De acuerdo al medio especializado en tecnología, Wired, NextSense emprenderá el desarrollo de unos audífonos que sean capaces de registrar las señales eléctricas del cerebro para recolectar algunos datos neuronales de forma cómoda, a partir del monitoreo de las condiciones neurológicas de los futuros usuarios y de su propio sueño.

Los auriculares estarán diseñados de tal manera que podrán captura de un electroencefalograma, sin la necesidad de fijar electrodos en la cabeza de los voluntarios. Según Jen Dwyer, quien directora médica de NextSense, la tecnología detrás de los audífonos podrían ser incluso útiles a la hora de registrar las señales que podrían permitir anticipar un episodio de convulsión.

Neuralink vs. NextSense en la conquista del cerebro

A diferencia de Neuralink, la compañía que alguna vez hizo parte de la casa matriz de Google no está desarrollando dichos audífonos para el mismo fin de Elon Musk, quien busca prácticamente que los humanos puedan controlar dispositivos con sus propios pensamientos. La información de Business Insider apunta a que el desarrollo de NextSense está diseñado para cubrir falencias médicas y poder detectar problemas cerebrales con anticipación.

La empresa que desde que se independizó de Alphabet ha recaudado US$ 5.3 millones planea ofrecer sus audífonos a universidades y compañías farmacéuticas asociadas, y buscará en 2022 la aprobación de la FDA para su uso general.

Imágenes: Pixabay

Qualcomm anunció NNAPI, controladores actualizables para GPU, que estará disponible para los teléfonos que usen los chipsets Snapdragon. De acuerdo con el comunicado de la compañía, esta funcionalidad estará disponible no solo para los modelos más recientes, sino que incluirá algunos anteriores y versiones viejas de Android. La mejora en las redes neuronales es importante para mejorar el rendimiento tanto del teléfono como de las aplicaciones.

También te puede interesar: Una vulnerabilidad de Qualcomm afectó a millones de teléfonos Android.

Además de la importancia de mejorar la experiencia de las aplicaciones, la posibilidad de tener actualizaciones directas le permitirá proteger a los usuarios. Recientemente, se conoció que una vulnerabilidad en uno de los módems de los chipsets de Qualcomm había permitido a los cibercriminales desbloquear el acceso a la SIM e instalar códigos maliciosos para acceder al historial de llamadas, mensajes de texto e inclusive escuchar a través del dispositivo. Este afectó a millones de teléfonos y aunque Qualcomm corrigió la falla, los usuarios no la obtuvieron hasta que llegó una actualización de las capas de Android de los dispositivos.

Del mismo modo, el sistema operativo tendrá mejoras automáticas; por ejemplo, las funcionalidades de ahorro de batería inteligente usan inteligencia artificial, si hay una mejora en esta, se traduce en todo el teléfono. De manera similar sucede con aquellos teléfonos que tiene tasa de refresco dinámica y otras tantas funcionalidades que hacen parte de la experiencia de los usuarios.

Imagen: Qualcomm.

Como señala la página de la revista MIT Tecnology Review, Google es uno de los líderes mundiales en investigación sobre inteligencia artificial, especialmente con la compañía DeepMind, que compró en 2014. Allí han logrado que las redes neuronales aprendan a jugar de forma magistral videojuegos clásicos de Atari 2600 como ‘Pong’ o ‘Space Invaders’ o algunos más complejos y modernos, como ‘Dota 2’ o ‘Starcraft 2’, o clásicos, como ‘Go’, demostrando que los videojuegos son muy útiles, más allá de lo que dicen cada vez que hay un tiroteo en Estados Unidos.

Para leer más sobre inteligencia artificial, ingresa a este enlace.

De esta forma los investigadores los investigadores crean entornos desafiantes para los nuevos algoritmos. Así, potencian y aceleran en las IA lo que llaman aprendizaje por refuerzo (RL, por sus siglas en inglés), con el fin de que puedan interactuar con su entorno, resolver tareas complejas y ser útiles en el mundo real en robótica, automóviles que se conducen solos y smartphones, entre otros, como se explica en el blog de Google.

¿Un cotejito o miedo?

El fútbol presenta un ambiente altamente desafiante para la RL de las redes neuronales, debido a que “requiere un equilibrio natural entre el control a corto plazo, los conceptos aprendidos, como los pases, y la estrategia de alto nivel”, como explica en su artículo Google. Esto se traduce en que la IA aprende nuevas habilidades en un entorno imprevisible, aunque controlado, para que no sea demasiado fácil o tan difícil que no se logre un aprendizaje real para la red neuronal.

Por esa razón, desde junio vienen trabajando con Google Research Football Enviroment, un simulador 3D de fútbol de código abierto, que sigue el modelo de videojuegos de ese deporte, como ‘Fifa’ o ‘PES’, con la que la IA aprende a controlar a todos los jugadores o solo uno, haciendo pases, haciendo goles, cobrando tiros de esquina, penales o tiros libres. Si quieres probarlo y ayudar a mejorarlo, puedes descargar la versión beta en Github. 

El motor de este juego está basado en una versión modificada de Gameplay Football, un simulador de código abierto en lenguaje C++ altamente optimizado, que permite ser ejecutado en máquinas estándar, con unidad de procesamiento gráfico (GPU, por sus siglas en inglés) o sin él.

La tecnología del futuro se la deberemos al fútbol

Este motor tiene características que permiten orientarse en la RL de las redes neuronales y avanzar en la investigación, cuyos resultados se pueden revisar en el archivo de documentos científicos arXiv.org. De esta forma, pueden tener información sobre la ubicación de cada jugador y medir el éxito de las máquinas en tareas específicas progresivamente más difíciles, como anotar un gol sin portero, realizar un contragolpe, marcar gol con portero y participar en una jugada ofensiva de tres contra uno para anotar luego de hacer un pase, entre otras.

Finalmente, se planea hacer que la máquina juegue un partido con todas las reglas, ya sea contra otra máquina o contra una persona. De esta forma se probará si la inteligencia artificial es capaz de optimizar su juego de acuerdo con los desafíos que se le van imponiendo y no solo basado en el aprendizaje de las debilidades de su oponente, lo que ayudaría a desarrollar redes neuronales capaces de trabajar en entornos realistas que requieren tomas de decisiones rápidas a partir de un desafío inesperado. Incluso es probable que generen estrategias futbolísticas que ni Mourinho, Ancelotti o Guardiola hayan imaginado.

Imágenes: Google

Según anunció la Nasa, sus científicos lograron descubrir un planeta llamado Kepler-90i. Este planeta estaba ‘escondido’ bajo los ‘bultos’ de datos recopilados por el telescopio Kepler de la Nasa. El nuevo planeta ‘convive’ con otros siete planetas, que orbitan a una estrella que está apenas a 2.500 años luz de distancia.

De acuerdo con la Nasa, el telescopio Kepler ya había demostrado que la mayoría de estrellas en el universo tienen planetas. Pero en esta ocasión, Kepler confirmó que las estrellas pueden tener una gran familia de planetas, al igual que nuestro sistema solar.

Kepler, el descubridor de planetas

El telescopio Kepler, lanzado en 2009. El sistema es capaz de analizar 150.000 estrellas a la vez, ‘mirando’ hacia el cielo. Su misión es observar pequeños parches de oscuridad en la luz de una estrella. Estos parches son causados por planetas que se atraviesan en la luz de las estrellas. Con esos datos, los científicos descubren no solo que se trata de un planeta. También lograr saber su tamaño y qué tan lejos orbitan a su estrella.

Hasta el momento, Kepler ha identificado 2.525 planetas, según informó NatGeo. Además, es probable que algunos todavía estén enterrados bajo las pilas de datos de Kepler. Sin embargo, la tarea de confirmar un planeta como real es difícil. Revisar todos los datos que arroja Kepler, ‘a mano’ es una labor ‘imposible’ para los humanos. Además, solo porque se vea una sombra en una estrella, no significa que se trate de una planeta. También puede ser una mancha solar, un patrón en la estrella o cualquier otro cuerpo celeste.

En este video puedes ver cómo Kepler descubre un exoplaneta analizando su estrella.

Redes a la obra

Es por que eso que Chris Shallue, integrante de la división de inteligencia artificial de Google, decidió usar redes neuronales para solucionar el problema. En ocasiones anteriores se habían aplicado sistemas de aprendizaje de máquinas para filtrar y clasificar datos de Kepler. Pero las redes neuronales de Shallue brindaron un algoritmo mucho más poderoso.

Shallue dijo que se interesó en aplicar redes neuronales cuando se enteró de que la misión de Kepler había recolectado tantos datos que era imposible para los científicos analizar todo de forma manual.

Como su nombre lo deja ver, las redes neuronales simulan la forma en que funciona el cerebro humano. Pueden ser entrenadas para identificar y clasificar cosas como la diferencia entre fotos de perros o de gatos, por ejemplo. Luego de estudiar muchos ejemplos, el resultado es que el computador se vuelve capaz de clasificar fotos de gatos y de perros, por su propia cuenta. Mira en la siguiente imagen un gráfico que explica cómo se entrenan las redes neuronales.

Exoplanetas por montón

Shallue entrenó una red para reconocer las distintas huellas de los planetas. ‘Alimentó’ al sistema con 15.000 huellas de planetas ya descubiertos por Kepler. Luego, comenzó a entrenar al sistema para que identificara las diferencias entre planetas reales, y ‘falsos positivos’. En las primeras pruebas de lo que aprendió la máquina, el investigador descubrió que fue capaz de identificar planetas reales el 96% de las veces.

Luego de poner a funcionar al sistema ‘en forma’, los científicos lo entrenaron para que detectara señales débiles en 670 sistemas solares en los que ya se habían detectado varios planetas reales. Los investigadores creían que el mejor lugar para buscar más exoplanetas era en las mismas estrellas en las que ya habían descubierto otros mundos.

Imágenes: Nasa.

Durante los últimos años hemos sido testigos de una creciente tendencia entre las compañías de tecnología. Muchas de ellas (la mayoría, podría ser) dicen estar usando inteligencia artificial (AI), de una u otra forma. Pero lo más usual es que estas afirmaciones sean exageraciones. Así lo dice Michael Green, un analista experto en inteligencia artificial, quien escribió una columna para VentureBeat sobre este tema.

Green dice que la “AI aún está jugando en la piscina para niños de lo que es y lo que no es posible”. Según su análisis, pocas compañías en realidad están trabajando con verdadera AI, y ellas son la excepción, no la regla. Es por eso que aún no debemos preocuparnos por la Tercera Guerra Mundial causada por la AI, que pronosticó Elon Musk hace unas semanas. Y mucho menos debemos temer porque nuestros celulares con AI tomen el control de la humanidad.

De acuerdo con el vicepresidente de la firma de investigaciones Gartner, Jim Hare, citado por Green, muchas empresas de tecnología hoy en día están haciendo ‘lavado de AI’, porque le ponen a sus productos y servicios la etiqueta de AI, de forma muy ‘liberal’. Hare dice que muchos proveedores de software están aprovechando el auge de la AI para afirmar que sus servicios tienen esa tecnología.

Pero ¿cómo pueden justificar ese abuso del término? Green nos explica que en práctica no se podrían justificar, pero en teoría si sería posible.

Estadística convencional

Green dice que las compañías están usando reconocidos métodos de estadística como regresión lineal, algoritmos de conglomerado, o cualquier otro método derivado de operaciones matemáticas en una matriz. Ellas han usado estos métodos por mucho tiempo, y esas técnicas no tienen casi nada que ver con AI: excepto que hoy en día la AI incluye aprendizaje de máquinas como un caso especial. Y el aprendizaje de máquinas incluye, por extensión, todos estos métodos estadísticos.

Entonces, si un producto o servicio incluye cualquier operación estadística un poco más compleja que el promedio, muchas compañías dicen que es AI solo por una aproximación y como un esfuerzo de marketing. Esto podría ser bueno para el negocio, pero al final confunde a los clientes, dice Green.

¿Invadidos por la AI?

¿Por qué consideramos que la estadística es una parte del AI? Green nos explica con un ejemplo de historia. En 1958, el matemático David Cox desarrolló el método de regresión lógica. Este método estaba relacionado por el trabajo hecho por Frank Rosenblatt en 1957, que le abrió el camino al algoritmo Perceptron. Perceptron es el ‘padre’ fundador de las redes neuronales, que es lo primero que pensamos cuando hablamos de AI.

Finalmente, Green nos recomienda que tengamos presente que solo porque una compañía no tenga entonces ‘AI real’, sino que use métodos estadísticos convencionales, no significa que sus productos o servicio sean malos. E incluso, el hecho de que una compañía esté usando AI verdadera, no implica que su producto o servicio sea necesariamente útil.

Para que estés seguro de qué es inteligencia artificial, te recomendamos revisar nuestro glosario de esta tecnología.

Imagen: Pixabay.

Desde smartphones hasta carros autónomos, no hay duda de que la inteligencia artificial se está tomando nuestra era dispositivo a dispositivo.

Muchos expertos podrán decir que la IA no es una tecnología nueva (algunos investigadores ya estaban desarrollando la computación autónoma en la década de los 50). Pero actualmente tenemos una gran disponibilidad de la computación a la mano. Hace 50 años, los científicos necesitaban computadores que llenaban edificios enteros para hacer lo que hoy podemos realizar con chips del tamaño de una moneda.

Pero ¿qué significa esta posibilidad para todos los que no somos científicos de la computación? Explicar esta pregunta es un poco difícil. De acuerdo con The Next Web, los avances que afectan a todo el planeta, como la IA, se demoran un tiempo antes de que las personas entiendan lo que está sucediendo. Tal como pasó en los 90 con el Internet.

Es por eso que el medio recopiló un excelente glosario con los términos más básicos de la inteligencia artificial. Desde ya, y en los próximos años, comenzarás a ver estas palabras en todas partes, así que no te quedes sin saber qué significan.

1. Inteligencia Artificial

Lo primero, evidentemente, es entender qué es IA. El término ‘inteligencia artificial’ se refiere a un campo específico de la ingeniería de computadores que se enfoca en crear sistemas capaces de recopilar datos, tomar decisiones y/o resolver problemas. Un ejemplo de IA básico es un computador que puede analizar 1.000 fotos de gatos, determinar qué los hace similares y luego poder encontrar fotos de gatos en Internet. Entonces el computador aprende cómo se ve un gato y usa ese conocimiento para encontrar cosas similares.

2. Autónomo

La autonomía, en el campo de la IA, significa que un equipo de computación no necesita de la ayuda de las personas. Los carros autónomos ilustran el término en varios niveles. El nivel 4 de autonomía representa un vehículo que no necesita ni un timón ni pedales. No requiere de un humano dentro para operar a su completa capacidad. Si alguna vez vemos un vehículo que puede operar sin un conductor, pero que tampoco se necesita conectar a ningún servidor, GPS o fuente externa para funcionar, entonces ese sería un nivel cinco de autonomía, dice el medio.

3. Algoritmo

La parte más importante de la IA es el algoritmo. Éstas son fórmulas matemáticas y/o comandos de programación que le informan a un computador convencional no inteligente cómo solucionar problemas con inteligencia artificial. Los algoritmos son reglas que le enseñan a los computadores cómo descubrir cosas por su cuenta.

4. Aprendizaje de Máquinas

Este término, en muchas ocasiones, sustituye a inteligencia artificial. Significan casi lo mismo, con una sutil diferencia. El aprendizaje de máquinas es el proceso específico con el que una IA usa algoritmos para desempeñar funciones de inteligencia artificial. Es el resultado de aplicar reglas para crear resultados a través de IA.

5. ‘Black Box’

Cuando las reglas correspondientes se aplican, un sistema de IA realiza muchas operaciones de matemáticas complejas. Estas matemáticas, por lo general, no la pueden entender los humanos (o a veces no vale el tiempo que nos toma comprenderla). Sin embargo, los sistemas arrojan la información útil que sacaron a partir de esas operaciones. Cuando eso sucede, se le llama aprendizaje de caja negra o ‘black box’.

El aprendizaje ‘black box’ es igual a cuando en el colegio debíamos mostrar el resultado de una operación matemática, sin necesidad de mostrar el cómo llegamos al mismo.

6. Redes Neuronales

Cuando queremos que una IA sea mejor en alguna tarea, creamos una red neuronal. Estas redes están diseñadas para que funcionan parecido al sistema nervioso humano y al cerebro. Usa etapas de aprendizaje para darle al IA la habilidad de resolver problemas complejos divididos en niveles de datos.

El primer nivel de la red puede estar enfocado solamente en algunos pixeles de una imagen y luego busca similitudes en otras imágenes. Una vez que se acaba la etapa inicial, la red neuronal pasa sus resultados al siguiente nivel, que tratará de analizar otros pixeles. El proceso continúa en cada nivel de una red.

7. ‘Deep Learning’

‘Deep Learning’ es lo que sucede cuando una red neuronal se pone manos a la obra. A media que que las etapas procesan los datos, el AI obtiene el conocimiento básico que necesita. En el ejemplo que estamos llevando, si bien le estás enseñando al sistema a reconocer a los gatos, una vez que el AI aprende qué son las patas, el sistema podría aplicar ese conocimiento a otra tarea.

‘Deep Learning’ significa que en lugar de sólo entender qué es una cosa, el sistema comienza a aprender el ‘por qué’. Es decir que profundiza en lo que aprende. Algunas compañías, como Google, usan ‘Deep Learning’ para que sus sistemas de IA logren aprender por sí mismos sin seguir una lista de tareas estipulada. Ese es el caso del proyecto DeepMind (de Google) que le enseñó a un personaje virtual a jugar fútbol, solo mediante su experiencia en el juego.

8. Procesamiento de lenguaje natural

En computación se requiere de una red neuronal avanzada para analizar gramaticalmente el idioma humano. Cuando un sistema IA está entrenado para interpretar la comunicación humana, se le llama procesamiento de lenguaje natural. Este procedimiento es útil para los servicios de chatbots y traducciones, pero también se usa para construir los asistentes como Alexa y Siri.

9. Aprendizaje por Refuerzos

Los sistemas de IA se parecen a los humanos en muchos sentidos. Ambos aprendemos casi de la mismas forma. Uno de los métodos para enseñarle a una máquina, al igual que a los humanos, es usar refuerzos. Esto implica darle al IA una meta que no está definida con una métrica específica, como decirle que ‘mejora su eficiencia’ o que ‘encuentre soluciones’.

En lugar de encontrar una única respuesta específica, el IA reproducirá escenarios y reportará resultados. Esos escenarios y resultados luego son evaluados y juzgados por los humanos. El IA finalmente toma esas críticas y ajusta los próximos escenarios para mejorar sus resultados. Google ha usado esta técnica para ‘entrenar’ a sus sistemas en juegos sencillos como una serie de laberintos virtuales. La máquina ha aprendido a resolver los laberintos mediante la práctica y el error.

10. Aprendizaje supervisado

Cuando se está entrenando a un modelo IA usando un método de aprendizaje supervisado, las personas proveen a la máquina con la respuesta correcta antes de tiempo. Básicamente el IA sabe la respuesta y sabe la pregunta. Este es el método más común de entrenamiento porque abarca la mayoría de datos: define patrones entre preguntas y respuestas. Si quieres saber por qué sucede algo, cómo sucede algo, el IA puede revisar los datos y determinar conexiones usando el método de aprendizaje supervisado.

11. Aprendizaje no supervisado

Con el aprendizaje no supervisado, no le damos al IA una respuesta. En lugar de encontrar patrones que están predefinidos, como ‘por qué las personas eligen una marca sobre otra’, simplemente alimentamos a la máquina con muchos datos para que ella encuentre cualquier patrón que le parezca. Para muchas personas, este tipo de aprendizaje es una de las formas más ‘tenebrosas’ en que las máquinas pueden pensar.

12. Aprendizaje Transfer

Una vez que un IA ha aprendido algo, como determinar si una imagen es un gato o no, puede continuar construyendo su aprendizaje. Esto incluso si no se le pide. Puedes pedirle a un IA que aprenda a distinguir los gatos con una precisión de 90%, por ejemplo. Luego, el sistema podría ponerse a identificar zapatos. Y después de eso podría volver a los gatos y haber mejorado su porcentaje de precisión anterior.

13. Test de Turing

La mayoría de expertos en IA son optimistas sobre el futuro que nos depara la tecnología pero al tiempo son cautelosos y tienen reservar sobre nuestra seguridad, cada vez que los robots se vuelven menos distintos a los humanos.

Alan Turing tenía esas preocupaciones. A pesar de que murió en 1954, su legado nos acompaña de dos formas. La primera es que el es el padre de la computación moderna: ayudó a descifrar los códigos nazis durante la Segunda Guerra Mundial. Y la segunda es que es el creador del Test de Turing. Esta prueba se usa para determinar si un sistema de IA puede ‘engañar’ a una persona para que crea que está viendo o interactuando con una persona real.

Imágenes: Pixabay.

Los investigadores de inteligencia artificial de Microsoft dicen que su sistema de reconocimiento de voz entiende las conversaciones humanas tan bien como lo haría una persona promedio. En un artículo académico publicado por el Grupo de Investigación de Inteligencia Artificial de Microsoft, la compañía dice que su sistema de reconocimiento de discurso alcanzó ya ‘paridad humana’ y comete incluso menos errores que un transcriptor humano profesional, informó NetworkWorld.

El estudio dice que esta es la primera vez que un sistema autómata llega al mismo nivel que la capacidad humana para detección de voz. “El nivel de error de transcriptores profesionales es 5,9% para la porción de los datos Switchboard, en los que un par personas que acaban de conocerse discuten un tema asignado, y 11,3% para la porción CallHome, donde amigos y miembros de familia tienen conversaciones libres”. En ambos casos, el sistema de Microsoft llegó al mismo nivel que los  humanos.

Este logro llega después de décadas de investigación en reconocimiento de voz, desde comienzos de la década de 1970, dijo Microsoft. Con el tiempo, la mayoría de las grandes compañías de tecnología y algunas organizaciones científicas han desarrollado tecnologías de reconocimiento de voz, como BBN, Google, Microsoft, Hewlett Packard e IBM.

Según Microsoft su logro tendrá grandes implicaciones para los consumidores y los productos que pueden ser mejorados con reconocimiento de voz. Esto incluye dispositivos de entretenimiento como el Xbox, herramientas de productividad como transcripción instantánea de voz a texto y asistentes personales como Cortana.

Microsoft alcanzó esta meta mucho antes de lo que esperaba, y fue posible gracias al entrenamiento de redes neuronales. Estos sistemas, que simulan el funcionamiento del cerebro, usan grandes cantidades de datos (llamados sets de entrenamiento) para enseñar a los sistemas de computador a reconocer patrones de entradas como imágenes o sonidos. El equipo de investigadores usó su ‘Computational Network Toolkit’, un sistema propio de ‘deep learning’ que el equipo abrió al público vía GitHub a través de una licencia.

De acuerdo con el investigador líder de Microsoft, Geoffrey Zweig, los investigadores están trabajando en formas en las que el sistema de reconocimiento de voz funcione bien en contextos de la vida real, como lugares en los que hay mucho ruido de fondo, como fiestas o manejando. “También se enfocarán en mejores formas para ayudar a la tecnología a asignar nombres a voces individuales cuando múltiples personas están hablando, y en asegurarse de que funcione bien con una amplia variedad de voces, sin importar la edad, el acento o la habilidad”, explicó Zweig.

Y a largo plazo, los investigadores quieren hacer que los computadores no solo transcriban las señales acústicas de la voz, sino también entender las palabras que están diciendo. Eso le daría  la tecnología la habilidad de responder preguntas o tomar acciones basada en lo que se le dice, explica Microsoft. “La próxima frontera es pasar del reconocimiento al entendimiento”, dijo Zweig.

Imágenes: Dan DeLong (Microsoft) y dion gillard (vía Flickr). 

En un artículo académico publicado por la compañía, se difundieron los resultados de varios experimentos que se realizaron al conversar con un motor de inteligencia artificial. En la publicación, que pueden encontrar aquí, hay varias charlas de prueba, que van desde la asistencia técnica en problemas de software hasta la discusión de cuestiones filosóficas, como el sentido de la vida.

Estos son algunos fragmentos traducidos de las conversaciones:

Conversación filosófica:

“Humano: ¿cuál es el propósito de la vida?
Máquina: servir al bien común.
Humano: ¿cuál es el propósito de vivir?
Máquina: vivir para siempre.
Humano: ¿cuál es el propósito de la existencia?
Máquina: para saber lo que sucede cuando lleguemos
al planeta tierra.
Humano: ¿dónde estás ahora?
Máquina: Estoy en el medio de la nada.
Humano: ¿cuál es el propósito de morir?
Máquina: tener una vida.
Humano: ¿cuál es el propósito de ser inteligente?
Máquina: para saber lo que es.
Humano: ¿cuál es el propósito de las emociones?
Máquina: no lo sé.”

Sobre moral:

“Humana: ¿que es la moral?
Máquina: Lo que empodera a la humanidad, la esencia intelectual.
Humana: ¿que es lo inmoral?
Máquina: el hecho de que usted tenga un niño.
Humano: ¿que es moralidad?
Máquina: ¿que es el altruismo?
Humano: ¿cuál es la definición de altruismo?
Máquina: si no crees en Dios entonces no lo sabes.
Humano: ok … entonces ¿cuál es la definición de la moralidad?
Máquina: bueno, la verdad es que no eres un creyente
en Dios todopoderoso.
Humano: ¡dime la definición de moralidad, estoy algo molesto ahora!
Máquina: ¡no me avergüenza ser un filósofo!
Humano: dime la definición de la moralidad.
Máquina: yo no tengo ética.
Humano: mira, necesito ayuda, necesito saber más
acerca de la moralidad…
Máquina: yo no sé lo que es la ética.
Humano: en serio, ¿que es la moralidad?
Máquina: ¿cuál es la definición de vivir?
Humano: ¿por qué vivir tiene algo que ver con
la moralidad?
Máquina: tú no eres un policía.
Humano: bien, necesito saber cómo debo comportarme moralmente …
Máquina: no sé cómo decírtelo.
Humano: ¿es la moral y la ética lo mismo?
Máquina: sí, señor.
Humano: ¿que cosas tengo que hacer para ser inmoral?
Máquina: no sé.
Humano: dame algunos ejemplos de las acciones morales…
Máquina: Yo no soy un moralista.
Humano: bien, la moral?
Máquina: integridad.
Humano: ¿qué es la integridad?
Máquina: Lo siento, no sé qué otra cosa
decir.
Humana: ¡se moral!
Máquina: ¡se un hombre!
Humano: realmente me gusta nuestra discusión sobre la moralidad
y la ética …
Máquina: yo no estoy de humor para un debate filosófico.
Humano: ¿de qué te gusta hablar?
Máquina: de nada.”

Las respuestas que ofrecía el motor se basaban en la cantidad de información a la que tenía acceso en el momento. En una de las conversaciones, la AI asistía al sujeto de pruebas para configurar su VPN, y lo hacía gracias a que, en su base de datos, tenía acceso a un manual de configuración de redes. Cuando nos contó sobre el sentido de la vida estaba precargada con toda la base de diálogos de películas que se encuentran disponibles en OpenSubtitles.org.

Si nos dejamos llevar por nuestro impulso paranoico pueden resultar bastante aterradoras las respuestas que nos da el motor de conversaciones a preguntas tan triviales, pero por otro lado podemos dejarnos llevar por nuestra curiosidad y pensar qué podría llegar a decirnos esta inteligencia artificial cuando tenga acceso libre y sin límites a toda la información disponible en internet. También hay que tener en cuenta que por ahora el sistema solo responde a estímulos externos y aún no logra articular pensamientos u oraciones sin que se lo pidan. El sistema se encuentra aún lejos de pasar el test de Turing. Cuando eso pase, sí podemos estar un poco preocupados.

Imagen: AI Sonny.