Cuando el futuro nos alcanza

Eso sí, cuantas más edad tenga, más cielos haya visto y más haya usted aprendido de las relaciones causales (el cielo lleno de nubarrones apunta a tormenta, las nubes en 'empedrado' al atardecer anuncian un mañana soleado) más fácil será que su pronóstico sea acertado. Sabrá usted, además, cuáles de las señales que percibe su cerebro son pertinentes para afinar su predicción (por ejemplo, la llegada por el noroeste, en el caso de Asturias, de un frente de nubes de tono oscuro, o la sensación de que el viento viene cálido y del sur) y cuáles son meramente aleatorias y no añaden más que ruido a su pronóstico.

Usted ha ido aprendiendo a lo largo de toda su vida, de todas sus experiencias, en un proceso continuo de ensayo y error, de premios y castigos, de satisfacciones e insatisfacciones que le llevan a priorizar unos comportamientos y decisiones sobre otros, aunque no de una forma absolutamente rígida.

Conseguir que un androide, o que un vehículo autónomo, sea capaz de tomar decisiones en función de su experiencia anterior es el Santo Grial de la informática, pero, a diferencia de la copa que Jesucristo utilizó en la Última Cena, este objetivo cada vez está más cerca gracias a las investigaciones y desarrollos tecnológicos de los galardonados este año con el Premio Princesa de Investigación Científica y Técnica, los ingleses Geoffrey Hinton y Demis Hassabis y los franceses Yann LeCun y Yoshua Bengio. Tres de ellos (Hinton, LeCun y Bengio) ya fueron reconocidos 2018 con el Premio Turing, considerado de facto como el 'Nobel de la informática', y en esta ocasión se les suma Demis Hassabis, posiblemente el perfil más disruptivo de los cuatro y sin duda quien más ha avanzado en la aplicación práctica de las investigaciones en 'Deep Learning' (aprendizaje profundo), al punto de que Google adquirió su empresa DeepMind por 400 millones de libras esterlinas, quedando el propio Hassabis como vicepresidente de ingeniería líder en proyectos de IA.

Una cosa es cómo lograr la inteligencia artificial. Otra muy distinta es cómo gestionarla de forma que proporcione a la humanidad en su conjunto los grandes beneficios que potencialmente se le coligen.

La declaración de apertura en la página web de la empresa DeepMind lo deja claro: «Queremos que la Inteligencia Artificial beneficie al Mundo, así que tenemos que ser muy reflexivos sobre cómo se la diseña».

Esta preocupación no es exclusiva de Hassabis. Es algo que une profundamente a los cuatro investigadores galardonados, que en todos los casos han dedicado una buena parte de su esfuerzo intelectual a discernir cuáles son los límites éticos en los que se debe encuadrar su trabajo y cuáles las metas hacia las que se debe orientar el desarrollo de la Inteligencia Artificial. Más aún, cuáles son los caminos de riesgo en los que el desarrollo y la aplicación de la inteligencia artificial no se deben adentrar, con especial acento en evitar que acabe sirviendo a intereses de grupos políticos o de presión y en contra del bien común. Pero eso, por el momento, se encuentra todavía en el terreno del futuro, si bien es un futuro cada vez más cercano.

¿Dónde comenzó todo esto? Los galardonados son los herederos de una larguísima tradición que se remonta al menos a la formulación de los principios de la lógica en la antigua Grecia. La máquina de computación diseñada por Charles Babbage en 1835 o la denodada lucha del equipo de Alan Turing en el descifrado de los mensajes de la codificadora nazi Enigma dieron pasos de gigantes, sobre los que se alzan los esfuerzos de los galardonados.

Geoffrey Hinton fue el pionero de todos ellos. Investiga desde los años setenta en las maneras de utilizar redes neuronales artificiales para el desarrollo de percepción, memoria y procesamiento, reconocimiento e interpretación de símbolos. En los 80 y 90 se sumaron los franceses LeCun y Bengio, formando parte de una tendencia en el estudio e investigación en Inteligencia Artificial que apostó por las redes convolucionales, sistemas de base algorítmica que manejan muy bien las complejidades del lenguaje o de las sencuencias, y que como una de las aplicaciones prácticas más destacadas ha llevado a la empresa de Demis Hassabis a la creación del programa AlphaFold, que en sus versiones de 2018 y de 2020 ha ganado la competición CASP (evaluación crítica de técnicas para la predicción de la estructura de proteínas, por sus siglas en inglés). El programa de la empresa de Hassabis se destacó en las predicciones de estructuras de unas 200.000 proteínas para las que no existían modelos previos, con una precisión de más del 91% en dos tercios de los casos.

Todos ellos han trabajado y siguen haciéndolo en cómo enseñar a sistemas artificiales a reconocer e interpretar la realidad. A cualquiera de nosotros no nos supone, en apariencia, un esfuerzo especial distinguir un balón de fútbol de una canica, una representación del planeta Tierra o una bola de piedra situada al inicio de una calle peatonal. Para la salud de nuestros pies, con todo, un rápido discernimiento puede ser esencial. Una inteligencia artificial tendrá que distinguir la forma (un círculo en dos dimensiones al que las tonalidades e intensidades de color, así como la visión bifocal otorgan en nuestro cerebro tres dimensiones y lo convierten en una esfera). Los detalles (las manchas de una pelota, la representación de continentes en una esfera planetaria o los tonos de la piedra en el caso de la bola) añaden información, y acabamos reconociendo el objeto en un proceso que lleva microsegundos de computación en nuestro cerebro, evitando de paso hacer caso a demasiados detalles. Ese es el procedimiento que tiene que imitar la inteligencia artificial.

Si de lo que se trata es de reconocer una voz o una letra, la cosa se complica. Aquí se juega ya con la identificación de vibraciones sonoras, en el caso de la voz, o de la forma, en el caso de los caracteres escritos, y la atribución de significados a lo que los humanos tenemos interiorizado como símbolos, y ello después de un aprendizaje de años.

¿Cómo se hace? El Deep Learning se basa en las inteligencias autoprogramadas. Un ejemplo: Yo puedo enseñar –o programar, y este no es un matiz menor– a un robot de cocina a preparar una fabada. No es extremadamente difícil, puedo programar un algoritmo con una serie de instrucciones básicas: qué ingredientes usar y qué hacer con ellos.

En este caso las instrucciones son reglas sencillas de formular: «Si ocurre tal evento, la respuesta es X; si no ocurre, es Y» (en este caso podría decirse que «si las fabes siguen duras tras x tiempo de cocción, aplíquesele tanto tiempo más. Si no, apague el fuego».

Con todo, esto es la automatización de un proceso, con algoritmos de respuestas de 'sí' o 'no', mientras que el Deep Learning va más allá. Es de aplicación cuando se desconoce el patrón o la regla que ayudaría a tomar la decisión o a automatizar el proceso, o bien cuando las reglas o condiciones están en constante cambio o son tantas que no es posible incluir todas sus variantes en un algoritmo.

Aquí, los pasos lógicos son más. Otro ejemplo: La personalización de anuncios de una web. El algoritmo marcará, por ejemplo que ante un usuario masculino de menos de 25 años se seleccione una regla concreta, que marque con una determinada prioridad, por ejemplo, que se le mostrará el anuncio de un videojuego. Si el usuario, y aquí está la clave, entra en ese anuncio, el algoritmo aumenta la prioridad de la regla mencionada y si no, la disminuye. Tras miles de operaciones similares, en las que el algoritmo va elaborando sus estadísticas, contaremos con un modelo que en la mayoría de los casos sabe lo que hacer, y que acertará tanto más cuantas más variables se puedan incorporar al algoritmo (por ejemplo, si el usuario de antes tiene menos de 25 años y está suscrito a una página de videojuegos será más probable que esté interesado que si tiene más de 70 y está suscrito a periódicos de información económica».

Pero esto va mucho más allá, o al menos lo hará con el tiempo. Hassabis cree que el progreso hacia una forma nueva y potente de IA será rápido y está creando un comité de ética dentro de Google para considerar las posibles desventajas de la inteligencia artificial avanzada: «Es algo de lo que tenemos que ser conscientes. Hoy día seguimos jugando a juegos de Atari», dice, «pero estamos en los primeros peldaños de la escalera, y nadie sabe dónde estaremos en cinco años».