Un experimento revela que las máquinas pueden relacionar conceptos de manera similar a los humanos
La generalización composicional, una habilidad fundamental que permite a los seres humanos combinar elementos familiares para crear nuevos conceptos, ha sido un atributo considerado inalcanzable para las redes neuronales artificiales durante décadas. Sin embargo, un estudio reciente publicado en la revista Nature ha demostrado que estas redes pueden lograr esta capacidad, lo que podría tener un impacto significativo en el campo de la inteligencia artificial.Los autores de la investigación han desarrollado un enfoque innovador llamado «metaaprendizaje para composicionalidad». Este método implica una continua actualización de las redes neuronales y la exposición a una serie de episodios con el propósito de que la máquina pueda relacionar experiencias de manera similar a como lo hacen los humanos. Experimentos realizados con voluntarios sometidos a pruebas similares a las de las máquinas demostraron que la capacidad de generalización de las máquinas fue comparable e incluso superior a la de las personas.
Brenden Lake, profesor adjunto del Centro de Ciencia de Datos y del Departamento de Psicología de la NYU y uno de los autores del estudio, comentó: «Durante 35 años, los investigadores de la ciencia cognitiva, la inteligencia artificial, la lingüística y la filosofía han debatido si las redes neuronales pueden lograr una generalización sistemática similar a la humana. Hemos probado por primera vez que sí».
El entrenamiento de modelos de lenguaje, como ChatGPT, generalmente requiere una gran cantidad de datos y recursos computacionales. Este proceso es costoso y lento, ya que implica el procesamiento de vastas bases de datos y el desarrollo de algoritmos de aprendizaje automático para identificar patrones y relaciones. La solución propuesta por Lake y Baroni se basa en la facultad de generalización composicional, permitiendo que los modelos de lenguaje aprendan a generalizar con menos datos de entrenamiento.
El próximo desafío es demostrar que este enfoque es escalable y aplicable a modelos de lenguaje conversacionales, incluso si no tienen acceso directo a modelos como ChatGPT. Los investigadores tienen como objetivo democratizar la inteligencia artificial, permitiendo que operadores más modestos desarrollen sistemas comparables a las ofertas de las grandes empresas tecnológicas.
Este avance podría tener aplicaciones en diversas disciplinas. Aunque no se sostiene que las máquinas piensen como los humanos, entender cómo funcionan puede proporcionar información valiosa sobre el funcionamiento humano. Se ha demostrado que el sistema propuesto por Lake y Baroni comete errores similares a los humanos en tareas experimentales, lo que sugiere una mayor similitud en el razonamiento.
El impacto a largo plazo de este método dependerá de su éxito al aplicarlo a modelos de lenguaje más grandes y de su contribución al campo de la inteligencia artificial y la explicabilidad de las máquinas.
