Hay vida en los antiguos enfoques de IA
Una de las cosas más fascinantes de AlphaGo es su inusual diseño. El software combina aprendizaje profundo (la técnica más puntera en IA) con un enfoque mucho más antiguo y básico. El aprendizaje profundo consiste en usar amplias redes neuronales simuladas, y normalmente evita la manipulación lógica o simbólica, como la que potenciaron en el pasado Marvin Minsky y John McCarthy. Pero además, AlphaGo combina el aprendizaje profundo con algo conocido como "árbol de búsqueda", una técnica inventada por Claude Shannon, uno de los compañeros y contemporáneos de Minsky. Este enfoque podría sugerir una inteligencia artificial futura que combine la conectividad del aprendizaje profundo con lógica del árbol de búsqueda.
La paradoja de Polanyi no es un problema
El juego de Go, en el que los jugadores intentan rodear y capturar las piezas del oponente sobre un tablero, es un ejemplo claro de la famosa paradoja de Polanyi que establecía: "Sabemos más de lo que podemos decir".
El Go es diferente al ajedrez porque no dispone de guías específicas para jugar o medir el progreso. Por eso, a lo largo de la historia, Go ha resultado un juego muy difícil para los ordenadores. El aprendizaje de máquinas, en el que el ordenador no está programado (en el sentido convencional) sino que genera sus propios algoritmos para aprender de los ejemplos, ofrece a los ordenadores una forma para navegar sobre la paradoja de Polanyi. Hay muchas cosas que hacemos, como conducir un coche o reconocer una cara, que son similares. Algunos economistas han subrayado esto como un punto clave. Y, como muestra un artículo de The New York Times, algunos ven en el triunfo de AlphaGo una clara evidencia de que los ordenadores acabarán acaparando más tareas (y trabajos) a medida que se vaya extendiendo el aprendizaje automático.
En realidad, AlphaGo no es IA
No vayamos tan rápido. Por sorprendente que AlphaGo parezca, todavía queda un largo camino hasta que sea realmente inteligente. Tal y como señala el experto en innovación de IA y robótica Jean-Christophe Baillie, la inteligencia real no solo requiere un aprendizaje más sofisticado sino también cierta enca ación y la habilidad de comunicar. De hecho, conducir un coche en una calle con mucho tráfico o interactuar con alguien que reconoces es mucho más complejo de lo que pueda parecer. Así que, aunque el aprendizaje automático permita a los ordenadores ocuparse de más labores, todavía hay un largo camino hasta que puedan encargarse de todo lo que las personas hacen.
AlphaGo sigue siendo ineficiente
Comparado con un humano, el ritmo de aprendizaje de AlphaGo a partir de la información de partidas previas y jugando contra sí mismo es bastante rápido. Pero su ritmo es mucho menos eficiente que el de una persona; para ello necesita muchos más ejemplos de partidas de Go. Éste es uno de los problemas clave del aprendizaje profundo, que muchos intentan resolver a través de nuevas formas de aprender a partir de nuevos tipos de información o, en general, de menos información.
La comercialización no se da por sentado
Las habilidades que demuestra AlphaGo para reconocer patrones, planear y tomar decisiones son, obviamente, muy importantes. Pero no está claro cómo pueden convertirse en un producto comercialmente viable. El fundador de Google Deepmind, Demis Hassabis, afirma que las técnicas desarrolladas para AlphaGo podrían ser usadas para construir un asistente personal que aprendiese las preferencias y hábitos de su dueño de manera más efectiva. Pero el lenguaje humano es mucho más complejo que un juego de mesa, y es mucho más difícil aprender de a partir de él. En otras palabras, sería difícil aplicar las habilidades específicas de AlphaGo en el enmarañado mundo real.