Un equipo de investigadores de DeepMind, la empresa de Google centrada en desarrollos de IA, ha tratado de hacerlo de una forma innovadora. Han creado un modelo computacional para ver si un sistema de aprendizaje profundo (o deep learning, una técnica de IA avanzada basada en las llamadas redes neuronales) puede adquirir un entendimiento de ciertos principios físicos básicos a partir del procesamiento de animaciones visuales. Es decir, observando, igual que las personas. Su conclusión es llamativa: es más fácil que la máquina lo consiga si se le enseña a aprender cómo los bebés, estudiando su entorno. No está claro cuál es el mecanismo que permite a los seres humanos aprender tan rápido la física intuitiva. La psicología evolutiva, una de las disciplinas que más ha estudiado el fenómeno, sostiene que los principios fundamentales de la física se van interiorizando mediante la observación de objetos y de sus interacciones. También te puede interesar: Ingeniero de Google asegura que una inteligencia artificial de la empresa es capaz de entablar conversaciones El equipo de DeepMind liderado por Luis S. Piloto partió de esas teorías y desarrolló un sistema de aprendizaje automático al que bautizaron como Plato y al que se le mostraron vídeos de pelotas cayendo al suelo y pelotas desapareciendo de la imagen cuando pasan detrás de otro objeto y reapareciendo luego. Se centraron en explorar si su sistema era capaz de aprender ciertos principios básicos, como la solidez y la continuidad. Hay estudios que demuestran que un bebé de tres meses reacciona con sorpresa cuando observa cualquier situación que desafíe esta lógica. Por ejemplo, si cerramos una moneda en el puño y al abrirla no está porque la hemos escondido en la manga. O si una pelota pasa por detrás de una caja y, cuando debería reaparecer al otro lado, no lo hace. Piloto y sus colegas mostraron 28 horas de vídeos a la herramienta con diversos ejemplos de pelotas en movimiento. “Usamos un sistema para discriminar que ciertos píxeles pertenecen a una pelota y otros a una caja. El paso siguiente es decir que los píxeles que pertenecen a la pelota forman un grupo”, explica por videoconferencia Piloto. Tras el entrenamiento, la máquina pudo ser capaz de prever dónde y cuándo reaparecerá aproximadamente el balón tras pasar detrás de un cajón. Los resultados señalan que las animaciones visuales son suficientes para que el sistema adquiera algunos de esos conocimientos básicos, pero no todos los que acumulan los bebés. Es decir, los modelos computacionales deben incluir de partida una serie de conocimientos de base sobre cómo se comportan los objetos, pero para consolidar esas nociones se necesita observar. El modelo fue capaz de extrapolar las expectativas aprendidas sobre el comportamiento de unos objetos a nuevas situaciones y artefactos que no aparecían en las imágenes que se le mostraron a la herramienta. “En nuestro experimento, la sorpresa es la diferencia entre el número de intensidad de color de un píxel que prevé el sistema frente al número real del color”, razona Piloto. Y eso es lo que hacía la herramienta con bastante acierto: sombrear el espacio donde preveía que reapareciera el objeto en cuestión cuando su intuición le decía que eso sucedería. También te puede interesar: Google Maps lanza nueva opción que permite "viajar en el tiempo" El equipo de investigadores de DeepMind niega que trabajen en aplicaciones específicas de uso para su sistema. Ellos lo ven más bien como un trabajo que puede servir de referencia a otros científicos que estén estudiando el mismo problema. Sin embargo, reconocen que podría tener potencial en robótica y en sistemas de conducción autónoma. Fuente: El País