El futuro de la inteligencia artificial1

por Geoffrey Hinton2

El aprendizaje profundo tendrá un efecto revolucionario en la asistencia sanitaria. Por ejemplo, una
red neuronal entrenada es tan capaz como un dermatólogo de decidir si una lesión cutánea es un
cáncer o de examinar la retina de un diabético.

Durante medio siglo, las investigaciones sobre la inteligencia artificial (IA) se basaron en una
extraña analogía con la lógica. El razonamiento lógico consiste en utilizar reglas de inferencia
válidas para deducir conclusiones verdaderas a partir de premisas ciertas. Tanto las premisas
como las conclusiones son concatenaciones de símbolos y las reglas de inferencia son meros
mecanismos de manipulación de estas concatenaciones. Los investigadores dieron por sentado
que esta era la manera en la que debía funcionar toda la inteligencia.
Desde los albores de la IA existieron apóstatas que afirmaban que, en vez de imitar la lógica, la
IA debía tratar de imitar las redes neuronales del cerebro. En estas redes, los estímulos generan
grandes patrones de actividad neuronal. Estos a su vez producen otros grandes patrones de acti-
vidad neuronal que acaban originando respuestas motoras. Todo el conocimiento del sistema
reside en la manera en que un patrón de actividad da lugar a otro y este conocimiento se apren-
de a través de la experiencia más que a través de los datos introducidos por un programador.
En los últimos años, ha quedado patente que conseguir que un ordenador simule ser una red
neuronal es una forma muy eficaz de dotar a las máquinas de la clase de inteligencia que se
necesita para tareas tales como el reconocimiento de voz, la interpretación de imágenes, la tra-
ducción automática y la práctica de juegos como el go, que requieren conocimientos intuitivos.
Este planteamiento se denomina “aprendizaje profundo” (deep learning) porque utiliza redes
neuronales profundas compuestas por muchas capas de neuronas. En lugar de tratar de poner
por escrito todo lo que sabemos mediante expresiones simbólicas, permitimos que el compu-
tador aprenda a partir de ejemplos.
Si deseamos traducir una frase del español al coreano, entrenamos a un computador mediante la
introducción de multitud de pares de frases en español con sus traducciones en coreano hasta que
asimile el concepto. El computador está programado para comportarse como una red de neuro-
nas cerebrales. Dicha red aprende modificando la intensidad de las conexiones entre las células
cerebrales artificiales mediante un algoritmo de uso general bastante sencillo denominado pro-
pagación hacia atrás o “retropropagación” (backpropagation). Mediante este algoritmo de
aprendizaje, la red neuronal artificial aprende a convertir los símbolos introducidos correspon-
dientes a las palabras en español en patrones de actividad en miles de neuronas que captan los
significados de esas palabras. Por ejemplo, la palabra “miércoles” generará un patrón de activi-
dad determinado y la palabra “jueves” dará lugar a un patrón muy similar.
Los “vectores de palabras” internos aportan la información para otro conjunto de neuronas que
van acumulando actividad con el transcurso del tiempo. Cuando la red alcanza el final de la
frase española, esas otras neuronas poseen un patrón de actividad llamado “vector de pensa-
miento” que representa el significado de la frase en su totalidad. Posteriormente, este vector de
pensamiento se puede volver en símbolos del idioma que deseemos, siempre y cuando dispon-
gamos de datos para entrenar a la red que decodifica el vector de pensamiento. A diferencia de

1
El Pais de Madrid, edición para Perú, 21 de junio de 2017
2Geofrey Hinton es catedrático de Ciencias de la Computación en la Universidad de Toronto y vicepresidente e investi-
gador en ingeniería de Google. El 15 de junio recibió en Madrid el Premio Fundación BBVA Fronteras del Conocimiento
en Tecnologías de la Información y la Comunicación.
la IA tradicional basada en la lógica, los símbolos solo aparecen en los datos introducidos y en
los resultados.
El aprendizaje profundo ya ha revolucionado la capacidad que tienen los equipos informáticos
para poder percibir el mundo y está evolucionando su capacidad para moverse con agilidad y
realizar la manipulación de objetos con destreza. Está empezando a posibilitar que los compu-
tadores comprendan el contenido de los documentos y mantengan conversaciones racionales.
Lograr que un computador realice una tarea específica mediante su programación ha dejado de
ser una única opción. A partir de ahora, cuando una tarea sea tan compleja que no sepamos có-
mo programarla, podremos indicar al ordenador que simule una red neuronal y entrenar a dicha
red para que realice la tarea con solo mostrarle multitud de ejemplos de la información de entra-
da y de la respuesta deseada.
El aprendizaje profundo tendrá un efecto revolucionario en la asistencia sanitaria. Una red neu-
ronal entrenada con 130,000 ejemplos ya es tan capaz como un dermatólogo de decidir si una
lesión cutánea es un cáncer y de ser así qué tipo de cáncer es. Cuando haya sido entrenada con
millones de ejemplos, será mucho mejor que un dermatólogo. Cualquiera podrá obtener un
diagnóstico inmediato, fiable y sumamente barato con solo apuntar su teléfono móvil hacia la
mancha cutánea que le preocupa. Otra red neuronal puede examinar una imagen de la retina de
una persona diabética y determinar el estadio de la retinopatía. Esta práctica será muy valiosa
para mejorar la eficacia de los tratamientos en aquellos países que no pueden permitirse contar
con un gran número de oftalmólogos. Durante la próxima década, las redes neuronales aprende-
rán a interpretar la mayoría de los tipos de imágenes médicas de manera mucho más fiable,
rápida y asequible que los facultativos. Las redes neuronales también serán mejores que los
médicos a la hora de predecir qué tratamientos serán eficaces y de adaptarlos a las particularida-
des específicas de cada paciente, incluyendo su perfil genético.
La idea tradicional de que la esencia del pensamiento humano consiste en razonar de manera lógi-
ca mediante la manipulación de expresiones en una especie de lenguaje simbólico interno está
sucumbiendo ante un punto de vista completamente diferente, según el cual un pensamiento es
simplemente un gran patrón de actividad neuronal. Podemos hacer referencia a uno de estos pa-
trones haciendo uso de la concatenación de palabras que normalmente lo generaría o de la con-
catenación de palabras que produciría, pero el pensamiento en sí mismo no tiene nada que ver
con una concatenación de palabras. Los pensamientos similares son patrones similares y tienen
efectos similares de modo que el razonamiento por analogía sea la forma básica del pensamiento
humano en vez de una desviación ilógica de la racionalidad.
Muchos expertos en este campo creen que los cerebros son tan solo máquinas extraordinaria-
mente complicadas y que, con el tiempo, el aprendizaje profundo podrá hacer lo mismo que
puede hacer el cerebro. Pero también creen que esto tardará mucho tiempo en ocurrir y que re-
querirá muchos más avances técnicos en la tecnología del aprendizaje profundo. En cualquier
sistema político que esté dirigido por personas y para personas, el aprendizaje profundo será una
importante fuerza positiva para mejorar la salud, eliminar los trabajos más arduos y liberar a la
gente corriente para que disfrute de la vida al máximo.

000