Ya es más que conocido que los procesos evolutivos que se han producido desde hace miles de años son los que han permitido que hoy se desarrolle la vida como la conocemos. Desde la primera aparición de los organismos unicelulares, todas las formas de vida han evolucionado.

Gracias a ello, sus procesos de pensamiento se han vuelta más complejos y, como tal, también aquellos directamente asociados al aprendizaje. Un grupo de investigadores de la Universidad Estatal de Michigan vieron en el conocimiento de esta área la posibilidad de dar un paso más en nuestra historia evolutiva.

Desarrollan funda para smartphones con piel humana artificial

Por ello, se dieron a la tarea de intentar entender cómo poco a poco los procesos de aprendizaje, humanos y animales, lograron llegar a lo que conocemos hoy en día. Sin embargo, observar esto no es posible a través de ningún rastro antiguo, ni mucho menos presencialmente –ya que se trata de un proceso lento y milenario que ningún humano podría contemplar en una sola vida. Pero… ¿y una máquina?

Miles de años de aprendizaje se pudieron observar en pocas horas

Los científicos Anselmo Pontes, Robert B. Mobley, Charles Ofria, Christoph Adami, y Fred C. Dyer se dieron a la tarea de desarrollar un sistema en el cual pudieran observar los procesos evolutivos del aprendizaje. Para ello, crearon un algoritmo que fuera capaz de someter a los “organismos” a las distintas condiciones ambientales y sociales conocidas para ver sus reacciones y cómo aprendía de su entorno.

Inicialmente, las “formas de vida” no eran capaces de ver, sentir, ni pensar o reaccionar. Sin embargo, a medida que se reproducían y llegaban las nuevas generaciones, se iban presentando patrones y mutaciones que poco a poco los ayudaron a interactuar mejor con su ambiente, al aprender de él.

Jeff Dean, el hombre detrás de la inteligencia artificial de Google

Incluso, los resultados de la investigación mostraron que los “individuos” fueron capaces de desarrollar procesos complejos de pensamiento. De este modo, no solo podían reconocer señales y estímulos, sino que también tenían la posibilidad de rectificar errores que hayan cometido. Incluso, demostraron tener la capacidad de aprender nuevamente el significado de algún elemento en caso de que este cambiara.

“La evolución también es un algoritmo”

Este es parte del comentario que Aselmo Pontes, el líder del estudio, para explicar por qué utilizaron este método para comprender este proceso evolutivo. Asimismo, ha dicho que los resultados les han permitido no solo “ver cómo ciertos entornos fomentaron la evolución del aprendizaje, sino que vimos que las poblaciones evolucionaban a través de las mismas fases de comportamiento que los científicos anteriores especularon que debería ocurrir, pero no tenían la tecnología para ver”.

En pocas palabras, la tecnología nos ha dado finalmente la posibilidad de ver en detalle nuestro pasado y cómo hemos llegado hasta acá. Ahora es momento de ver cómo estos nuevos conocimientos pueden influenciar nuestro futuro.

El aprendizaje relacional es la clave para la nueva Inteligencia Artifical

Básicamente, los autores del estudio aseguran que se pueden aplicar las condiciones de aprendizaje relacional descubiertas en su algoritmo para mejorar la forma en la que aprende y se maneja la inteligencia artificial (IA). Gracias a ello, cada una no tendrá que ser directamente programada por ningún individuo. Ahora, sabrá interpretar las señales del ambiente y poco a poco podrá no solo reaccionar a ellas, sino tomar decisiones complejas. Todo ello en base al conocimiento que ya ha sido adquirido.

De esta forma la inteligencia artificial ayudaría a predecir resultados de depresión

George Gilchrist, el director del programa National Science Foundation que maneja la rama que ha fundado y dado apoyo a este estudio nos deja con un comentario sobre el panorama que nos espera ahora que tenemos esta nueva información al asegurar que “Esto abre las puertas a la creación de sistemas de inteligencia artificial sin las limitaciones impuestas por el diseño humano”.

Referencia:

The Evolutionary Origin of Associative Learning: https://doi.org/10.1086/706252

Más en TekCrispy