.

Agrim Gupta, Silvio Savarese, Surya Ganguli y Li Fei Fei

Inteligencia Artificial

La IA demuestra el gran vínculo entre la forma del cuerpo y la inteligencia

1

En lugar de crear un robot físico y enseñarle tareas, esta investigación diseñó distintos 'unimales' virtuales con formas extrañas y les pidió que desempeñaran distintas tareas. Los más hábiles siguieron evolucionando hasta alcanzar su configuración más óptima para varias capacidades

  • por Will Douglas Heaven | traducido por Ana Milutinovic
  • 21 Octubre, 2021

Una variedad infinita de criaturas virtuales corretea y se mueve por la pantalla, intentando superar obstáculos o arrastrando bolas hacia un objetivo. Se parecen a cangrejos a medio formar hechos de salchichas, o tal vez a Cosa, la mano incorpórea de La familia Addams. Pero, por ridículos que parezcan, estos "unimales" (abreviatura de "animales universales") podrían ayudar a los investigadores a desarrollar una inteligencia artificial (IA) más general para las máquinas.

El investigador de la Universidad de Stanford (EE. UU.) Agrim Gupta y sus colegas (incluida la codirectora del Laboratorio de Inteligencia Artificial de la Universidad de Stanford Fei-Fei Li, quien dirigió la creación de ImageNet) usaron estos unimales para explorar dos preguntas que suelen pasarse por alto en la investigación de IA: cómo la inteligencia está vinculada a la forma de los cuerpos, y cómo las habilidades se pueden desarrollar y también aprender a través de la evolución.

"Este trabajo es un paso importante en el intento de varias décadas de comprender mejor la relación cuerpo-cerebro de los robots", afirma el investigador de la robótica evolutiva en la Universidad de Vermont (EE. UU.) que no participó en este trabajo Josh Bongard.

Si los investigadores quieren recrear nuestra inteligencia en las máquinas, es posible que les falte algo, resalta Gupta. En biología, la inteligencia surge del trabajo conjunto de la mente y del cuerpo. Los aspectos corporales, como el número y la forma de las extremidades, determinan qué pueden hacer y aprender los animales. Como por ejemplo el aye-aye (Daubentonia madagascariensis), de la familia de los lémures, que desarrolló un dedo medio alargado para explorar profundamente los agujeros en busca de larvas.

La IA generalmente se centra solo en la parte de la mente y las máquinas se construyen para realizar tareas que se pueden dominar sin un cuerpo, como por ejemplo usar el lenguaje, reconocer imágenes y jugar videojuegos. Pero este limitado repertorio pronto podría volverse anticuado. Dotar a la IA de cuerpos adaptados a tareas específicas podría facilitarles el aprendizaje de una gran variedad de nuevas habilidades. Bongard destaca: "El cuerpo es algo que todos los animales inteligentes del planeta tienen en común. La representación corporal es nuestra única esperanza de poder crear máquinas inteligentes y seguras".

Los unimales tienen cabeza y varias extremidades. Para descubrir qué podían hacer, el equipo aplicó la técnica del aprendizaje reforzado evolutivo profundo (o DERL, siglas en inglés de deep evolutionary reinforcement learning). Los unimales se entrenan primero mediante aprendizaje reforzado para completar una tarea, como caminar por diferentes tipos de terreno o mover un objeto, en un entorno virtual.

Luego se eligen los unimales con mejor desempeño y se les aplican algunos cambios, y la forma resultante se vuelve a introducir en ese entorno, donde aprenden las mismas tareas desde cero. El proceso se repite cientos de veces: evolucionan y aprenden, evolucionan y aprenden.

Los cambios implican añadir o quitar extremidades, o modificar su longitud o flexibilidad. El número de posibles configuraciones corporales es enorme: para 10 extremidades o menos, el número de variaciones únicas es de 1018. Con el tiempo, los cuerpos de los unimales se adaptan a diferentes tareas. Algunos evolucionaron para moverse por terreno llano empujándose hacia adelante; otros desarrollaron los movimientos parecidos a los de un lagarto; otros desarrollaron pinzas para agarrar una caja.

Los investigadores también probaron lo bien que los unimales modificados podían adaptarse a una tarea que no habían visto antes, una característica esencial de la inteligencia general. Aquellos que habían evolucionado en entornos más complejos, con obstáculos o terrenos irregulares, aprendieron más rápido nuevas habilidades, como rodar una pelota en vez de empujar una caja. También encontraron que el DERL elegía las formas corporales que aprendían más rápido, aunque no había una presión selectiva para hacerlo. Gupta afirma: "Lo considero fascinante porque muestra la profunda conexión que existe entre la forma del cuerpo y la inteligencia".

"Ya se sabe que ciertos cuerpos aceleran el aprendizaje. Este trabajo muestra que la IA puede buscar tales cuerpos", señala Bongard. Su laboratorio ha desarrollado cuerpos de robot que se adaptan a algunas tareas concretas, como recubrir los pies para reducir el desgaste. Gupta y sus colegas amplían esta idea, y añade: "Demuestran que un cuerpo adecuado también puede acelerar los cambios en el cerebro del robot".

Al final, la técnica podría cambiar la forma en la que pensamos en la construcción de robots físicos, asegura Gupta. En vez de empezar con una configuración corporal fija y luego entrenar al robot para realizar una tarea específica, se puede usar DERL para dejar que evolucione la forma corporal óptima para esa tarea y luego construir.

Los unimales de Gupta son parte de un gran cambio en cómo los investigadores abordan la IA. En lugar de entrenarla en tareas específicas, tales como jugar a Go o analizar una imagen médica, los investigadores han empezado a introducir robots en entornos virtuales limitados, como POETel escondite virtual de OpenAI, y el patio de juego virtual de DeepMind Xland, para aprender a resolver múltiples tareas en lugares de entrenamiento abiertos y siempre cambiantes. En vez de dominar un solo desafío, las IA entrenadas así aprenden habilidades generales.

Para Gupta, la exploración de forma libre será clave para la próxima generación de IA, y concluye: "Necesitamos entornos realmente abiertos para crear agentes inteligentes".

Inteligencia Artificial

 

La inteligencia artificial y los robots están transofrmando nuestra forma de trabajar y nuestro estilo de vida.

  1. Los grandes modelos de IA han disparado el consumo de potencia informática

    Históricamente, la potencia computacional requerida para entrenar sistemas de inteligencia artificial se duplicaba cada dos años, pero ahora lo hace cada 3,4 meses, siete veces más rápido, una tendencia que no hace más que aumentar la brecha de capacidades entre investigadores públicos y privados

  2. 2021: el año de los modelos de inteligencia artificial gigantes

    La tendencia empezó en 2020 con el modelo de lenguaje GPT-3, con 175.000 millones de parámetros, una cifra que no ha dejado de crecer gracias a los rivales del sector. Pero nadie sabe por qué el tamaño importa tanto y el enfoque no resuelve el problema de los sesgos de los datos de entrenamiento ni supone innovaciones disruptivas

  3. RETRO, la pequeña IA de lenguaje de DeepMind que iguala a los gigantes del campo

    Con 7.000 millones de parámetros, compite con modelos mucho más grandes como GPT-3 y sus 175.000 millones de parámetros. Para lograrlo utiliza una memoria externa a la que recurre para trabajar sobre la marcha. Con este nuevo enfoque, Google se coloca en buena posición en un terreno que no había pisado hasta ahora