Historia de Inteligencia Artificial

Prof. Ignacio Olmeda AI LAB (Imagen de portada: Metropolis, 1927)

Precursores de Inteligencia Artificial: Pre-ciencia, Literatura y Cine

• La idea de construir “máquinas inteligentes” es muy antigua. Encontramos referencias a tales máquinas en mitos, filosofía, literatura, películas y otros campos.

• En la Ilíada (Homero, circa S. VIII a.C.) encontramos las Kourai Khryseai o “Doncellas de Oro”, que eran autómatas de forma humana hechos de oro, creados por Hefesto para atender su palacio, y también los Keledones en el templo de Apolo en Delfos.

• En las Metamorfosis (Ovidio, 8 d.C.) Pigmalión esculpe una estatua de marfil que cobra vida bajo el nombre de Galatea.

• Filósofos como Aristóteles (384-322 a.C.) en La Política, soñaban con un mundo donde las máquinas podrían realizar ciertas tareas: “Si cada instrumento pudiera realizar su propio trabajo, obedeciendo o anticipando la voluntad de otros, como las estatuas de Dédalo, o los trípodes de Hefesto, que, dice el poeta, ‘de su propia iniciativa acudieron a la asamblea de los Dioses’; si de manera similar, la lanzadera tejiera y el púa tocara la lira sin una mano que las guiara, los maestros artesanos no necesitarían sirvientes, ni los amos esclavos.”

• Así pues, desde el punto de vista de Aristóteles, la condición humana está vinculada a lo que las máquinas pueden o no pueden hacer.

• En la antigua India, la “bhuta vahana yanta” o “máquinas de movimiento espiritual” en pali y sánscrito, guardaban las reliquias de Buda en Pataliputra (ahora Patna) bajo el reinado del Rey Ajatasatru (492-460 a.C.).

• En China, el Rey Lan Ling, que vivió durante la Dinastía Qi del Norte (550-577 d.C.) inventó un robot que podía danzar y, incluso antes, Lie Zi del siglo III a.C. describió un robot de madera y cuero que cantaba y danzaba, que actuaba para el Rey Mu de Zhou.

• En la Edad Media encontramos artefactos que pueden considerarse como lejanos ancestros de las posteriores “máquinas de cálculo” y que simulaban algún tipo de “inteligencia” u “automatismo”.

• Un ejemplo paramount son las ideas presentadas en el Ars Magna de Ramon Lull (1235-1316), donde propuso una especie de “razonamiento automatizado” e ideó la creación de “máquinas” o “artefactos” capaces de validar o refutar argumentos.

• El polígrafo ubicuo Leonardo da Vinci (1452-1519) también experimentó con robots primitivos. Su “Caballero” fue capaz de sentarse, mover brazos y abrir la mandíbula “de forma autónoma”.

• Uno de los muy pocos y primitivos “robots” que aún funcionan es el Fraile Mecánico, una creación atribuida a Juanelo Turriano, un relojero español del siglo XVI, quien construyó el robot encargado por el rey español Felipe II para glorificar la recuperación milagrosa de su hijo de una enfermedad grave. (Imagen: Fraile Mecánico, 1562)

• En el folclore judío encontramos el Golem, una entidad antropomórfica animada mágicamente creada de arcilla o barro que sigue las órdenes de su creador. (Imagen: Rabí Judah Loew y Golem (גלם), S. XVI)

• En 1642 Schickard fue capaz de construir una máquina para sumar y restar números de hasta seis dígitos, y ese mismo año Pascal creó el primero de una larga serie de máquinas calculadoras (ahora llamada la Pascalina), motivado por ayudar a su padre que tenía que hacer cálculos tediosos a mano.

• Leibniz, también relevante por sus investigaciones en cálculo e lógica, que tuvieron un tremendo impacto en la IA futura y otras ciencias, construyó el Step Reckoner en 1674, que fue capaz de sumar, restar y multiplicar. (Imagen: Pascalina, 1642)

• En el Leviatán (1651) Hobbes sugiere la creación de un “animal artificial”.

• En el contexto apropiado, Hobbes se refiere al Estado pero establece una interesante comparación entre lo “humano” y la “máquina”: “LA NATURALEZA, el arte por el cual Dios ha hecho y gobierna el mundo, es imitada por el ‘arte’ del hombre, como en muchas otras cosas, también en esta, de manera que puede hacer un animal artificial. porque viendo que la vida no es sino un movimiento de miembros, cuyo comienzo está en alguna parte principal interior; ¿por qué no podríamos decir que todos los ‘autómatas’ (máquinas que se mueven a sí mismas por muelles y ruedas como lo hace un reloj) tienen una vida artificial? ¿Pues qué es el ‘corazón’ sino un ‘muelle’; y los ‘nervios’ sino tantas ‘cuerdas’; y las ‘articulaciones’ sino tantas ‘ruedas’ que dan movimiento a todo el cuerpo, tal como fue intención del artifice? El ‘arte’ va aún más lejos, imitando la obra racional y más excelente de naturaleza, el ‘hombre’.”

• En 1655 en De Corpore Politico también se refirió a la computación en los siguientes términos: “Por razonamiento entiendo computación y computar es recopilar la suma de muchas cosas añadidas al mismo tiempo, o saber el resto cuando una cosa ha sido tomada de otra. Razonar pues es sumar o restar.”

• El siglo XVIII fue particularmente fructífero en la creación de máquinas mecánicas y también fue la primera oportunidad de ver estafas y falsificaciones.

• Un ejemplo fue “el Turco” (o el Turco Mecánico, que inspiró el nombre a AWS), construido por von Kempelen en 1769. Se suponía que era una máquina completamente autónoma capaz de jugar al ajedrez; la verdad es que ocultaba a un jugador profesional de baja estatura, así que, al final, no era un autómata real sino un engaño.

• Goethe, en su Aprendiz de Brujo (1797) imaginó una escoba capaz de seguir las instrucciones de su creador para limpiar.

• Quizás el ejemplo más conocido de un autómata (aunque no uno inteligente) es el “pato mecánico” de Vaucanson de 1738, que era capaz de mover sus alas, graznar, beber y digerir grano.

• Todos podemos recordar Frankenstein: El Moderno Prometeo, la novela gótica de Mary Shelley, escrita en 1818, que nos presenta una criatura artificial (hecha biológicamente, aunque) que cobra vida como resultado de un experimento con consecuencias inesperadas.

• Ese mismo año (1818) Babbage conceptualmente creó la Máquina de Diferencias, que fue capaz de realizar cálculos usando diferencias finitas. Obsérvese que todos estos artefactos solo eran capaces de realizar cálculos “de una sola vez”, es decir, no eran programables.

• De hecho, la primera máquina programable conocida fue la Máquina Analítica, también creada por Babbage alrededor de 1834. Ada Lovelace, la hija de Lord Byron, es reconocida como la primera programadora en la historia (aunque este papel ha sido recientemente cuestionado) por producir programas para la Máquina Analítica.

• En 1863 Samuel Butler, un escritor futurista, publicó el artículo “Darwin entre las Máquinas”, en el cual plantea la posibilidad de que las máquinas, por medio de evolución, superaran a los humanos y nos hicieran sus esclavos.

• En el último tercio del siglo XVIII, los psicólogos Wundt y James intentaron entender cómo podría funcionar el cerebro y construir los procesos mentales, sentando las bases para la nueva ciencia de Psicología. Más tarde, Freud (1856-1939) fue un paso más allá postulando componentes internos del cerebro como el ello, el yo y el superyó, y creando un método de introspección (el psicoanálisis).

• La palabra “robot” fue utilizada por primera vez por Karel Čapek, en su obra de teatro Robots Universales de Rossum o R.U.R. (1920). “Robot” en checo significa “trabajo forzado”.

• Novelistas como Isaac Asimov sentaron las bases de muchas ideas de Inteligencia Artificial.

• En el libro Yo, Robot de Asimov (1950) introdujo las influyentes Tres Leyes de Robótica:

• Primera Ley: Un robot no puede dañar a un ser humano, o, por inacción, permitir que un ser humano sufra daño.

• Segunda Ley: Un robot debe obedecer las órdenes dadas por los seres humanos, excepto cuando tales órdenes entren en conflicto con la Primera Ley.

• Tercera Ley: Un robot debe proteger su propia existencia en la medida que tal protección no entre en conflicto con la Primera o Segunda Ley.

• Posteriormente añadió la Ley Cero: “Un robot no puede dañar a la humanidad, o, por inacción, permitir que la humanidad sufra daño.”

• El cine es probablemente la principal referencia para muchos cuando se intenta encontrar expresiones de sistemas inteligentes.

• En 1927 Fritz Lang dirigió la película Metropolis, basada en una novela de su esposa Thea von Harbou. En la película, el robot Hel (una versión “malvada” de María, la heroína de película) amenaza la humanidad. (Imagen: 2001: A Space Odyssey, 1968)

• Unos años después (1934) en la película Der Herr der Welt (Amo del Mundo), Henry Piel presentó el dilema de si la tecnología de IA será útil para aliviar a los humanos de trabajos peligrosos, insalubres y no creativos o se transformará en un arma de guerra. (Imagen: 2001: A Space Odyssey, 1968)

• En 1939 Westinghouse presentó Elektro, el Hombre Moto, que era un robot móvil capaz de responder con mensajes pre-grabados. (Imagen: 2001: A Space Odyssey, 1968)

• Todos recordamos referencias como HAL 9000 en 2001: A Space Odyssey de Kubrick (1968). (Imagen: 2001: A Space Odyssey, 1968)

• Blade Runner (1982) nos mostró un lado más humano de IA y planteó la cuestión de consciencia. (Imagen: 2001: A Space Odyssey, 1968)

• Mientras que la archifamosa Terminator (1984) ofreció una versión bastante diferente de máquinas similares a los humanos. (Imagen: 2001: A Space Odyssey, 1968)

• Muchos otros ejemplos son bien conocidos: The Matrix (1999), A.I. (2001) o Ex Machina (2015). (Imagen: 2001: A Space Odyssey, 1968)

El Advenimiento de una Ciencia

• Como hemos visto, destacados científicos así como artistas, pensadores, filósofos, etc. sentaron las bases de Inteligencia Artificial.

• Aunque los límites de ciencia son muy difusos, la mayoría de historiadores localizan, a principios del siglo XX, las nuevas ciencias que, de forma coherente, analizaban el cerebro humano y los procesos que realiza, como la percepción y la cognición.

• El español Santiago Ramón y Cajal y el italiano Camilo Golgi obtuvieron el Premio Nobel de Medicina en 1906 por su estudio de estructura del sistema nervioso, sentando las bases de todo un conjunto de nuevas ciencias y tecnologías.

• Ramón y Cajal y Golgi demostraron que la “unidad de procesamiento” que explicaba las capacidades cognitivas del cerebro estaba basada en una estructura relativamente simple: la neurona, consistente en un soma, un axón y múltiples dendritas.

• Las señales eléctricas eran recibidas por neuronas que transformaban las entradas ponderadas y se activaban si se alcanzaba cierto umbral, continuando el proceso de transmisión de señales eléctricas a otras neuronas.

• Estructuralmente, mostraron que las neuronas envían impulsos a través de sus axones que se transmiten a otras neuronas a través de las sinapsis.

• Los impulsos se agregan en el soma de neurona receptora y, si se supera cierto umbral, se transmite un nuevo impulso a otras neuronas.

• Esta estructura conceptualmente simple es, aún, el paradigma más exitoso en IA y se llama Redes Neuronales Artificiales o Aprendizaje Profundo.

• En 1937 Claude Shannon publicó su tesis del MIT: “Un Análisis Simbólico de Circuitos de Relés y Conmutación”, donde propuso que era posible usar arreglos de relés para resolver problemas enunciados en lógica booleana.

• Ese mismo año Alan Turing publicó el artículo: “On Computable Numbers, with an Application to the Entscheidungsproblem.” (Sobre Números Computables, con una Aplicación al Problema de Decisión), donde demostró que ningún algoritmo podría determinar si una afirmación matemática arbitraria era verdadera o falsa.

• Además de importancia de prueba sobre la indecidibilidad de algunos problemas de decisión, la importancia para la computación y la IA es que también propuso una máquina de computación universal.

• Algunos años después, en 1943, McCulloch y Pitts demostraron que la neurona era esencialmente una unidad lógica y que neuronas que producían una salida de “0” o “1”, organizadas en redes, eran capaces de realizar cualquier función computable.

• En 1949 Hebb afirmó que: “cuando el axón de célula A está lo suficientemente cerca para excitar a B y repetida o persistentemente participa en activarla, sucede algún proceso de crecimiento o cambio metabólico en una o ambas células de tal manera que la eficiencia de A como una de las células activadoras de B se incrementa.”

• Esta observación es de paramount importancia ya que sentó las bases de comprensión del aprendizaje (de hecho, ese principio ahora se conoce como aprendizaje hebbiano). Hebb también mostró que las neuronas tienden a activarse juntas en asambleas celulares, argumentando que el pensamiento era un proceso complejo de activación secuencial de tales asambleas.

• En 1948, en el Hixon Symposium of Cerebral Mechanics, el psicólogo Karl Lashley (1890-1958) sentó las bases de ciencia cognitiva.

• La Ciencia Cognitiva está íntimamente relacionada con la IA, ya que su propósito es elucidar los procesos mentales usando conceptos como objetivos, tareas y estrategias.

• Esencialmente, Lashley argumentaba que el cerebro no es una estructura estática que simplemente responde a estímulos, sino una estructura jerárquica que evoluciona en el tiempo (es decir, tiene plasticidad).

• En 1950 dos estudiantes de pregrado en Harvard, Marvin Minsky y Dean Edmonds, construyeron la primera computadora de red neuronal.

• En una conferencia posterior, en 1955, Allen Newell presentó una conferencia sobre máquinas que podrían jugar al ajedrez. Este artículo esbozó algunas ideas importantes como la incorporación de nociones de objetivos, niveles de aspiración para terminar la búsqueda, satisfacción de objetivos o funciones de evaluación multidimensionales que se usan hoy en día.

• Alrededor de los mismos años, el psicólogo Skinner (1904-1990) intentó extender estas ideas enfocándose más en métodos científicos analizando el comportamiento (cómo reaccionamos a estímulos específicos) en lugar de analizar “la mente” en sí misma.

• Otra figura paramount es el lingüista Noam Chomsky. Argumentó que los humanos estamos dotados, por naturaleza, con una gramática universal que explica nuestra capacidad de aprender y usar el lenguaje, de modo que las habilidades lingüísticas son innatas, no aprendidas.

• Aunque se celebraron otras reuniones (por ejemplo, el mencionado Hixon Symposium), casi todos aceptan que el Dartmouth Summer Project de 1956 marcó el “nacimiento” de una nueva Ciencia: la Inteligencia Artificial.

• La “Conferencia de Dartmouth” fue la primera enfocada en: “…proceder bajo la base de conjetura de que cada aspecto del aprendizaje o cualquier otra característica de inteligencia puede en principio describirse tan precisamente que una máquina puede ser hecha para simularlo. Se realizará un intento por averiguar cómo hacer que las máquinas utilicen lenguaje, formen abstracciones y conceptos, resuelvan tipos de problemas ahora reservados para humanos, y se mejoren a sí mismas.”

• La Conferencia fue asistida por Trenchard More, Arthur Samuel, Ray Solomonoff, Oliver Selfridge, John McCarthy, Marvin Minsky, Claude Shannon, Nathaniel Rochester, Allen Newell y Herbert Simon.

• Estos diez investigadores ahora son reconocidos como los “padres” de IA. (Imagen: Dartmouth College, 1956)

• En la conferencia, los intereses de los investigadores eran bastante diferentes, anticipando el futuro “conflicto” entre enfoques simbólicos y subsimbólicos. Por ejemplo, mientras que Rochester estaba enfocado en dispositivos informáticos similares a neuronas, el interés de Newell y Simon estaba en el enfoque de procesamiento de símbolos, mientras que Minsky se estaba moviendo del área de redes neuronales a la simbólica.

• Uno de los grandes problemas en la conferencia fue la presentación por parte de Newell y Simon del Logic Theorist (LT), un programa de computadora funcional que era capaz de resolver teoremas en lógica simbólica, lo que proporcionó evidencia de que el procesamiento de estructuras simbólicas era esencial para la inteligencia.

• Además del LT, la Conferencia no presentó ningún avance mayor, pero permitió crear una red de investigadores (principalmente del MIT, CMU, Stanford e IBM) que dominaría el área durante los dos próximos décadas.

• 1956 fue un año particularmente importante para el área de IA. Ese mismo año Miller presentó su famoso artículo: “El Número Mágico Siete”, mostrando los límites de cognición humana.

• Esencialmente, Miller mostró que la capacidad de memoria de los humanos estaba limitada a siete piezas de información (más o menos dos), lo cual fue uno de los primeros estudios en el análisis de cognición humana.

• El General Problema Solver de Newell y Simon fue diseñado para imitar protocolos de resolución de problemas humanos. El programa consideraba subobjetivos, acciones posibles y ordenamiento, mostrando de manera similar en que los humanos se acercaban a problemas similares, así que GPS se considera como el primer programa para “pensar” de manera “similar a humanos”.

• En 1958 John McCarthy inventó LISP (), el primer lenguaje de programación específicamente diseñado para IA y que se convirtió en el lenguaje paradigmático en IA durante las próximas décadas.

• Marvin Minsky comenzó a analizar simplificaciones del mundo real para entender cómo funciona la inteligencia. Imaginó un número de “mundos micromodelos” en los que ciertas tareas deberían ser realizadas.

• Un ejemplo bien conocido es el mundo SHRDLU en el cual tareas como “encuentra el bloque más alto y ponlo en una caja” eran realizadas.

• El final de los años cincuenta y mediados de los sesenta vieron la explosión del conexionismo. McCulloch y Pitts, Vinograd y Cowan, o Widrow y Hoff (entre otros) presentaron las primeras neuronas básicas (ADALINE de Unidad Lineal Adaptativa) así como las primeras redes de (MADALINE, ADALINE Múltiple).

• También presentaron las primeras demostraciones formales de que redes básicas (conocidas como Perceptrones) eran capaces de mapear entradas arbitrarias a salidas arbitrarias, mostrando que, en la medida que exista cualquier función entre entradas y salidas, puede ser aprendida.

• Por aquellos años, también vemos la irrupción de otras técnicas bioinspirantes que permitían a las máquinas “evolucionar” de manera similar a como lo hacen los organismos vivos.

• Friedberg (1958) y luego Fogel (1966) demostraron que realizar una serie de pequeñas mutaciones a un programa de código de máquina permite generar programas con buen desempeño para alguna tarea particular, sentando las bases de los Algoritmos Genéticos y Programación Genética.

• En los años siguientes, la comprensión de los conceptos básicos del aprendizaje y la estructura de elementos de procesamiento, así como el éxito en la resolución de algunos problemas interesantes, hicieron que las expectativas alcanzaran un nivel de confianza en esta nueva ciencia probablemente demasiado alto: ”…. hay ahora en el mundo máquinas que piensan, que aprenden y que crean. Además, su capacidad para hacer estas cosas va a aumentar rápidamente hasta —en un futuro visible— el rango de problemas que pueden manejar será coextensivo con el rango al cual la mente humana ha sido aplicada” (Herbert Simon, 1958).

• Esta excesiva confianza fue debida a la concepción errónea de que ejemplos simples podían escalarse a otros más complejos, pero el mundo real demostró que el horizonte estaba más lejos.

• Uno de los problemas que los investigadores no vieron en ese momento era el contexto: las máquinas eran buenas manipulando conceptos de manera sintáctica pero también eran incapaces de entender significados.

• Un ejemplo paramount es la famosa traducción de frase del inglés al ruso: “el espíritu está dispuesto pero la carne es débil”, que fue re-traducida al inglés como “el vodka es bueno pero la carne está podrida”.

• Otro problema tenía que ver con la complejidad del mundo real. Los mundos micromodelos podían ser experimentos útiles pero ciertamente las soluciones no necesariamente se escalan para resolver problemas del mundo real.

• Un punto importante que se aprendió es que aunque las máquinas podrían ser capaces de encontrar una solución, no necesariamente podrían hacerlo (no necesitan ser constructivas, en sentido matemático).

• Finalmente, las herramientas formales que estaban disponibles para demostrar la solvibilidad de problemas y la construcción de algoritmos también eran débiles.

• La publicación de Perceptrons, por Minsky y Papert en 1969, donde mostraron que la simple función XOR no puede ser implementada por un perceptrón de una sola capa tuvo un efecto demoledor: “si las redes neuronales no pueden resolver este problema simple, ¿cómo podrían ser útiles para tareas más complicadas?“.

• Para finales de los años sesenta estaba claro que, aunque útiles, la experiencia de mundos micromodelos no podía escalar fácilmente al mundo real; se necesitaba más conocimiento específico del dominio.

• En 1969 Ed Feigenbaum con otros colegas desarrolló el sistema DENDRAL para analizar estructuras moleculares.

• Era el primer sistema intensivo en conocimiento y su experiencia fue construida usando grandes números de reglas especiales.

• El proyecto Dendral se escaló a un programa completo con el objetivo de construir sistemas expertos para varias aplicaciones. Uno de los más exitosos fue el sistema MYCIN, creado por Shortliffe, que era capaz de diagnosticar infecciones de sangre.

• MYCIN consistía en aproximadamente 450 reglas. Un aspecto importante de este sistema es que las reglas tenían que ser construidas entrevistando a expertos en el área.

• Otra innovación importante fue la introducción de factores de certidumbre para las reglas intentando simular la manera en que los médicos emplean en su diagnóstico.

Los Años Setenta, Ochenta y el Primer Invierno de IA

• Los años setenta y ochenta la IA fue dominada principalmente por Sistemas Expertos y los primeros sistemas comerciales basados en IA fueron implementados.

• El primero de ellos fue el Sistema R1 desarrollado por Digital Equipment Corporation y fue utilizado para configurar sistemas de computadoras.

• Por primera vez en la historia, los sistemas basados en IA demostraron su utilidad fuera del contexto académico y compañías como DuPont comenzaron a experimentar reducciones significativas de costos en la implementación de procesos usando Sistemas Expertos.

• Aunque el dinero fluyó hacia la IA en los ochenta, las compañías comenzaron a experimentar los límites de los Sistemas Expertos, que se mostraban incapaces de resolver problemas importantes como el procesamiento del lenguaje natural.

• Después de las promesas incumplidas de los sistemas de IA para entregar soluciones de propósito general, llegó el “Invierno de IA” e inversión e interés disminuyeron.

• A mediados de los años ochenta, las redes neuronales emergieron nuevamente como una alternativa a los sistemas expertos y otros enfoques como el logicismo.

• Un momento paramount ocurrió con la publicación en 1986 del libro Parallel Distributed Processing por Rumelhart y MacClelland, donde fue presentado el ubicuo algoritmo de retropropagación.

• En la última parte de los años ochenta y a mediados de los noventa, se hicieron avances fuertes tanto en la comprensión de las capacidades cognitivas del cerebro como en la formalización de las propiedades de las redes neuronales artificiales.

• Un número explosivo de arquitecturas fueron propuestas en esas fechas: Redes de Hopfield, Mapas Auto-organizables, Mapas Cognitivos Difusos, Redes Bayesianas, etc.

• La primera década de este siglo vio otra implosión de modelos conexionistas y, consecuentemente, de IA: problemas difíciles como el Procesamiento del Lenguaje Natural o el Reconocimiento de Imágenes aún probaron ser tareas difíciles para estas arquitecturas y otro “invierno” ocurrió.

• En contraste, los avances de última década pueden catalogarse como impresionantes: en muy pocos años, muchos problemas difíciles fueron resueltos usando nuevas arquitecturas, algoritmos e ideas.

• Este hecho, junto con los avances en poder computacional y la disponibilidad de datos, nos ha llevado a la situación actual donde los sistemas de IA, una vez más, nos permiten soñar con un futuro brillante.

Presente y Futuro

• Como hemos visto, la IA tiene muchas interconexiones con otras ciencias, por ejemplo:

• Filosofía: ¿Qué reglas formales pueden usarse para sacar conclusiones? ¿Cómo surge el conocimiento? ¿Cuál es la naturaleza de Consciencia?

• Economía: ¿Cómo diseñar sistemas de modo que los incentivos estén alineados con nuestros deseos? ¿Cuáles son las consecuencias de elegir un pago particular? ¿Cómo coordinar sistemas artificiales y humanos de manera más provechosa?

• Neurociencia: ¿Cómo procesa el cerebro la información? ¿Cuáles son las estructuras que codifican y soportan el conocimiento?

• Psicología: ¿Cómo piensan los humanos? ¿Cuáles son los objetivos internos que explican algún comportamiento particular?

• Ciencia de Computación: ¿Cómo deberían ser diseñadas las máquinas de procesamiento (computadoras)? ¿Cómo pueden ser diseñados y evaluados los algoritmos?

• Matemáticas y Estadística: ¿Cuáles son los fundamentos formales del aprendizaje? ¿Cómo modelamos la aleatoriedad e información incompleta?

• Lingüística: ¿Cuál es la relación entre lenguaje y mente? ¿Cómo está estructurado el lenguaje?

• Estas interconexiones de IA con otras ciencias amplían las oportunidades para la IA.

• La IA se ha convertido en un crisol de nuevas ideas y aplicaciones.

• La IA es ahora un icono de cultura moderna pero también se ha consolidado como una disciplina seria.

• El ritmo de desarrollo ha sido tan rápido en los últimos años que es casi imposible prever el futuro.

• Una conclusión de los últimos años es que el Aprendizaje Automático ha superado a los sistemas basados en conocimiento.

• Ha habido cambios en el interés por diferentes conceptos, moviéndose de conceptualización directa al aprendizaje.

• Entre los Métodos de Aprendizaje Automático, las Redes Neuronales son los claros ganadores.

• Entre las técnicas de Aprendizaje Automático, algunas son más tendencia que otras.

• Como se mencionó, es extremadamente difícil pronosticar cuáles serán las áreas de mayor interés en la IA en el futuro. Aún así, podemos enunciar algunos temas “candentes” que pueden liderar el progreso en el futuro cercano, entre ellos:

• Interacción Persona-Computadora: comprensión de los efectos de humanos y máquinas que ahora comparten un espacio común.

• Convergencia con tecnologías disruptivas como Blockchain, IoT, computación ubicua, etc.

• IA Sostenible: algoritmos menos demandantes en términos de computación (energía y tiempo) y datos.

• Democratización de IA: comprensión de todos los aspectos de IA y accesibilidad de los ciudadanos a sistemas de IA.

• Mejoras en algoritmia y, particularmente, en arquitecturas (p. ej. Computación Cuántica y chips de propósito específico IPU). .