Una vez, rumbo a Ithaca, el pueblo donde se encuentra el campus de la Universidad de Cornell, me detuve en un motel propiedad de los seneca, tribu perteneciente a la nación Cayuga de Nueva York que logró negociar con el gobierno norteamericano el usufructo de este negocio al lado de la carretera y la licencia de un casino cerca de la reservación. “Si algo sé –se leía en un letrero colgado en la pared detrás de la recepcionista, citando a un antiguo jefe de la gente del Gran Pantano– es: aprende a jugar profundo si quieres sobrevivir”. Me recordó que ese es, precisamente, uno de los desafíos de la IAG: aprender a jugar en tiempo real. Como dije, la IA se ha servido de diversas metáforas a fin de explicarse a sí misma y avanzar.
Uno de los desafíos de la IAG es dotar a una máquina de la capacidad de entender el lenguaje común de los humanos, y no solo instrucciones programables que apenas una persona conocedora puede manejar. Ya en 1713, James Waldegrave escribió la primera solución matemática de un juego que involucraba a dos adversarios. En la IA, la teoría de juegos pretende descubrir cómo pueden calcularse estas relaciones interdependientes. En 1802, André-Marie Ampère publicó su teoría matemática de los juegos, donde cita al naturalista Georges Louis Buffon como el creador de esta forma de mirar el transcurrir de la vida. En lugar de analizar los efectos de la estrategia del juego, Ampère prefirió estudiar el efecto de la probabilidad de perder o ganar, sin considerar que algunos jugadores pudieran confabularse para tratar de lograr el triunfo. Aficionado y empedernido a las cartas, y otros juegos de azar, Ampère descubrió que la ruina es segura si uno tienta la suerte por un tiempo prolongado o bien, trata de enfrentar a varios oponentes en forma simultánea. Por ello, un juego de suma cero, donde la derrota de un jugador equivale al triunfo de los demás, siempre favorecerá al que cuente con mayores recursos porque tiene la ventaja de permanecer más tiempo dentro del juego.
Al observar que el juego de póker (de suma igual a cero) depende no solo de la probabilidad sino de la capacidad histriónica (bluffing) de cada participante, John von Neumann formuló su teorema Minimax, que forma parte esencial de la moderna teoría de juegos. Los jugadores tratarán de anticiparse a lo que hará el resto y, así, podrán realizar su mejor jugada. En 1957, Albert W. Tucker planteó el “dilema del prisionero”, en el que la derrota no necesariamente implica el triunfo del otro, sino que el desenlace del juego depende de cómo actúen los participantes en grupo. Estos juegos, de suma diferente a cero, permiten que ambos contrincantes ganen. Von Neumann revisó la teoría de Ampère hacia 1928, lo cual le sirvió para aclarar ciertas ideas aplicables a una máquina computadora. La idea era generalizar estrategias de manera que fuera posible aplicarlas a cualquier juego y, al mismo tiempo, que evitaran al máximo la posible derrota cuando el oponente pusiera todo su esfuerzo en ganar. Dado que muchos sucesos de la vida real pueden tratarse como juegos, por ejemplo, las decisiones políticas, los vaivenes de la economía, la creación artística, la literatura, von Neumann escribió un libro con la intención de demostrar que ciertas situaciones, imposibles en apariencia, podían tener una solución. Y esto incluía la posibilidad de que algunos jugadores se confabularan. También demostró cómo los juegos de suma diferente a cero, donde la derrota de un participante no necesariamente equivale al triunfo de los demás, pueden reducirse a juegos de suma cero si se agrega un nuevo jugador imparcial y ficticio, al que a veces se llama “la Naturaleza”. Estas investigaciones influyeron en la perspectiva de miembros de la inteligencia militar y en economistas que alentaron el uso de computadoras digitales, pues adoptaron el lema de von Neumann: “razonar es calcular”. Quien razona, o juega profundo, tiene más probabilidades de ganar la contienda cuando el empate persiste y el azar no toma partido.
El sinuoso camino recorrido por la IA tradicional tuvo un momento epifánico durante la década de los sesenta, cuando los citados Alan Newell y Herbert Simon crearon un programa destinado a resolver teoremas mediante símbolos y el juego de ajedrez, incapaz en ese entonces de enfrentar problemas de la vida real.
A diferencia del devenir cotidiano, cuya naturaleza es abierta, los teoremas matemáticos son cerrados, es decir, finitos en cuanto a sus preguntas, variables y soluciones. Durante la misma década, un grupo dirigido por Edward Feigenbaum comenzó a elaborar un proyecto para resolver problemas de la vida cotidiana, o centrado, al menos, en problemas más concretos. Pocos años más tarde se desarrollaron los primeros lenguajes de cómputo, como LISP y PROLOG, que usaban símbolos no matemáticos. Hacia 1980 se escribieron programas que podían diagnosticar problemas en la sangre humana, e incluso recetar una solución, todo basado en un sistema experto que podía jerarquizar y otorgar diferentes valores a la información recibida.
fundamentales a la teoría de juegos combinatorios.
Previamente, en octubre de 1970, John Horton Conway publicó una propuesta para comprender sistemas complejos, en la legendaria columna de juegos matemáticos de Scientific American. Horton creó un “autómata celular”, esto es, un modelo matemático destinado a ensayar cómo se comportarían en la realidad determinados sistemas dinámicos. Su valor radica en que nos muestra los escenarios complejos que pueden surgir a partir de patrones, o reglas, más simples de lo que podríamos suponer. Estas herramientas impulsaron la IA, a tal grado que hoy se usan de manera cotidiana para analizar y pronosticar, de manera bastante aproximada, el comportamiento de las economías, el clima y los organismos vivos. Juegos poco realistas como el ajedrez dejaron de ser atractivos para quienes deseaban lidiar con la vida cotidiana, por lo que el desarrollo de redes neuronales y sistemas expertos se enfocó a un pasatiempo más sencillo y, al mismo tiempo, de mayor complejidad por su acontecer azaroso: el futbol.
A diferencia del ajedrez, el juego con un balón de once contra once implica movimiento físico, algo esencial en la evolución de las especies. De hecho, biólogos evolutivos como Jordi Agustí aseguran que uno de los problemas más arduos para la vida en general, que tomó millones de años en resolver, fue desarrollar formas de locomoción para conseguir alimento, aparearse y huir de los depredadores. Los torneos de robots futboleros se celebran desde hace más de veinte años y ponen a prueba la capacidad autónoma de responder a situaciones imprevistas mediante diversos mecanismos de información, algoritmos y otros lenguajes simbólicos que la máquina puede interpretar y ejecutar con más o menos éxito.
La IA experimentó un impasse a principios del siglo que corre, pues un robot que baila, platica y clasifica productos no es creativo ni independiente; está sujeto a las instrucciones, programadas por un humano, de qué hacer, cómo llevarlo a cabo y cuándo. Pero de ahí que, en los últimos cinco años, se hayan cristalizado ideas alrededor de las redes neuronales y el aprendizaje profundo (deep learning), una técnica basada en algoritmos entrenados para jugar lo más coherente e imaginativamente posible a partir de una frase dada. Las redes neuronales son un producto seminal de la cultura cibernética, surgida en la década de 1950. La síntesis de las neurociencias a través del neurofisiólogo Arturo Rosenblueth y las matemáticas, mediante el trabajo de Norbert Wiener, también citados ya, formalizaron la aparición de la IA, animando al psicólogo Frank Rosenblatt a proponer, en los años de 1960, el concepto de neuronas artificiales o, como él las denominó, perceptrones.
Veinte años después comenzó el auge de dichas redes gracias a un modelo que ha dado resultados espectaculares en fechas recientes, permitiendo que el juego sea más profundo; esto se debe a que está constituido por diversas capas de neuronas artificiales interconectadas. Me refiero al Generative Pretrained Transformer (GPT) que, en su versión beta, ha sorprendido hondamente a propios y extraños. Según expertos, el GPT-3 es un paso firme hacia una genuina IAG, pues utiliza un modelo de lenguaje autoregresivo, es decir, puede crear textos razonados, sin tener la necesidad de programarse para ejecutar esa tarea específica.
Dicho sistema está constituido por 96 capas y 175 mil millones de parámetros, emanados de libros analógicos, digitales, páginas web (que han cumplido más de treinta años de circular en tiempo real por el espacio cibernético), enciclopedias y otras bases de datos. Se trata de la materialización del cibionte, término acuñado por el ensayista Joël de Rosnay, según el cual en un tiempo perentorio se crearía un ente cibernético, formado por millones de mentes conectadas a internet sin cesar.
