Hinton: «Si pudiéramos imitar con precisión un cerebro, crearíamos un sistema artificial con sentimientos humanos»

Geoffrey Hinton (Reino Unido, 1947) es uno de los más destacados investigadores actuales de inteligencia artificial. Pionero en este campo, fue uno de los primeros en desarrollar algoritmos de aprendizaje, memoria y percepción de las máquinas. No estamos tan lejos, a su juicio de conseguir aparatos que «piensen» con una potencia similar al cerebro humano.  

-Que una máquina sea capaz de aprender de su propia experiencia, al igual que el cerebro humano, suena a ciencia ficción. ¿Cómo se imitan las sinapsis neuronales en máquinas?

-Las sinapsis son, de hecho, los puntos fuertes de las conexiones que existen entre las neuronas. Están modelados por unos números que llamamos «pesos» referidos a las redes neuronales.

 -También existen cerebros en teoría menos complejos de animales que aprenden por experiencia o por imitación, como mascotas, por ejemplo. ¿No sería así más fácil observar cómo lo hacen antes de abordar la imitación del lenguaje o tareas más difíciles?

-Observar lo que hacen los animales y descubrir cómo funcionan sus cerebros son tareas muy diferentes. Sí, resulta interesante estudiar el comportamiento de animales más simples, pero eso no nos lleva a comprender de qué manera aprendemos nosotros procesos tan complejos como el lenguaje.

 -¿En qué consiste el algoritmo de retropropagación que usted propuso?

-Consiste en una forma de usar el cálculo para descubrir cómo cambiar los pesos (de los que hablaba antes) en una red neuronal para que ésta proporcione un resultado lo más cercano posible al que sería el resultado correcto.

 -¿Qué es GLOM y qué quiere lograr con ello? ¿Da indicios de funcionar realmente?

- GLOM (del término anglosajón «aglomerar») consiste en una arquitectura de red neuronal imaginaria que está diseñada para percibir formas, de una manera que se parece más a cómo los humanos perciben esas formas.

 -¿En qué consisten los vectores de actividad neuronal?

-Un vector es, simplemente, un conjunto de números. Un vector de actividad neuronal es, por tanto, un grupo numeral que nos describe el nivel de actividad de cada neurona.

 -Si las sinapsis se pueden simular, en teoría, ¿se puede llegar al momento en que una máquina funcione con psicología humana, con pulsiones o sentimientos: odio, amor, envidia…?

 -Sí, en teoría, si pudiéramos imitar con precisión lo que hace un cerebro, podríamos crear un sistema que tuviera los mismos sentimientos y sensaciones que nosotros.

 -Pero, ¿no son inimitables los atajos o cortocircuitos que la experiencia genera en cada el cerebro de una persona? Después de todo, en cierto modo, constituyen errores de aprendizaje…

-Cada cerebro humano es diferente y, por ejemplo, los pesos que yo he aprendido en mi cerebro no te servirían a ti. El motivo es que tu cerebro posee diferentes conexiones elaboradas entre las neuronas, y las neuronas, al fin y al cabo, poseen propiedades ligeramente diferentes entre sí.

 -¿Qué mecanismos básicos deben estar impresos en una inteligencia artificial cuáles serían innecesarios para el aprendizaje?

-Lo que necesitamos para una inteligencia artificial es una forma de modificar sus puntos fuertes de conexión en función de la experiencia. De esa forma intentaremos que mejore en el logro de sus objetivos.

 -¿Por qué nos equivocamos, tanto humanos como máquinas, en tareas aparentemente tan sencillas como es el reconocimiento facial?

-Es que el reconocimiento facial no es, en realidad, nada sencillo. Por el contrario, es un mecanismo muy complejo, muy difícil.

 -¿Existen ya máquinas con la potencia suficiente para desarrollar el número de conexiones sinápticas de un cerebro, si se dispusiera de los algoritmos apropiados?

-En efecto, estamos bastante cerca de ese momento. Pero piense que las máquinas requieren muchos megavatios de potencia, y nuestro cerebro tan solo necesita unos 30 vatios.

 -¿Pertenece a la ciencia ficción pensar que se podrían transferir los pensamientos de una persona a una inteligencia artificial, es decir, llegar a hacer una copia de conocimientos, sinapsis y conciencia, todo en el mismo pack?

-No, esto no tendría sentido alguno, porque los pesos neuronales en realidad solo son útiles para un cerebro que posee exactamente ese hardware, que incluye todos los detalles de cómo se comporta exactamente cada neurona.

 -Supongamos que usted construye una máquina capaz de responder a esta entrevista mediante una voz artificial y sin ayuda. ¿Conseguiría engañarme? ¿Detectaría esos pequeños matices de la duda, la repetición, la incoherencia o el error que siempre comete un humano en su discurso?

-De hecho, las redes neuronales ahora son bastante buenas para generar todos esos pequeños matices. En este enlace puede ver interesantes ejemplos de esa imitación.

-¿Cuáles son los pasos a seguir en la investigación de la próxima década? ¿Cuál es el objetivo?

-Uno de los objetivos principales sería conseguir que las redes neuronales que hacemos sean más grandes y mejores que las actuales. Por otro lado, un objetivo completamente diferente es descubrir cómo aprende realmente el cerebro, porque probablemente no esté usando el mecanismo de la retropropagación.

---

---

---