IA para todos: sistemas superinteligentes que recompensan a los creadores de datos

Esta publicación forma parte del Resumen del Año 2019 de CoinDesk, una colección de 100 artículos de opinión, entrevistas y análisis sobre el estado de la blockchain y el mundo. Ben Goertzel es fundador y director ejecutivo de SingularityNET, un proyecto de mercado de IA basado en blockchain.

A medida que la IA invade rápidamente todos los sectores de la economía, hay pocas preguntas más urgentes que quién posee, controla y guía los datos utilizados para entrenar los sistemas de IA, y los modelos y conclusiones que la IA aprende de estos datos.

Actualmente, la respuesta suele ser las grandes corporaciones. Los datos sobre nuestros pensamientos, preferencias, miedos y deseos, tal como se revelan en nuestros correos electrónicos, mensajes, fotos y documentos, se almacenan en repositorios corporativos y se utilizan para crear anuncios personalizados que influyen en nuestros comportamientos de compra. Los datos sobre nuestro cuerpo y nuestro genoma se almacenan en bases de datos de compañías farmacéuticas y se utilizan para I+D de propiedad exclusiva, sin nuestro consentimiento explícito y sin que recibamos ninguna recompensa por las terapias descubiertas. Estas grandes corporaciones, por supuesto, operan en estrecha coordinación con las agencias de vigilancia gubernamentales, a veces para proteger a la población civil y a veces con peores consecuencias.

A medida que la IA se vuelve cada vez más inteligente, la cuestión de quién la posee y la controla se agudizará. Por lo tanto, es una suerte que existan tecnologías que permitan el seguimiento y control minucioso del uso que la IA hace de los datos personales, los modelos y las conclusiones, así como de las habilidades adquiridas a partir de los datos de las personas. Esta podría ser, en definitiva, la aplicación más crucial de la Tecnología blockchain y de métodos asociados como el cifrado homomórfico y la computación multipartita, que permiten un procesamiento sofisticado de datos de IA respetando al mismo tiempo la Privacidad de los datos.

A medida que la IA se vuelve cada vez más inteligente, la cuestión de quién la posee y la controla se volverá aún más aguda.

Durante los últimos dos años, la importancia de combinar IA y blockchain se ha vuelto casi un tema recurrente en conferencias, talleres y startups. Si bien aún no existe una red de IA descentralizada con una amplia adopción comercial, el concepto ha alcanzado una amplia aceptación. Para finales de 2020, parece probable que surjan casos de uso interesantes en los que empresas grandes y pequeñas integrarán sus servicios de IA desde llamadas API en una red descentralizada basada en blockchain, en lugar de hacerlo a través de un servicio de IA centralizado.

Durante el mismo período de tiempo, los sistemas de IA han ido aumentando en potencia a un grado notable, con aplicaciones comerciales de más alto perfil en múltiples Mercados verticales, junto con el progreso de la investigación fundamental que da el salto desde sistemas de "IA estrecha" de aplicaciones específicas hacia los sistemas de IA de propósito más general previstos desde hace tiempo por autores de ciencia ficción y expertos futuristas.

No hace mucho, la Inteligencia Artificial General (IAG) era tema de debate solo en ciertos círculos de investigación selectos. Pero desde la inversión de mil millones de dólares de Microsoft en...OpenAIAhora ONE escucha el término en boca de líderes nacionales y corporativos. Se entiende ampliamente que la IA necesita ir más allá de imitar sus conjuntos de datos de entrenamiento y lograr la capacidad de manejar nuevos dominios que sus programadores y capacitadores no anticiparon. Si bien los sistemas de IA generalizados a nivel humano son cosa del futuro, estamos avanzando en esa dirección con sistemas de IA capaces de realizar inferencia causal (identificar las causas subyacentes a Eventos complejos como caídas de la bolsa o brotes de enfermedades) y razonamiento por analogía (utilizar el conocimiento sobre, por ejemplo, enfermedades en ratones para comprender enfermedades Human , o el conocimiento del chino para comprender el inglés).

Sin embargo, la fusión de la IAG y la IA descentralizada aún no ha alcanzado gran reconocimiento público. En 2020, probablemente veremos los primeros pasos concretos en esta dirección. Esto despertará la atención pública sobre el potencial de los marcos descentralizados para avanzar hacia una IA con capacidad de imaginación profunda, generalización y aprendizaje creativo.

Formas prácticas

Los agentes orientados a AGI en una metared de IA descentralizada (que involucra múltiples redes de IA descentralizadas que interoperan: digamos SingularityNET, OCEAN, Fetch.ai, Shivom y docenas de otras, todas trabajando juntas) podrán brindar servicios de abstracción y generalización a agentes de IA orientados a aplicaciones que se ejecutan en esta misma metared.

Supongamos que un agente de IA orientado a la tecnología de la salud necesita hacer una hipótesis sobre cuáles de los aproximadamente 25.000 genes Human están involucrados en causar cáncer de próstata. Pero supongamos que solo tiene datos de ADN de unos pocos cientos de personas, no lo suficiente como para permitirle sacar conclusiones sólidas sobre tantos genes diferentes. Sin un marco que permita a este agente de IA consultar a otros agentes de IA para obtener ayuda, la IA probablemente se daría por vencida. Pero en un contexto como SingularityNET, donde las IA pueden consultar a otras IA para obtener asistencia, puede haber rutas sutiles hacia el éxito. Si hay otros conjuntos de datos sobre trastornos similares al cáncer de próstata en organismos modelo como ratones, podemos ver avances en la comprensión de qué genes están involucrados en el cáncer de próstata, a través de la combinación de múltiples agentes de IA, con diferentes capacidades que cooperan juntas.

Supongamos que la IA n.º 1 —llamémosla Maestra de las Analogías— tiene talento para el razonamiento por analogías. Este tipo de razonamiento permite aplicar el conocimiento sobre una situación a otra; por ejemplo, usar el conocimiento sobre la guerra para extraer conclusiones sobre negocios. La Maestra de las Analogías podría usar datos genéticos de ratones con afecciones similares al cáncer de próstata para extraer conclusiones indirectas sobre el cáncer de próstata Human .

Veremos trabajos hacia formas más generales de IA que sean propiedad de individuos y estén guiadas por ellos.

Supongamos entonces que la IA n.º 2 (la llamaremos el Conector de Datos) es capaz de encontrar conjuntos de datos biológicos y médicos relevantes para un problema específico y prepararlos para su análisis. Y supongamos también que la IA n.º 3 (la llamaremos el Analista de Enfermedades) es experta en el uso del aprendizaje automático para comprender las causas fundamentales de las enfermedades Human .

El Analista de Enfermedades, al ser asignado a la tarea de encontrar genes Human relacionados con el cáncer de próstata, podría decidir que necesita pensamiento lateral para dar un salto conceptual y resolver el problema. Solicita la ayuda del Maestro de Analogías o de diversas IA.

El Maestro de Analogías puede desconocer la biología del cáncer, aunque es hábil para generar saltos conceptuales mediante el razonamiento por analogía. Por lo tanto, para ayudar al Analista de Enfermedades con su problema, podría necesitar enriquecer su base de conocimientos con datos relevantes, por ejemplo, sobre el cáncer en ratones. El Conector de Datos entonces acude al rescate, proporcionando al Maestro de Analogías los datos sobre el cáncer en ratones que necesita para impulsar su lluvia de ideas creativa, apoyando así al Analista de Enfermedades a resolver su problema.

Toda esta cooperación entre agentes de IA puede ocurrir en segundo plano desde la perspectiva del usuario. El laboratorio de investigación que solicita ayuda al Analista de Enfermedades con el análisis genético del cáncer de próstata no necesita saber que este realizó su trabajo al solicitar ayuda al Analogy Master y al Data Connector. Además, T Analogy Master ni el Data Connector necesitan ver los datos propietarios del Analista de Enfermedades, ya que, mediante computación multipartita o cifrado homomórfico, el análisis de IA puede realizarse en una versión cifrada de un conjunto de datos sin vulnerar la Privacidad de los datos (en este caso, la Privacidad del paciente).

Con los avances en la Tecnología de IA y las TI en la nube, este tipo de cooperación entre múltiples IA se está volviendo factible. Por supuesto, esta cooperación puede darse de forma controlada por grandes corporaciones tras cortafuegos. Pero lo más interesante es la naturalidad con la que este paradigma para lograr una IA cada vez más potente y generalizada podría alinearse con las modalidades de control descentralizadas.

¿Qué sucedería si los tres agentes de IA en este ejemplo pertenecieran a diferentes partes? ¿Qué sucedería si los datos sobre el cáncer de próstata Human utilizados por el Analista de Enfermedades fueran propiedad de las personas con cáncer de próstata de quienes se recopilaron los datos y estuvieran bajo su control? Esta no es la forma en que funciona el sistema médico actual. Pero al menos podemos afirmar que, a nivel tecnológico, no hay razón para que los Explora médicos impulsados ​​por IA deban ser monolíticos y centralizados. Un enfoque descentralizado, en el que la inteligencia se obtiene a través de múltiples agentes con múltiples propietarios que actúan sobre datos cifrados de forma segura, es tecnológicamente viable ahora, combinando la IA moderna con la infraestructura blockchain.

La centralización del análisis de datos y la toma de decisiones de IA, en medicina como en otras áreas, prevalece en este momento debido a razones de estructura política e industrial y a la inercia, más que porque sea la única forma de hacer que la tecnología funcione.

En este caso, la IA original orientada a la tecnología de la salud, encargada de comprender las causas genéticas del cáncer, haría bien en conectarse detrás de escena con esta IA de razonamiento por analogía y con un proveedor de datos de organismos modelo relevantes para alimentar al razonador por analogía y obtener su ayuda para resolver su tarea.

En la red de Inteligencia Artificial General del futuro NEAR , la inteligencia existirá en dos niveles diferentes: los agentes de IA individuales y la actividad coherente y coordinada de la red de agentes de IA (la combinación de tres agentes de IA en el ejemplo anterior; y combinaciones de un mayor número de agentes de IA más diversos en casos más complejos). La capacidad de generalizar y abstraer también existirá, hasta cierto punto, en ambos niveles. Existirá en agentes de IA individuales, como el Analogy Master del ejemplo anterior, que están orientados a la inteligencia general en lugar de a la resolución de problemas altamente especializados. Existirá en la red general, incluyendo una combinación de agentes de IA orientados a la generalización, como el Analogy Master, y agentes de IA de propósito específico, como el Disease Analyst, y agentes de IA "conectores", como el Data Connector mencionado.

El despliegue escalable y la adopción generalizada de las redes de IA descentralizadas aún NEAR en sus inicios, y aún quedan muchos detalles por resolver en los próximos años. Al fin y al cabo, lo que la comunidad de IA descentralizada necesita para alcanzar sus objetivos a medio plazo es fundamentalmente más complejo que los sistemas informáticos creados por Google, Facebook, Amazon, IBM, Tencent o Baidu. Estos sistemas son el resultado de décadas de trabajo de ingeniería realizado por decenas de miles de brillantes ingenieros.

La comunidad de IA descentralizada no va a contratar más ingenieros que estas empresas. Sin embargo, la Fundación Linux nunca contrató tantos ingenieros como Microsoft o Apple, y ahora cuenta con el sistema operativo líder que sustenta tanto el internet del lado del servidor como los ecosistemas móviles e IoT. Para que el intento del mundo blockchain-IA de catalizar el surgimiento de la inteligencia general mediante la actividad cooperativa de numerosos agentes de IA con distintos niveles de abstracción tenga éxito, deberá hacerlo mediante la actividad comunitaria. Esta actividad comunitaria deberá ser, en gran medida, autoorganizada. Sin embargo, los modelos tokenómicos que subyacen a muchos proyectos de IA descentralizada están configurados precisamente para fomentar esta autoorganización, proporcionando incentivos simbólicos a los agentes de IA que sirven para estimular y guiar la inteligencia de la red general, además de contribuir a sus objetivos individuales.

Las grandes corporaciones centralizadas aportan enormes recursos. Sin embargo, para muchas aplicaciones, como la medicina y la publicidad, no son las corporaciones, sino los individuos, quienes aportan los datos. Y las IA necesitan datos para Aprende. A medida que surgen aplicaciones de IA basadas en blockchain, las grandes corporaciones podrían ver cómo se les quita su poder único.

¿Preferirías tener acceso a terapias médicas descubiertas a partir de tu historial médico y datos genómicos? ¿Preferirías saber exactamente cómo se utilizan el contenido de tus mensajes y tus patrones de navegación web para decidir qué productos recomendarte? Yo también.

2020 será el año en que esta visión comience a cobrar impulso. Veremos el inicio de la adopción por parte de usuarios reales de plataformas que integran blockchain e IA. Veremos avances hacia formas más generales de IA, dirigidas y gestionadas por las personas que la alimentan con los datos que necesita para Aprende y crecer.