Los investigadores de USC Viterbi han colaborado en un nuevo recurso para el futuro del aprendizaje de la IA, para definir cómo la IA y los robots pueden aprender y adaptarse como criaturas vivientes. Crédito: Pixabay
Si una computadora podría pasar por un ser vivo es uno de los desafíos clave para los investigadores en el campo de la Inteligencia Artificial. Ha habido grandes avances en IA desde que Alan Turing creó por primera vez lo que ahora se llama la Prueba de Turing: si una máquina podría exhibir un comportamiento inteligente equivalente o indistinguible del de un humano. Sin embargo, las máquinas todavía luchan con una de las habilidades fundamentales que es una segunda naturaleza para los humanos y otras formas de vida: el aprendizaje permanente. Es decir, aprender y adaptarnos mientras estamos haciendo una tarea sin olvidar tareas anteriores, o transferir intuitivamente el conocimiento recogido de una tarea a un área diferente.
Ahora, con el apoyo del programa DARPA Lifelong Learning Machines (L2M), los investigadores de USC Viterbi han colaborado con colegas de instituciones de todo Estados Unidos y el mundo en un nuevo recurso para el futuro del aprendizaje de IA, definiendo cómo los sistemas artificiales pueden pensar, actuar y adaptarse con éxito en el mundo real, de la misma manera que lo hacen las criaturas vivientes.
El artículo, coescrito por la profesora de Ingeniería Eléctrica e Informática alice Parker y la profesora de Ingeniería Biomédica, y de Biocinesiología y Terapia Física, Francisco Valero-Cuevas y sus equipos de investigación, fue publicado en Nature Machine Intelligence, en colaboración con la profesora Dhireesha Kudithipudi de la Universidad de Texas en San Antonio, junto con otras 22 universidades.
El equipo de investigación también incluyó al investigador postdoctoral en el ValeroLab, Ali Marjaninejad, el candidato a doctorado en Ingeniería Biomédica Darío Urbina y el candidato a doctorado en Ingeniería Eléctrica Suraj Chakravarthi Raja. El trabajo previo del ValeroLab en el campo de la IA bioinspirada incluyó una extremidad robótica controlada por IA impulsada por tendones similares a animales que pueden aprender a caminar sin conocimiento previo.
Valero-Cuevas dijo que el objetivo de esta publicación era proporcionar un recurso de referencia para los investigadores en IA en las próximas décadas, centrándose en el concepto de aprendizaje permanente en sistemas artificiales. El plan describirá el desarrollo de un nuevo tipo de inteligencia artificial que será fundamental para la tecnología de próxima generación, como los automóviles autónomos, los robots autónomos y los drones y las prótesis inteligentes, exoesqueletos y dispositivos portátiles.
El aprendizaje a lo largo de toda la vida es una colección de capacidades de inspiración biológica que damos por sentado, como la capacidad de adquirir nuevas habilidades sin comprometer las antiguas, adaptarse a los cambios y aplicar los conocimientos previamente aprendidos a nuevas tareas.
“La forma en que tú y yo aprendemos es a través de la experiencia, la imitación y la autoexploración, y solo porque aprendas una nueva tarea, no significa que olvides tareas anteriores”, dijo Valero-Cuevas. “Los humanos aprenden en el trabajo. Nos presentamos y empezamos a aprender y luego sabemos cómo hacerlo. Las máquinas aún no lo hacen”.
Valero-Cuevas dijo que las máquinas se pueden programar a través de un algoritmo. Por ejemplo, un automóvil autónomo puede usar algoritmos que se alimentan de datos de otros vehículos para que pueda aprender a operar, antes de ser desplegado en el mundo.
“Pero hay una diferencia muy clara entre el entrenamiento y el despliegue. Cuando se despliega una máquina, no necesariamente está aprendiendo, y si quieres enseñarle algo nuevo, normalmente tienes que borrar la memoria y se olvida de cómo hacer lo anterior”, dijo Valero-Cuevas.
Este es un problema conocido como “olvido catastrófico”, que es una de las deficiencias clave de los sistemas de IA actuales que destaca el nuevo plan.
“Como humano, podrías mostrarme cómo jugar al ping pong, y luego puedo usar esa habilidad y transferirla para aprender a jugar al tenis o al bádminton”. Dijo Valero-Cuevas. “Por el momento, a una máquina solo se le podría enseñar a jugar un deporte de raqueta, como el ping pong. Si quieres, por ejemplo, jugar al tenis que requiere que uses tu cuerpo de manera diferente, tienes que cambiar el programa”.
Junto con la superación del factor del olvido catastrófico, el plan de los investigadores esbozó una serie de otras competencias que son necesarias para que los sistemas artificiales logren el aprendizaje permanente de la misma manera que los seres vivos. Estos incluyen:
Transferencia y adaptación: la capacidad de transferir y reutilizar el conocimiento y adaptarse a nuevos entornos.
Explotar la similitud de tareas: la capacidad de aprender múltiples tareas y transferir ese conocimiento entre ellas.
Aprendizaje agnóstico de tareas: comprender cuándo durante el entrenamiento cambiar de una tarea a otra sin que se lo digan.
Eficiencia de los recursos y sostenibilidad: garantizar que el aprendizaje permanente no afecte negativamente la capacidad de almacenamiento de información y ralentice su tiempo de respuesta.Experto en el campo de los circuitos de inspiración biológica, Parker tiene una larga historia de investigación de observar el cerebro humano para comprender cómo funciona y cómo este conocimiento puede aplicarse a los sistemas artificiales. Para este último artículo, Parker contribuyó a la comprensión en el área de la neuromodulación: el sistema en el cerebro de los seres vivos que ayuda a mejorar el aprendizaje, a superar el problema del olvido catastrófico, a adaptarse a entornos inciertos y a comprender los cambios en el contexto.
Parker se centra en la construcción de estructuras electrónicas que soportan circuitos neuromórficos (electrónica que modela el cerebro) mediante la adición de características biológicas que no se encuentran en el hardware de red neuronal existente, pero que apoyan el aprendizaje permanente. Las características incluyen astrocitos, otras células cerebrales que interactúan con las neuronas para apoyar el aprendizaje, y el código neuronal, picos y ráfagas que transmiten información en forma codificada.
Valero-Cuevas dijo que la colaboración pretendía ser un recurso integral para futuras investigaciones en aprendizaje automático e IA.
“La biología es la inspiración. El último ejemplo de aprendizaje a lo largo de toda la vida es un sistema biológico”, dijo Valero-Cuevas. “Lo que estamos haciendo es mirar todas las cosas que los sistemas biológicos pueden hacer, de las que tenemos una envidia suprema, y preguntarnos qué se necesitaría para que las máquinas lo hicieran”.
“Creemos que al menos algunos mecanismos de la biología, las lecciones aprendidas durante millones de años de evolución, podrían ser traducidos y adoptados por la IA”, dijo.
