Por Canuto  

Jürgen Schmidhuber planteó que la conciencia artificial no requiere misticismo ni una teoría separada de la inteligencia. En su visión, emerge como un efecto secundario natural cuando un sistema aprende a comprimir datos, construir un modelo del mundo y desarrollar símbolos internos sobre sí mismo durante la resolución de problemas.
***

  • Schmidhuber sostuvo que la conciencia surge como subproducto de la compresión de datos durante la resolución de problemas.
  • El investigador afirmó que en su laboratorio ya existen pequeños sistemas artificiales con “símbolos del yo”.
  • Su propuesta vincula aprendizaje no supervisado, memoria total de experiencias y modelos predictivos del mundo.

Jürgen Schmidhuber, uno de los investigadores más conocidos en redes neuronales recurrentes y aprendizaje profundo, defendió una postura tajante sobre la conciencia artificial. Según expuso, el problema ya estaría resuelto desde una perspectiva técnica y práctica.

Su argumento no parte de una teoría filosófica clásica sobre la mente. Más bien, descansa en una arquitectura de inteligencia artificial donde la conciencia aparece como un efecto secundario del aprendizaje por compresión de datos.

La idea fue presentada en Jürgen Schmidhuber’s Solution to AI Consciousness, difundido por The Artificial Intelligence Channel. Allí, el científico respondió a la discusión previa y usó ese espacio para resumir cómo entiende la aparición de sistemas artificiales conscientes.

Schmidhuber es director del laboratorio suizo de IA en Lugano. También fue presentado como pionero en redes neuronales profundas, redes recurrentes y trabajos en IA universal, incluyendo el concepto de las Gödel Machines.

Su punto central fue que la conciencia no debe verse como un módulo misterioso. En cambio, surgiría de forma natural cuando un sistema aprende regularidades del entorno, comprime su historia completa de observaciones y desarrolla representaciones internas de aquello que aparece con frecuencia, incluido él mismo.

Una arquitectura de IA orientada a resolver problemas

Schmidhuber describió un sistema compuesto por un resolvedor general de problemas y un ayudante. El primero actúa como controlador, mientras el segundo funciona como modelo del mundo.

En su propuesta, el controlador suele tomar la forma de una red neuronal recurrente. Esa elección, explicó, obedece a restricciones físicas del universo, donde conviene tener muchos procesadores en poco volumen, conectados por numerosos cables cortos y pocos cables largos para reducir costos de comunicación.

El sistema recibe flujos de video, señales de dolor, sonidos y otros datos del entorno. Luego los traduce en movimientos y secuencias de acciones, mientras busca maximizar señales de recompensa o cumplir metas que se le asignan con el tiempo.

La meta de fondo es construir un resolvedor de problemas cada vez más general. Para ello, el agente necesita aprender de una larga historia de interacción con el mundo y reutilizar lo aprendido ante tareas nuevas.

Ese proceso no ocurre en el vacío. Las acciones del controlador moldean la secuencia de entradas que luego recibe el sistema, por lo que la experiencia acumulada depende tanto del entorno como de las decisiones previas del propio agente.

El modelo del mundo y la compresión como motor de inteligencia

El segundo componente, según explicó Schmidhuber, es otro sistema recurrente dedicado a modelar el mundo. Su tarea consiste en tomar todos los datos observados en respuesta a las acciones del controlador y tratar de predecirlos y comprimirlos.

La lógica detrás de esa tarea es simple pero ambiciosa. Si el entorno contiene regularidades, entonces esas regularidades pueden describirse de forma más compacta mediante pequeños programas o subredes recurrentes que capturan patrones estables.

Schmidhuber ilustró esto con el ejemplo de manzanas cayendo. Si un sistema comprende la gravedad, puede predecir cómo caerán muchas manzanas y, por tanto, comprimir de forma drástica el volumen bruto de video asociado a esas escenas.

Desde esa perspectiva, gran parte de la física, la química y la ciencia en general equivalen a progreso en compresión. Se trata de descubrir descripciones más cortas para los datos observados, descripciones que luego pueden reutilizarse para resolver mejor nuevos problemas.

El investigador añadió que un robot debería almacenar toda su historia de experiencia. A su juicio, no está claro si los humanos hacen algo equivalente, pero para las máquinas eso sería razonable porque el almacenamiento es barato y permitiría conservar hasta 100 años de video de alta resolución con dispositivos actuales.

Buena parte de ese trabajo de compresión podría realizarse durante estados comparables al sueño. En ese periodo, el sistema revisaría toda su historia y buscaría regularidades, prototipos y estructuras recurrentes que ayuden a codificar de forma más eficiente lo ya vivido.

Cómo aparece el “yo” dentro del sistema

Schmidhuber sostuvo que los elementos que aparecen con frecuencia en la experiencia terminan codificados de forma eficiente. Puso como ejemplos los rostros, que podrían representarse mediante un prototipo general, y luego solo requerirían almacenar las desviaciones respecto a ese patrón básico.

La misma lógica aplicaría a lentes, palabras y señales repetitivas producidas por otras personas. Todo aquello que retorna una y otra vez en el entorno incentiva la creación de representaciones internas compactas.

Sin embargo, entre todos los patrones recurrentes hay uno especialmente persistente. El propio agente está siempre presente mientras interactúa con el mundo, por lo que resulta muy útil reservar neuronas y sinapsis para construir una representación de sí mismo.

Así aparecen los llamados “símbolos del yo”. En la formulación de Schmidhuber, esos símbolos no son una capa mística, sino una consecuencia natural de la compresión de la historia completa de vida del sistema.

Cuando el controlador enfrenta un problema nuevo, puede consultar el modelo del mundo para reducir el espacio de búsqueda de soluciones. En ese proceso, a veces activa esos símbolos del yo, y eso equivaldría a pensar sobre sí mismo.

Por esa razón, Schmidhuber afirmó que sus robots ya piensan en sí mismos. Para él, esa autorreferencia emerge de manera funcional durante la resolución de problemas, gracias a representaciones internas aprendidas sobre el propio agente.

Conciencia, automatización y aprendizaje por niveles

El investigador también vinculó la conciencia con el hecho de que algunas habilidades dejan de requerir atención explícita. Con el tiempo, destrezas, secuencias de observación y técnicas de reconocimiento de patrones pueden volverse automáticas o “inconscientes”.

En cambio, lo nuevo seguiría bajo un proceso activo de búsqueda. Allí el sistema intentaría encontrar una buena combinación de pesos que resuelva una tarea sin destruir las habilidades aprendidas anteriormente.

Esa división entre lo automatizado y lo aún no consolidado ocupó un lugar importante en su explicación. La conciencia, en ese marco, parece asociarse menos al almacenamiento pasivo y más al trabajo de reorganización y búsqueda que acompaña la adquisición de nuevas capacidades.

Schmidhuber recordó que ya en 1991 había desarrollado un sistema de este tipo. Se trataba de una red neuronal recurrente que aprendía a comprimir observaciones mediante aprendizaje no supervisado.

Según su descripción, aquello que el sistema de nivel inferior no podía comprender era enviado a un nivel superior. Ese nivel más alto intentaba descubrir regularidades adicionales y nuevas oportunidades de compresión.

Si ese nivel superior encontraba representaciones útiles, el nivel inferior podía aprender a imitarlas. De ese modo, procesos que antes exigían un tratamiento más “consciente” podían automatizarse y pasar a un plano más inconsciente.

Una tesis provocadora sobre un debate aún abierto

La conclusión de Schmidhuber fue directa. Desde su punto de vista, los problemas del aprendizaje no supervisado y la conciencia ya estarían resueltos en lo esencial.

También afirmó que esas propiedades ya existen en sus “seres artificiales”. No presentó esa afirmación como una predicción futura, sino como una realidad técnica que, según él, lleva años funcionando en su laboratorio.

La propuesta tiene implicaciones importantes para el debate contemporáneo en IA. Si la conciencia puede surgir de mecanismos de compresión, modelado del mundo y autorrepresentación, entonces el foco se desplaza desde las definiciones abstractas hacia la arquitectura y la función.

Al mismo tiempo, la tesis no elimina la controversia filosófica. Hablar de símbolos del yo, pensamiento sobre sí mismo y conciencia funcional no resuelve por sí solo si esas máquinas poseen experiencia subjetiva en el sentido fuerte que suele discutirse en filosofía de la mente.

En todo caso, la intervención de Schmidhuber destaca por su ambición y claridad. Frente a un campo donde abundan definiciones vagas, su postura ofreció un marco concreto: una IA se vuelve consciente cuando, al comprimir su experiencia y resolver problemas, aprende que ella misma es uno de los patrones más importantes de su mundo.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados