Inteligencia Artificial — Margaret A Boden / AI: Its Nature and Future by Margaret A Boden

Es una descripción completa de la historia del desarrollo de la I.A. y donde nos encontramos actualmente. La lectura es amena y profunda aunque haya que parar para asimilar términos, ideas.
Totalmente recomendable para adentrarse en este mundo.
No se deje engañar por la brevedad y el bajo precio de este libro: necesitará algo de sofisticación para aprovecharlo al máximo.
El énfasis principal del libro es cómo la filosofía y la práctica de la IA han influido en la filosofía de la mente, y viceversa. Esto se establece dentro de una narración aproximadamente histórica sobre el flujo y reflujo de varias tendencias en IA, especialmente el enfoque de manipulación de símbolos frente a las redes neuronales artificiales. El capítulo final también considera la “singularidad tecnológica”, respecto de la cual el autor (MB) es escéptico; pero incluye una concisa lista de problemas éticos que cree que AI presentará en realidad y bastante pronto.
La prosa es muy clara, como lo es la estructura del libro. De hecho, es un libro elegante. Pero si bien parece cierto que MB pretendía el libro para un público general, su noción de lector general es un poco idealista. Ella supone que tiene cierta facilidad básica e interés por la filosofía, la biología y otros campos, como si fuera un graduado de artes liberales de Oxbridge o Ivy League de mediados del siglo XX, que ha estado leyendo tanto Times Literary Supplement como Scientific American desde entonces.
Lo leí para mostrarlo como una posible introducción a la IA para su uso en un curso universitario sobre el impacto social de la IA y los robots, dirigido a estudiantes de negocios y estudios globales. Dudo que sea adecuado para ese propósito, aunque espero que me ayude a preparar conferencias y problemas de discusión. Por supuesto, los estudiantes en ciencias cognitivas deberían ser capaces de manejar esto con facilidad. Pero muchos especialistas en artes liberales e incluso tecnólogos que nunca han leído filosofía encontrarán que es un desafío, y pueden perder el interés: MB está más enfocado en cubrir una gran cantidad de terreno que en pausar para explicar las cosas de una manera sostenida. Dado que la filosofía de la mente es algo que he leído durante probablemente menos de 1 hora por año en mis 60 y tantos años en este planeta, gran parte de este libro también me hubiera pasado por la cabeza si no hubiera leído por casualidad. un par de capítulos en un libro de texto de ciencia cognitiva un día antes. La escasez de ilustraciones es un problema importante, y por qué deduzco una media estrella: por ejemplo, compadezco al lector que está tratando de visualizar las redes neuronales y la retropropagación si este libro es su primera exposición a esos temas.
El libro contiene notas al final breves y una lista de referencias adecuada y útil. El índice es un poco irregular: p. Hilary Putnam, que figura prominentemente hacia el final del texto, está ausente. (Si sabes quién era y algo sobre su trabajo, te irá bien con este libro).

La IA tiene dos objetivos principales. Uno es tecnológico: usar los ordenadores para hacer cosas útiles (a veces empleando métodos muy distintos a los de la mente). El otro es científico: usar conceptos y modelos de IA que ayuden a resolver cuestiones sobre los seres humanos y demás seres vivos. La mayoría de los especialistas en IA se concentra en un solo objetivo, aunque algunos contemplan ambos.
Además de proporcionar infinidad de chismes tecnológicos, la IA ha influido profundamente en las biociencias. Un modelo informático de una teoría científica es prueba de su claridad y coherencia y una demostración convincente de sus implicaciones (por lo general desconocidas). Que la teoría sea verdad es otro asunto, y dependerá de las pruebas obtenidas por la ciencia en cuestión, pero el modelo puede resultar esclarecedor, incluso si se demuestra que la teoría es falsa.
Lady Ada Lovelace predijo la IA en la década de 1840. Más concretamente, predijo parte de ella. Al no haber atisbos de las redes neuronales ni de la IA evolutiva o dinámica, se centró en los símbolos y en la lógica. Tampoco sentía inclinación por el objeto psicológico de la IA, ya que su interés era puramente tecnológico.
Dijo, por ejemplo, que una máquina “podría componer piezas musicales elaboradas y científicas de cualquier grado de complejidad o extensión” y también que podría expresar “los grandes hechos de la naturaleza” y haría posible “una época gloriosa para la historia de las ciencias”.
A diferencia de Ada Lovelace, Turing aceptó ambos fines de la IA. Quería las nuevas máquinas para hacer cosas útiles que por lo general se supone que requieren inteligencia (quizá mediante técnicas muy antinaturales) y también para representar los procesos que acontecen en la mente de base biológica.
El aspecto fundamental de la lógica proposicional es que es binaria. Se supone que toda oración (llamada también proposición) es verdadera o falsa. No hay término medio; no se reconocen la incertidumbre o la probabilidad. Solo existen dos valores de verdad, esto es, verdadero y falso.

En el siglo XXI, sin embargo, ha quedado claro que las preguntas diferentes requieren diferentes tipos de respuestas. Aunque persisten rastros de la antigua animosidad, ahora hay sitio para el respeto e incluso para la cooperación entre los distintos enfoques. Por ejemplo, el “deep learning” o aprendizaje profundo se utiliza a veces en sistemas potentes que combinan la lógica simbólica con las redes probabilísticas multicapa; y otros enfoques híbridos incluyen ambiciosos modelos de consciencia
Dada la rica variedad de máquinas virtuales que constituyen la mente humana, esto no debería sorprender tanto a nadie.
Los superordenadores actuales son sin duda una ayuda para todo el que quiera hacer realidad este sueño. La explosión combinatoria –para la que se requieren más cálculos de los que se pueden realizar en realidad– ya no es la amenaza constante que era antes. Sin embargo, los problemas no se pueden resolver por el mero hecho de aumentar la potencia del ordenador.
En general, se necesitan nuevos métodos de resolución de problemas. La eficiencia también es importante: cuanto menor sea el número de cálculos, mejor. En resumen, hay que convertir los problemas en solubles y existen varias estrategias básicas para ello. La IA simbólica clásica les abrió el camino a todas y todas siguen siendo esenciales.
Una es concentrarse en una sola parte del espacio de búsqueda (la representación del problema del ordenador, en la que se supone que se encuentra la solución). Otra es crear un espacio de búsqueda menor mediante supuestos simplificados. La tercera es ordenar la búsqueda con eficiencia. Otra más es crear un espacio de búsqueda distinto, representando el problema de una forma nueva.

La palabra “heurística” tiene la misma raíz que “¡Eureka!”: viene del griego encontrar o descubrir. Las heurísticas fueron las estrategias que eligió la inteligencia artificial simbólica inicial y se suelen considerar “trucos de programación”. Pero el término no surgió con la programación; hacía mucho que lógicos y matemáticos lo conocían. En cuanto a la actividad humana de utilizar heurísticas para la resolución de problemas.
En definitiva, la mayoría de los logros visuales humanos superan la IA actual. Los investigadores de IA por lo general no tienen claro qué preguntas plantear. Por ejemplo, pensemos en doblar con esmero un vestido de satén, que es un tejido escurridizo. Ningún robot puede hacerlo (aunque a algunos se les puede enseñar, paso a paso, cómo doblar una toalla rectangular).

Las redes neuronales artificiales (RNA) están compuestas por muchas unidades interconectadas, cada una capaz de realizar una sola operación. Así descritas pueden sonar aburridas, pero pueden llegar a parecer casi mágicas. Desde luego han hechizado a los periodistas. Los “perceptrones” de Frank Rosenblatt,1 máquinas fotoeléctricas que aprendieron a reconocer letras sin que se les enseñara de forma explícita, fueron promocionados con entusiasmo en los periódicos de la década de 1960. Las RNA dieron la gran campanada a mediados de los 80 y siguen siendo elogiadas cada poco en los medios. El bombo publicitario más reciente relacionado con las RNA concierne al aprendizaje profundo.
Las RNA tienen miríadas de aplicaciones, desde especular en bolsa y observar la fluctuación de las divisas a reconocer habla o caras. Pero lo que es intrigante es la forma en que funcionan.
Un pequeño grupo se ejecuta específicamente en hardware paralelo o quizá en una mezcla de hardware / wetware en la que se combinan neuronas reales con circuitos de silicio.
Las redes neuronales tienen muchas virtudes y han añadido capacidad de computación significativa a la IA. No obstante, también tienen deficiencias, como que no pueden producir esa IA verdaderamente general.

La vida artificial (A-Life) imita a los sistemas biológicos. Como la IA en general, tiene objetivos tecnológicos y científicos.1 La vida artificial es fundamental para la IA, ya que toda la inteligencia de la que tenemos noticia se da en organismos vivos. De hecho, hay quien cree que la mente surge solo si hay vida.
Los robots son la quintaesencia de la IA: tienen gran repercusión, son tremendamente ingeniosos y representan un gran negocio. La IA evolutiva, aunque de uso generalizado, es poco conocida, y las máquinas autoorganizadas todavía menos (excepto el aprendizaje no supervisado: véase el capítulo IV). No obstante, en el proceso para comprender la autoorganización, la IA le ha sido tan útil a la biología como la biología a la IA.
En suma, la IA ofrece muchas ideas teóricas acerca de la autoorganización.

Aunque algunos trabajos en el campo legal serán redundantes, los abogados saldrán ganando con la IA, porque en ella acechan multitud de trampas legales. Si algo saliera mal, ¿quién será el responsable: el programador, el mayorista, el minorista o el usuario? ¿Y se podría demandar alguna vez a un profesional humano por no usar un sistema de IA? Si se ha demostrado (ya sea matemática o empíricamente) que el sistema es altamente fiable, un litigio de ese calibre sería muy probable.
Aparecerán sin duda nuevos tipos de trabajo, pero es dudoso que vayan a ser equivalentes en cuanto a cantidad, formación asequible y/o poder adquisitivo (como sucedió tras la revolución industrial).9 Se avecinan serios desafíos sociopolíticos.
Los cargos públicos están menos amenazados, pero también se verán comprometidos. En un mundo ideal, la oportunidad para multiplicar y mejorar las actividades que ahora están infravaloradas sería acogida con entusiasmo, pero esto no está garantizado.
En suma, las visiones casi apocalípticas sobre la IA futura son ilusorias, pero, en parte por ellas, la comunidad de la IA (y los legisladores y también el público en general) empieza a darse cuenta de algunos peligros muy reales.
En suma, las visiones casi apocalípticas sobre la IA futura son ilusorias, pero, en parte por ellas, la comunidad de la IA (y los legisladores y también el público en general) empieza a darse cuenta de algunos peligros muy reales.

It’s a complete description of the history of the development of AI and where we are now. Reading is enjoyable and profound even if you have to stop to assimilate terms, ideas.
fully recommended to enter this world.
Don’t be deceived by the short length and low price of this book: you’ll need some sophistication to get the most from it.
The book’s main emphasis is on how the philosophy and practice of AI have influenced the philosophy of mind, and vice versa. This is set within a roughly historical narrative about the ebb and flow of various trends in AI, especially the symbol manipulation approach versus artificial neural nets. The final chapter also considers the “technological singularity,” concerning which the author (MB) is skeptical; but she includes a concise laundry list of some ethical problems she believes that AI will present in reality and fairly soon.
The prose is very clear, as is the book’s structure. It is in fact an elegant book. But while it seems certain that MB intended the book for a general readership, her notion of general reader is a bit idealistic. She supposes you have a certain baseline facility with, and interest in, philosophy, biology and some other fields — as if you were an Oxbridge or Ivy League liberal arts graduate from the mid-20th Century, who’s been reading both Times Literary Supplement and Scientific American ever since.
I read this to screen it as a possible introduction to AI for use in a college course about the social impact of AI and robots, directed to business and global studies students. I doubt it’s suited for that purpose, though I expect it will help me prepare lectures and discussion problems. Of course, students in cognitive science should be able to handle this with ease. But many liberal arts majors and even technologists who’ve never read philosophy will find it a challenge, and may lose interest: MB is more focused on covering a lot of ground than on pausing to explain things in a hand-holding way. Given that philosophy of mind is something I’ve read about for probably less than 1 hour per year in my 60-something years on this planet, much of this book would have gone over my head too if I hadn’t happened to have read a couple of chapters in a cognitive science textbook a day or so earlier. The dearth of illustrations is a significant problem, and why I deduct a half-star: for example, I pity the reader who’s trying to visualize neural nets and backpropagation if this book is their first exposure to those topics.
The book contains short-form endnotes and a proper, and helpful, list of references. The index is a little spotty: e.g. Hilary Putnam, who figures prominently toward the end of the text, is absent. (If you know who he was and something about his work, you’ll do fine with this book).

AI has two main objectives. One is technological: using computers to do useful things (sometimes using methods very different from those of the mind). The other is scientific: use concepts and models of AI that help resolve issues about human beings and other living beings. The majority of AI specialists focus on a single objective, although some contemplate both.
In addition to providing endless technological gossip, AI has profoundly influenced biosciences. A computer model of a scientific theory is proof of its clarity and coherence and a convincing demonstration of its (usually unknown) implications. That the theory is true is another matter, and will depend on the evidence obtained by the science in question, but the model can be illuminating, even if the theory is shown to be false.
Lady Ada Lovelace predicted AI in the 1840s. More specifically, she predicted part of it. With no glimpses of neural networks or evolutionary or dynamic AI, he focused on symbols and logic. Nor was he inclined to the psychological object of AI, since his interest was purely technological.
He said, for example, that a machine “could compose elaborate and scientific pieces of any degree of complexity or extension” and also that it could express “the great facts of nature” and make possible “a glorious era for the history of science ”
Unlike Ada Lovelace, Turing accepted both ends of the AI. I wanted the new machines to do useful things that are generally supposed to require intelligence (perhaps by very unnatural techniques) and also to represent the processes that take place in the biologically based mind.
The fundamental aspect of propositional logic is that it is binary. It is assumed that every sentence (also called a proposition) is true or false. There is no middle ground; The uncertainty or probability is not recognized. There are only two values ​​of truth, that is, true and false.

In the 21st century, however, it has become clear that different questions require different types of answers. Although traces of ancient animosity persist, there is now room for respect and even for cooperation between different approaches. For example, deep learning is sometimes used in powerful systems that combine symbolic logic with multilayer probabilistic networks; and other hybrid approaches include ambitious models of consciousness
Given the rich variety of virtual machines that make up the human mind, this should not surprise anyone so much.
The current supercomputers are undoubtedly a help for anyone who wants to make this dream come true. The combinatorial explosion – for which more calculations are required than can actually be realized – is no longer the constant threat that it was before. However, the problems can not be solved by the mere fact of increasing the power of the computer.
In general, new methods of problem solving are needed. Efficiency is also important: the smaller the number of calculations, the better. In summary, you have to turn the problems into soluble and there are several basic strategies for it. The classic symbolic AI opened the way to all and all are still essential.
One is to concentrate on a single part of the search space (the representation of the computer problem, in which the solution is supposed to be found). Another is to create a smaller search space through simplified assumptions. The third is to order the search efficiently. Another one is to create a different search space, representing the problem in a new way.

The word “heuristic” has the same root as “Eureka!”: It comes from the Greek find or discover. Heuristics were the strategies chosen by the initial symbolic artificial intelligence and are usually considered “programming tricks”. But the term did not come with programming; Logicians and mathematicians had known him for a long time. As for the human activity of using heuristics for the resolution of problems.
In short, most of the human visual achievements surpass the current AI. IA researchers are usually not clear about what questions to ask. For example, let’s think about carefully folding a satin dress, which is an elusive fabric. No robot can do it (although some can be taught, step by step, how to fold a rectangular towel).

Artificial neural networks (RNA) are composed of many interconnected units, each capable of performing a single operation. Thus described, they may sound boring, but they may seem almost magical. Of course they have bewitched the journalists. The “perceptrons” of Frank Rosenblatt, 1 photoelectric machines that learned to recognize letters without being taught explicitly, were enthusiastically promoted in the newspapers of the 1960s. The RNAs gave the big chime in the mid-1980s and They are still praised every bit in the media. The most recent hype related to RNAs concerns deep learning.
The RNAs have a myriad of applications, from speculating in the stock market and observing the fluctuation of currencies to recognize speech or faces. But what is intriguing is the way they work.
A small group runs specifically on parallel hardware or perhaps a hardware / wetware mix in which real neurons are combined with silicon circuits.
Neural networks have many virtues and have added significant computing capacity to AI. However, they also have deficiencies, as they can not produce that truly general AI.

Artificial life (A-Life) imitates biological systems. Like AI in general, it has technological and scientific objectives.1 Artificial life is fundamental for AI, since all the intelligence we know about is given in living organisms. In fact, some believe that the mind arises only if there is life.
Robots are the quintessence of AI: they have great repercussion, they are tremendously ingenious and represent a great business. Evolutionary AI, although widely used, is poorly understood, and self-organized machines even less (except for unsupervised learning: see Chapter IV). However, in the process of understanding self-organization, AI has been as useful to biology as biology to AI.
In sum, AI offers many theoretical ideas about self-organization.

Although some jobs in the legal field will be redundant, lawyers will win with the AI, because in it lurk many legal traps. If something goes wrong, who will be responsible: the programmer, the wholesaler, the retailer or the user? And could a human professional ever be sued for not using an AI system? If it has been demonstrated (either mathematically or empirically) that the system is highly reliable, litigation of that caliber would be very likely.
No doubt new types of work will appear, but it is doubtful that they will be equivalent in terms of quantity, affordable training and / or purchasing power (as happened after the industrial revolution) .9 Serious sociopolitical challenges are looming.
Public offices are less threatened, but they will also be compromised. In an ideal world, the opportunity to multiply and improve activities that are now undervalued would be welcomed with enthusiasm, but this is not guaranteed.
In sum, the almost apocalyptic visions about future AI are illusory, but, partly because of them, the AI ​​community (and legislators and also the general public) begins to realize some very real dangers.
In sum, the almost apocalyptic visions about future AI are illusory, but, partly because of them, the AI ​​community (and legislators and also the general public) begins to realize some very real dangers.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.