Arqueología de Internet
La lección amarga
En 2019, Rich Sutton, uno de los investigadores que enseñaron a las máquinas a aprender por prueba y error, repasó setenta años de inteligencia artificial y encontró un patrón: ganaron los métodos que aprovechaban que calcular era cada vez más barato. Su observación también sirve para pensar cierto tipo de decisiones.
“La mayor lección que dejan setenta años de investigación en inteligencia artificial es que los métodos generales que aprovechan el cómputo terminan siendo los más eficaces, y por un margen amplio.”
Con el mismo dinero, cada vez más cálculos
En abril de 1965, Gordon Moore, cofundador de Intel, publicó una observación: cada año entraban en un chip el doble de componentes, y cada uno costaba menos. Se la conoció como la ley de Moore. Con el mismo dinero se podían hacer cada vez más cálculos.
En 2019, Rich Sutton publicó en su sitio personal un ensayo de dos páginas que parte de esa curva. Su pregunta es simple: si calcular se abarata todos los años, ¿a qué conviene apostar cuando se construye una máquina que tiene que resolver problemas?
Dos maneras de resolver un problema
Una es enseñarle a la máquina lo que ya sabemos: las jugadas que un buen ajedrecista considera fuertes, las reglas que un especialista usa para reconocer una palabra dicha en voz alta. Da resultados enseguida.
La otra es darle métodos generales para buscar y aprender por su cuenta. Buscar quiere decir probar muchísimas posibilidades y quedarse con la mejor. Aprender, mejorar a partir de la experiencia en lugar de seguir reglas escritas por una persona. Al principio rinden menos. Cada vez que el cálculo se abarata, mejoran, mientras que las reglas escritas a mano siguen siendo las mismas.
Sutton repasa setenta años de investigación en inteligencia artificial y encuentra que el segundo camino terminó ganando una y otra vez, y por un margen amplio.
En 1997, el programa que venció por primera vez a un campeón mundial de ajedrez, Garry Kasparov, se apoyaba en analizar una cantidad enorme de jugadas posibles. En el go, el antiguo juego de piedras blancas y negras al que Borges le dedicó un poema en 1978, los mejores resultados llegaron veinte años después con sistemas que aprendían jugando contra sí mismos. Sutton describe el mismo desplazamiento en el reconocimiento de la voz y de las imágenes.
Por qué la lección es amarga
Para Sutton, aceptar esto cuesta porque va contra la manera en que trabaja quien investiga. Después de años estudiando un problema, lo natural es querer volcar ese conocimiento en la máquina. Ese trabajo mejora el sistema en el corto plazo y resulta satisfactorio. Con el tiempo, esas reglas ocupan el lugar de métodos que podrían aprovechar cada vez más cálculo, y lo que primero ayudó termina poniendo un techo.
Sutton propone dejar de cargar nuestros descubrimientos en la máquina y construir sistemas capaces de descubrir por sí mismos.
La observación nació en la inteligencia artificial, pero propone una forma más general de pensar la tecnología. Cuando un recurso se vuelve cada vez más barato y abundante, las soluciones diseñadas para administrarlo como si fuera escaso pueden perder su ventaja.
La pregunta entonces cambia. Al valorar una decisión pesa qué solución funciona mejor hoy. Pesa igual cuál puede aprovechar las condiciones de mañana. Una solución muy optimizada para el presente puede imponerse en el corto plazo y, al mismo tiempo, tener menos margen para crecer que otra inicialmente más simple pero capaz de aprovechar una tendencia que juega a su favor.