Las ciudades son el abismo de la especie humana — J. J. Rousseau.

La metáfora de las ciudades como organismos vivos no es nueva. De hecho, es fácil hallar similitudes entre ellas y los organismos celulares, con sus habitantes, medios de transporte, vías de comunicación y jerarquías. En el caso de las células, la evolución ha dictado con perfección las reglas básicas de convivencia que permiten poner en marcha la vida. En el caso de las ciudades, las reglas parecen diseñadas para romperse provocando un frágil equilibrio de las cosas. En este sentido, ¿qué tal si aplicamos soluciones orgánicas, inspiradas en la naturaleza, a ciertos elementos de nuestras urbes sintéticas?

Eso es lo que más de un investigador se ha preguntado. Para profundizar en este asunto, me di a la tarea de visitar a Carlos Gershenson, reconocido investigador mexicano, Jefe del Departmento de Ciencias de la Computación del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS) de la UNAM, investigador del Centro de Ciencias de la Complejidad, que ha publicado interantísimo artículos científicos sobre vivir en ciudades vivas, vida artificial y auto organización. Aquí la entrevista, donde incluyo un vídeo de la participación de Carlos en TEDxDF donde habla de semáforos auto organizantes:

ALT1040 — ¿Qué es la “tecnología viva”? ¿Cómo nace la idea de pensar las ciudades como organismo vivos?

Carlos Gershenson — La tecnología viva es aquella que tiene propiedades de sistemas vivas, tales como adaptación, aprendizaje, evolución, robustez y auto-reparación.

Las metáforas que relacionan a los sistemas vivos con los artificiales se han dado siempre. Por ejemplo, ya en los 1840’s se hablaba del telégrafo como una especie de sistema nervioso, aunque todavía no se conocía muy bien el funcionamiento del sistema nervioso. La metáfora inversa también se usaba: el sistema nervioso es como el telégrafo.

Sin embargo, hablar de ciudades vivas en el contexto de tecnología viva se refiere al desarrollo de sistemas urbanos capaces de aprender, evolucionar y adaptarse de manera robusta. Esto es importante porque los problemas urbanos cambian constantemente, entonces una solución que no tenga las propiedades de los sistemas vivos más temprano que tarde será obsoleta.

A — ¿Qué es un sistema auto-organizante y cómo los aplicas en semáforos?

CG — Podemos describir a un sistema auto-organizante como uno en el que el comportamiento o patrón del sistema (organización) es producto de las interacciones de sus componentes. Ejemplos clásicos son parvadas, cardúmenes, enjambres, pero muchos otros sistemas pueden describirse de esta manera, en especial cuando se busca comprender las relaciones entre escalas.

Los semáforos auto-organizantes tienen sólo reglas locales que les permiten dar demanda a las calles con mayor demanda. A pesar de no tener comunicación directa, se pueden sincronizar de manera adaptativa, ya que cada semáforo se ajusta a las condiciones inmediatas del tráfico. De esta manera, la solución de los semáforos se va ajustando a la misma velocidad a la que cambia el problema.

A — Supongo que existen otras aplicaciones a problemas urbanos, ¿cierto?

CG — Sí. Tenemos trabajo en la auto-organización de sistemas de transporte público, pero hay muchos otros nichos de aplicación: en movilidad, en logística, en sustentabilidad, en seguridad, en telecomunicaciones, en gobernabilidad, en sociedad y en cultura.

A — La explosión en el uso de dispositivos móviles supone una revolución en muchos sentidos, que a la luz de la Inteligencia Artificial puede dar lugar a aplicaciones impresionantes. ¿Cuál es tu opinión al respecto?

CG — Estoy de acuerdo. Desde un punto de vista muy general, si uno tiene más información, se pueden (potencialmente) tomar mejores decisiones. Fijémonos sólo en movilidad. La planeación de la ciudad de México en cuestiones de movilidad se basa en las encuestas orígen-destino, las cuales son incompletas y se toman cada 10 o más años. Sin embargo, la información de teléfonos celulares nos da diariamente más y mejor información que una encuesta de orígen-destino. Esta información se puede explotar para mejorar la movilidad en la ciudad considerablemente, y es sólo un área en las cuales se espera un impacto importante.

A — ¿Qué fuentes de información recomiendas a nuestros lectores para profundizar en el tema? Ya sea en redes sociales, blogs, autores, libros, incluso películas.

CG — En línea:

• Networking of the complexity commmunity
• Principia Cybernetica Web
• TED
• Libro “Complexity: A Guided Tour” de Melanie Mitchell

Imagen: Tatcher a Hainu

Una de las aplicaciones de la robótica que están más extendidas son los brazos-robot que se utilizan en líneas de producción, prótesis y algunos sistemas experimentales con la misión de agarrar objetos y moverlos de sitio. Uno de los desafíos de estos sistemas son los algoritmos que rigen los movimientos del robot y la operación de agarre (presión y fuerza a aplicar sobre el objeto o el punto de agarre) que, en muchos casos, se desarrollan a medida para cada tipo de objeto en base a su forma. En la Universidad Cornell llevan tiempo trabajando con un brazo-robot bastante peculiar que era capaz de agarrar objetos y moverlos y que ahora ha evolucionado hasta convertirse en un sistema capaz de aprender de su propia experiencia y evaluar cuál es el punto más adecuado para el agarre.

El desarrollo, que se presentará este mes en la Conferencia Internacional sobre Robótica y Automatización de St. Paul (Minnesota), es obra de dos estudiantes de posgrado de la Universidad Cornell, Yun Jiang y John Amend, que han mejorado el brazo-robot para dotarlo de inteligencia y capacidad de aprendizaje.

El brazo termina en una semiesfera plástica que está rellena de un material granular sobre el cual se aplican distintos tipos de presiones para adaptar su forma a la del objeto y, además, aplicar la fuerza de agarre. Hasta la fecha, se utilizaban distintos algoritmos adaptados cada uno al tipo de objeto a coger, sin embargo, este par de estudiantes intentó independizar la operación del robot de los objetos a mover. La idea es aplicar un modelado 3D del objeto para que el sistema pueda evaluar cuál sería la mejor forma de operar en base a los datos que ofrece el modelo y los que tiene almacenados.

¿Aplicar la propia experiencia? Básicamente es eso, aplicar los “conocimientos” con los que cuenta el robot a la imagen 3D que ha formado en base a una imagen captada por Kinect. El robot cuenta con un background previo de distintos objetos que se almacenan en una especie de biblioteca y en los que se “dibuja” un rectángulo (cuyo tamaño dependerá del tipo de objeto) que se usa como patrón para intentar encajar el objeto a mover dentro de éste. Los rectángulos están divididos en secciones y si una zona del objeto queda dentro, por ejemplo, de la banda central quizás estemos ante un asa o un buen punto de agarre, algo que se confirmará al evaluar también el tamaño y la propia forma del objeto según el modelo captado por las cámara de Kinect.

El equipo ha probado a agarrar 23 objetos de lo más variopinto y el sistema ha obtenido una puntuación de 9 sobre 10, una marca bastante interesante, sobre todo si tenemos en cuenta que la mayoría de los objetos no formaba parte de la biblioteca y eran rígidos. Con objetos deformables la estadística es algo peor, un 7 sobre 10, pero también son unos datos bastante impresionantes.

DARPA, la Agencia de Investigación del Departamento de Defensa de Estados Unidos, es un organismo que se dedica al desarrollo de proyectos orientados al ámbito de la defensa y que, en un futuro, podrían servir para equipar o apoyar a las fuerzas armadas de Estados Unidos. Dentro de sus áreas de investigación, la robótica ocupa un papel importante y prueba de ellos son proyectos como AlphaDog, Avatar o Petman en los que DARPA trabaja en robots de apoyo a los soldados y, en el futuro, en robots de combate que sean los que acudan a la primera línea de un conflicto armado. Continuando por la senda de los robots que puedan sustituir a los humanos en ciertas tareas, DARPA convocará un concurso para construir un robot que sea capaz de conducir vehículos o trepar por una escalera.

El DTRA Industry Day es un evento con el que DARPA espera desarrollar las líneas maestras de un nuevo robot gracias al crowdsourcing, es decir, convocando a los participantes y reuniéndolos en equipos de trabajo que competirán entre sí y se especializarán en el desarrollo del software o en el diseño del hardware del robot. ¿Cuáles son los requisitos de este nuevo robot? Según los datos que se han filtrado, el robot deberá realizar las siguientes acciones:

• Conducir un vehículo sentándose en el asiento del conductor y llevarlo hasta una ubicación específica
• Bajarse del vehículo y entrar en él abriendo y cerrando la puerta de éste
• Trepar por una escalera de mano
• Reparar una tubería de gas que tenga una fisura
• Reemplazar una bomba que esté averiada

DARPA quiere desarrollar un robot que pueda utilizarse en entornos industriales como equipo de respuesta ante emergencias además de que se pueda adaptar a todo tipo de terrenos y ambientes. La idea es que estos humanoides que caminarán sobre dos piernas, al menos es lo que se deduce de las especificaciones, apoyen a los equipos de mantenimiento y emergencias de las plantas industriales evitando que los humanos se expongan a productos químicos peligrosos o gases inflamables.

La idea está relacionada con el proyecto SAFFiR de la Marina de Estados Unidos, un robot que pueda trabajar de manera colaborativa con un equipo humano y, precisamente, esa es una de las líneas de trabajo del responsable del proyecto, el Doctor Gill Pratt.

DARPA premiará a los 6 mejores equipos de hardware y a los 12 mejores equipos de software con una dotación presupuestaria para desarrollar el proyecto y llevarlo a la realidad, un método muy interesante de encontrar talento por medio del crowdsourcing que la agencia lleva realizando desde el año 2004.

Llamamos Big Data al procesamiento y análisis de enormes volúmenes de datos que no pueden tratarse con las herramientas para la gestión de bases de datos o de business intelligence habituales. Imaginemos por un momento la gran cantidad de datos que circulan por la red (audio, vídeo, texto, imágenes, datos de sensores, publicaciones en redes sociales, etc) y que fuésemos capaces de combinar, a tiempo real, todos estos datos para extraer información relativa a proyecciones de ventas, predicciones de desastres naturales o la evolución de la bolsa. Toda esta información desestructurada podría nutrir complejos sistemas de soporte a la toma de decisiones para grandes corporaciones o administraciones públicas y, precisamente, ayer, el Gobierno Federal de Estados Unidos presentó sus planes estratégicos para aprovechar todos estos datos. Entre los planes presentados, hay uno que destaca especialmente: el uso del Big Data por parte del Departamento de Defensa a través de DARPA.

¿DARPA y el Big Data? Si tenemos en cuenta que procesar la gran cantidad, casi infinita, de datos que circulan por la red no es algo sencillo pero podría dar una enorme ventaja competitiva a los que fuesen capaces de realizarlo, aplicar esto al mundo de la Defensa abre muchas e inquietantes posibilidades.

Según indicaba en su presentación, y en su nota de prensa, Zachary Lemnios, Asistente del Secretario de Defensa para Investigación e Ingeniería, los planes de Defensa pasan por aprovechar el Big Data para desarrollar sistemas de defensa plenamente autónomos que puedan aprender gracias a al conocimiento colectivo existente en toda la información que fluye por la red sin que el sistema requiera un proceso de aprendizaje que exija mucha supervisión.

Con un presupuesto de 250 millones de dólares parece que DARPA se acerca un poco a la línea de la singularidad con otras dos líneas más de trabajo que completarían las 3 áreas de trabajo de las que se ocuparía la agencia de investigación del Departamento de Defensa. Por un lado, desarrollarán técnicas de procesamiento y análisis de los datos para detectar tendencias y realizar predicciones en base a las circunstancias reales sin la intervención humana en el proceso y, por otra parte, desarrollarán iterfaces hombre-máquina que permitan la interacción con esta nueva generación de sistemas para la operación de éstos o para realizar la fase de entrenamiento.

Aunque pueda parecer ciencia ficción, DARPA quiere crear una especie de “cabeza pensante digital” que sea capaz de procesar los datos de sensores, bases de datos, recursos gráficos, etc y utilizar toda esa información, automáticamente y sin apenas intervención humana, para ayudar a la toma de decisiones a mandos militares o altos cargos de la administración, un proyecto ambicioso a la vez que bastante inquietante.

Aunque el término inteligencia artificial fue acuñado por el desaparecido John McCarthy, creador del lenguaje de programación Lisp, junto a Marvin Minsky y Claude Shannon en 1956 durante la Conferencia de Darmouth; desde la antigüedad el ser humano ha estado trazando el camino que le permitiese desarrollar “máquinas inteligentes” y “máquinas pensantes”. El primer ejemplo lo encontramos en la Antigua Grecia, con Aristóteles, que intentó describir el funcionamiento racional de la mente, o Ctesibio de Alejandría, con una máquina automática que regulaba el flujo de agua, podemos encontrar los primeros pasos de esa búsqueda de las máquinas pensantes. El siguiente hito lo encontramos en la oscura Edad Media, época en la que se desarrolló uno de los trabajos más curiosos (y adelantados para su época) gracias a Ramon Llull y su obra titulada Ars Magna.

Ramon Lull (1.232 - 1.315), o Ramón LLull, es un beato (se le considera patrón de los ingenieros informáticos) que nació en la Ciudad de Mallorca (actual Palma de Mallorca) en el siglo XIII y estuvo vinculado a la orden franciscana donde ejerció de filósofo, poeta, místico, teólogo y misionero. Si bien gran parte de su obra y acciones están vinculadas a la fe cristiana, se le considera uno de los padres del catalán literario al utilizar esta lengua, que también procede del latín al igual que el castellano, para escribir textos científicos, filosóficos o técnicos entre los cuales se encuentra un trabajo próximo a la Inteligencia Artificial: el Ars Magna.

En el año 1.315 (que fue su fecha de publicación aunque comenzó a trabajar en esta obra sobre 1.275), Ramon Llull expresó en el Ars Magna la idea de que el razonamiento podía implementarse de manera artificial en un artefacto mecánico con el que poder mostrar las verdades de la fe cristiana de una manera tan clara que no hubiese lugar a discusión, es decir, Llull pretendía construir una máquina que demostrase que los dogmas de la fe cristiana eran correctos y una tesis, en forma de libro, que sin lugar a dudas pusiera sobre la mesa los errores que cometían los infieles. Ramon Llull llamó a este artilugio Ars Generalis Ultima o Ars Magna (Gran Arte) y supuso un punto de inflexión en su trabajo, convirtiéndose en uno de sus trabajos más importantes al que dedicaría gran parte de su obra para explicar su funcionamiento que combinaba la filosofía y la teología llegando, incluso, a contradecir a la propia Iglesia Católica.

Para Llull, el conocimiento consistía en la unión de una serie de ideas simples a las que denominó raíces y tabuló en 54 tipos (de las cuales un tercio estaban vinculadas a la religión cristiana). Combinando estas 54 ideas raíces se podía obtener el conocimiento científico (scientia generalis); así que la máquina representaba los sujetos, predicados y teorías teológicas mediante figuras geométricas consideradas perfectas (círculos, cuadrados y triángulos) y, operando unas palancas y ruedas, las proposiciones y teorías se movían a lo largo de unas guías para detenerse en una postura positiva (verdad) o negativa (falsedad) de manera que, según Llull, con esta máquina se podía verificar si un postulado era cierto o falso.

Aunque el Ars Magna era un autómata muy rudimentario, se considera el primer intento de utilización de medios lógicos para producir conocimiento y una de las primeras implementaciones de sistemas de inteligencia artificial puesto que Ramon Llull quería demostrar, con esta máquina, la veracidad de las doctrinas cristianas. En el siglo XVI, Giordano Bruno retomó su trabajo y desarrollo estas ideas en sus obras al igual que, en el siglo XVII, Leibniz en su obra De Ars combinatoria.

Estamos acostumbrados a ver robots caminantes como ASIMO o AlphaDog en los que los ingenieros han invertido tiempo y esfuerzos en conseguir que estas máquinas puedan caminar sobre dos o cuatro piernas imitando un movimiento natural. En estos casos, los ingenieros han desarrollado rutinas específicas que permiten que se accionen los servomotores que conforman las articulaciones de las piernas mecánicas y el robot pueda caminar, sin embargo, ¿sería posible que un robot aprendiese a caminar por sí solo? La respuesta a esta pregunta no es nada sencilla pero desde la Universidad Cornell han intentado darle respuesta con el desarrollo de un robot que intenta aprender a moverse de una manera óptima por sus propios medios.

El profesor Hod Lipson de la Universidad de Cornell (situada en la ciudad de Ithaca, en el Estado de Nueva York) decidió abordar la programación de los robots desde otro punto de vista y en vez de desarrollar rutinas para realizar tareas concretas, como por ejemplo caminar, decidió desarrollar un robot que tomando consciencia de su forma fuese capaz de aprender a andar por sí solo.

¿Tomar consciencia de su forma? Efectivamente, el robot realiza una serie de movimientos “de sondeo” que sirven para tomar datos que sirven para dar una idea de la forma que tiene el robot y, a partir de ahí, el robot comienza a realizar algunos movimientos para medir el grado de discrepancia entre el resultado esperado y el resultado real y, a partir de ahí, realizar los movimientos más adecuados a su forma para poder desplazarse, incluso, sufriendo alguna avería en sus patas.

Con pequeño número de movimientos de prueba, el robot se hace una idea de cómo es su forma y, por tanto, cómo podría moverse

Aunque el robot, efectivamente, podría andar mucho mejor de lo que lo hace, la idea del profesor Hod Lipson es bastante interesante puesto que el robot es capaz de desarrollar sus rutinas de movimiento, básicamente, mediante el ensayo, la prueba y el error; algo que podemos ver con mucho más detalle en un vídeo que el profesor Lipson tiene publicado en su página personal de la universidad y que explica de manera detallada los movimientos “de sondeo” que realiza el robot antes de iniciar el desplazamiento.

Últimamente, cada vez que hablamos de DARPA, la agencia de investigación vinculada al Departamento de Defensa de Estados Unidos, solemos comentar aspectos relacionados con nuevos proyectos de investigación vinculados al mundo de la robótica y la inteligencia artificial, como por ejemplo, AlphaDog o el proyecto Avatar. Parece claro que las robótica se está convirtiendo en uno de los pilares sobre los que se están apoyando muchos ejércitos, la semana pasada hablábamos de Francia y el exoesqueleto que están construyendo para sus tropas, y, desde hace un par de años, DARPA está trabajando en el programa ARM (Autonomous Robotic Manipulation) que acaba de entrar en su segunda fase.

¿Qué es el programa ARM? Un proyecto de DARPA para el desarrollo de software con el programar robots para que sean capaces de realizar tareas que hasta ahora solamente pueden realizar los humanos y, además, ejecutarlas rápidamente y con el menor número de movimientos posibles. Con este objetivo, los ingenieros de DARPA han construido un robot demostrador sobre el que aplican el software desarrollado con la idea de comprobar el comportamiento de robot y si éste es capaz de realizar tareas de manera autónoma.

Coincidiendo con la entrada del proyecto en su segunda fase, DARPA ha publicado en su canal de YouTube un vídeo en el que podemos ver el robot demostrador del programa ARM manipulando objetos y realizando tareas para las que necesita apoyarse en su sistema de visión artificial, la fuerza de su brazo o los sensores de la mano para dotar de tacto al robot, todo ello sin la intervención humana. ¿Un robot-demostrador? ARM es un proyecto de desarrollo software y, por tanto, éste necesita probarse en una plataforma de pruebas que, en este caso, es un robot que han construido con componentes comerciales como el brazo robot, la mano o el sistema de visión artificial.

Las pruebas, que se llevaron a cabo durante el mes de noviembre, nos muestran a un robot que es capaz de abrir una puerta introduciendo la llave en la cerradura, girándola y, como no, girando el picaporte para abrirla por completo. También es capaz de coger objetos, moverlos y depositarlos así hasta llegar a un número de 18 tareas para las que el robot de ARM ha sido programado y fue capaz de llevar a cabo con una eficacia del 93% en la realización de tareas en la que se mezclaron objetos que se habían modelado y objetos que no se habían modelado en el software.

¿Ccómo es capaz de realizar estas tareas? Gracias al software con el que ha sido programado, el robot es capaz de combinar la información de la visión artificial, la fuerza de su brazo y sus sensores de tacto para aplicar los movimientos adecuados y con la fuerza precisa solamente dándole unas pocas instrucciones y, tras esto, intenta realizar la tarea de manera autónoma. La idea es que, en el futuro, este robot pueda resolver problemas sin necesidad de un programa realizado expresamente para su resolución.

Tras esta primera fase, ARM subirá la complejidad del proyecto haciendo que el robot tenga que manejar dos brazos y combinar ambos para manipular objetos e interactuar con el entorno.

Fascinante.

Hablar de inteligencia artificial (IA) es hablar de un área inmensa de conocimiento, tan profunda en sus cimientos matemáticos como extensa en sus alcances y cruces con otras áreas. Éste es el caso de la seguridad informática, donde desde hace algún tiempo encontramos soluciones basadas en IA. Quizá el ejemplo más evidente son los sistemas de detección de spam, que se valen de técnicas de máquinas de vectores de soporte, LSI y, principalmente, de estadística bayesiana. Pero una nueva técnica llega desde la universidad de Harvard, una basada en algoritmos genéticos.

No es que los algoritmos genéticos sean cosa reciente. Podemos rastrear sus orígenes desde los años 50 y 60, hasta la publicación del libro que prácticamente fundó una nueva área del conocimiento: Adaptation in Natural and Artificial Systems, de John Holland, desde entonces conocido como padre de los algoritmos genéticos. Y estos son, en esencia, algoritmos para la búsqueda de soluciones inspirados en la teoría de la evolución. En otras palabras, dado un problema computacional, seguimos estos pasos:

1. Inicialización - Creamos una montón de soluciones aleatorias válidas, es decir, la población inicial, los genes.

2. Selección - Elegimos las mejores soluciones de la población inicial en función de un criterio. En cambio, las “peores” soluciones son reemplazadas. Esto es como cuando la naturaleza elige a los más fuertes.

3. Reproducción - Generamos una segunda población o siguiente generación de la población. Esto con ayuda de dos operaciones de inspiración evolutiva: cruza y mutación. En la cruza mezclamos soluciones (los genes). En la mutación modificamos ligeramente uno o más miembros de la población de soluciones. Aquí comienza la magia de la evolución.

4. Terminación - Repetimos los pasos 1 a 3 hasta que se alcance una condición predeterminada.

Ahora bien, ¿cómo son aplicados los algoritmos genéticos en seguridad informática? En particular, los investigadores Michael Crouse y Errin Fulp de la universidad de Harvard están creando la primera computadora que de forma automática ajusta su configuración para defenderse de ataques informáticos. Ellos utilizan los algoritmos para seleccionar las mejores configuraciones; configuraciones adaptables, que van mejorando de generación en generación.

Hay un aspecto particularmente interesante de la investigación de Crouse y Fulp. Ellos descubrieron, luego de una serie de simulaciones, que la seguridad de una red de sistemas informáticos aumenta si también crece la diversidad de configuraciones entre cada dispositivo. Tiene sentido. Lo normal es que todos los equipos bajo una misma administración posean la misma configuración, por lo tanto, si uno de ellos es comprometido, el resto también.

Si es exitosa [la investigación], la habilidad de automatizar la defensa ante ataques jugará un papel crucial en la protección de datos altamente sensibles en organizaciones grandes.

La idea es que la interacción humana sea mínima. Y, al mismo tiempo, la seguridad sea máxima.

Los algoritmos creados por Crouse y Fulp aprovechan que, de hecho, los virus informáticos identifican los mecanismos de defensa de la víctima antes de atacar. De esta manera, los virus solo se enfocan en las debilidades detectadas. Pero si ocurre un ligero cambio en la configuración del sistema, el ataque puede disuadirse.

Crouse y Fulp estarán trabajando en implementar sus algoritmos en sistema real. De hacerse realidad, tendrían en sus manos el primer sistema de autodefensa inteligente a gran escala, capaz de responder con rapidez y autonomía a la amenaza de virus y malware en general.

Hoy en día, gran parte de los trabajos que se realizan en el campo de la robótica tienen como objetivo ayudar al ser humano en la realización de tareas complejas o liberar a éste de la realización de las mismas. Los robots son utilizados para realizar reparaciones, acceder a sitios de difícil acceso (ya sea físico o por condiciones ambientales), realizar tareas peligrosas, transportar carga o, incluso, asistir a personas impedidas.

Prácticamente cada semana surgen noticias alrededor del mundo de los robots en las que podemos conocer proyectos que se desarrollan a lo largo del planeta y que, en su gran mayoría, tienen como objetivo construir un sistema robótico que asista a un humano en la realización de una tarea o que evite por completo que éste deba ejecutarla, aportando además precisión, disponibilidad, etc. Si bien el número de proyectos es elevado, creo que podríamos tomar una muestra de cinco asistentes robots que mejoran el desempeño de algunos trabajos o, incluso, pueden mejorar nuestra calidad de vida.

Robot cirujano Da Vinci

Dentro de todos los ámbitos en los que se puede aplicar la robótica, la medicina es uno de los entornos en los que mejor se han recibido este tipo de dispositivos. Gracias al uso de sistemas robóticos en los quirófanos, se han podido depurar muchos procedimientos quirúrgicos haciéndolos mucho menos invasivos y, por tanto, acortando el tiempo de convalecencia del paciente. Uno de los sistemas quirúrgicos más conocidos es el robot cirujano Da Vinci que, desde su lanzamiento en 1999, está presente ya en más de 1.200 quirófanos de todo el mundo.

El sistema Da Vinci consta de una consola que es controlada por el cirujano y con la cual maneja los instrumentos del robot, que se sitúa en la mesa de operaciones en la que se encuentra el paciente. Esta consola se sitúa alejada de la mesa, por tanto, el médico opera al paciente, prácticamente, a distancia puesto que maneja los brazos robots y la cámara del sistema (usando la técnica de laparoscopia) para realizar la operación.

Cuatro brazos robóticos y una cámara de alta definición manejados por control remoto ofrecen al profesional de la cirugía un asistente robótico de gran precisión con el que realizar operaciones poco invasivas entre las que de destacan el by-pass coronario, operaciones para tratar el cáncer de próstata o reparaciones de la válvulas coronarias.

SCORP, el robot de exploración todoterreno

En situaciones de emergencia, como los de la central nuclear de Fukushima, suele ser habitual el uso de robots para acceder a lugares poco accesibles, accionar mecanismos peligrosos (una detonación controlada de una bomba) u ofrecer una panorámica de un acontecimiento singular. Prácticamente todo el mundo tiene en su memoria la imagen de los robots de desactivación de explosivos o la familia de drones aéreos de la Fuerza Aérea de Estados Unidos. Aunque estos sistemas están extendidos en uso, hay que reconocer que cada vez son más demandados por las fuerzas de seguridad y los equipos de emergencia, así como en la investigación y, por tanto, se sigue trabajando en su desarrollo.

SCORP podría dar la sensación de ser un pequeño tanque de juguete por radiocontrol, sin embargo, este Micro Unmanned Ground Vehicle (MUGV) de 3,5 kilogramos de peso con sistema de tracción de oruga posee unas palas que le permiten subir escaleras o saltar obstáculos, una capacidad de movimiento muy versátil que sumado a su capacidad de visión (cámara frontal direccional, cámara trasera y cámaras laterales), hacen que este vehículo sea capaz de explorar cualquier terreno y captar una visión panorámica del entorno por el que se mueve para enviarla a las personas que lo controlen.

Romeo, el asistente de personas con dependencia

Romeo es un proyecto de investigación que creo marcará este año 2012 y que tiene el objetivo de desarrollar un robot que sirva de asistente personal de personas con dependencia (personas mayores, invidentes, personas con movilidad reducida, etc). Romeo será capaz de ayudar a una persona en las tareas del día a día, buscar objetos a una habitación, colocar en su sitio un objeto que no está en su lugar correcto y puede suponer un peligro para una persona con discapacidad visual o, incluso, podrá ser capaz de ayudar a levantarse a una persona de un sillón.

Este ayudante robot es un proyecto que se está llevando a cabo en Francia por un consorcio de entidades lideradas por Aldebaran Robotics, la empresa responsable de Nao Next Gen.

Robot que actúa de perro guía

Un perro guía está adiestrado para guiar a personas invidentes o que sufren una deficiencia visual aguda (ayudándoles a sortear obstáculos) y que, además, también les ayudan en algunas tareas básicas de su día a día. Aunque los perros guía son un excelente asistente para muchas personas invidentes, una empresa japonesa de robots, NSK, decidió desarrollar en el año 2005 un robot que pudiese tomar este rol y servir de guía a una persona invidente.

En el año 2005 desarrollaron el primer prototipo, de nombre NR001, al que seguiría un segundo prototipo en el año 2007 que era capaz de reconocer que estaba ante unas escaleras y, por tanto, debía subirlas (con la salvedad de que debía tener 3 de las 4 patas apoyadas en el suelo para soportar su cuerpo). El pasado otoño, la compañía presentó su tercer prototipo (NR003) que gracias a Kinect es capaz de detectar las escaleras y otros obstáculos además de ser capaz de reconocer la “voz de su amo” y responder a instrucciones vocales

RIBA II, robot-enfermero

El RIBA II es otro proyecto japonés que pone el foco en salvaguardar la espalda de los enfermeros y enfermeras que trabajan en los hospitales del país puesto que les ayuda a levantar a los enfermos de sus camas y a transportarlos, en brazos, a una silla de ruedas, por ejemplo, para su traslado. Además, gracias a su cuerpo flexible, es capaz de recoger a un enfermo que se haya caído al suelo, por ejemplo desde su cama, siendo capaz de levantar hasta 80 kilogramos de peso y, gracias a su red de sensores, ajustar con mayor precisión el agarre al cuerpo que se sujeta y los movimientos a aplicar (haciéndolos menos bruscos).

De todas las aplicaciones que puede tener la robótica, una de las más vistosas y que, además, tiene bastante repercusión en los medios de comunicación son los vehículos autónomos, es decir, los coches que se mueven sin conductor gracias a un sistema autónomo capaz de detectar obstáculos gracias a sus sistemas de radar y visión artificial y guiarse gracias a la ruta marcada por un sistema de posicionamiento GPS. Hasta ahora, estos vehículos experimentales se probaban en circuitos cerrados y no podían circular por la vía pública, sin embargo, el Estado de Nevada aprobó ayer un marco regulatorio que permitirá la circulación de vehículos sin conductor por las carreteras estatales.

Nevada es el primer estado en aceptar lo que es sin duda el futuro de los automóviles

Según parece, el Gobernador del Estado de Nevada, Brian Sandoval, estuvo probando el Toyota Prius que Google modificó y convirtió en un vehículo autónomo y quedó bastante impresionado con el resultado, así que instó al Departamento de Vehículos a Motor de Nevada a trabajar en un marco legal que permitiese a las empresas trabajar en estos vehículos y poder probarlos en la vía pública y en las carreteras del Estado con total garantía legal. Para el Estado de Nevada este paso, que les hace ser unos pioneros en esta materia, supone una importante oportunidad para el desarrollo empresarial de la región porque sitúa al Estado en buena posición para recibir empresas que se dediquen a este tipo de desarrollos.

El marco normativo es el resultado del trabajo del Departamento de Vehículos a Motor de Nevada, Google, representantes de la industria del automóvil, profesionales que trabajan en el marco de las pruebas de vehículos, compañías de seguros y universidades; un conjunto interesante de puntos de vista que ha desarrollado una legislación para salvaguardar la integridad de los conductores y los peatones y que esperan sirva de cabeza tractora para que otros estados también trabajen sobre esta materia.

Según comentó el Director del Departamento de Vehículos a Motor, Bruce Breslow:

Estas normas establecen los requisitos que deben cumplir las empresas que quieran poner a prueba sus vehículos autónomos en las vías públicas de Nevada así como sentar las bases a cumplir por los que, en un futuro, adquieran uno de estos vehículos. […] Nuestro trabajo no termina aquí. El departamento está desarrollando en la actualidad los procedimientos de concesión de licencias para empresas que quieran poner a prueba sus vehículos en Nevada. Nevada se enorgullece de ser el primer estado en adoptar esta tecnología emergente y el departamento espera con interés que surjan nuevas alianzas conforme evolucione la tecnología

Es decir, a partir de ahora, las empresas que quieran probar estos coches en un entorno real podrán solicitar una licencia al Estado de Nevada y obtendrá una matrícula de color rojo que servirá para distinguir que el vehículo es un vehículo autónomo en fase de pruebas y, en el caso de que las pruebas culminen con éxito y el coche pase a comercializarse, se les dará una matrícula de color verde.

Quizás sea pronto para que podamos comprar el Toyota Prius de Google pero, el paso que ha dado el Estado de Nevada, creo que es muy significativo puesto que abre la puerta al desarrollo de una industria que, hasta la fecha, parece más vinculada al mundo de la I+D que al desarrollo de productos comerciales. Quién sabe, quizás en menos tiempo del que nos imaginamos, circulen por el famoso Strip de Las Vegas vehículos que llevan extraños artilugios en el techo y llevan una matrícula de color rojo o una de color verde.

Internet ha cambiado el mundo. La forma de relacionarnos, el modo de comprar, la forma en que operan muchos negocio y nuestro ocio. La práctica médica será distinta debido a las gigantescas bases de datos médicas y a las nuevas aplicaciones de los smartphones.

El futuro va a estar dominado por dos tecnologías emergentes: poderosos ordenadores remotos que analizan en segundos millones de datos provenientes de un sinfin de personas y sensores y amigables interfaces instalados en nuestros smartphones. Mientras, la medicina parece sumida en unas prácticas más propias del antiguo siglo. Pero todo indica que esta situación va a cambiar.

El problema

Piensa en lo que ocurre cuando visitas al doctor. Aguardas un buen rato en la sala de espera hasta que te recibe. Saca (si lo tiene) tu historial médico. Lee lo que antes él haya podido escribir. Revisa los resultados analíticos y pruebas de imagen (si las tiene). Te pregunta qué te pasa. Quizá te examine. Hace una presunción de tu enfermedad. Quizá te pida nuevas pruebas (y el ciclo se repite). Te prescribe tratamiento y te despide. Si no vuelves, asume que te has curado. La media en España es 10 minutos por paciente.

¿Qué problemas tiene este proceder?

• Hay que ir físicamente al doctor. Esto tiene sentido para la exploración que es visual y auditiva. Pero ir al médico lleva tiempo y en muchos casos el paciente retrasa la decisión de acudir al médico.
• El paciente sin formación medica decide cuando ir y cuando no ir al médico.
• Es el paciente el que dice sus síntomas al médico.
• Las pruebas se realizan cuando estás enfermo. No hay hay mediciones cuando estás sano.
• Muchas de las pruebas pueden hacerse rutinariamente en casa con la ayuda de un equipo mínimo y un smartphone: tensión sanguínea, pulso…
• El doctor pregunta cada vez por la historia de los síntomas y los resultados de las pruebas.
• El desaprovechamiento de recursos humanos y materiales es ingente.

A esto hay que añadir la fragilidad de la memoria humana. Los médicos no pueden recordar todos los datos de los pacientes y puede que los apunten o puede que no. Ni siquiera el paciente puede hacerlo. Los médicos además no pueden recordar todo lo que han estudiado ni conocer las interrelaciones entre los tratamientos. Y menos aún cuando nos acercamos a la medicina personalizada. Es seguro incluso que el libro que lee esté ya obsoleto.

Historial médico electrónico

El primer paso para solucionar esto es el historial médico electrónico. Es cada vez más popular pero dista de estar implantado en todas las organizaciones sanitarias.

Los datos de todos los pacientes son almacenados centralizadamente de modo que el paciente y el médico puedan consultarlos en cualquier momento y en cualquier lugar. Este es el caso cuando una persona es atendida por otro médico o ingresa por primera vez en un nuevo hospital. Salvaguardando por supuesto la confidencialidad. No solo los datos puntuales de una prueba diagnóstica sino el registro completo de cuando se encuentra mal y también de cuando está bien. Y estos datos centralizados pueden ser usados para realizar reveladoras estadísticas que hoy son imposibles.

Doctor Watson

Watson es el ordenador de IBM que ganó en el concurso de televisión Jeopardy. WellPoint, la mayor aseguradora de salud de EE.UU. con 34 millones de afiliados, ha contratado los servicios de Watson. Las capacidades de Watson encajan perfectamente con el diagnóstico médico:

• Maneja el lenguaje natural
• Consulta millones de documentos de texto no estructurado, imágenes, audio y vídeo en segundos
• Formula hipótesis que traduce en un ranking de respuestas
• Asigna un nivel de confianza a cada respuesta
• Presenta evidencias para cada respuesta
• Aprende y está al día

Además del diagnóstico, sistemas de este tipo sirven para realizar gigantescos análisis de datos. Partiendo de millones de historias médicas electrónicas pueden extraer datos y convertir la información en conocimiento descubriendo patrones desconocidos.

Uno de los problemas que presenta trabajar con humanos es la ambigüedad: “no me encuentro muy bien” “no sé que me pasa”. También es un problema la calidad de los datos como saben muchas empresas que tienen en sus ficheros registros duplicados y en general datos de baja calidad. Pero una característica de Watson es que se mueve en la ambigüedad, no busca la respuesta sino una buena respuesta.

A lo anterior hay que añadir la capacidad de realizar una medicina personalizada basada en los datos del genoma y el proteoma del paciente, lo que difícilmente puede hacerse sin la ayuda de un ordenador. Esto no está tan lejos ya que una empresa ha anunciado que puede secuenciar el genoma de un individuo por tan solo 1000 dólares.

El doctor en el bolsillo

Probablemente no será necesario acudir a una consulta para realizar la mayoría de las pruebas diagnósticas más comunes. Los signos vitales podrán registrarse con ayuda de aparatos caseros conectados a smartphones sin necesidad de ser médico o enfermero ni pasar por la Universidad. La tienda de aplicaciones de iPhone dispone de medio centenar de aplicaciones que irá creciendo. Algunas son simples juguetes pero otras son muy serias. Una de ellas puede detectar cáncer de piel usando la cámara del iPhone. Ya disponemos de medidores de tensión caseros y estos periféricos aumentarán y se conectarán a los smartphones para medir el pulso, la respiración, y algunos análisis de sangre, orina o saliva. Según IDC el 14% de la población americana usa sus smartphones para ayuda médica y 200 millones de aplicaciones médicas han sido descargadas.

Estos gadgets médicos se conectarán con las grandes bases de datos para recibir asesoramiento personalizado para nuestra salud. El consorcio de salud Kaiser Permanente tiene ya 10 millones de registros médicos con detalles de 30 millones de visitas virtuales.

Quizá se trate de una pulsera que mida mis ritmos de sueño vigilia, mi actividad deportiva, mi adicción al tabaco o mis niveles hormonales. Puede que mida las sustancias alergénicas en el aire y las cruce con mi genoma para avisarme del riesgo. Quizá no sirva solo para detectar problemas médicos sino para orientar mejor una vida normal. Puede medir mi sudoración y decirme si me pongo nervioso delante de una chica o mi jefe, o si balbuceo o mi voz es firme. Y el catálogo es inacabable.

¿Y cómo será el caso de las poblaciones subdesarrolladas con un médico por más de cada 100.000 habitantes que se encuentra a 50 km?

Internet está cambiando nuestras vidas y pronto va a cambiar el mundo de la medicina.

Dicen que los húngaros vienen de Marte, por lo menos eso parece en el caso del genio de personas como John von Neumann. Este hombre, además de hacer aportaciones inmensas en física y matemáticas, influyó de forma decisiva en las ciencias de computación. De hecho la arquitectura de la computadora que estás usando para leer este artículo lleva el nombre de von Neumann (a menos que uses un dispositivo muy raro), donde los programas son almacenados en una memoria y de ahí leídos por la unidad de procesamiento en turno. Y otra de tantas ideas luminosas aportadas por el polímata húngaro, la que nos trae aquí, fue la de vida artificial.

Von Neumann se preguntaba si era posible construir una máquina que produjese máquinas más complejas que si misma. Su búsqueda estaba guiada por sus increíbles habilidades matemáticas. Él cayó en la cuenta de que la clave está dentro del concepto de auto-reproducción.

Consideremos que las máquinas normales solo construyen máquinas más simples que sí mismas. Por ejemplo, los robots de líneas de producción industrial, que son mucho más complejos que los artefactos que producen en serie. Ciertamente nosotros, seres humanos, aún no hemos logrado concebir seres más complejos que nosotros mismos. Sin embargo, la evolución sugiere que los organismos vivos pueden dar nacimiento a formas de vida más complejas.

Una máquina auto-reproducible debería poder evadir su degeneración hacia formas más simples. Ahora bien, imaginemos esa máquina acompañada de unas gotas de caos, propensa a mutaciones, y que eventualmente genere una o más máquinas más complejas… Entonces comienza la magia de la vida artificial.

La implementación física de esos conceptos en tiempos de von Neumann, allá por la década de los 60, era impensable. ¿Cómo podría experimentar con esas ideas? El polaco Stan Ulman le sugirió el uso de autómatas celulares (CA), que son sistemas celulares (los sistemas vivos más simples que existen), teóricos, con las siguientes características:

• Un espacio celular para vivir
• Tiempo para que suceda la vida
• Estado
• Vecindad
• Capacidad para cambiar de estado
• Límites en tiempo y espacio

Esa sugerencia fue suficiente para que von Neumann iniciara formalmente el estudio matemático de los sistemas celulares. Más aún, así se inicio el estudio formal de los principios fundamentales de la vida, en tanto que es un sistema complejo pero
sujeto a características sencillas y, como bien sabemos, sobradamente poderosas. Otros científicos-genios como Conway y Wolfram continuaron la labor de von Neumann, mismos que revisaremos en las siguientes ediciones de nuestra sección de Inteligencia Artificial.

Pongo a consideración la siguiente pregunta, “¿las máquinas pueden pensar?” - Alan Turing

Estás aquí porque te gusta leer. Cómo podría ser si no, por eso estoy seguro de que la curiosidad te acompaña. Así que si me permites la voy a alimentar con un banquete de referencias que yo mismo he disfrutado a montones. Son lecturas que considero imprescindibles (aunque claro, depende de cada quién) porque nos hacen entender y ver más allá sobre esa área del conocimiento tan cercana a las ciencias de la computación como a la ciencia ficción. Verás que hay una mezcla de literatura clásica con artículos más sesudos y técnicos. No hay orden de importancia, época, ni idioma. Y es una lista incompleta por definición, donde tus recomendaciones son más que bienvenidas aquí en los comentarios o bien con @alanlzd.

1. Yo, Robot

Autor: Isaac Asimov
Año: 1950
Género: Ciencia ficción
Palabras clave: Robótica, moral, robopsicología

2. Robopocalypse

Autor: Daniel H. Wilson
Año: 2011
Género: Ciencia ficción
Palabras clave: Singularidad, consciencia, Apocalipsis robótico

3. Ghost in the Shell

Autor: Masamune Shirow
Año: 1989–1997
Género: Manga
Palabras clave: Hackers, hacktivismo, filosofía, cyberpunk

4. Computing Machinery and Intelligence

Autor: Alan Turing
Año: 1950
Género: Artículo científico
Palabras clave: Pensamiento, máquinas,

5. Artificial Intelligence: A Modern Approach

Autor: Stuart J. Russell y Peter Norvig
Año: 2009 (3a. edición)
Género: Libro de texto universitario
Palabras clave: Referencia-sobre-casi-cualquier-tema-de-inteligencia-artificial

6.The Computational Beauty of Nature

Autor: Gary William Flake
Año: 2006
Género: Libro de texto universitario
Palabras clave: Fractales, caos, sistemas complejos y adaptables

7. Gödel, Escher, Bach: An Eternal Golden Braid

Autor: Douglas Hofstadter
Año: 1979
Género: Divulgación
Palabras clave: Inteligencia, consciencia, música, lógica

8. The Singularity Is Near: When Humans Transcend Biology

Autor: Raymond Kurzweil
Año: 2005
Género: Divulgación
Palabras clave: Singularidad, evolución, profecías tecnológicas

9. Digital Biology

Autor: Peter J. Bentley
Año: 2002
Género: Divulgación
Palabras clave: Inteligencia colectiva, algoritmos biológicos

10. La Mente Nueva del Emperador

Autor: Roger Penrose
Año: 1989
Género: Divulgación
Palabras clave: Inteligencia artificial, mente, física cuántica

Un Kilobot es un robot de bajo costo diseñado para experimentar con algoritmos de enjambre (swarm algorithms) a gran escala. Donde “gran escala” significa cientos, incluso miles de robots cuando antes solo se podía decir “diez” a lo mucho. Fueron creados por Michael Rubenstein, Nicholas Hoff y Radhika Nagpal, investigadores de la Universidad de Harvard preocupados de la creciente necesidad de probar los cada vez más relevantes algoritmos para autoorganizar colectividades.

Además de tener un costo marginal, cada Kilobot está diseñado para ser ensamblado en unos 5 minutos. Una vez reunida una cantidad interesante de kilobots, el investigador puede programarlos y alimentarles con energía eléctrica de forma práctica, nunca antes vista. Para demostrar la implementación de conductas colectivas de los kilobots, los investigadores realizaron una serie de 29 experimentos, algunos de los cuales podemos encontrar en el canal del ssrlab en YouTube. Los vídeos están en inglés, aunque son suficientemente descriptivos. Aquí con pocos kilobots:

Aquí con muchos kilobots:

Cada kilobot:

• Mide 33 mm de diámetro
• Memoria Flash de 32KB
• Procesador ATmega de 8 bits a 8 MHz
• Puede comunicarse con sus vecinos en un radio de hasta 7 cm
• Posee sensor de luz
• Posse un led RGB
• Contiene una batería recarcable e inamovible con duración de hasta 3 meses
• Controlador fácil de usar para cientos de kilobots al mismo tiempo
• Tiene motor con hasta 255 niveles de potencia
• Programable a través de WinAVR y AVRStudio
• Cuesta alrededor de US$15/€12 (consideremos que un robot promedio suele rebasar los cientos de dólares por lo que es impráctico pensar en la compra de decenas o cientos de ellos)

La empresa suiza K-Team Corp, especializada en robótica, ha puesto los kilobots a la venta con diferentes distribuidores alrededor del mundo. Si comprar no es opción, la documentación para construir kilobots es open source bajo licencia Creative Commons.

Los futuristas de la robótica e inteligencia artificial predicen ejércitos de robots programables, capaces de actuar por su cuenta bajo el mando de algoritmos colectivos para todo tipo de propósitos, incluso los de siempre: los militares. La llegada de los kilobots representa una salto gigantesco hacia ese escenario y una oportunidad única para científicos y entusiastas del tema.

Watson de IBM y Majel de Google comparten admiración por la conocida saga Star Trek. Además, junto con Siri de Apple configuran un presente donde se ve claro el futuro próximo.

La computadora Watson fue de las innovaciones más importantes de 2011. Su fabulosa capacidad analítica, su manejo del lenguaje natural, su habilidad para moverse en la ambigüedad y sus posibilidades de aprendizaje hacen de ella una joya tecnológica. El investigador principal de Watson, David Ferrucci, ha pasado el año dando conferencias sobre el invento. Una pregunta repetida ha sido: ¿Se parece Watson a HAL 9000 de 2001 A Space Odyssey? Y su respuesta sistemática ha sido: “No, más bien se parece al ordenador de a bordo de los navíos de la saga Star Trek”. Obviamente Star Trek no es el modelo seguido para un desarrollo de millones de dólares, pero es una buena analogía para explicarlo.

Parece que Google tiene previsto sacar un asistente de voz que compita con Siri de Apple. Desde su lanzamiento, Siri ha despertado un gran interés ya que es una tecnología fabulosa pero a la vez cercana. De modo que Google contraataca. El nombre clave de su asistente de voz (que puede ser cambiado en el lanzamiento del producto) es Majel. ¿Adivinas quién es Majel? Es la voz de los ordenadores que llevan los navíos de la Federación en la saga de Star Trek. Majel Barrett se casó con el creador de la serie, Gene Roddenberry, protagonizó varios papeles, puso la voz al “Computer” y está considerada la Primera Dama de Star Trek. Y en el momento actual de desarrollo ¿cómo invocas a Majel, el asistente de voz? Muy sencillo, dices: “Computer”, como en Star Trek. Pero la simpatía va más allá.

Según Mike Cohen de Google:

En Star Trek, no pasan mucho tiempo escribiendo cosas en los teclados, simplemente hablan con sus ordenadores, y las ordenadores responden. Es una forma más natural de comunicarse, pero para lograrlo se requiere entrar en una amplia gama de problemas de difícil investigación .

Y Amit Singhal de Google:

Mi sueño siempre ha sido construir el ordenador de Star Trek, y en mi mundo ideal, yo sería capaz de decirle al ordenador ‘Hey, ¿cuál es el mejor momento para sembrar las semillas en la India, dado que monzón se ha adelantado de este año? “Y una vez que podamos responder a esa pregunta (en la actualidad no podemos), la gente buscará respuestas a preguntas aún más complejas. Todas estas son auténticas necesidades de información. Preguntas genuinas que si nosotros - Google - podemos contestar, los usuarios se volverán más sabios y estarán más satisfechos en su búsqueda del conocimiento “.

También de Google, Matias Duarte dice:

La voz va a ser una parte esencial de las interfaces de usuario. () …tratar de usar la voz como algo de acceso universal en todas las aplicaciones y no limitarse sólo a algunos trucos o algo que solo se utiliza cuando estás en el coche.

Quiero ordenadores que sean multimodales. En una serie de ciencia ficción como Star Trek, alguien se acerca a una pared y empieza a tocar cosas y hablar con el ordenador al mismo tiempo. Esa es la manera en la que creo que nuestras interfaces necesitan evolucionar.

El futuro próximo

El futuro próximo, casi ya el presente, va a estar dominado por las dos tecnologías descritas. Por el lado remoto superordenadores estilo Watson que hagan fabulosos cálculos y accedan a gigantescas bases de datos. Por el lado próximo, interfaces amigables tipo Siri o Majel que nos entiendan mucho más allá de las existentes ahora. Y las dos tecnologías conectadas por las comunicaciones. Nuestros dispositivos, sean teléfonos o cualquier otra cosa, serán las ventanas (¿Windows?) al conocimiento que reside en grandes bases de datos.

En un interesante artículo, Paul Allen, (cofundador de Microsoft y creador del Allen Institute for Brain Science entre cuyos proyectos está el Allen Brain Atlas) pone en duda las afirmaciones de Ray Kurzweil sobre la Singularidad. Según Allen, la Singularidad no está cerca. Admite que la Singularidad llegará, que es posible comprender por completo el cerebro y que los nuevos sistemas de hardware y software nos deslumbran a todos. Pero sostiene que la comprensión de los sistemas naturales y muy especialmente el cerebro avanza despacio y serán necesarios nuevos enfoques que aún hoy no vislumbramos. Frente a la Ley de los rendimientos acelerados de Kurzweil, Allen propone El freno de la complejidad.

Ley de los rendimientos acelerados

Kurzweil es el abanderado de la Singularidad. No es un visionario, sus predicciones se basan en datos estadísticos, es un reconocido científico, muchas de sus predicciones se han cumplido y hay que tener en cuenta lo que dice. Otra cosa es estar de acuerdo con él. Es autor de “La Singularidad está cerca” y la “Ley de los rendimientos acelerados”. En este ensayo postula lo siguiente:

Un análisis de la historia de la tecnología muestra que el cambio tecnológico es exponencial, al contrario de la visión ‘lineal intuitiva’ del sentido común. Así que no experimentaremos cien años de progreso en el siglo XXI, sino que serán más como 20.000 años de progreso (al ritmo de hoy). Los ‘rendimientos’, tales como la velocidad de los chips y la relación coste-efectividad, también se incrementarán exponencialmente. En el plazo de unas pocas décadas, la inteligencia de las máquinas sobrepasará la inteligencia humana, llevándonos a la singularidad (cambios tecnológicos tan rápidos y profundos que representen una ruptura en la estructura de la historia humana). Las consecuencias incluyen el surgimiento de inteligencia biológica y no biológica, software inmortal basado en humanos y niveles de inteligencia ultra-elevados que se expandirán hacia el universo a la velocidad de la luz.

Esta ley se basa en la ley de Moore que predice que cada 18 meses se duplica el número de transistores en un espacio dado (un chip). Sin embargo, la ley de Moore y la de los rendimientos acelerados son leyes empíricas. O dicho de otra forma, no son leyes y solo predicen el pasado. Funcionan hasta que dejan de hacerlo.

El freno de la complejidad

Paul Allen, con el mismo derecho, postula otra ley: El freno de la complejidad. Según esta:

A medida que avanzamos más y más en nuestra comprensión de los sistemas naturales, por lo general encontramos que requieren conocimientos más especializados para entenderlos, y nos vemos obligados a ampliar continuamente nuestras teorías científicas de una manera cada vez más compleja.

Paul Allen se opone a que la singularidad vaya a llegar pronto.

Aunque suponemos que este tipo de singularidad algún día ocurrirá, no creemos que este cerca. De hecho, creemos que será en una fecha muy lejana.

Un cerebro adulto es una cosa finita, por lo que su funcionamiento básico en última instancia, puede ser desvelado a través del esfuerzo humano. Pero si la singularidad llega en 2045, será debido a avances impredecibles, y no porque sea el resultado inevitable de un progreso exponencial producido por la ley de rendimientos acelerados.

Para que la Singularidad aparezca en 2045 no solo se necesita un hardware más potente en el que se ejecute el actual software más rápido. Es necesario crear un software mucho más inteligente lo que requiere un conocimiento de los fundamentos de la cognición humana de cuya cuya complejidad solo ahora comenzamos a ser conscientes. Ni el desarrollo de software ni el avance de la neurociencia se rigen por la ley de Moore.

Para que la singularidad ocurra en algún momento cerca de lo predicho por Kurzweil, será absolutamente necesario una aceleración masiva de nuestros avances científicos en la comprensión de todas las facetas del cerebro humano.

La complejidad del cerebro es simplemente impresionante. Cada estructura ha sido modelada con precisión durante millones de años de evolución para hacer algo en particular, sea lo que sea. No es como un ordenador, con miles de millones de transistores idénticos en las matrices de memoria regulares que son controlados por una CPU con unos pocos elementos diferentes. En el cerebro cada estructura individual y circuito neural ha sido refinado por separado por la evolución y el medio ambiente.

La investigación del cerebro obedece más bien a la ley del freno de la complejidad que a la ley de los rendimientos acelerados.

Allen habla también de las promesas de la Inteligencia Artificial IA. Aunque algunos inventos son sorprendentes como Watson, en general el progreso no ha sido en absoluto exponencial.

Aunque hemos aprendido mucho acerca de cómo construir sistemas individuales de AI que hacen cosas aparentemente inteligentes, nuestros sistemas han sido siempre frágiles - los límites de su rendimiento están rígidamente establecidos por sus supuestos internos y los algoritmos de la definición, no se pueden generalizar, y con frecuencia dan respuestas absurdas fuera de sus áreas de interés específicas. Un excelente programa de ordenador que juega al ajedrez , no puede aprovechar su habilidad para jugar otros juegos. Los mejores programas de diagnóstico médico contienen conocimientos inmensamente detallados del cuerpo humano, pero no pueden deducir que un trapecista tenga un gran sentido del equilibrio.

Al igual que en la neurociencia, el camino basado en la inteligencia artificial IA, para lograr la singularidad a nivel de la inteligencia computacional, parece requerir muchos más descubrimientos, algunas nuevas teorías con calidad de Premio Nobel y probablemente nuevos enfoques de investigación que son inconmensurables con lo que pensamos ahora. Este tipo de avances científicos básicos no se produce en una curva de crecimiento exponencial fiable.

Y concluye Paul Allen:

Lograr una comprensión científica completa de la cognición humana es uno de los problemas más difíciles que hay. Seguimos haciendo progresos alentadores. Pero hacia el final del siglo, en nuestra opinión, todavía nos estaremos preguntando si la singularidad está cerca.

Ray Kurzweil ha publicado su réplica en: Don’t Underestimate the Singularity donde básicamente se reafirma en la Ley de los rendimientos acelerados contrargumentando los puntos de Allen.

Más polémica. Kurzeil vs Myers

No es la primera vez que Kurzweil tiene que defender sus tesis. En una encendida polémica, Ray Kurzweil does not understand the brain, el biólogo PZ Myers pone en duda las opiniones de Kurzweil. Con réplica de Kurzweil y contratréplica de Myers

Algunas de las perlas de Myers

Por ingeniería inversa, quiere decir (Kurzweil) que vamos a ser capaces de escribir software que simule todas las funciones del cerebro humano

Tengo una muy buena idea de la inmensidad de lo que no entendemos acerca de cómo funciona el cerebro. Y si sólo entendemos una fracción de la funcionalidad del cerebro, eso hace que la ingeniería inversa sea extremadamente difícil.

El cerebro es un ordenador, y yo estoy en la parte que dice que no hay problema en principio en replicarlo artificialmente.

La ingeniería inversa del cerebro humano tiene complejidades que son enormemente subestimadas por Kurzweil, que demuestra poco conocimiento de cómo funciona el cerebro.

El problema es que él no ha proporcionado ninguna razón para especificar una fecha, que no sea su vago mantra de “crecimiento exponencial”. ¿Por qué no decir, 5 años? ¿Por qué no 50? El corazón del método de Kurzweil es tomar simplemente una fecha lo suficientemente lejana para que no podamos predecir que ocurrirá con los avances tecnológicos, y también que no sea probable que se enfrente con su incumplimiento frente a personas que le recuerden lo que dijo.

1. Su argumento a favor de la simplicidad (según Kurzweil el cerebro es simple y modular) es profundamente erróneo e irrelevante.
2. No ha hecho ninguna alegación cuantificable de lo mucho que sabemos sobre el cerebro en este momento y yo sostengo que sólo hemos arañado la superficie en las últimas décadas de investigación,
3. “exponencial” no es una palabra mágica que resuelve todos los problemas (si pongo hoy un centavo en el banco no quiere decir que tendré un millón de dólares en el fondo de pensiones en 20 años).
4. Kurzweil no ha proporcionado ninguna explicación de cómo va a ser la “ingeniería inversa” del cerebro humano.

Hace más de medio siglo Alan Turing se planteó la pregunta ¿Pueden pensar las máquinas? Para no tener que resolver la ambigüedad de los conceptos máquina y pensar, diseñó una prueba que sustituyera a la citada pregunta creando con ello el célebre Test de Turing. ¿Qué vigencia tiene en la actualidad el Test de Turing?

Alan Turing (1912-1954), brillante matemático inglés, fue uno de los padres de la moderna computación junto con Von Newmann, Shannon y otros.

En la Segunda Guerra Mundial descubrió el código de Enigma, la máquina de criptografía de los nazis y formuló la máquina de Turing. En su artículo “La maquinaria de la computación y la inteligencia” planteó el llamado Test de Turing.

El final de Turing fue trágico siendo condenado por homosexualidad. Optó por la castración química frente a la cárcel. Dos años después se suicidó.

Test de Turing

El artículo “Computing machinery and intelligence” fue publicado en 1950 en la revista Mind de Psicología y Filosofía (hago notar que él, un matemático, para plantear una pregunta tan trascendente acude a una revista de Psicología y Filosofía). Turing plantea el asunto desde el principio. ¿Pueden pensar las máquinas? Dado que ello supone definir los términos pensar y máquina, propone cambiar la pregunta por otra carente de ambigüedad. Describe para ello el juego de imitación. Un examinador hace preguntas a dos individuos que se hallan en otra habitación y se comunican por teletipo (el método ideal en tiempos de Turing). ¿Qué sucedería si una máquina tomara el papel de uno de ellos? ¿Sería capaz el examinador de descubrir a la máquina?

Turing describe a continuación el estado de los ordenadores de la época y se formula la pertinencia de la pregunta para concluir que en efecto es válido sustituir una pregunta por otra. De los argumentos en contra, señala el de la conciencia y apunta:

La única manera en que podríamos estar seguros de que una máquina piensa es ser la máquina y sentirse uno mismo pensar”. Pero esta es una postura solipsista según la cual “la única forma de saber que un hombre piensa es ser ese hombre en particular.

Turing hace algunas observaciones interesantes.

Predice que en 50 años, a final del siglo XX las computadoras podrán superar el juego de imitación. No ocurre antes no porque el hardware no sea potente sino porque hay que programar las máquinas y eso llevará 50 años. La predicción de Turing es completamente errónea. Ni las máquinas actuales ni las de un futuro próximo ni mucho menos las de su época pueden remotamente superar el Test de Turing en una tarea verbal como propone.

Creo que a finales del siglo el uso de las palabras y la opinión educada general se habrán modificado de tal manera que se podrá hablar de máquinas que piensan sin esperar que lo contradigan.

A menudo se da importancia al hecho de que las computadoras digitales son eléctricas y que el sistema nervioso también lo es. Puesto que la máquina de Babbage (anterior a Turing) no era eléctrica y puesto que todas las computadoras digitales son equivalentes en cierto sentido, observamos que el uso de la electricidad no puede tener importancia teórica.() Si realmente deseamos encontrar tales semejanzas, deberíamos buscar analogías matemáticas en el funcionamiento.

Las consecuencias de que las máquinas pensaran serían demasiado terribles. Esperemos y creamos que no pueden hacerlo.() Nos gusta creer que el hombre es, en cierto modo, superior al resto de la creación, pero sería mejor si pudiéramos demostrar que es necesariamente superior, puesto que así no habría peligro de que perdiera su posición dominante.

Vigencia del Test de Turing

A fecha de hoy el Test de Turing está lejos de ser superado por ningún ordenador en un entorno de lenguaje natural sin restricciones.

Sin embargo, si usamos el test en tareas concretas, un ordenador lo superará en muchos casos. Cada vez más y más sorprendentes. De modo que sugiero reformular el Test de Turing de la siguientes manera:

Un ordenador supera el Test de Turing para una tarea X cuando un juez humano no pueda distinguir entre un concursante humano y un concursante ordenador ejecutando la tarea X

¿En qué tareas un ordenador supera el test?

• Cuanto más acotada sea la tarea, más posibilidades tiene un ordenador de superarla. En los entornos de ejecución abiertos, que por su naturaleza no han sido programados por completo, fracasará con mayor facilidad.

• Los ordenadores están construidos por humanos para que les descarguen de trabajo, realizando tareas humanas. Por ello superan el test en multitud de tareas. Por ejemplo todas las tareas de informática empresarial: contabilidad, control de almacén, nóminas, cálculos diversos…

• Matemáticas. El propio Turing advirtió que ya en su tiempo lo único adicional que debería requerir un programa matemático era ralentizar su respuesta e introducir algún error para confundir al juez humano.

• Ajedrez. En 1997 Deep Blue ganó a Garry Kasparov estableciendo un nuevo escenario en la relación hombre máquina. Hoy los programas comerciales modernos no solo ganan a cualquier maestro, sino que ajustan su nivel (juegan deliberadamente peor) al de su contrincante para no desanimarle.

• Música. Puedes bajarte una composición del programa Emmy al estilo Bach. Una audiencia especializada no distinguió si el compositor era Bach o Emmy.

• Poesía. Aunque los ordenadores están lejos de crear largos textos en prosa, pueden confundir en un poema corto:
  Velada , velada , gozosa ,gozosa.
  ¡Señor! , cuán estrechamente el pretendiente expira.
  Los vapores son sensatos cuando un masculino hechizo
  canta sosegadamente .
  El sonido es una marea gozosa que gime perdidamente
  junto a los serenos veleros.
  Una caricia en la noche , helada , es una encantadora y helada poesía. Velada , velada , gozosa ,gozosa .
  ¡Oh! , cuán calmadamente un ganador vive.

• Reconocimiento de caras. Poco a poco se van adentrando en este terreno. Policías del mundo están usando estos programas que empiezan a estar disponibles en smartphones y ordenadores domésticos.

• Síntesis de voz. Disponible desde hace tiempo,se va refinando. Aun distinguimos con claridad una voz humana de una sintética.

• Reconocimiento de voz. Asignatura pendiente donde el camino por recorrer es aún grande. Su importancia comercial es enorme y en los últimos meses el avance es espectacular.

• Lenguaje natural. Watson, Es el enfoque más ambicioso de los últimos tiempos. Watson supera el test en la tarea “jugar en el concurso televisivo Jeopardy” No es un entorno abierto, pero el avance en “entendimiento” de lenguaje natural es asombroso.

Isaac Asimov escribió por primera vez en el cuento corto Runaround las que se llegarían a conocer como las Tres Leyes de la Robótica:

1. Un robot no puede hacer daño a un ser humano o, por inacción, permitir que un ser humano sufra daño.
2. Un robot debe obedecer las órdenes dadas por los seres humanos, excepto si estas órdenes entrasen en conflicto con la Primera Ley.
3. Un robot debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la Primera o la Segunda Ley.

Sin embargo, en el contexto de los automóviles autónomos esas leyes deben ajustarse un poco. Al menos esto propone el Dr. Raúl Rojas, reconocido profesor de Inteligencia Artificial de la Freie Universität Berlin. Él sugiere estas que serían las Cuatro Leyes de los Automóviles Autónomos, o robóticos:

1. Un automóvil no puede hacer daño a un ser humano o, por inacción, permitir que un ser humano sufra daño.
2. Un automóvil debe obedecer los reglamentos de tránsito, excepto si estos reglamentos entrasen en conflicto con la Primera Ley.
3. Un automóvil debe obedecer las órdenes dadas por los seres humanos, excepto si estas órdenes entrasen en conflicto con la Primera o la Segunda Ley.
4. Un automóvil debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la Primera, la Segunda o la Tercera Ley.

Como habrán apreciado, la Segunda Ley de los Automóviles Autónomos implica la obediencia a una ley encima de la humana, aunque a favor de los humanos. De esta manera, un ser humano no puede ordenarle a un auto ir en una dirección errónea o transgredir el reglamento de tránsito.

Otra consecuencia positiva, es que los Automóviles Autónomos tomarían la iniciativa de evitar pérdidas humanas, y esto implica “aprender” a hacerlo, incluso participar en la creación de una base de datos distribuida en la que ese conocimiento esté compartido entre todos los vehículos, con lo que las aplicaciones se multiplican.

Los vehículos inteligentes son un realidad en la que hasta empresas como Google han participado. Son automóviles sin conductor, necesariamente conscientes de su ambiente, que utilizan tecnologías como GPS, radares y hardware para visión artificial. Al día de hoy sólo el estado de Nevada en los EE. UU. permite el libre tránsito de vehículos robóticos. La esperanza que es que los algoritmos resuelvan problemas (como el tráfico) que nosotros no hemos podido superar con libre albedrío.

Physorg nos acerca al momento actual en el desarrollo de la tecnología de la mano de este genio que pasaba su adolescencia diseñando algoritmos simples con los que reconocer números escritos a mano o para detectar verbos o sustantivos en una oración.

Torralba comenzó a interesarse en la visión por ordenador mientras se encontraba en su doctorado en la Universidad de Grenoble en Francia. El hombre estaba interesado en el reconocimiento y la comprensión de los objetos que se encuentran en una imagen. Así lo contaba estos días:

La visión es un área demasiado importante. Alrededor del 30% de nuestro cerebro se dedica a las conexiones con la visión. Mi interés siempre fue crear un sistema que podría situar a los objetos en su contexto para tratar de comprender cómo los diferentes objetos se relacionan entre sí.

Este esfuerzo le llevó a desarrollar sistemas que utilizan la información obtenida de una imagen completa para ayudar a identificar objetos individuales. Sistemas que podrían ser utilizados para anotar todas las imágenes que se muestran online de manera que son más fáciles de localizar. Otro de los ejemplos para el uso de esta tecnología se apunta como posibilidad de que los robots puedan reconocer dónde se encuentra, por ejemplo en una casa o en una oficina, según el tipo de mueble u objeto que se encuentre a su alrededor.

En estos momentos el propio Torralba se encuentra desarrollando sistemas que puedan escanear un clip de vídeo de corta duración y predecir lo que va a ocurrir a continuación en base a las personas u objetos que se encuentran en la escena. ¿Cómo? Según explica, para ello los sistemas tendrán que entender lo que los objetos y las personas (y sus “acciones”) son capaces de hacer en las escenas y cuáles son sus limitaciones. En otras palabras, nos podemos imaginar un futuro con sistemas de predicciones. Si dejamos volar la imaginación un poco más, estos sistemas podrían llegar a predecir lo que sucederá bajo las directrices de una situación particular.

Siri, el asistente virtual del iPhone 4S, es una de las novedades que más me han llamado la atención porque supone un salto en el control vocal de dispositivos puesto que pasamos de usar comandos de voz a conversar con nuestro dispositivo. El hecho de poder conversar con una máquina de manera coherente no es algo nuevo, existen asistentes virtuales en algunas webs en las que podemos realizar preguntas en lenguaje natural y obtener respuestas coherentes; de hecho, fue en 1964 cuando Joseph Weizenbaum desarrolló Eliza, un programa que era capaz de conversar con una persona.

Eliza, que ya conversó con Siri, es un software diseñado entre 1964 y 1967 en el MIT por Joseph Weizenbaum que procesaba el lenguaje natural que le llegaba como entrada y, como salida, ofrecía respuestas como si de una conversación entre dos personas se tratase. Efectivamente, en 1967, Weizenbaum había conseguido desarrollar una aplicación que era capaz de conversar con un ser humano de manera coherente. Y aunque Eliza era capaz de conversar de manera coherente, realmente, no era tan inteligente como aparentaba puesto que su rutina estaba sustentada en los principios de la psicología rogeriana de Carl Rogers, es decir, empatizar con el individuo para que se sienta escuchado, algo que se trasladó a Eliza en forma de frases hechas que se utilizaban para que el individuo siguiese conversando.

Dicho de otra forma, Eliza era capaz de procesar las palabras y responder con la frase programada más adecuada o, en caso contrario, responder con una frase que simbolizase un asentimiento de lo que se decía para que el individuo siguiese hablando. Concretamente, la conversación de Eliza giraba sobre tres grupos de frases (que se pueden probar en alguno de los simuladores existentes en la red) que se encontraban programadas en su rutina:

• Frases hechas sobre temas diversos que se encontraban almacenadas en el programa y que se utilizaban gracias a una serie de palabras clave que se debían buscar para detectar la temática de la que se estaba hablando.
• Frases de continuidad que se utilizaban en el caso de no encontrar palabras clave y que servían para dar pie al sujeto para que siguiese hablando y, así, aumentar la probabilidad de encontrar nuevas palabras clave. En este caso se utilizaban frases del tipo “Por favor, continúa”.
• Frases empáticas que se alternaban con las frases de continuidad y las frases hechas para proyectar empatía con el sujeto: “Háblame más de eso”.

La conjugación de estos tres juegos de frases programadas ante un interlocutor que siguiera la conversación hacía que Eliza ofreciese respuestas tan convincentes que hacían que mucha gente creyese que estaban hablando con alguien de verdad o bien que, realmente, la máquina les comprendía.

Weizenbaum se sorprendió mucho al ver cómo su secretaria se sentaba delante de Eliza y le contaba aspectos íntimos de su vida porque pensaba que, realmente, la máquina la estaba escuchando. De hecho, algunos psiquiatras de la época veían en Eliza una posible forma de conectar con pacientes graves que no hablaban con su terapeuta. En 1976, y tras todo lo acontecido y observado, Weizenbaum publicó Computer Power and Human Reason, un libro en el que contó su experiencia con Eliza y en el que dejó clara su crítica visión sobre la incorporación de la inteligencia en las máquinas. Wiezenbaum admitía la viabilidad de la Inteligencia Artificial pero, por razones morales, se oponía a su utilización.

Siri es, quizás, el ejemplo más reciente de máquinas que conversan con seres humanos y, lógicamente, su fundamento tecnológico es mucho más avanzado. Los bots conversacionales de hoy en día son mucho más complejos y utilizan potentes algoritmos para el procesado del lenguaje natural y así ofrecer respuestas mucho más cercanas a lo que busca una persona, por ejemplo, algunos asistentes virtuales que podemos ver en webs de comercio electrónico, por ejemplo, pero Eliza fue el primer intento de construir un interlocutor artificial.

Afortunadamente, todavía las máquinas no son capaces de sustituir una amena charla con los amigos pero quien sabe si, algún día, gracias a Siri, la expresión “hablar con el móvil” tenga otro significado.

Vía: Amazings, ALICE AI Foundation y Boing Boing | Imágenes: Weizenbaum. Rebel at Work, Wikipedia y Amazings.

Nota: Queremos pedir disculpas a los autores de Amazings por hacer hecho uso de contenidos publicados sin haberlos enlazado y nombrado adecuadamente en un primer momento. Desde anoche hemos puesto los enlaces pertinentes y se han pedido disculpas personalmente al autor que se complementan con esta nota pública. Pedimos disculpas a los lectores de ALT1040 y Amazings por este desafortunado hecho.

La Inteligencia Artificial, dijo John McCarthy cuando acuñó el término en las conferencias de Darmouth de 1956, es:

“…la ciencia e ingeniería de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes.”

Ese sentido no ha cambiado desde entonces. En cambio, las técnicas y aplicaciones de la Inteligencia Artificial son cada más variadas, profundas y sorprendentes. A pasos exponenciales inundarán nuestras vidas y pronto serán tan omnipresentes que apenas las percibiremos, como hoy con sucede con la televisión y el Internet.

En este artículo presento un recopilación de algunos de los muchos avances ocurridos durante 2011. Y si el año que está por terminar nos trajo esto, no puedo esperar a ver los del 2012-año-del-fin-del-mundo-y-skynet.

1 Supercomputadora Watson

La construyó IBM luego de años de investigación en los que confluyeron muchas áreas de la ciencias de la computación. Ganó un Jeopardy! y va por más.

2 Futuros comentaristas deportivos

El sistema creado por investigadores de la Ecole Polytechnique Federale de Lausanne en Suiza ya sabe identificar y rastrear jugadores de baloncesto. Por ahora es estupendo para telemetría, pero lo que sigue es comentar las peripecias del juego, y otros como la Formula 1.

3 SmartBird

Creado por Festo, este robot vuela como un ave y nada más.

4 Chatbot

El laboratorio Creative Machines de Cornell en los EE. UU. diseñó este experimento en el que dos IA conversaron de forma fluida (recordemos que también lo hicieron Siri y ELIZA). Alan Turing se hubiera desmayado de la impresión.

Por cierto, aprovecho para presentarles a Rosette, ganadora del premio Loebner 2011 al mejor chatbot, en la búsqueda de pasar el Test de Turing.

5 Adept Quattro

Adept construye los robots industriales más veloces del planeta. Para demostrar su hegemonía, este año usó su Adept Quattro para batir un récord al terminar el juego 1to50 para iPhone en tan solo 6,67 segundos. Ver para creer…

6 El vehículo autónomo de Google

Google es un imperio fundado gracias a la inteligencia artificial y sus aplicaciones. Por eso no es sorprendente que un gurú en el tema, Sebastian Thrun lidere el proyecto de vehículos autónomos de Google, que han viajado miles de kilómetro apenas con intervención humana.

7 ASIMO

El robot de Honda no ha dejado de dejarnos con la boca abierta cada vez que son presentados sus avances. Este año presenciamos cómo el robot ya es capaz de reconocer voces en una conversación:

Correr y saltar

Y jugar un poco al fútbol, por qué no.

8 AISight

Combina vigilancia extrema, masiva con inteligencia artificial. ¿Escalofríos? Se llama AISight, de la empresa BRS Labs. No hay vídeo, pero te invito a estar al tanto de esa empresa repleta de doctores en ciencias y este tipo de tecnologías.

9 Robot flexible

Científicos de Harvard mostraron el prototipo de un robot flexible, hecho de materiales blandos. El vídeo es francamente inquietante.

10 Swarmanoid

Cuando un robot no es suficiente, ¿qué tal un grupo de ellos actuando de forma colectiva? En este caso, llamen al A-Team de los robots, ¡los Swarmanoid!

Bonus: el JediBot

Más allá de que sea o no un gran avance, este robot va dedicado a los fans de la saga Star Wars.

Imagen: armincifuentes

El primer video corresponde a la ronda de reconocimiento del robo-ratón de Ng Beng Kiat, llamado Min7.1 — lo cual tomó alrededor de un minuto.

Ahora, el resultado del aprendizaje en tiempo real de Min7.1:

3.921 segundos, es el nuevo tiempo récord de Micromouse.

Min7.1 pesa 90 gramos y corre 3.5 metros por segundo. Si te interesa construír tu propio micromouse, aquí esta el circuito.

imagen vía Ng Ben Kiat.

Deep Blue es un mítico supercomputador que fue desarrollado por IBM en 1996 con el objeto de demostrar la capacidad de sus sistemas y, para ello, decidió desafiar a una de las grandes mentes del mundo del ajedrez, el gran maestro Gary Kasparov. Un cerebro humano contra una supercomputadora de procesamiento en paralelo compuesta por 30 nodos RS/6000 con 30 microprocesadores P2SC de 120 MHz cada uno que fueron ampliados ampliados con 480 procesadores VLSI de uso especial que se diseñaron específicamente para evaluar jugadas de ajedrez; todo un reto tecnológico para IBM que quería demostrar que el 259º ordenador más potente del mundo podría plantar cara a la inteligencia humana.

Y aunque Deep Blue nació en 1996, el ajedrez ha estado vinculado al mundo de la algoritmia y la computación desde los inicios de esta disciplina. El primer artículo sobre los algoritmos de evaluación de jugadas por computadores data de 1950 y fue escrito por Claude Shannon donde distinguió dos formas de abordar este tipo de problemas, a los que denominó Tipo A y Tipo B:

• Los programas Tipo A fueron catalogados como rudimentarios y estarían basados en la fuerza bruta, es decir, trabajarían con un árbol de posibilidades y explorarían todas las ramas del árbol hasta llegar a la mejor solución (usando el algoritmo minimax). Para Shannon ésta era la aproximación menos práctica y más costosa computacionalmente porque cualquier movimiento en el ajedrez provenía de explorar 30 posibilidades y, por tanto, los 3 primeros movimientos de la partida implicarían evaluar 306 posiciones, lo cual podría acarrear problemas de latencia.

• Los programas Tipo B usarían una especie de “inteligencia artificial estratégica”, es decir, únicamente analizarían las mejores jugadas de cada posición, de la misma manera que haría un ser humano, por lo que el tiempo empleado en el análisis de cada movimiento sería mucho menor.

Teniendo en cuenta la teoría de Shannon, enunciada en 1950, cabría la posibilidad de que pensásemos que Deep Blue, de 1996, usaría un programa de tipo B, sin embargo fue así y el software, desarrollado en C, del supercomputador de IBM implementaba algoritmos de fuerza bruta y de ahí la gran capacidad de procesamiento en paralelo necesario para evaluar las jugadas. De hecho, Deep Blue contaba con datos relativos a más de 4.000 movimientos y las partidas de 700.000 grandes maestros de ajedrez.

El primer torneo entre el gran maestro Kasparov y Deep Blue tuvo lugar en Filadelfia, Pensilvania, en febrero de 1996 y a pesar de que Deep Blue era capaz de calcular 200 millones de posiciones por segundo, el computador tan sólo ganó una de las 6 partidas (la primera de ellas, el 10 de febrero de 1996), empató 2 y perdió 3 frente al gran campeón.

Kasparov había ganado el torneo e IBM organizó un torneo similar al año siguiente con una versión mejorada (donde el software había sido ajustado por el gran maestro de ajedrez Joel Benjamin), llamada Deeper Blue. En este torneo, que se jugó del 3 al 11 de mayo de 1997, las primeras 5 partidas terminaron en tablas, sin embargo, Kasparov fue derrotado en la sexta y última partida porque Kasparov cometió un error al inicio de la misma (que el gran campeón achacó al cansancio y al descontento con el equipo de IBM).

¿Y qué fue lo que pasó? Kasparov siempre habló bastante mal de este segundo torneo y se sintió en inferioridad de condiciones puesto que el equipo de IBM tenía datos sobre sus partidas y movimientos y él, por el contrario, nunca tuvo acceso a los movimientos realizados por Deep Blue en sus partidas de entrenamiento. La verdad es que IBM nunca facilitó información alguna al campeón que, además, siempre comentó tras la segunda partida notó cómo el juego de la computadora era mucho más creativo y menos mecánico, lo cual le hizo sospechar en un apoyo humano (algo que IBM siempre negó). Kasparov, incluso, solicitó los logs de Deep Blue pero IBM nunca se los facilitó (aunque después los publicaría en Internet), tampoco otorgó la revancha y terminó desmantelando la computadora.

Yo personalmente les garantizo a todos los aquí presentes que si Deep Blue participa en ajedrez de competición, personalmente, repito, garantizo que la haré pedazos

Curiosamente, en febrero de este año, otro supercomputador de IBM, Watson, participó durante 3 días en Jeopardy, un concurso de televisión de preguntas y respuestas donde derrotó a los dos grandes campeones del programa, lógicamente, también usando algo parecido a la fuerza bruta puesto que el computador contaba con una base de datos gigantesca que fue utilizada como base para responder.

Después de todo, estos grandes supercomputadores aún requieren una gran cantidad de datos en su aprendizaje para poder medirse contra un humano.

Si nos ponemos reduccionistas, la inteligencia artificial puede considerarse como un montón de algoritmos especializados en la creación de máquinas inteligentes (lo que sea que “inteligencia” signifique). Y un algoritmo no es más que matemática pura. Dicho esto, si agregamos unos toques de inteligencia artificial al diseño de formas arquitectónicas, entonces tendremos arquitectura artificial o algorítimica o automática, el nombre da un poco lo mismo, pero de este tema quiero contarles a continuación. 2

Diseño algorítmico

No, no estoy hablando del diseño de algoritmos, que es toda una rama de las ciencias de la computación, sino de la aplicación de algoritmos en el proceso creativo del diseño gráfico. Un ejemplo claro de esto es el logotipo del MIT Media Lab, que puede recrearse de forma única para cada persona como se muestra en el vídeo:

Al final de día tenemos una máquina de software que automatiza la tarea de diseñar. Si la automatización está guiada por algoritmos inteligentes entonces los resultados pueden ser más interesantes, incluso inesperados.

Arquitectura algorítmica

Consiste en tres aspectos básicos:

• Desarollo de algoritmos que automatizan tareas de diseño arquitectónico o urbano (atención con el trabajo de Kokkugia más abajo)

• Creación de modelos de conocimiento arquitectónico computables; es decir que pueden ser resueltos por una computadora en un tiempo y forma razonable

• Generación automática de variaciones de las características de una arquitectura, en particular de sus estructuras y objetos; en este sentido puede verse como una extensión especial, incluso más compleja, del diseño algorítmico

El libro Algorithmic Architecture (2006) de Kostas Terzidis, profesor de Harvard Graduate School of Design es referencia en el tema que nos ocupa, aunque no se enfoca del todo a algoritmos de inteligencia artificial. Terzidis utiliza el término algotectura para referirse a la misma cosa. Por otra parte,la tesis doctoral de Fco. Javier Fernández Herrero (2002), graduado de la E.T.S. de Arquitectura de Madrid, es pionera en el área: Arquitectura Artificial o Manierismo por Computadora (PDF, 13MB). Aquí hay un vídeo de su trabajo:

Trabajos

A continuación una pequeña muestra de trabajos arquitectónicos inspirados/creados con algoritmos de inteligencia artificial. Es difícil encontrarlos como tales, muchas veces están mezclados con otro tipo de algoritmos (geométricos, topológicos, por ejemplo). La arquitectura artificial es un campo emergente e interdisciplinario que nos ofrecerá interesantes sorpresas en el futuro.

Antes les dejo esta reflexión de Rodney A. Brooks en su Cambrian Intelligence, sobre la vinculación entre inteligencia (artificial o no), la arquitectura y su interacción con el mundo:

Es difícil dibujar entre lo que es inteligencia e interacción ambiental. En cierto sentido, no importa cual es cual, en tanto que todos los sistemas inteligentes deben situarse en algún mundo u otro si su propósito es convertirse en entidades útiles. La idea clave de la inteligencia es: “la inteligencia está determinada por su dinámica de interacción con el mundo”.

Artificial symbiont

Algoritmos crear organismos vivos antes que edificios estáticos. Trabajo de Zbynek Krulich.

The trascendent city

La ciudad construida por una inteligencia artificial superior a la humana, la de una era post-singularidad. Trabajo de Richard Hardy, para el proyecto final de su posgrado en arquitectura.

Behavioral urbanism

Un trabajo más del impresionante estudio Kokkugia, que usa inteligencia artificial para sus diseños.

Arquitectura genética

Karl Chu crea arquitectura inspirada en la evolución en tanto mecanismo para la adaptación para la era que viene, la post-humana. Esta son una torres que han emergido del parque:

Y este un edificio integrado con su entorno:

Arquitectura generativa

Los de Parametric Design son expertos en arquitectura artificial, pero este vídeo es de un estudiante de arquitectura:

Vlad Tenu también con sus superficies mínimas auto organizadas:

Y es que como cuentan en el diario a través de diversas fuentes consultadas, el espacio abierto por la compañía refleja la ambición de Google por adelantarse a nuestro tiempo. Ideas que giran en torno a la robótica e ingeniería donde varios de los científicos más reconocidos del planeta se esfuerzan por imaginar el futuro.

Un laboratorio donde los robots se “manejan” libremente, donde cualquier elemento está conectado a la red y en donde la ingeniería puede llegar a suplantar el trabajo humano. Lo que hemos visto cientos de veces en las grandes obras de la ciencia ficción es un esfuerzo real en estos momentos.

El espacio estaría reservado a unas pocas personas hasta el punto de que la mayoría de empleados no tienen idea de su existencia. En estos momentos se encontrarían en la discusión de la elaboración de esta lista de 100 ideas, la mayoría en una fase conceptual, muy lejos aún de convertirse en realidad aunque se apunta a un primer proyecto que se anunciará a finales de este año.

Así lo contaban las fuentes consultadas:

Las ideas aun están bastante lejos pero Google no es una empresa ordinaria, nada se puede aplicar a la compañía… Si bien las posibilidades que se abren son ciertamente interesantes, hay que tener en cuenta que se trata de cifras de inversión pequeñas comparadas con las inversiones que hacemos en los negocios principales

Una de las ideas que salen a la luz es la posibilidad de construir “ascensores espaciales”. Posibilidad con la que los fundadores de Google y otros empresarios de Silicon Valley piensan que cambiaría el concepto de recogida de datos en el espacio. ¿Podemos imaginarnos un dispositivo que llegue al espacio anclado desde la Tierra? En Google sí. El mismo Rodney Brooks, científico del MIT y del laboratorio de inteligencia artificial y robótica en Hertland lo descubre:

Si Google es actualmente la recopilación de datos del mundo, donde emplea técnicas de inteligencia artificial y aprendizaje automático en su algoritmo de búsqueda, podría ser en el futuro la recopilación de datos del sistema solar.

Tanto Sergey Brin como Larry Page estarían profundamente involucrados en el proyecto. Cuentan en el diario que la construcción de los coches sin conductor salió de este mismo laboratorio. De entre las “ideas” que están en marcha, disparidad de proyectos que tienen como fin conectar todo el planeta:

• Accesorio del hogar conectados en red.
• Vestidos conectados.
• Elementos pequeños conectados (como una taza de café que se podría preparar de manera remota).
• Una bombilla de luz conectada a la red que se puede comunicar de forma inalámbrica con todos los dispositivos.

De lo poco que se sabe, Google X estaría liderado por Sebastian Thrun, uno de los expertos más importantes en el mundo en materia de robótica e inteligencia artificial y profesor en Stanford. El resto de la plantilla estaría formado por científicos e ingenieros salidos de Microsoft, los laboratorios de Nokia, MIT, Stanford o la Universidad de Nueva York.

Una élite que busca adelantarse a nuestro tiempo con todo aquello que hoy sólo somos capaces de imaginar.