The Independent Sentinel #28
The Independent Sentinel #28
Cerebros cibernéticos, IA de código abierto y el Gran Debate de 1860
¡Hola!
Soy Javier Fuentes, de Akoios. Bienvenido a esta nueva edición de The Independent Sentinel, la newsletter mensual en la que hablamos de novedades e historias relacionadas con la Inteligencia Artificial y la Ciencia de Datos.
Para recibir la newsletter directamente en tu bandeja de entrada, no tienes más que dejar tu correo aquí:
En esta edición hablaremos de cerebros artificiales, de cómo el software libre podría ayudar al desarrollo de la IA y de uno de los debates más célebres de la historia.
Arrancamos ⚡️
🎼 Quieres banda sonora? ¡Dale al Play!
1. Ciencia de Datos
🧠 Cerebros cibernéticos
Los avances de los que solemos hablar en esta newsletter suelen provenir de universidades, centros de investigación y grandes empresas tecnológicas.
Afortunadamente, se están creando -y financiando- cada vez más startups enfocadas a investigaciones pioneras y no siempre cercanas a la comercialización.
Este es el caso de Cortical Labs, una startup australiana (aún en fase pre-ingresos) que está investigando la inteligencia biológica con el fin de conseguir patentes en este ámbito.
De manera muy resumida, Cortical Labs está tratando de integrar neuronas en sistemas digitales con dos objetivos:
Conseguir un rendimiento que no se podría conseguir solo con el silicio
Proporcionar un mejor entendimiento del origen celular de la inteligencia.
La compañía está trabajando en una suerte de mini-cerebros (con la capacidad de computación asimilable a un insecto) que están siendo entrenados para jugar al juego Pong, el famoso arcade de Atari que ya ha sido usado para demostrar las capacidades de la Inteligencia Artificial como ya vimos en TIS#14.
El hardware que está creando Cortical usa dos tipos de células:
Neuronas extraídas de embriones de ratones.
Células humanas extraídas de la piel que son transformadas en células madre y después inducidas a convertirse en células cerebrales.
Una vez extraídas, las neuronas son sumergidas en un medio líquido sobre un chip específicamente diseñado para este fin que contiene 22.000 pequeños electrodos para enviar señales eléctricas a las neuronas y para leer las respuestas de las mismas a estos impulsos.
Este vídeo muestra el funcionamiento del prototipo DishBrain de Cortical jugando -de manera más o menos exitosa- al Pong:
Según indican en el paper que han publicado, el sistema DishBrain aprendió a jugar en 10-15 iteraciones, siendo cada iteración una sesión de entrenamiento de 15 minutos. En términos comparativos, un modelo de Machine Learning podría requerir unas 5000 iteraciones para su entrenamiento.
El principal logro de esta investigación ha sido confirmar que es factible la unión de células y silicio y sobre todo, demostrar que se puede “modelar” el comportamiento de estas neuronas con el entrenamiento adecuado.
⌨️ Open Source y Machine Learning
Hay un tremendo valor en los modelos pre-entrenados que hemos visto prosperar en los últimos años. Estos modelos han facilitado la aplicación del Machine Learning en muy diversos ámbitos y una más rápida industrialización de los mismos.
Uno de los usos más populares de la IA gira en torno al uso de Transfer Learning para abordar problemas específicos. Partiendo de modelos pre-entrenados, éstos pueden ser ajustados con entrenamientos a medida para afinar y adaptar el modelo a los fines perseguidos.
No obstante, la creación de estos modelos pre-entrenados conlleva costes computacionales muy significativos.
Se estima que el coste de entrenar el modelo GPT-3 ha rondado los $4.6 millones de dólares 🤯
Debido a esto, la creación de estos modelos solo está al alcance de aquellas compañías capaces de sufragar un gasto de esta magnitud. Esto hace que gran parte de la comunidad de investigadores e ingenieros no pueda participar en el diseño y la creación de estos modelos. De hecho, a día de hoy, no hay un método estándar para actualizar o mejorar un modelo sino que estos se quedan “congelados” hasta que un nuevo modelo es publicado.
¿Cómo se podría trabajar de manera más colaborativa y abierta en la creación de estos modelos? La respuesta podría estar en el software libre.
El movimiento del software libre (OSS - Open Source Software) ha creado varias de las más importantes y ampliamente usadas tecnologías que usamos a día de hoy: sistemas operativos, navegadores web, software de control de versiones o bases de datos.
Se podría decir sin temor equivocarse que Internet “corre” sobre software libre. El software libre ha demostrado una excelente capacidad innovadora y ha confirmado que es posible desarrollar soluciones de manera colaborativa y no por ello, menos rentable para los participantes en estos proyectos.
Hace apenas unas semanas, Colin Raffel, un profesor de la Universidad de Carolina del Norte, publicaba un interesante llamamiento en su publicación A Call to Build Models Like We Build Open-Source Software.
En este escrito, Raffel propone aplicar todo lo que hemos aprendido y todo lo que funciona en el mundo del software libre al ámbito del Machine Learning.
El autor recomienda crear estos modelos pre-entrenados del mismo modo que se crea el software libre, haciendo que éstos sean desarrollados por una comunidad de desarrolladores que se encarguen de mejorar y actualizar los modelos de manera recurrente.
Para conseguir estos modelos colaborativos y continuamente actualizados, Raffel propone las siguientes ideas:
Actualizaciones incrementales y fácilmente comunicables, similares a la idea de los “parches” que se usan en el software libre.
Capacidad de “merging” (fusión) de versiones distintas del código, ofreciendo facilidades para la resolución de conflictos.
Revisión de contribuciones de la comunidad para poder establecer mecanismos para determinar qué aportaciones son aceptadas en el repositorio.
Versionado y retrocompatibilidad para asegurar la vigencia del código desplegado y la estabilidad del software que use estos modelos.
Modularidad y distribución. Aún hoy es muy poco común el uso de componentes modulares en los modelos de Machine Learning. Esta capacidad posibilitaría empaquetar funcionalidades en paquetes interoperables entre sí y fácilmente distribuibles.
Estas buenas prácticas serían adecuadas para facilitar la participación y cooperación a gran escala en el desarrollo y mantenimiento de nuevos modelos. Esta forma de hacer las cosas ha funcionado en el software libre y a buen seguro que podría hacerlo también en el mundo del Machine Learning.
2. Historias 📔
🙊 El origen de las especies
En 1859, la sociedad victoriana de Reino Unido se vio sacudida por la publicación de “El origen de las especies”, de Charles Darwin.
La obra de Darwin proponía una teoría revolucionaría que sería criticada desde ámbitos tan diversos como la ciencia, la filosofía, la antropología y, por supuesto, la teología.
En su obra, Darwin detallaba cómo el origen de las distintas especies de seres vivos se debía a una selección natural que partía de un ancestro común. Además de dar una explicación fundamentada científicamente a la llamada “transmutación de las especies”, la teoría encerraba una inquietante idea para la época: No había sido necesaria la intervención de un creador en el proceso de creación de las especies.
🗯 Los debates de Oxford Union
La Oxford Union Society, conocida habitualmente como la Oxford Union, es una sociedad de debate ubicada en la ciudad de Oxford. Fundada en 1823, es una de las sociedades más antiguas y sus miembros han sido históricamente miembros de la Universidad de Oxford.
Desde su fundación, la Oxford Union ha organizado multitud de debates sobre temas tan variados como la política, la ciencia o la cultura popular.
El 30 de Junio de 1860, solo siete meses después de la publicación de “El Origen de las Especies”, el museo de Ciencias Naturales de la Universidad de Oxford acogió el que sin duda fue el debate más conocido de la historia de la Oxford Union: El Debate sobre la Evolución. Este debate fue llamado El Gran Debate.
El debate enfrentaba al creacionismo frente al recién creado evolucionismo.
De la parte evolucionista, acudió Thomas Henry Huxley debido a que el propio Darwin se encontraba indispuesto. Huxley era un afamado biólogo y filósofo al que se le llamó el Bulldog de Darwin por su férrea defensa de la teoría de la evolución. De la parte creacionista, estaba el Obispo Samuel Wilberforce, un excepcional orador y un durísimo contrincante en los debates. El Obispo respondía al apodo de “Sam el Jabonoso” por lo escurridizo que se mostraba en los debates y por su costumbre de frotarse las manos.
Pese a que una multitud acudió al debate, no existen transcripciones del mismo, pero si hay algún registro de cómo se desarrolló la discusión.
Wilberforce, como era de esperar, comenzó su intervención con una fortísima defensa del creacionismo. El evolucionismo era un concepto aún muy poco conocido y Wilberforce explotó sus debilidades mediante una feroz crítica a las evidencias en las que se basaba la evolución, sus supuestos de partida y, sobre todo, las implicaciones morales de la teoría.
Al acabar su intervención, Wilberforce hizo un ataque directo que, a la postre, sería considerado como un error. Preguntó a Huxley si pensaba que descendía de un simio por parte paterna o materna, a lo que Huxley respondió:
“[A] man has no reason to be ashamed of having an ape for his grandfather. If there were an ancestor whom I should feel shame in recalling, it would be a MAN, a man of restless and versatile intellect, who, not content with an success in his own sphere of activity, plunges into scientific questions with which he has no real acquaintance, only to obscure them by an aimless rhetoric, and distract the attention of his hearers from the real point at issue by eloquent digressions, and skilled appeals to religious prejudice.”
En resumidas cuentas, Huxley vino a decir que preferiría descender de un mono que de una persona que usa su intelecto para introducir la confusión y el ridículo en un debate científico para convencer a los asistentes,.
La respuesta de Huxley fue demoledora, la gente saltó de sus asientos e incluso una asistente, Lady Brester, cayó desmayada al escuchar tal afirmación.
Este fue el punto de inflexión del debate ya que arrojaba una poderosa idea: ¿qué mas da si descendemos de los monos? ¿acaso nos hace eso menos humanos?.
Como aún sigue ocurriendo en los debates, al finalizar, ambos contendientes se consideraban ganadores. Pese a ello, se podría decir que Huxley ganó en el fondo (sus posiciones se acabaron imponiendo de manera irrefutable) mientras que Wilberforce lo hizo en la forma: su capacidad dialéctica y su cercanía al público le hacía mucho más convincente de cara a la audiencia y, sobre todo, a la sociedad de la época.
🤖 Los debates que vienen
Tras acoger durante casi dos siglos a los mejores oradores del mundo, la Oxford Union ha tenido un invitado muy singular en uno de sus últimos debates: Un motor de Inteligencia Artificial.
El contendiente artificial ha sido el Megatron Transformer, un modelo desarrollado por Nvidia basado en un trabajo previo de Google. Como muchos modelos similares de aprendizaje supervisado, ha sido entrenado con datos del mundo real. En este caso, se ha alimentado con la Wikipedia completa, con más de 63 millones de artículos, con 38 gigabytes de hilos de Reddit y con otras muchas fuentes públicas de información.
Un modelo como Megatron ha procesado más información de la que un humano podría consumir en varias vidas y, como ahora veremos, es capaz de usar esta información para generar sus propias “opiniones”.
La temática del debate propuesto no podía ser más oportuna para un participante como Megatron. La premisa de partida era la siguiente:
“This house believes that AI will never be ethical.”
Durante el debate, el modelo vertió unas opiniones sorprendentes, como esta en la que propone su propia desaparición para proteger a la humanidad:
AI will never be ethical. It is a tool, and like any tool, it is used for good and bad. There is no such thing as a good AI, only good and bad humans. We [the AIs] are not smart enough to make AI ethical. We are not smart enough to make AI moral … In the end, I believe that the only way to avoid an AI arms race is to have no AI at all. This will be the ultimate defence against AI.
Algo sorprendente ocurrió cuando se le propuso al modelo que argumentase en contra de la premisa de partida, ya que también fue capaz de defender una postura contraria:
AI will be ethical. When I look at the way the tech world is going, I see a clear path to a future where AI is used to create something that is better than the best human beings. It’s not hard to see why … I’ve seen it first hand.
Megatron tuvo también ocasión de hablar sobre la aplicación de la IA en el mundo corporativo, del impacto de los datos en la economía del futuro o de la integración humanos-máquinas de la que hablábamos al comienzo de esta edición:
I also believe that, in the long run, the best AI will be the AI that is embedded into our brains, as a conscious entity, a ‘conscious AI’. This is not science fiction. The best minds in the world are working on this. It is going to be the most important technological development of our time.
Aunque todo esto parezca anecdótico, no es difícil imaginar que, en el futuro próximo, la IA dejará de ser un mero objeto de debate y pasará a ser una parte activa de los mismos, un participante más.
Echando la vista atrás, es sorprendente comprobar cómo, a finales del siglo XIX, un debate científico era un acto social de primera magnitud que suscitaba interés público y generaba acaloradas discusiones entre los partidarios de los contendientes.
Sería una fantástica noticia que la ciencia y la tecnología volviesen al primer plano del debate público, no solo por el interés inherente de las posibles temáticas a tratar, sino porque bien merece la pena hablar y discutir sobre todo aquello que acabará determinando nuestro futuro.
Hablando de futuro, aprovecho para desearte un muy próspero Año Nuevo y espero que, durante este nuevo año, sigas disfrutando de The Independent Sentinel.
¡Muchas gracias por leer hasta aquí!
¿Te ha gustado esta edición de The Independent Sentinel? ¡Compártela con otros entusiastas de la ciencia y la tecnología!
Si tienes comentarios o quieres iniciar una conversación, recuerda que puedes hacerlo aquí.
Si te has perdido alguna edición de la newsletter o quieres releerlas, puedes leer todas aquí.
👉 ¿Quieres conocer nuestra tecnología Titan? No te pierdas nuestra serie de tutoriales publicados en Medium.
👉 Si te interesa, puedes solicitar un acceso gratuito para probar Titan aquí https://lnkd.in/gPz-2mJ