Criar y enseñar a la Inteligencia Artificial tiene un coste inasumible: ¿Es el fin o el inicio de una nueva era robótica?

Cuando cualquier experto o no experto habla de la Inteligencia Artificial (o IA), el auditorio es todo oídos ante un tema que está en plena fase de efervescencia (o “hype” según la clásica denominación anglosajona). Pero más allá de términos de moda, y tecnologías que aún tienen infinitamente más camino por delante que por detrás, lo cierto es que no todo lo relativo a un evidente y necesario avance tecnológico tiene por qué ser necesariamente positivo.

De hecho, con la IA, y más concretamente con ese Deep Learning que le permite aprender por sí misma de su entorno (e incluso de otras inteligencias artificiales vía internet con el cloud robótico), hay un alto impacto muy negativo sobre el entorno. Y sí, hablamos del aspecto medioambiental, muy relevante en la era de la fracasada tasa del carbono y también del potencialmente muy peligroso pinchazo de la denominada “burbuja del carbono”, pero a la vez la era de ese cambio climático que cada día es más evidente (e innegable a día de hoy incluso para los que eran más incrédulos).

El Deep Learning es absolutamente necesario para que la IA pueda hacer honor a su sintético nombre

Aquellos de nuestros lectores que tengan un perfil menos “techie”, tal vez no sepan todavía qué es el denominado “Deep Learning”. Su nombre resulta de primeras bastante ilustrativo, pero por la relevancia del proceso técnico que reside tras este término, vamos a introducir un poco a esta tecnología para poder abordar posteriormente y con conocimiento de causa el tema de hoy. Y vaya por delante que ese aprendizaje está íntimamente relacionado con esa economía del dato que hace tiempo que les analizamos, puesto que un dato simple debidamente tratado y enriquecido puede ser una materia prima de incalculable valor añadido.

Efectivamente, ese “Deep Learning” no es otra cosa sino un proceso de aprendizaje diseñado para que la Inteligencia Artificial pueda entrenarse tomando como modelo la percepción, las capacidades cognitivas, y las estructuras lógicas humanas. La Inteligencia Artificial, como la humana, tan sólo es una capacidad en bruto, que a base de iteraciones acumula experiencia que le permite ir refinando sus resultados y procesos de toma de decisiones.

Estos procesos de toma de decisión no han de contar únicamente con capacidades de inteligencia puramente analítica, sino que también han de contar con inteligencia experiencial y contextual, más basadas en la experiencia adquirida tras un necesario proceso de aprendizaje (que los humanos también necesitamos, por cierto). El clásico método de “prueba y error” adquiere una especial relevancia en estas sucesivas iteraciones, y la inteligencia sintética tiene en dicho método uno de sus más potentes aliados a la hora de ir mejorando y aprendiendo por sí misma de sus propios errores (y aciertos).

Un caso curioso de aprendizaje de la Inteligencia Artificial muy relacionado con el Deep Learning es el que se hace a base de imágenes, y su procesado digital bidimensional. Este procesado se hace con matrices, cuyos valores numéricos representan cada pixel, y aplicando operaciones y transformadas algebraicas, al más puro estilo del álgebra matemática y el procesado de señales digitales (reconocimiento de patrones, redes neuronales, transformada de Fourier, filtrado por frecuencia o espacio, y demás). Esto es así por ejemplo en el caso de Google, que en los mentideros de internet se dice que empezó a ofrecer almacenamiento gratuito de fotos a sus usuarios para atesorar una valiosa colección de imágenes variadas con las que entrenar a sus seres sintéticos inteligentes.

Pero el Deep Learning tiene un alto precio, que tal vez sea inevitable pagar para poder progresar socioeconómicamente

Pero tal y como nos explicaban en un reciente artículo del MIT Technology Review, el gran (gran) problema de ese Deep Learning esencial para la IA más disruptora es que, con tanta iteración sucesiva y tanta capacidad de proceso, se tiene inevitablemente un efecto multiplicador. Ello conlleva necesariamente un altísimo consumo eléctrico como penalización, con su correspondiente huella de carbono en forma de emisiones contaminantes al medioambiente.

Efectivamente, el enlace anterior hace la comparativa, e ilustra sobre el estudio que la Universidad de Massachusetts ha realizado para demostrar cómo, para entrenar a un único robot de IA estándar de alta capacidad, hace falta emitir a la atmósfera una huella de carbono equivalente a las emisiones de casi cinco vehículos medios estadounidenses (un estándar más contaminante que otros como el europeo) durante toda su vida, e incluyendo incluso la huella de carbono debida a su proceso de fabricación en la planta automovilística.

Realmente, en términos generales, la comparativa no acaba de resultar totalmente rigurosa para un servidor, puesto que los estándares escogidos no acaban de ser plenamente homogéneos y, por tanto, no son estrictamente comparables. Ello es debido a la gran heterogeneidad existente en lo que se pretende comparar, especialmente en el caso de una Inteligencia Artificial que puede ir literalmente desde lo más simple hasta lo más complejo (más incluso que la inteligencia humana en algunos aspectos). Pero ello no quita mérito al desafiante reto que han abrazado los autores de esta investigación, pues han desarrollado su investigación con la máxima rigurosidad y profesionalidad dentro de lo posible y lo complejo del estudio.

Algunos de estos detalles de rigor analizados y abordados por los investigadores, como era de esperar, arrojan que los costes computacionales y medioambientales de la IA crecen proporcionalmente a la complejidad o inteligencia del modelo sintético, y exponenciamente con las iteraciones necesarias para entrenar al sistema en cada materia o tarea, incluso en los casos en los que los beneficios finales eran escasos. Además, como mencionaba el enlace del MIT, está el hecho de que, por mera eficiencia investigativa, resulta mucho más eficiente partir de cero con un nuevo modelo sintético o adaptar uno existente a un nuevo conjunto de datos, que reutilizar un modelo o un conjunto de datos ya existentes, con el ingente nuevo gasto computacional y medioambiental recurrente que el inevitable nuevo entrenamiento vuelve a implicar, tanto para modelos académicos como comerciales o militares.

No obstante, la heterogeneidad, expuesta antes como un "pero", no invalida para nada las conclusiones del estudio anterior (ni deja de justificar el análisis de hoy). El caso es que, heterogéneo o no, se trata de un estudio muy ilustrativo incluso a modo de mera referencia comparativa, y, en todo caso, es innegable que ya sólo el orden de magnitud de los datos arrojados en sus conclusiones resulta bastante impactante. Este hecho cobra especial importancia cuando además se observan las proyecciones del futuro que viene, y las previsiones de despliegue todavía más masivo de robots inteligentes por doquier.

El progreso permite avanzar socioeconómicamente, pero también supone una penalización

Así vemos cómo no todo en el mundo de la Inteligencia Artificial es de idílico color rosa. Otro ejemplo es ése que ya analizamos en el pasado, y que ilustraba acerca de lo peligrosamente sobrecalentado del mercado laboral de IA; un punto que podía acabar teniendo un impacto severo sobre el sector y, especialmente grave, sobre el futuro desarrollo de esta disruptiva tecnología de gran futuro, por no decir todo. De hecho, ya les hemos analizado en el pasado también sobre cómo el MIT vaticinaba que, en el futuro, los analfabetos serían personas sin conocimientos técnicos, y especialmente sin conocimientos de IA.

Otros temas (y riesgos) importantes tras la IA son los ingentes recursos computacionales y de Big Data que exige, sólo al alcance de los grandes del sector (incluso el mundo académico se queja muchas veces de falta de recursos para abordar este campo). Asi, en la práctica, se erige un importante escalón de entrada apto sólo para grandes empresas con suficiente músculo financiero, pero a las que desarrollar su propia inteligencia artificial les otorgará una abismal ventaja competitiva. Esta insalvable ventaja les alejará aún más de las posibilidades de sus competidores de menor tamaño que le siguen a la zaga, pero que inevitablemente cada vez se van quedando más atrás, en una clásica pescadilla que se muerde la cola que puede realimentar la endogámica tendencia en el sector.

Aquí se ve pues claramente la cara y la cruz de todo un sector socioeconómico naciente como es el de la IA, y que, para variar, es susceptible de sufrir burbujas, expectativas infladas, sobreinversión, retrasos sobre lo eufóricamente pronosticado literalmente para el día de mañana, y así hasta un largo etcétera que se reproduce mayormente con cada nuevo avance tecnológico que logra la humanidad. En esta entrega por fascículos que es la Historia Económica, hay elementos novedosos que nunca antes habían pesado en la definición del futuro que viene, pero también hay elementos clásicos que han estado presentes desde tiempos inmemoriales, y entre ellos el más predominante es la naturaleza humana como conjunto (y en especial la de algunos).

Como conclusión del análisis de hoy, simplemente les expondré que la opinión personal de estas líneas es que tampoco es cuestión de volverse integristas y ponerse a vivir como los Amish, dejando de usar electricidad, utilizando el caballo como medio de tracción, y encomendándose casi exclusivamente a una economía de sector primario. Pero tampoco se puede obviar que, como con cualquier otro recurso escaso, con las emisiones contaminantes también hay que priorizar en qué gastamos el (ya escaso) margen que nos deja el planeta.

Así que, una vez más, debemos ponernos a trabajar desde ya, y en esta ocasión para abrazar la planificación y la eficiencia más equilibrada en el uso de los recursos que el planeta pone a nuestro alcance, y que lamentablemente cada vez queda más demostrado que son inevitablemente finitos, al menos a nivel planetario. La época de la sobreabundancia de CO2 y del poder contaminar sin tener que preocuparse por las negras nubes de humo negro murió con el siglo XX. Por suerte o por desgracia, en el XXI nos toca (al menos proponerse) manejar constantemente la balanza con la ecuación coste-beneficio.

Hay opciones sobre la mesa para avanzar y hacer que el futuro más sintético pueda ser medioambientalmente sostenible

El progreso permite avanzar a la Humanidad, pero ha quedado demostrado que siempre tiene también un precio. Por ello, se deben priorizar los diferentes impactos, que inevitablemente deben ser sostenibles en su conjunto. Obviamente, las ventajas que va a traer la Inteligencia Artificial a nuestro mundo, en caso de ser bien enfocada y encajada por nuestras socioeconomías, superarán con creces a las desventajas, pero de nada nos servirá ese positivo balance si entre las desventajas puede estar que nuestro progreso corra el riesgo de hacer que la actividad humana (y sintética) sea insostenible para el planeta.

Pero no desesperen, porque, en tan ardua tarea, también contamos con caminos que se van a abriendo y con poderosos aliados. En ello, por ejemplo, nos puede ayudar (y mucho) la economía circular, la filosofía del “¿Se puede arreglar?” o prometedoras iniciativas de reconversión de sectores como el de la moda y su dañina "Fast fashion". Si ganamos eficiencia en otras actividades socioeconómicas, conseguiremos un valioso margen extra de emisiones que podremos dedicar a la crianza de nuestros seres sintéticos. Aun con todo: difícil tarea a la que se enfrenta la humanidad en esta ocasión, no se puede negar.

Inevitablemente, en esa ecuación coste-beneficio que citábamos, habrá que introducir en la parte del coste también las variables medioambientales en el contexto más global, puesto que el planeta es uno (y sólo uno) para todos. Menudo reto, ahora encima se revela global: ahí es nada. ¿Imposible? Tal vez, pero que no sea por no intentarlo; además, ya en el pasado la colaboración internacional consiguió éxitos muy difíciles como mitigar el peligroso agujero de la capa de ozono. ¿Por qué no podemos aspirar a conseguir superar otros retos igualmente complejos? La cuestión es que parece que no tenemos mucha alternativa de cara a los plazos más largos (que cada vez son más cortos).

Y finalizando con el tema de la IA y el Deep Learning, cuyo alto coste energético nos ocupaba hoy. Una reflexión interesante es cómo, casualmente, al igual que ocurre con el adiestramiento de la mente humana (especialmente la de los niños), enseñar y entrenar a la Inteligencia Artificial es muy costoso. Y lo es no sólo en tiempo, repeticiones y esfuerzo, sino que el coste también es en energía necesaria para alimentar (nunca mejor dicho) todo el proceso.

Tengan en cuenta cómo, de la misma manera, el alto consumo energético de unos cerebros infantiles en continuo proceso de aprendizaje (aparte del crecimiento), les lleva a ingerir alimentos como si no hubiese un mañana (y sin engordar si la dieta es adecuada), además de a ciclos de sueño más largos. La actividad cerebral intensa también es muy exigente en consumo energético y, en este aspecto, sintéticos y humanos no somos tan diferentes.

El tema aquí es que la eficiencia energética humana (y animal), basada en nuestro metabolismo, le lleva miles y miles de años de ventaja a la de la inteligencia sintética. Así, con un simple plato de lentejas y un filete, nuestros hijos tienen energía de sobra para correr, jugar y aprender toda la tarde. La naturaleza no sólo debe ser vista como una mera fuente de materias primas, sino que además debemos tomarla ineludiblemente como fuente de inspiración y ejemplo para las actividades humanas (también para las humanoides). La naturaleza atesora millones de años de valiosa experiencia con la que nos saca gran ventaja, y que no debemos dejar de saber aprovechar como Humanidad para aprender.

Y tengan en cuenta que la naturaleza es evidentemente circular por diseño: (casi) no hay desecho ni emisión que no sea reutilizado, y que no vuelva a entrar en la cadena biológica para su reaprovechamiento. Por ello, o cambiamos nuestro modelo energético, o conseguimos mayor eficiencia en la generación, o lo que sea, pero si queremos un futuro de prometedora inteligencia sintética, mucho me temo que habrá que innovar en un plano mucho más amplio: vamos a necesitar una nueva revolución energética, e incluso sensiblemente más disruptiva que la experimentada en el siglo XX. O eso, o tal vez nos tengan que acabar poniendo a todos los humanos con nuestro eficiente metabolismo a producir energía para alimentar a The Matrix… muchas veces la realidad supera a la ficción, e incluso también a la distopía más cinematográfica y literaria.

Imágenes | Pixabay Comfreak | Pixabay geralt | Pixabay tweetyspics | Pixabay enriquelopezgarre | Pixabay geralt | Unsplash askkell | Pixabay Mysticsartdesign

También te puede gustar

Portada de El Blog Salmón

Ver todos los comentarios en https://www.elblogsalmon.com

VER 14 Comentarios

Otras publicaciones de Webedia