Hava Siegelmann, científico de la computación del Biologically Inspired Neural & Dynamical Systems (BINDS) Laboratory en la Universidad de Massachusetts, y experta en redes neurales, ha llevado el trabajo de Alan Turing a su siguiente paso lógico.
Ella está convirtiendo su descubrimiento realizado en 1993, el cual ha denominado computación “Super Turing”, en un sistema computacional adaptable que aprenda y evolucione, utilizando retroalimentación del medio ambiente de una forma más parecida a nuestro cerebro que a un sistema clásico de computación tipo Turing.
“Este modelo está inspirado en el cerebro humano”, indicó. “Es una formulación matemática de las redes neurales del cerebro con sus habilidades adaptativas”. Los autores mostraron que cuando este modelo se instala en un ambiente que ofrece estimulación sensorial constante, como el del mundo real, y cuando la respuesta a todos esos estímulos se consideran en el período de vida de una máquina, el modelo Super Turing ofrece un repertorio exponencial mucho mayor que el comportamiento de un modelo clásico Turing. Demostraron que el modelo Super-Turing es superior debido a su similitud de tareas y aprendizaje del cerebro.
“Cada vez que una máquina Super-Turing recibe retroalimentación, literalmente se convierte en una máquina distinta”, indicó Siegelmann. “No deseas esto para tu PC. Las PC son buenas y rápidas calculadoras y las requerimos para eso. Pero si lo que deseas es un robot que acompañe a una persona ciega a la tienda, por ejemplo, requieres otro tipo de máquina que pueda navegar un ambiente dinámico. Si deseas que una máquina interactúe exitosamente con un compañero humano, deseas sin duda una máquina que se adapte al idioma y sus usos, reconozca patrones faciales y permita interacciones entre compañeros de manera que evolucione justo como lo hacemos nosotros. Eso es lo que nuestro modelo puede ofrecer”.
Las computadoras clásicas trabajan secuencialmente y pueden funcionar en ambientes controlados y específicos para los cuales fueron programadas. Pueden parecer inteligentes si les dices que datos se le darán y como responder, indicó Siegelmann. Pero ese tipo de máquinas no pueden incorporar nueva información o usarla para mejorar su capacidad de solución de problemas, proporcionar alternativas mejores o ejecutar tareas que requieran otro tipo de inteligencia.
En 1948, el mismo Alan Turing predijo otro tipo de computación que podría simular la misma vida, pero falleció sin desarrollar el concepto de una máquina que pudiera usar lo que él mismo llamó “inferencia adaptativa”. En 1993, Siegelmann, entonces en Rutgers, mostró de manera independiente en su tesis doctoral que un nuevo tipo de computación, totalmente distinta del modelo de “computadora para calcular y más parecida a la predicción de Turing de una máquina más parecida a una inteligencia viva, era posible. Ella publicó su descubrimiento en la revista Science y en un libro posteriormente.
“Era lo suficiente joven para ser curiosa, deseando entender el porqué el modelo Turing parecía muy fuerte”, recuerda. “Intenté probar la conjetura de que las redes neurales son débiles y me encontré con que el trabajo previo realizado tenía fallas. Mi sorpresa fue descubrir vía análisis matemático que las redes neurales tienen algunas capacidades que sobrepasan el modelo Turing. Releí a Turing y encontré que él mismo consideraba que un modelo adaptativo era mucho más fuerte basándose en cálculo continúo.”
Puedes visitar el sitio de investigación aquí.
Comentarios