El aprendizaje automático se vuelve físico, empezando por los coches autónomos

Hoy en día, hay muchos ejemplos de inteligencia artificial que interactúan con nosotros para hacer nuestras vidas más eficientes y efectivas. Las máquinas recomiendan productos para que los compremos a través de sitios web de comercio electrónico, clasifican las noticias para nosotros a través de las redes sociales, nos presentan a personas sobre aplicaciones de citas, valoran productos y servicios en tiempo real, etc.

Sin embargo, el factor común con todos estos es que cada máquina se limita a influir en nuestras vidas a través de una interfaz de software con un sitio web o una aplicación. En 2021, la IA irá más allá de esto. Veremos el surgimiento de las primeras interfaces físicas entre humanos y máquinas impulsadas por IA.

Las máquinas autónomas de hoy operan en entornos controlados y cerrados, como fábricas y almacenes, físicamente separados de la humanidad. Son máquinas rígidas, programadas manualmente con detección e inteligencia limitadas. Sin embargo, los avances en el aprendizaje automático, como el aprendizaje auto supervisado en la visión por computadora, las nuevas técnicas para el modelado probabilístico y generativo y el aprendizaje por refuerzo basado en modelos para el control, han generado oportunidades para crear máquinas inteligentes que pueden interactuar abiertamente con la sociedad y con supervisión humana limitada.

El aprendizaje automático ha tenido un impacto transformador en muchos problemas de IA, más recientemente en la visión por computadora y el procesamiento del lenguaje natural. Esto se ha catalizado con un mayor acceso a conjuntos de datos a escala de petabytes y computación en la nube masiva, lo que permite un cambio de representaciones diseñadas a mano al aprendizaje automático de extremo a extremo, lo que les permite comprender más allá de su programación original.

La razón por la que este cambio aún no ha ocurrido en robótica es porque el hardware es más desafiante que el software para escalar de manera segura, lo que hace que los datos de entrenamiento sean más escasos en este dominio. Los recientes avances en el aprendizaje por refuerzo, donde las máquinas pueden vencer a los campeones mundiales humanos en juegos como Vamos y DOTA, se basó en simulaciones, donde se podían generar infinitos datos para enseñar a la máquina. En 2021, sin embargo, aprovecharemos los petabytes de datos de entrenamiento que se han acumulado, a lo largo de muchos años de desarrollo, por plataformas robóticas maduras como los autos autónomos.

Una de las consecuencias más interesantes de la tecnología de conducción autónoma es que la sociedad interactuará con máquinas físicas, sin consentimiento explícito, de forma similar a como interactuamos con las máquinas de software en la actualidad. Los peatones no consentirán que un robot autónomo conduzca por la calle junto a ellos; será la norma porque es más confiable, seguro y eficiente. Esto requerirá niveles extraordinarios de confianza por parte de la humanidad y de rendimiento de la tecnología de conducción autónoma, algo que, gracias a los datos que ahora hemos aumentado en nuestro trabajo sobre vehículos autónomos, estamos en camino de lograr en 2021.

Alex Kendall es cofundador y director ejecutivo de Wayve