Investigadores de la Universidad del Sur de California (USC) est\u00e1n tratando de ense\u00f1arle a una computadora no c\u00f3mo amar, sino c\u00f3mo imaginar. La gente generalmente no tiene ning\u00fan problema para imaginar cosas. Somos bastante buenos comenzando desde cero y somos incluso mejores usando nuestra experiencia para imaginar cosas completamente nuevas. Por ejemplo, todos los que lean esto probablemente podr\u00edan imaginarse la Gran Muralla China pero hecha de espaguetis y alb\u00f3ndigas, o un gato con sombrero de pirata.<\/p>\n\n\n\n
Las computadoras, sin embargo, son notoriamente malas en esto. No es su culpa, los hemos creado para que sean r\u00e1pidas y precisas, para que no pierdan el tiempo so\u00f1ando despiertos; ese es nuestro trabajo. Pero dar a las computadoras la capacidad de imaginar, de visualizar un objeto con diferentes atributos o de crear conceptos desde cero, definitivamente podr\u00eda ser \u00fatil. Aunque los expertos en aprendizaje autom\u00e1tico se han ocupado de este problema hasta ahora, hemos avanzado muy poco. Sin embargo, una nueva IA desarrollada en la USC imita los mismos procesos que nuestro cerebro usa para alimentar nuestra imaginaci\u00f3n, pudiendo crear objetos completamente nuevos con una amplia gama de atributos.<\/p>\n\n\n\n
Computaci\u00f3n creativa \u201cLos seres humanos pueden separar su conocimiento aprendido por atributos – por ejemplo, forma, pose, posici\u00f3n, color – y luego recombinarlos para imaginar un nuevo objeto. Nuestro art\u00edculo intenta simular este proceso utilizando redes neuronales”.<\/p>\n\n\n\n En otras palabras, como humanos, es f\u00e1cil imaginar un objeto con diferentes atributos. Pero, a pesar de los avances en las redes neuronales profundas que igualan o superan el desempe\u00f1o humano en ciertas tareas, las computadoras todav\u00eda luchan con la habilidad humana de la “imaginaci\u00f3n”.<\/p>\n\n\n\n Uno de los mayores obst\u00e1culos que hemos enfrentado al ense\u00f1ar a las computadoras a imaginar es que, en t\u00e9rminos generales, son bastante limitados en lo que reconocen. Digamos que queremos hacer una IA que pueda dise\u00f1ar edificios. Entrenamos estos sistemas hoy en d\u00eda proporcion\u00e1ndoles una gran cantidad de datos. En nuestro caso, ser\u00edan un mont\u00f3n de fotograf\u00edas de edificios. Al mirarlos, dice la teor\u00eda, la IA puede comprender qu\u00e9 hace que un edificio sea un edificio y la forma correcta de dise\u00f1ar uno. En otras palabras, comprende sus atributos, que luego se pueden replicar o comparar. Con estos en la mano, deber\u00eda poder extrapolar, crear ejemplos virtualmente infinitos de nuevos edificios.<\/p>\n\n\n\n El problema es que nuestras IA todav\u00eda est\u00e1n capacitadas para comprender las caracter\u00edsticas en su mayor parte, no los atributos. Esto significa cosas como ciertos patrones de dise\u00f1o de p\u00edxeles, palabras despu\u00e9s de las cuales es m\u00e1s probable que se encuentre una determinada palabra. Una forma simple pero imperfecta de describir esto es que una IA debidamente entrenada hoy en d\u00eda puede reconocer un edificio como un edificio, pero no tiene idea de qu\u00e9 es realmente un edificio, para qu\u00e9 se usa o c\u00f3mo. Puede comprobar si una imagen se parece a la imagen de una pared, y eso es todo. Para nuestros prop\u00f3sitos pr\u00e1cticos de hoy, este tipo de formaci\u00f3n es suficiente.<\/p>\n\n\n\n A\u00fan as\u00ed, para ir m\u00e1s all\u00e1 de este punto, el equipo utiliz\u00f3 un proceso llamado desenredo. Este es el tipo de proceso que se utiliza para crear deepfakes, por ejemplo, “desenredando” o separando los movimientos faciales y la identidad de una persona. Usando este proceso, la apariencia de una persona puede ser reemplazada por la de otra, mientras se mantienen los movimientos y el habla de la primera.<\/p>\n\n\n\n El equipo tom\u00f3 grupos de im\u00e1genes de muestra y las introdujo en la IA, en lugar de usar una imagen a la vez, como hacen los enfoques de entrenamiento tradicionales. Luego le encargaron al programa que identificara las similitudes entre ellos, un paso llamado \u201caprendizaje de representaci\u00f3n desenredante controlable\u201d. La informaci\u00f3n recopilada aqu\u00ed fue recombinada en una “s\u00edntesis de imagen novedosa controlable”, que es lo que el programador habla para “imaginar cosas”.<\/p>\n\n\n\n Todav\u00eda es mucho m\u00e1s tosco de lo que podemos hacer usando nuestro cerebro, pero en cuanto a los mecanismos que los sustentan, los procesos no son muy diferentes en absoluto.<\/p>\n\n\n\n “Por ejemplo, toma la pel\u00edcula Transformers <\/em>como ejemplo”, dijo Ge. \u201cPuede tomar la forma de un autom\u00f3vil Megatron, el color y la pose de un autom\u00f3vil Bumblebee amarillo y el fondo de Times Square de Nueva York. El resultado ser\u00e1 un autom\u00f3vil Megatron color abejorro conduciendo en Times Square, incluso si esta muestra no fue presenciada durante la sesi\u00f3n de capacitaci\u00f3n”.<\/p>\n\n\n\n La IA gener\u00f3 un conjunto de datos de 1,56 millones de im\u00e1genes a partir de los datos utilizados para entrenarlo, agrega el equipo.<\/p>\n\n\n\n La imaginaci\u00f3n artificial ser\u00eda de gran ayuda, especialmente en la investigaci\u00f3n, por ejemplo, en los esfuerzos por descubrir nuevas drogas. A menudo sacamos la idea de las pel\u00edculas de que una vez que una computadora se vuelve lo suficientemente inteligente, puede dominar el mundo y la raza humana sin esfuerzo. Definitivamente cosas emocionantes. Pero el quid de la cuesti\u00f3n sigue siendo que todo el poder de procesamiento del mundo no podr\u00e1 idear una nueva medicina, por ejemplo, sin la capacidad de imaginar primero algo. El poder de procesamiento puede verificar (con el c\u00f3digo correcto) c\u00f3mo interact\u00faan algunas mol\u00e9culas. Pero para hacer eso, primero debes pensar en la interacci\u00f3n de esas mol\u00e9culas, y eso se maneja con la imaginaci\u00f3n.<\/p>\n\n\n\n “El aprendizaje profundo ya ha demostrado un rendimiento insuperable y una promesa en muchos dominios, pero con demasiada frecuencia esto ha sucedido a trav\u00e9s de una m\u00edmica superficial y sin una comprensi\u00f3n m\u00e1s profunda de los atributos separados que hacen que cada objeto sea \u00fanico”, dijo Itti.<\/p>\n\n\n\n \u201cEste nuevo enfoque de desenredo, por primera vez, realmente desata un nuevo sentido de imaginaci\u00f3n en A.I. sistemas, acerc\u00e1ndolos a la comprensi\u00f3n humana del mundo”.<\/p>\n\n\n\n El documento S\u00edntesis de cero intentos con aprendizaje supervisado por grupos<\/em> se present\u00f3 en la Conferencia Internacional de Representaciones de Aprendizaje de 2021 y est\u00e1 disponible aqu\u00ed<\/a>.<\/p>\n\n\n\n
<\/strong>\u201cNos inspiraron las capacidades de generalizaci\u00f3n visual humana para intentar simular la imaginaci\u00f3n humana en m\u00e1quinas\u201d, dijo el autor principal Yunhao Ge, estudiante de doctorado en ciencias de la computaci\u00f3n que trabaja bajo la supervisi\u00f3n de Laurent Itti, profesor de ciencias de la computaci\u00f3n.<\/p>\n\n\n\n