En las profundidades de la intuición

Un juego milenario

No sorprende que el Go sea un juego oriental. Muchas de sus cualidades están asociadas con „valores orientales“: paciencia, estrategia, el cultivo de una actitud contemplativa y el desarrollo de una complejidad que (¿paradójicamente?) surge de una gran sencillez (o por lo menos, de una sencillez aparente).

Go_game_Kobayashi-KatoDicen que el juego se aprende en cinco minutos, pero que hace falta toda la vida para dominarlo: la contienda se desarrolla sobre un tablero de 19×19 líneas, que forman una matriz de (lógicamente) 361 intersecciones, sobre las cuales los jugadores deberán ir depositando, alternadamente, unas fichas que no podrán moverse más durante la partida y con las que podrán ir formandose líneas, las cuales delimitarán un área de mayor o menor tamaño: el jugador que al finalizar el juego haya logrado dominar la mayor parte del tablero ganará la partida.

Hay muchas similitudes entre el Go y el Ajedrez; estos milenarios juegos de estrategia exigen de quien desee internarse en sus laberínticos misterios, años de dedicación y aprendizaje. Para el jugador humano, uno no es más „difícil“ que el otro; pero existen algunas diferencias entre el Go y el Ajedrez que hacen que aquel sea varios ordenes de magnitud más complejo que este a la hora de dar con un método que permita programar a una computadora para que juegue a un nivel aceptable. Hasta hace pocos años, los programas más avanzados de Go jugaban como un principiante fuerte, pero no lograban superar ese nivel.

Profundidad de cálculo

El motivo principal de esta dificultad radica en que no se puede programar a las actuales computadoras con ningún método de fuerza bruta, que examine las jugadas posibles con una profundidad de, digamos veinte movimientos y determine cual es la mejor; porque el tamaño y grado de apertura del tablero hace crecer exponencialmente la cantidad de desenlaces posibles y el cálculo de un solo movimiento supondría varios años de cálculo para los superordenadores actuales.

En el ajedrez —si bien las partidas posibles también son prácticamente infinitas—, el tamaño considerablemente menor del tablero y el hecho de que cada pieza tenga un grado de libertad limitado y un valor intrínseco dentro del juego1 hacen que la fuerza bruta en combinación con un método estadístico de descarte de „movimientos sin sentido“ sea la clave para el desarrollo de programas más fuertes que los jugadores humanos. Con un software que operaba de esa forma, Deep Blue venció a el capeón mundial de ajedrez Kasparow, hace ya veinte años, en 1996.

La intuición humana

Los seres humanos (o mejor dicho, algunos seres humanos, entre quienes no me incluyo aunque esté escribiendo en primera persona) jugamos mejor al Go que las computadoras como Deep Blue por la misma razón por la que podemos reconocer los rostros de nuestros amigos, hablamos idiomas o elaboramos prejuicios sobre casi todas las cosas: jugamos mejor porque nuestro cerebro está entrenado para reconocer patrones y para distinguir (y hasta crear) orden desde el caos. Un jugador experimentado no tiene que calcular por anticipado cientos de miles de millones de jugadas para saber intuitivamente si una jugada es mejor que otra. Lo sabe porque ha entrenado a su cerebro durante miles de horas, estudiando partidas de otros jugadores, cometiendo errores y aciertos, resolviendo problemas específicos y en última instancia creando nuevas redes neuronales dentro de su cerebro, entrenadas específicamente para la resolución de ese problema específico. Lo que nosotros denominamos „intuición“ no es más que el desarrollo de estructuras neuronales nuevas formadas debido a la práctica prolongada de una actividad específica y destinada específicamente a desempeñarnos mejor en dicha actividad. La expertise, el conocimiento y también la intuición se reflejan en la estructura de nuestro cerebro, la cual (y contrariamente a lo que se pensaba hasta hace unos pocos años) es sumamente dinámica y se adapta a los impulsos que recibe desde afuera,2 o dicho de otra forma: al entrenamiento.

Inteligencia Artificial: Neuronal

Es en la estructura profunda del cerebro donde reside eso que denominamos aún „especial“ e „inimitable“ de la inteligencia natural: lo que nos permite hablar idiomas y reconocer caras y tener prejuicios y tantas otras cosas que la inteligencia artificial, hasta ahora, no puede imitar. El problema radica en que en el cerebro, cada neurona está conectada a su vez con miles de otras neuronas: la topología de red del cerebro es infinítamente más compleja que la que encontramos dentro de un procesador (en donde los transistores solo tienen un „input“ y un „output“) Esa complejidad es la que todavía nos otorga una enorme ventaja sobre las máquinas (si es que podemos referirnos a estos temas en términos competitivos, cosa de la que, realmente, no estoy tan seguro)

Y aquí es donde entran en juego las Redes Neuronales Artificiales. Desde hace varios años, los científicos están desarrollando un tipo de inteligencia artificial cuyo modo de operar está inspirado en las redes neuronales naturales. Los datos entran en una capa de entrada, y pasan por una serie de capas intermedias de procesamiento antes de llegar a la capa de salida.

NeuralNetwork

A este tipo de red neuronal artificial se la puede „entrenar“ para la resolución de un problema específico. Se la puede entrenar, por ejemplo, para que reconozca caras o para que traduzca un texto de un idioma a otro. Con el tiempo y con el entrenamiento, estas redes desarrollan patrones de aprendizaje y priorizan algunas conexiones en desmedro de otras, o dicho de otro modo: crean su propia configuración dentro de la red neuronal, lo cual les permite reconocer mejor ciertos patrones (y así, reconocer mejor caras, estructuras lingüísticas, etc. lo cual era una habilidad, hasta hace poco, exclusiva de los seres humanos)

Con el tiempo, pueden aprender a jugar al Go mejor que un ser humano.

AlphaGO: el nuevo campeón mundial de Go

AlphaGO es una Computadora/Red Neuronal desarrollada por DeepMind (Google), que la semana pasada venció 4-1 al actual campeón de Go en un match que duró una semana y consistió de cinco partidas. La tentación de comparar esta victoria con la de DeepBlue es grande, pero en vista de las diferencias que existen entre un sistema y otro, esto sería como comparar la piedra que usan los monos para romper las nueces con el martillo hidráulico que usan los hombres para romper las calles: sí, tanto la piedra como el martillo hidráulico son herramientas que se usan para romper cosas. Pero por lo demás, la comparación es un sinsentido.

Los detalles técnicos son complejos de explicar: AlphaGO utiliza varios miles de procesadores (CPUs y GPUs) conectados en red, que se dividen en dos redes neuronales separadas (una abocada a la evaluación de la configuración del tablero y la otra a encontrar una buena próxima jugada) en combinación con un complejo algorítmo de búsqueda denominado Monte Carlo. Durante un año, esta máquina estudió miles de partidas de Go y jugó contra sí misma millones de veces para entrenar su red neuronal; y aprendió tanto que (dicho muy resumidamente) terminó desarrollando algo así como una intuición artificial que le permitió superar el nivel de juego humano.

Por supuesto, fuera de el dominio de este juego, esta máquina que no sirve para hervir un huevo; las fantasías utópicas y/o distópicas están lejos de convertirse en realidad. De hecho, el argumento más fuerte en contra de la singularidad tecnológica es que la inteligencia artificial —incluso este tipo poderoso de inteligencia artificial „neuronal“— tiene que ser guiada mediante carriles sumamente estrechos y solo puede abocarse a la resolución de un problema específico, sin poder percibir la realidad en su totalidad (que los humanos podamos es cuestionable, pero es objeto de otro debate). Aún así, sin caer en un entusiasmo exagerado, no puedo dejar de advertir que estamos ante las puertas de algo que puede ser asombroso: el momento cuando las máquinas cominzan a aprender cosas por sí mismas.

En la historia reciente ha habido muchos momentos similares; momentos cuando las computadoras atraviesan la barrera de „las computadoras nunca van a poder X“. Pero esta es una barrera inquietante; o al menos es una más inquietante que otras, porque nos enfrenta a una facultad que creíamos muy nuestra y que hace a la naturaleza humana como pocas. Es sorprendente que la noticia haya pasado tan inadvertida3; siendo que las implicancias tecnológicas, sociales y filosóficas son, francamente, descomunales.

Es cierto: las fantasías quedan lejos. Pero quizás, al mismo tiempo, estén más cerca que nunca.

  1. En el ajedrez, por ejemplo, un peon vale menos que un caballo, que vale menos que una torre, que vale menos que la dama, que vale menos que el Rey []
  2. El tema es profundamente apasionante y tiene fuertes implicancias filosóficas sobre la naturaleza de la realidad y nuestra percepción de ella, como expuse aquí, aquí y aquí []
  3. Acaso se deba a que el Go es un juego raro y desconocido en occidente; probablemente si DeepMind hubiera fabricado un gatito que maulla cuando le tocan el vientre, la atención hubiera sido mayor []