidos. Algunas veces, la entrada puede ser la voz, en otras ocasiones la entrada puede ser texto escrito. Avances significativos se han hecho en el procesamiento del lenguaje natural, hasta el punto de que a veces es difcil distinguir la mquina del ser humano. Sin embargo, el hecho de que la mquina puede procesar lenguaje natural no significa que sea capaz de entenderlo. Esto nos lleva de nuevo al argumento del Cuarto Chino, excepto que en este caso debera ser llamado el argumento del Cuarto Ingls, en donde dentro del cuarto est una computadora en lugar de una persona que habla ingls. Pero claramente, a pesar de todos los argumentos, en este caso la computadora no entiende Ingls, incluso si es capaz de ejecutar acciones basadas en comandos de voz en Ingls.

Hay muchas aplicaciones de procesamiento de lenguaje natural. Algunas ayudan a gente deshabilitada a sobrellevar sus dificultades. Otras son traductores de lenguaje (aunque la

-20-

traduccin no es 100% correcta dado que la computadora todava no ha logrado sentido comn y no puede por completo comprender el contexto en el cual el texto es dado).

En ciencias computacionales, hay cinco generaciones de lenguajes. Los lenguajes de primera generacin son lenguaje mquina, esto es, procesamiento binario directo. Los lenguajes de segunda generacin son lenguaje ensamblador. Los lenguajes de tercera generacin son lenguajes de computadora tales como Java, C, Pascal, Basic, Fortran, Cobol, entre otros. Los lenguajes de cuarta generacin son SQL, Microsoft Access, entre otros lenguajes de recuperacin de datos en bases de datos. Los lenguajes de quinta generacin son los lenguajes naturales. stos (lenguajes de quinta generacin) son el techo para las computadoras.

3.12. Minera de datos La minera de datos comenz con el procesamiento de las bases de datos. En el procesamiento de bases de datos, la informacin es cruzada de forma tal que se obtiene una salida a queries dadas y muy especficas de forma tal que preguntas puedan ser respondidas. Sin embargo, al principio, estos lenguajes de bases de datos estaban muy limitados. Ahora, es posible cruzar informacin de inmensas bases de datos y responder preguntas que son dadas en casi una manera de lenguaje natural.

No hace mucho tiempo, IBM cre una computadora muy poderosa para competir en Jeopardy en contra del campen humano de Jeopardy. La computadora se desempe muy bien. La mayora de su xito est basado en tcnicas muy poderosas de minera de datos as como combinaciones de otras tcnicas y tecnologas de IA. Sin embargo, nadie con verdadero sentido comn podra decir que la computadora entenda el juego que estaba jugando. Para la computadora era simplemente una cuestin de inmensa molienda de datos.

En estos das, la gente genera un montn de informacin durante sus actividades diarias. En una sociedad del conocimiento, esta informacin se vuelve vital, y la explotacin y uso de tal informacin provee a las compaas con grandes ventajas sobre sus competidores que no utilizan minera de datos. En minera de datos, hay aprendizaje supervisado y no

-21-

supervisado. Ambos son muy valuados, pero el aprendizaje no supervisado es tpicamente ms comn en minera de datos, dado que usualmente no hay valores objetivo asociados con cada conjunto de entrenamiento. Actualmente, hay una muy excitante rea de estudio en IA, que es la combinacin de aprendizaje supervisado y no supervisado.

4. Discusin y Conclusiones
Qu es lo que motiva el cambio tecnolgico? El cambio tecnolgico usualmente se da cuando existen condiciones apremiantes que resolver. Qu fue la ltima condicin que propici el cambio tecnolgico que se vivi hasta los 1960s o 1970s? Aunque el lector pueda dudarlo, fue la revolucin industrial de finales del siglo XIX y principios del siglo XX. Por qu? Porque dicha revolucin industrial introdujo el uso de la maquinaria en los procesos de produccin que anteriormente eran 100% o casi 100% manuales. Lo anterior implic la posibilidad de producir artculos y productos en masa. Lamentablemente tambin posibilit la produccin de armas en masa. Las grandes potencias de aquel entonces (Reino Unido, Francia y Rusia por un lado en lo que se llamaba el ente triple y Alemania, AustriaHungra e Italia en lo que se llamaba la alianza triple) comenzaron a producir armas en grandes cantidades y a sentirse poderosas. Slo se necesitaba una excusa, un chispazo que disparara el conflicto. Tal excusa se dio con el asesinato del archiduque Franz Ferdinand de Austria. Lo anterior desencaden el ataque por parte de Austria a las potencias del ente triple. Sin embargo, por haber atacado Austria primero, Italia no particip en lo que se lleg a denominar la Gran Guerra o Primera Guerra Mundial (aunque no haya sido tan mundial como se pudiera pensar). Gan el Reino Unido y sus aliados, y como condicin de su victoria le pidi a las potencias del ente triple (en especfico resalta el caso de Alemania) que pagaran los enormes costos de la guerra a los victoriosos. Lo anterior se mantuvo por algunos aos hasta que lleg el momento en el que Alemania econmica y socialmente no daba ms. Esto hizo que un histrico levanta nimos como Hitler ganara las elecciones de Alemania de manera democrtica y llegara al poder. En su afn confrontador, Alemania llev a Europa (y no mucho tiempo despus a los Estados Unidos de Amrica y a Japn) a la Segunda Guerra Mundial. Esta s fue de proporciones mucho mayores y sus impactos se

-22-

sienten todava an hoy en da (aunque quiz algunos de ustedes ni siquiera tengan una clara nocin de lo que fue la Guerra Fra y la Cortina de Hierro)12. La primera y segunda guerra mundial, as como la guerra fra, impulsaron el desarrollo de la ciencia y la tecnologa de la que hoy en da disfrutamos. Sin embargo, actualmente, estamos viendo otra revolucin, la revolucin digital, cuyo alcance todava no es del todo claro, ni siquiera para los mejores escritores de ciencia ficcin que pudiera haber. Quiz el Facebook, el Twitter, el YouTube y tantas otras increbles tecnologas relacionadas con el Internet nos lleven eventualmente a alcanzar la construccin de una mquina verdaderamente inteligente. Pero qu implicara lo anterior? La mquina si es consciente de s misma ira creciendo como un nio, y hara preguntas. Habra que inculcarle buenos valores (en particular amor hacia los seres humanos). Pero la mquina probablemente se sentira sola. Darle acceso a Internet y permitirle interactuar con la gente sera peligroso, pues a la mquina se le podra ocurrir que su deber es gobernar a la humanidad. Sera lo anterior una buena idea? Claramente, se necesitara de la construccin de otras mquinas inteligentes para que se comuniquen entre s. Estas mquinas inteligentes daran origen a generaciones de nuevas mquinas y posiblemente robots de todos tipos y formas. Es concebible que en un segundo, tiempo que a un dos seres humanos les permite intercambiar una o dos palabras, dos mquinas inteligentes pudieran intercambiar toda una enciclopedia de informacin. Las posibles interrogantes son enormes, pero la curiosidad humana siempre nos ha llevado a innovar. Yo realmente pienso que la construccin de una mquina inteligente es inevitable, la pregunta es cundo ocurrira y qu pasara con ello. Se puede hablar de cuestiones de riesgo aqu, pero dejo tal discusin para el saln de clase. Hay, aproximadamente, entre 100,000000,000 (1011) y 1000,000000,000 (1012) de neuronas en el cerebro humano. Cada neurona tiene entre 1,000 (103) y 10,000 (104) conexiones a otras neuronas. Hay 5,000000,000 (5x109) bits de informacin en el cdigo gentico de cada neurona (Sagan, 1980). Desde luego, tal codificacin es repetitiva, porque el mismo cdigo est en cada una de las clulas del cuerpo humano. La mayora del cdigo es para otros propsitos, usado en otras clulas del cuerpo humano. Pero digamos que slo un 1% de tal informacin se aplica al funcionamiento real de las neuronas. Esto sera
12

Aquel que quiera informarse ms de estos temas por pura curiosidad, puede acceder a la Wikipedia (www.wikipedia.org) y seleccionar artculos en Espaol y luego en la barra de bsqueda arriba a la derecha buscar el tema de inters.

-23-

50000,000 (5x107) bits de informacin usada en las neuronas para conectarse a otras neuronas y comportarse de la manera en que lo hacen. Si un programa de computadora escrito en ensanblador requiere 32 bits de informacin por instruccin, eso significa que un programa de 5x107/32 = 1562,500 lneas de ensanblador se requerira para especificar cmo debera comportarse cada neurona. Tal programa podra ocupar 5x107/(1,024x1,024) = 47.68 Megabytes. Tambin, como fue descrito previamente, el cerebro humano procesa informacin a una velocidad de 100 millones de MIPS o 100000,000000,000 de instrucciones por segundo. Un procesador de computadoras personal tpico procesa ahora informacin a alrededor de 2 GHz, esto es, 2,000000,000 de instrucciones por segundo. Eso significa que un total de 100000,000000,000/2,000000,000 = 50,000 procesadores se requeriran si dedicaran todo su poder de procesamiento a la mente artificial. Tambin, si slo un 1% del poder del procesador es usado por la mente inteligente, un total de 50,000/0.01 = 5000,000 computadoras personales se requeriran. Esto parece mucho, pero no es una cantidad inimaginable.

Otra cuestin es la velocidad a la cual las computadoras se conectaran. Claramente, si 5000,000 de computadoras son usadas, cada una tendra que simular 1000,000000,000/5000,000 = 200,000 neuronas. Pueden 200,000 neuronas ser simuladas usando slo el 1% del poder de procesamiento de una computadora dada? Una computadora tiene una velocidad de 2 GHz o 2,000000,000x0.01 = 20000,000 instrucciones por segundo. Si 200,000 neuronas son simuladas, cada neurona puede usar 20000,000/200,000 = 100 instrucciones por neurona. Eso no parece mucho, pero podra ser suficiente para el poder de procesamiento requerido para una sla neurona.

Sin embargo, las neuronas tienen que estar conectadas entre s. Si en cada computadora hay 200,000 neuronas, cada neuronas est conectada a otras 1,000 neuronas, y cada conexin manda 10 bits por segundo de informacin, una conexin entre computadoras de 200,000x1,000x10 = 2,000000,000 bits por segundo se requerira, esto es, una conexin de 2 Gbps o 2 Giga bits por segundo.

-24-

Referencias
Davis, L. (Editor). 1987. Genetic Algorithms and Simulated Annealing, Los Altos, CA: Morgan Kaufmann Publishers. Franklin, Stan. 2001. Artificial Minds. Cambridge, MA: The MIT Press. Gigerenzer, Gerd & Todd, Peter M. 1999. Simple Heuristics that Make us Smart. New York, NY: Oxford University Press. Hagan, M., Demuth H. & Beale, M. 1996. Neural Network Design, Boston, MA: International Thomson Publishing. Karnik, Nilesh N. & Mendel, Jerry M. 2001. Operations on type-2 fuzzy sets, Fuzzy Sets and Systems, vol. 122, 327-348. Mahowald, Misha. 1994. An Analog VLSI System for Stereoscopic Vision, Oxford, England: Kluwer Academic Publishers. Minsky, Marvin. 1988. The Society of Mind, Cambridge, MA: Simon & Schuster Paperbacks. Moravec, Hans. 1999. Robot: Mere Machine to Transcendent Mind, Oxford, England: Oxford University Press. OReilly, Randall & Munakata, Yuko. 2000. Computational Explorations in Cognitive Neuroscience: Understanding the Mind by Simulating the Brain, Cambridge, MA: The MIT Press. Penrose, Roger. 1989. The Emperors New Mind: Concerning Computers, Minds, and the Laws of Physics, Oxford, England: Oxford University Press. Sagan, Carl. 1980. Cosmos, Barcelona, Espaa: Grupo Editorial Planeta. Schoenauer, Marc & Michalewicz, Zbigniew. 1996. Evolutionary Computation, Control and Cybernetics, vol. 26, no. 3, 307-338. Searle, J. 1980. 'Minds, Brains, and Programs', Behavioral and Brain Sciences, vol. 3, 417458. Searle, J. 1984. Minds, Brains, and Science, Cambridge, MA: Harvard University Press. Turing, Alan M. 1950. Computing Machinery and Intelligence, Mind, vol. 59, 434-460. Tversky, Amos & Kahneman, Daniel. 1974. Judgment under uncertainty: Heuristics and biases, Science, vol. 185, 1124-1131.

-25-

Williams, C.P. & Clearwater, S.H. 1998. Explorations in Quantum Computing, New York, NY: TELOS Springer-Verlag. Zadeh, Lofti A. 1997. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic, Fuzzy Sets and Systems, vol. 90, 111-127.

-26-