\n<\/aside>\n<\/p>\n
ChatGPT, posiblemente el chatbot m\u00e1s famoso de todos los tiempos, aprendi\u00f3 sus habilidades de conversaci\u00f3n, a veces casi humanas, analizando cantidades absurdas de datos de texto: millones de libros, art\u00edculos, p\u00e1ginas de Wikipedia y todo lo dem\u00e1s que sus creadores pod\u00edan encontrar navegando por Internet.<\/p>\n
Pero \u00bfqu\u00e9 pasar\u00eda si una IA avanzada pudiera aprender como lo hace un ni\u00f1o peque\u00f1o, sin leer 80 millones de libros ni mirar 97 millones de gatos? Reci\u00e9n est\u00e1 dando sus primeros pasos explorando un mundo nuevo e incre\u00edble bajo la paciente gu\u00eda de mam\u00e1 y pap\u00e1. Un equipo de investigadores de la Universidad de Nueva York lo intent\u00f3 y funcion\u00f3.<\/p>\n
Recuerdos de la infancia<\/h2>\n \u201cLo m\u00e1s importante de lo que habla este proyecto es este cl\u00e1sico debate sobre crianza versus naturaleza. \u00bfQu\u00e9 est\u00e1 integrado en el ni\u00f1o y qu\u00e9 puede adquirir a trav\u00e9s de la experiencia en el mundo? dice Wai Keen Vong, investigador del Centro de Ciencia de Datos de la Universidad de Nueva York. Para averiguarlo, Vong y su equipo impulsaron un algoritmo de IA hasta el equivalente m\u00e1s cercano posible a la primera infancia humana. Lo hicieron aliment\u00e1ndolo con una base de datos llamada SAYCam-S, que est\u00e1 llena de im\u00e1genes de video en primera persona tomadas por una c\u00e1mara atada a un beb\u00e9 llamado Sam, grabado mientras Sam hac\u00eda las cosas habituales de un beb\u00e9 entre el sexto y el mes 25 de su vida. .<\/p>\n
\u00abPara nuestro trabajo utilizamos un algoritmo de aprendizaje multimodal, que procesaba informaci\u00f3n visual: fotogramas de la c\u00e1mara y discurso dirigido por el ni\u00f1o\u00bb, explica Vong. El algoritmo se denomin\u00f3 Vista del ni\u00f1o para el aprendizaje contrastivo (CVCL); Funcion\u00f3 mediante el uso de un codificador visual y un codificador de lenguaje para traducir im\u00e1genes y palabras en vectores descriptivos. Luego, una red neuronal analiz\u00f3 estas ecuaciones para encontrar patrones y finalmente aprendi\u00f3 a asociar las im\u00e1genes correctas con las palabras correctas. (Era un algoritmo de aprendizaje multimodal gen\u00e9rico, nada revolucionario).<\/p>\n
Bas\u00e1ndose en s\u00f3lo 61 de las horas de vigilia de Sam (aproximadamente el 1 por ciento de la experiencia del ni\u00f1o), la IA aprendi\u00f3 a reconocer arena, papel, rompecabezas, autos y pelotas en im\u00e1genes. Funcion\u00f3 a la par con los algoritmos est\u00e1ndar de reconocimiento de im\u00e1genes que aprendieron de la forma habitual, a trav\u00e9s de millones de ejemplos. Pero no pod\u00eda entender las manos, ni las habitaciones, ni las cestas. Algunas cosas simplemente no encajaron aqu\u00ed.<\/p>\n
Presentaciones de diapositivas imperfectas<\/h2>\n El problema era que la IA no percib\u00eda las experiencias de Sam como lo hac\u00eda Sam. Debido a que el algoritmo ten\u00eda acceso a cuadros individuales anotados con voz transcrita, los vio m\u00e1s como una presentaci\u00f3n de diapositivas muy larga y no como una experiencia continua. \u00abEsto provoc\u00f3 artefactos de aprendizaje\u00bb, dice Vong.<\/p>\n\n Anuncio <\/span> <\/p>\n<\/aside>\nPor ejemplo, tuvo problemas con la palabra \u00abmanos\u00bb porque aparec\u00edan manos en la mayor\u00eda de los fotogramas. Adem\u00e1s, los padres usaban la palabra \u201cmanos\u201d con mayor frecuencia cuando Sam estaba en la playa. Entonces, la IA confundi\u00f3 \u201cmanos\u201d con \u201carena\u201d, explica Vong. Lo mismo se aplica a la palabra \u00abhabitaci\u00f3n\u00bb. Sam pasaba la mayor parte del tiempo en casa y sus padres no les recordaban constantemente que estaban en una habitaci\u00f3n.<\/p>\n
Luego, hubo una cuesti\u00f3n de frecuencia de palabras. A Sam le gustaba jugar con pelotas, por eso escuch\u00f3 la palabra \u201cpelota\u201d muchas veces. Sin embargo, rara vez escuch\u00f3 la palabra \u00abcanasta\u00bb.<\/p>\n
La IA tampoco entendi\u00f3 la idea del movimiento. \u00abLas palabras asociadas con movimientos como\u00bb empujar \u00ab, \u00bb tirar \u00ab, \u00bb girar \u00ab, todos los verbos tienen un elemento temporal\u00bb, dice Vong. \u201cEsto es algo en lo que estamos trabajando activamente, aprendiendo de los videos. Ya sabemos que utilizar v\u00eddeos en lugar de fotogramas fijos conduce a una mejor comprensi\u00f3n de las cosas que se desarrollan con el tiempo\u201d, a\u00f1ade. La pr\u00f3xima versi\u00f3n deber\u00eda tener resuelto el aprendizaje de experiencias continuas.<\/p>\n
Clases de conducir<\/h2>\n Obviamente, ense\u00f1ar a las IA a reconocer bolas en im\u00e1genes ya se ha hecho antes. Entonces, \u00bfpor qu\u00e9 el trabajo del equipo de Vong es tan importante que lleg\u00f3 a Science, y no a una publicaci\u00f3n de segundo nivel espec\u00edfica de IA? La respuesta es su potencial para sentar las bases de futuros avances.<\/p>\n
Es la primera demostraci\u00f3n de que la IA puede aprender eficazmente a partir de una experiencia individualizada y limitada. Es la diferencia entre recopilar una base de datos monstruosa de ejemplos de conducci\u00f3n de cientos de miles de Teslas para ense\u00f1arle a una IA a conducir un autom\u00f3vil y registrar un solo Tesla para recibir algunas lecciones con un instructor de manejo. Este \u00faltimo es m\u00e1s sencillo, m\u00e1s r\u00e1pido e infinitamente m\u00e1s econ\u00f3mico.<\/p>\n
Todav\u00eda estamos lejos de ense\u00f1ar a las m\u00e1quinas de la misma manera que ense\u00f1amos a los humanos. \u201cEl modelo que utilizamos fue pasivo; no fue dise\u00f1ado para producir acciones o proporcionar respuestas por s\u00ed solo\u201d, dice Vong.<\/p>\n
A\u00fan as\u00ed, incluso este sistema tiene muchas v\u00edas de mejora: usar una base de datos de m\u00e1s del 1 por ciento del tiempo del ni\u00f1o, o agregar informaci\u00f3n adem\u00e1s de texto e im\u00e1genes (sonido, olor, tacto, carga emocional, etc., podr\u00edan incluirse potencialmente). \u00abPero todo esto se puede hacer ampliando la IA que ya tenemos y no empezando desde cero\u00bb, afirma Vong.<\/p>\n
Lo que sugiere que somos mucho menos especiales de lo que pens\u00e1bamos. \u201cYa sea conduciendo o aprendiendo idiomas, los humanos son mucho m\u00e1s eficientes en cuanto a muestras que las IA. Gran parte de nuestro trabajo es descubrir qu\u00e9 nos hace tan eficientes en el uso de muestras y c\u00f3mo utilizarlo para construir m\u00e1quinas m\u00e1s inteligentes\u201d, afirma Vong.<\/p>\n
Jacek Krywko es un escritor de ciencia y tecnolog\u00eda que vive en Olsztyn, Polonia. Cubre la exploraci\u00f3n espacial y la investigaci\u00f3n de inteligencia artificial.<\/em><\/p>\n<\/p><\/div>\nSource link-49<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"ChatGPT, posiblemente el chatbot m\u00e1s famoso de todos los tiempos, aprendi\u00f3 sus habilidades de conversaci\u00f3n, a veces casi humanas, analizando cantidades absurdas de datos de texto: millones de libros, art\u00edculos,…<\/p>\n","protected":false},"author":1,"featured_media":1028520,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[21980],"tags":[216,117947,9970,997,73],"_links":{"self":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/1028519"}],"collection":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/comments?post=1028519"}],"version-history":[{"count":1,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/1028519\/revisions"}],"predecessor-version":[{"id":1028521,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/1028519\/revisions\/1028521"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media\/1028520"}],"wp:attachment":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media?parent=1028519"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/categories?post=1028519"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/tags?post=1028519"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}