Knowing Neurons
¿Sabías que…?Inteligencia artificialTecnologías neurocientíficas

La prueba de Turing ¿Es un humano o una máquina?

Artículo original: The Turing Test: Is that human or machine?, Kate Fehlhaber

Traducido por Mariangelina Martínez

~~~

“Propongo que consideremos la siguiente pregunta: ¿Pueden pensar las máquinas?”

Y así empieza el artículo «Maquinaria computacional e inteligencia» (Computing machinery and intelligence) de Alan Turing. En 1950, en Inglaterra, la primera computadora del mundo estaba siendo usada para calcular el siguiente número primo más grande, simplemente para demostrar el poder de la computadora. Para Turing, las consecuencias de este trabajo iban más allá y provocaron una pregunta filosófica: ¿Podrían las computadoras algún día adquirir una habilidad cognitiva similar a la de los humanos?

Entonces, ¿cómo podemos contestar esta pregunta? Los métodos tradicionales nos obligan a definir términos claves como «pensamiento», «máquina» e «inteligencia», pero estos conceptos son vagos y muy difíciles de definir. En cambio, Turing propuso que nos enfocásemos en un dilema un poco diferente: «¿Pueden las máquinas hacer lo que nosotros, los humanos, como entes pensantes, hacemos?» Simplemente cambiando como se presenta la pregunta nos permite distinguir entre las propiedades físicas e intelectuales de los humanos. Para demostrar esto, Turing propuso un test que se llama la prueba de imitación. Fue basada en un juego de salón en donde un hombre y una mujer van a cuartos separados, y los invitados tratan de adivinar quién es quién. Hacen esto escribiendo una serie de preguntas y leyendo las respuestas mecanografiadas que reciben. En este juego tanto el hombre como la mujer tratan de convencer a los demás de que cada cual es la otra persona. ¿Cómo funcionaría este juego entre un humano y una máquina? ¿Los invitados se equivocarían con la misma frecuencia que lo hacen cuando juegan un hombre y una mujer? Turing afirmó que si los invitados no podían distinguir a un humano de una máquina mediante cuestionamiento, entonces no sería razonable decir que la máquina no es inteligente, ya que evaluamos la inteligencia de otras personas basándonos en observaciones externas de forma muy similar.

Turing predijo que las máquinas podrían superar esta prueba. Efectivamente, el año pasado, un programa de computación llamado Eugene Goostman, logró por primera vez superar con éxito una prueba de Turing. Y hace sólo unos meses, los investigadores diseñaron con éxito una prueba de Turing visual, en la que la computadora aprendió a entender las relaciones contextuales y las actividades implícitas entre los objetos dentro de las fotos.

1. Q: ¿Hay una persona en la región azul? 2. Q: ¿Es una mujer? 3. Q: ¿Esta cargando algo?

Pero aún con estos avances tecnológicos, es difícil saber si estamos más cerca de lograr la auténtica inteligencia artificial. De hecho, después de que Eugene pasara la prueba de Turing, los críticos se apresuraron en resaltar lo bajo que se había establecido el nivel de exigencia: con errores gramaticales y escasos conocimientos generales, consistente con la máquina haciéndose pasar por un adolescente ucraniano, Eugene no demostró realmente que fuera «inteligente». Ahora, los investigadores promueven una verdadera inteligencia en condiciones reales: una característica multidimensional que involucra muchas habilidades.

Por supuesto, las computadoras son mucho más rápidas que los humanos haciendo cálculos matemáticos, ¡pero hay muchísimas otras maneras en las que las computadoras no están ni cerca de alcanzar a los humanos! Por ejemplo, nosotros podemos seguir las instrucciones para armar un mueble con relativa facilidad, pero ninguna máquina ha podido superar este desafío de «construir algo». Del mismo modo, los humanos tienen sentido común e intuición, pero a las computadoras les resulta difícil responder a preguntas como «El trofeo no cabía en la maleta porque era demasiado grande. ¿Qué es lo que era demasiado grande, el trofeo o la maleta?» Del mismo modo, cuando vemos programas de televisión y películas, podemos responder fácilmente a preguntas que requieren aptitudes de razonamiento crítico, como las relativas a las motivaciones de los personajes y las consecuencias de los desenlaces, pero los robots suelen fracasar en estos retos de comprensión.

Con el futuro de la inteligencia artificial alejándose de la prueba de Turing en favor de pruebas más complejas e inclusivas, quizá nos acerquemos al mundo que Turing imaginó, donde las máquinas y los humanos son indistinguibles. Claro que todavía faltan muchos años, pero será muy emocionante ver los avances en este campo en los años venideros. Como Alan Turing dijo,

“solamente podemos ver un poco hacia adelante, sin embargo, se puede ver que hay mucho por hacer.”

~~~

Escrito por Kate Fehlhaber
Imágenes por Jooyeun Lee
Traducido por Mariangelina Martínez

~~~

¡Conviértete en un patrocinador!

Referencias

Geman, D., Geman, S., Hallonquist, N., & Younes, L. (2015). Prueba de Turing visual para sistemas de visión Actas de la Academia Nacional de Ciencias de los Estados Unidos , 112(12), 3618-3623. http://doi.org/10.1073/pnas.1422953112

Turning, A.M. (1950). Maquinaria e inteligencia informática. Mind, 59, 433-460.

Author

  • Kate Fehlhaber

    Kate se graduó del Scripps College en el 2009 y obtuvó una licenciatura en Neurociencias, completando el programa celular y molecular con honores. Durante su licenciatura, estudió la plasticidad a largo plazo en modelos de la enfermedad de Parkinson en un laboratorio de neurobiología en la Universidad de California, Los Angeles (UCLA). Ella continuó esta investigación como Mánejadora de laboratorio hasta entrar en el programa doctoral de la Universidad del Sur de California (USC) en el 2012, para luego transferirse a UCLA en el 2013. Ella completo su doctorado en el 2017, y enfoco su investigación en poder comprender la comunicación entre las neuronas de los ojos. Kate fundó Knowing Neurons en el 2011, y su pasión por la comunicación científica creativa ha seguido creciendo.

Kate Fehlhaber

Kate se graduó del Scripps College en el 2009 y obtuvó una licenciatura en Neurociencias, completando el programa celular y molecular con honores. Durante su licenciatura, estudió la plasticidad a largo plazo en modelos de la enfermedad de Parkinson en un laboratorio de neurobiología en la Universidad de California, Los Angeles (UCLA). Ella continuó esta investigación como Mánejadora de laboratorio hasta entrar en el programa doctoral de la Universidad del Sur de California (USC) en el 2012, para luego transferirse a UCLA en el 2013. Ella completo su doctorado en el 2017, y enfoco su investigación en poder comprender la comunicación entre las neuronas de los ojos. Kate fundó Knowing Neurons en el 2011, y su pasión por la comunicación científica creativa ha seguido creciendo.