Cada nueva canción me llevó en una dirección sorprendente, mientras que la mezcla de artistas y la energía de las canciones parecían concordar con el parloteo ligeramente trasto ado de Lowe.
En Apple Music, el servicio de streaming que puedes utilizar en ordenadores o dispositivos móviles por 10 dólares (unos 9 euros) al mes, destaca la presencia de DJ humanos como Lowe en un canal llamado Beats 1. El programa de Lowe me reveló artistas desconocidos, y sacó a relucir conexiones musicales intrigantes – entre, por ejemplo, un himno de estadio de AC/DC y una pieza reciente de electrónica de un artista escocés llamado Hudson Mohawke. La emoción que recorría todas las canciones era animada, hasta desafiante.
Al igual que los ordenadores todavía no pueden crear arte impactante e imaginativo, no son capaces de apreciar la música. Y la compilación de una lista de reproducción conmovedora o cautivante requiere un tipo de sensibilidad de la que carecen – la habilidad de encontrar las similitudes entre los elementos musicales y comprender la resonancia emocional y contexto cultural de las canciones. Con todos los progresos que se están produciendo en la inteligencia artificial, las máquinas siguen siendo desesperadamente predecibles y poco imaginativas. Por eso Apple ha contratado a cientos de personas para trabajar de DJ y hacer listas de reproducciones, además de las recomendaciones de algoritmo que proporciona.
Las elecciones de Pandora tienden a ser bastante predecibles – a menudo tan sosas y convencionales como las de las emisoras de radio.
La contratación de expertos humanos es una maniobra inteligente para que Apple se diferencie. A pesar de haber sido pionero en la distribución y el almacenaje digital de la música, ahora se encuentra rezagado por detrás de servicios de streaming como Pandora, Spotify, Rdio y Tidal. Ninguno de estos servicios pone en énfasis en la moderación humana como Apple Music. Y mientras los algoritmos que todas estas empresas utilizan para recomendar canciones han mejorado enormemente en años recientes, no han producido ni un entendimiento ni una apreciación real de la música. Se nota. Los algoritmos emplean técnicas estadísticas para analizar los datos del oyente, haciendo una suposición informada acerca de lo que le pueda gustar. Aún no existe el algoritmo que pueda dar cuenta de los gustos humanos.
Escuchando
Pandora, uno de los primeros servicios de streaming musical, es un buen ejemplo del enfoque de algoritmos. Mediante un esfuerzo de una década de duración, llamado el Proyecto del Genoma de la Música, Pandora ha contratado a expertos musicales para etiquetar las canciones con cientos de características como el género, los tipos de instrumentos empleados, y hasta la formulación melódica y la tonalidad. Cuando le proporcionas a Pandora un grupo, un compositor o una canción como punto de partida, crea una "emisora de radio" de música con atributos similares. Si eliges a los Beatles, puede que Pandora reproduzca un tema de los Beach Boys, informándote así: "Hemos puesto este tema porque incluye una instrumentación suave de rock, combinaciones de armonías vocales, una tonalidad mixta de acordes mayores y menores y una composición melódica".
Por desgracia, las elecciones de Pandora tienden a ser bastante predecibles – a menudo tan sosas y convencionales como las de las emisoras de radio. Después de empezar con los Beatles, es improbable escuchar una canción de un estilo muy diferente que fue popular en la misma época, por ejemplo, o a un artista de hip-hop que ha hecho una mezcla inteligente de Ringo y sus compañeros.
Más recientemente, los algoritmos han empezado a producir unas listas de reproducción que pueden resultar mucho más matizadas y personalizadas. El servicio de streaming más grande a nivel mundial, Spotify, que tiene más de 75 millones de usuarios, está impulsando la vanguardia, empleando vastos conjuntos de datos para realizar recomendaciones personalizadas.
Chris Johnson, que lidera uno de los grupos de ciencia de datos de Spotify en Nueva York (EEUU), dice que la empresa sí contrata a humanos para realizar algunas de sus listas de reproducción. Pero también recopila tantos datos como sea posible acerca del comportamiento musical del usuario, y luego lo compara con los datos recopilados de otros usuarios. La idea subyacente de esta técnica, conocida como el filtrado colaborativo, es que probablemente te gustará una canción que ha descubierto y disfrutado alguien con un gusto similar. El año pasado, Spotify adquirió una empresa llamada Echo Nest que recopila informaciones publicadas en blogs, páginas web de noticias y redes sociales acerca de música nueva. Estas opiniones ahora también alimentan las recomendaciones de Spotify, ayudando a hacer sus sugerencias aún más inteligentes.
En julio, Spotify empezó a probar una lista de reproducción personalizada desarrollada con esta técnica. "Observamos lo que escuchas, las listas que creas, y, básicamente, todo lo que sabemos de ti. De eso, cada lunes habrá una nueva lista de reproducción", me explicó Johnson.
Las primeras listas de reproducción que recibí incluían varias canciones que me encantaron al segundo, aunque ninguna se desviaba demasiado de lo que suelo escuchar. Resulta útil, pero no alucinante.
Existe una limitación inherente para tales algoritmos automatizados también: no pueden sugerir una nueva canción, porque no existen datos acerca de la reacción de otros oyentes. A diferencia de un algoritmo, los humanos normalmente saben, en cuestión de un par de minutos, cuánto les gusta una canción nueva. Pero con esto empiezan a ayudar los recientes avances en la inteligencia artificial. El año pasado, Spotify empezó a probar un método para analizar una canción por sí misma en lugar de sólo los metadatos asociados a ella. Esto requirió el entrenamiento de lo que se conoce como una red de aprendizaje profundo, modelado como las capas de neuronas del cerebro, para reconocer las frecuencias de una señal de audio (correspondientes al sonido que escuchas y los cambios que experimenta ese sonido con el paso del tiempo) de millones de canciones. Estos algoritmos pueden clasificar una nueva canción sorprendentemente bien, como demuestran las listas de reproducción de ejemplo que publicó un miembro del equipo de Johnson de Spotify.
La competencia humana seguirá siendo una parte clave de los algoritmos de Spotify durante el futuro previsible.
Pero incluso esta hazaña no evidencia un entendimiento musical real. El sistema de aprendizaje profundo de Spotify aún debe ser entrenado utilizando millones de canciones, y un nuevo y atrevido estilo musical lo dejaría perplejo. Es más, tales algoritmos no pueden realizar arreglos musicales creativos, ni tampoco pueden distinguir entre una pieza verdaderamente original y la imitación de un sonido popular. Johnson reconoce esta limitación, y dice que la competencia humana seguirá siendo una parte clave de los algoritmos de Spotify durante el futuro previsible.
Beats 1 de Apple Music ofrece una experiencia completamente distinta. Un programa de radio, The Alligator Hour, presentado por el músico y productor Joshua Homme, emite canciones desconocidas pero extremadamente originales. También se recrea en las conexiones absurdas que se encuentran entre algunas canciones – emparejando, por ejemplo, el lado melódico de los Sex Pistols con la adrenalina que alimenta la música disco de Donna Summer. Es deliciosamente extraño. En otro programa, llamado Mixtape Delivery Service, la músico Annie Clark (de nombre artístico St. Vincent) pone una lista personalizada de canciones inspirada por el humor o la situación de un oyente. En su primer programa, Clark hizo un recopilación retrospectiva de música dance poco conocida pero culturalmente significativa para una niña de 11 años que quería saber más acerca de ese género.
La prueba auditiva Turing
¿Qué es lo que confiere esa habilidad a las personas? ¿Podría el aprendizaje profundo u otros sistemas de inteligencia artificial desarrollar algún día un "gusto" que vaya más allá de clasificar las características de una canción para determinar si es "buena" o no? ¿Podrían los ordenadores identificar esa calidad intangible que las personas asocian de forma natural con el talento o la creatividad o la originalidad? Cuando le pregunté a Johnson si un algoritmo algún día sería capaz de descubrir un temazo importante de un artista desconocido, dijo: "Eso es precisamente lo que queremos lograr".
Es una ambición atrevida, y una que puede mostrarse elusiva. La apreciación musical y la creatividad no tienen nada que ver con identificar patrones estadísticos en grandes conjuntos de datos.
"¿Qué diferencia algo inusual o singular de algo creativo? Es una pregunta difícil", dice Eyal Reingold, un psicólogo de la Universidad de Toronto (Canadá) que estudia la creatividad humana. Para que una máquina demuestre creatividad, dice, "tendría que producir algo que no sólo sea inusual – o algo que no ha sido programado – pero que se considere útil, al menos en algún contexto cultural".
De hecho, la naturaleza elusiva de la creatividad ha llevado a algunos psicólogos e informáticos a sugerir que podría representar un método útil para medir la inteligencia de máquinas. En un trabajo publicado en 2001, dos académicos del Instituto Politécnico Rensselaer (EEUU), junto con David Ferrucci, entonces un investigador de IBM que después crearía un ordenador llamado Watson que ganaría el concurso televisivo Jeopardy!, argumentaron que una prueba de creatividad podría representar un mejor método para juzgar si un ordenador ha alcanzado una inteligencia comparable con la humana. Señalaron que la prueba propuesta en 1950 por Alan Turing, que mide la inteligencia de una máquina mediante una conversación tecleada, alienta a los programadores a emplear trucos en lugar de diseñar algo realmente inteligente. Razonaron que las hazañas creativas, si bien en forma de pintura, escritura, música o algún otro campo, son mucho más difíciles de falsificar y representan unos pilares de la inteligencia. Y llamaron a su alte ativa la prueba Lovelace, por Ada Lovelace, a menudo considerada como la primera programadora informática, que señaló en 1843 que las primeras máquinas computadoras, por muy impresionantes que fuesen, serían incapaces de producir algo original.
De forma reveladora, los esfuerzos por superar la prueba Lovelace en general han fracasado. Pero el reto perdura. De hecho, Michael Casey, un profesor de música y ciencias informáticas de la Universidad de Dartmouth College (EEUU), tiene planificadas varias pruebas Turing para principios del año que viene, seguidas quizás por unas pruebas Lovelace. Una incluirá DJ informatizados, con unos bailarines que juzgarán si las canciones que acaban de escuchar fueron elegidas por un humano o por una máquina. Casey espera que dentro de este contexto limitado, una máquina demuestre algo parecido a la creatividad musical.
Pero apenas parece optimista. "No importa el tipo de algoritmo que hemos intentado emplear en el pasado con la música – si es algo que intenta imitar a Bach o Mozart, o intenta recomendar música – llega un momento en el que parece carecer de estilo", dice, con un tono un poco triste. "Puede, durante unos segundos, engañarte, pero no tiene un plan general. Y creo que pasará lo mismo con una sesión de DJ automatizada".
Quizás esta siga siendo la realidad durante algún tiempo aún. Y si queremos que las máquinas produzcan algo tan único y original como un programa de Beats 1 de Apple Music, entonces puede que tengamos que pensar de forma algo más creativa en cómo las diseñamos.