La reciente victoria de AlphaGo, el modelo de machine learning creado por Google para jugar al Go, frente a Lee Sedol, el mejor jugador del mundo, por 4 partidas a 1 (en la imagen, el tablero al final de la cuarta partida, la única que ganó el jugador humano), permite hacer algunas reflexiones interesantes sobre las perspectivas de la evolución y del desarrollo de este tipo de disciplinas que implican el progresivo desarrollo de las habilidades de las máquinas en tareas antes reservadas a los seres humanos. La primera cuestión es bastante evidente: vencer a los mejores humanos haciendo cualquier cosa, como ya vimos anteriormente en los casos del ajedrez, del Jeopardy o de los juegos clásicos de Atari, es indudablemente divertido, proporciona una visibilidad a la disciplina de la que normalmente no goza, y contribuye decididamente a ponerla en la agenda del futuro para muchísimas cosas. Tras la noticia de la victoria de AlphaGo, todos tenemos bastante más claro que en el futuro tendremos robots que nos ganan a cualquier deporte o tarea imaginable, que fabrican, conducen, reparten o juegan… pero eso no lo es todo. En realidad, empezamos a tener claro que también tendremos inteligencias autónomas que tomarán decisiones empresariales, que fijarán los tipos de interés del Banco Central Europeo, que determinarán la presión impositiva o el importe de las pensiones, o que se convertirán en nuestra pareja ideal para la práctica del sexo (y no, no todo a la vez, por mucho que se os ocurran formas creativas de combinarlo :-) Pero por otro lado, hay otra cuestión evidente: para ese escenario, los desarrollos no tendrán que dedicarse a vencer a los humanos, sino a trabajar con ellos. La idea del reemplazo resulta demasiado agresiva y difícilmente aceptable para una sociedad que va a tener que redefinirse de manera drástica y a una velocidad sin precedentes: que es algo que va a ocurrir ya es algo que cada vez más personas que analizan más allá del reduccionismo de cuatro clichés empiezan a aceptar, pero el cómo ocurre y lo que viene después es lo que todavía no está nada claro – y tardará en estarlo. Modelos sociales, distribución de la riqueza, papel de las personas, desarrollo de las sociedades humanas… muchos temas, y mucho que hacer. Y una verdad indudable: el progreso tecnológico ni se va a detener, ni va a esperar ni por nada ni por nadie. Segunda cuestión: la victoria de AlphaGo conlleva un importante avance e impulso para el machine learning, justo al revés de lo que ocurrió con el parón que la disciplina sufrió en los años ’70, el llamado AI Winter que siguió a su primera oleada de popularidad. Ahora no solo hablamos de un premio de un millón de dólares dedicados a fomentar la enseñanza de las ciencias (STEM) y la tecnología, sino además, de una fortísima oleada de popularidad, de personas orientando su carrera profesional al tema, y de empresas pagando por ello. Si algo puede acelerar el desarrollo de la inteligencia artificial y el machine learning son este tipo de cosas, aunque sean simplemente la guinda de un pastel que cuesta muchísimo trabajo duro y muchísimo esfuerzo conseguir. Pero esa aceleración del ciclo es algo que, sin duda, vamos a presenciar más pronto que tarde, y definitivamente mucho antes de lo que pensaban algunos de los más optimistas. Tercero, la serie de partidas jugadas por AlphaGo tanto contra Fan Hui como contra Lee Sedol dejan un importantísimo poso de experiencia. Todas y cada una de las jugadas están siendo analizadas hasta el límite, y algunas de las consecuencias que se desprenden son enormemente interesantes. La primera es que la máquina es infinitamente mejor aprovechando la experiencia. Del mismo modo que cada vehículo autónomo que circula un metro por cualquier carretera contribuye automáticamente con su experiencia al aprendizaje de todos los vehículos autónomos del mundo, la realimentación del machine learning de AlphaGo con las últimas partidas proporciona un aprendizaje y un modelo (un “jugador”) cada vez más potente. Algunos de los movimientos jugados por AlphaGo han sido no simplemente definidos como intrínsecamente “bellos“, sino que, además, definen jugadas que tendrían únicamente una entre diez mil posibilidades de ser llevados a cabo por un jugador humano, movimientos que ningún humano podría comprender – y mucho menos anticipar. La combinación de deep learning con reinforcement learning, poner a la máquina a competir contra sí misma y a derivar nuevas jugadas a partir de movimientos originales que posteriormente son realimentados en el sistema, demuestra funcionar de una manera espléndidamente brillante. Tangencialmente, ya en el terreno de las hipótesis y las sugerencias, hay otras no menos interesantes conclusiones: dado que la victoria de Lee Sedol se produjo en la cuarta partida, cuando ya no existía posibilidad de que llegase a ganar la serie de cinco, ¿podríamos llegar a hablar de una inteligencia artificial con capacidad de ser emocionalmente inteligente? Es decir, ¿podríamos esperar que una máquina fuese suficientemente inteligente como para, pudiendo ganar, dejar conscientemente de hacerlo porque prefiere permitir que el humano marque, por así decirlo, “el gol del honor” y salve su orgullo? ¿Qué posibles implicaciones podrían llegar a tener este tipo de mecanismos ya no para el desarrollo de la inteligencia artificial, sino para la futura convivencia entre hombres y máquinas? ¿Puede una máquina llegar a ser condescendiente? ¿Sería interesante que lo fuese? Hace algún tiempo, escribí un artículo para Forbes recomendando a directivos que bajo ningún concepto twitteasen estando bajo la influencia del alcohol: ahora resulta que un algoritmo es perfectamente capaz de determinar precisamente eso, cuándo un tweet ha sido escrito por un usuario que estaba bebido. Pensemos en las posibilidades, por ejemplo, a la hora de evitar muertes relacionadas con el consumo de alcohol y la conducción: ¿cómo deberán las máquinas gestionar ese tipo de cuestiones? ¿Puede una máquina llegar a relacionarse con un humano de manera… humana? Podemos encontrarnos muchos casos de juegos o tareas que una máquina puede hacer en las que el objetivo no es necesariamente “ganar” o “hacerlo mejor que nadie”, sino otro. Claramente, ganar no lo es todo. Y si la mentalidad no es necesariamente ganar, sino mejorar los niveles de cooperación entre humanos y máquinas, podríamos llegar a utilizar esa combinación para intentar resolver algunas de las cuestiones y problemas más difíciles del mundo. Mientras tanto, sigamos jugando a algo que hace ya mucho tiempo que dejó de ser un juego. ¿Alguien se anima a una partida de poker?
.png "English"){kind=small}
