¿Puede la IA ser tan curiosa como los humanos?

La curiosidad ha sido aclamada como una de las competencias críticas para el lugar de trabajo moderno. Se ha demostrado que impulsa la empleabilidad. Países con mayor curiosidad gozan de más libertad económica y política, así como un mayor PIB. Por lo tanto, no es de extrañar que, a medida que los futuros puestos de trabajo sean menos predecibles, un número creciente de organizaciones contraten a personas sobre la base de lo que podría aprender, en lugar de en lo que ya saben.

Por supuesto, las carreras de las personas siguen dependiendo en gran medida de sus logros académicos, que son (al menos en parte) resultado de su curiosidad. Dado que ninguna habilidad se puede aprender sin un mínimo nivel de interés, la curiosidad puede ser considerada una de las bases críticas del talento. Como Albert Einstein famosamente notado, «No tengo talento especial. Sólo soy apasionadamente curioso».

La curiosidad sólo se hace más importante para las carreras de las personas por el crecimiento automatización de puestos de trabajo. En este año Foro Económico Mundial, ManpowerGroup predijo que capacidad de aprendizaje, el deseo de adaptar el conjunto de habilidades para seguir siendo empleable a lo largo de su vida laboral, es un antídoto clave para la automatización. Aquellos que están más dispuestos y capaces de mejorar sus habilidades y desarrollar nuevos conocimientos tienen menos probabilidades de ser automatizados. En otras palabras, cuanto más amplia sea la gama de habilidades y habilidades que adquiera, más relevante permanecerá en el lugar de trabajo. Por el contrario, si se centra en optimizar su rendimiento, su trabajo consistirá eventualmente en acciones repetitivas y estandarizadas que podrían ser mejor ejecutadas por una máquina.

Pero, ¿y si la IA fuera capaz de ser curiosa?

De hecho, la IA deseo para aprender una tarea dirigida no se puede exagerar. La mayoría de los problemas de IA consisten en definir un objetivo u objetivo que se convierte en la prioridad número uno del equipo. Para apreciar la fuerza de esta motivación, imagínese si su deseo de aprender algo clasificado más alto entre todas sus prioridades motivacionales, por encima de cualquier estatus social o incluso sus necesidades fisiológicas. En ese sentido, la IA está mucho más obsesionada con el aprendizaje que los humanos.

Al mismo tiempo, la IA está limitada en lo que puede aprender. Su enfoque y alcance son muy estrechos en comparación con el de un ser humano, y su apetito insaciable de aprendizaje sólo se aplica a las directivas extrínsecas, aprender X, Y o Z. Esto contrasta fuertemente con la incapacidad de la IA para autodirigirse o ser intrínsecamente curioso. En ese sentido, la curiosidad artificial es exactamente lo opuesto a la curiosidad humana; la gente rara vez tiene curiosidad por algo porque se les dice que lo sea. Sin embargo, esta es sin duda la mayor desventaja de la curiosidad humana: es fluida y caprichosa, por lo que no podemos impulsarla a voluntad, ni en nosotros mismos ni en otros.

Hasta cierto punto, la mayoría de las tareas complejas que la IA ha automatizado han expuesto el limitado potencial de la curiosidad humana frente al aprendizaje específico. De hecho, incluso si no nos gusta describir el aprendizaje de IA en términos de curiosidad, está claro que la IA es cada vez más un sustituto de tareas que una vez requirió mucha curiosidad humana. Considere la curiosidad que ha entrado en la innovación en seguridad automovilística, por ejemplo. ¿Recuerdas pruebas de choque de automóviles Gracias al drástico aumento de la potencia informática, un accidente automovilístico ahora puede ser simulado por un ordenador. En el pasado, las ideas innovadoras requerían curiosidad, seguidas de diseño y pruebas en un laboratorio. Hoy en día, los ordenadores pueden ayudar a los esfuerzos de curiosidad buscando optimizaciones de diseño por sí solos. Con este proceso de diseño inteligente, el ordenador posee todo el ciclo de vida de creación, prueba y validación de ideas. Los diseños finales, si se les da suficiente flexibilidad, a menudo pueden superar lo que es humanamente posible.

Procesos de diseño de IA similares son cada vez más comunes en muchas industrias diferentes. Google lo ha usado para optimizar la eficiencia de refrigeración con sus centros de datos. Los ingenieros de la NASA lo han utilizado para mejorar la calidad de las antenas para una máxima sensibilidad. Con la IA, el proceso de diseño de prueba-feedback puede ocurrir en milisegundos en lugar de semanas. En el futuro, los parámetros de diseño ajustables y la velocidad solo aumentarán, ampliando así nuestras posibles aplicaciones para el diseño inspirado en humanos.

Un ejemplo más familiar podría ser la entrevista cara a cara, ya que casi todos los adultos que trabajan han tenido que soportar una. Mejorar la calidad de las contrataciones es un objetivo constante para las empresas, pero ¿cómo lo hace? La curiosidad de un reclutador humano podría inspirarlos a variar las entrevistas futuras por pregunta o duración. En este caso, el proceso para probar nuevas preguntas y criterios de clasificación está limitado por el número de candidatos y observaciones. En algunos casos, una empresa puede carecer del volumen de solicitantes para realizar estudios significativos para perfeccionar su proceso de entrevista. Pero el aprendizaje automático se puede aplicar directamente a las entrevistas grabadas en vídeo, y el proceso de aprendizaje y retroalimentación se puede probar en cuestión de segundos. Los candidatos se pueden comparar en función de las características relacionadas con el habla y el comportamiento social. Las microcompetencias que importan, como la atención, la amabilidad y el lenguaje basado en los logros, pueden probarse y validarse a partir de vídeo, audio y lenguaje en cuestión de minutos, mientras se controlan las variables irrelevantes y eliminan los efectos de sesgos inconscientes (y conscientes). Por el contrario, los entrevistadores humanos a menudo no son lo suficientemente curiosos como para hacer preguntas importantes a los candidatos, o tienen curiosidad acerca de las cosas equivocadas, por lo que terminan prestando atención a factores irrelevantes y tomando decisiones injustas.

Por último, considere a un humano jugando un juego de ordenador. Muchos juegos comienzan con repetidas pruebas y errores, por lo que los humanos deben intentar cosas nuevas e innovar para tener éxito en el juego: «Si intento esto, ¿entonces qué? ¿Y si voy aquí?» Las primeras versiones de robots de juegos no eran muy capaces porque estaban usando la información completa del estado del juego; sabían dónde estaban sus rivales humanos y qué estaban haciendo. Pero desde 2015 algo nuevo ha sucedido: los ordenadores pueden vencernos en igualdad de condiciones, sin ninguna información sobre el estado del juego, gracias al deep learning. Tanto los humanos como los ordenadores pueden tomar decisiones en tiempo real sobre su próximo movimiento. (Como ejemplo, consulte este video de una red profunda aprendiendo a jugar el juego Super Mario Mundo.)

De los ejemplos anteriores, puede parecer que las computadoras han superado a los humanos cuando se trata de curiosidad específica (relacionada con la tarea). Está claro que los ordenadores pueden aprender y probar ideas constantemente más rápido que nosotros, siempre y cuando tengan un conjunto claro de instrucciones y un objetivo claramente definido. Sin embargo, las computadoras todavía carecen de la capacidad de aventurarse en nuevos dominios problemáticos y conectar problemas análogos, tal vez debido a su incapacidad para relacionar experiencias no relacionadas. Por ejemplo, los algoritmos de contratación no pueden jugar a damas, y los algoritmos de diseño de automóviles no pueden jugar juegos de ordenador. En resumen, cuando se trata de rendimiento, la IA tendrá una ventaja sobre los humanos en un número creciente de tareas, pero la capacidad de permanecer caprichosamente curiosos sobre cualquier cosa, incluidas las cosas aleatorias, y perseguir el interés con pasión puede seguir siendo exclusivamente humana.