¿Qué podemos instruirse sobre la inteligencia humana al estudiar cómo “piensan” las máquinas? ¿Podremos comprendernos mejor a nosotros mismos si comprendemos mejor los sistemas de inteligencia químico que se están convirtiendo en una parte cada vez más importante de nuestra vida cotidiana?
Estas preguntas pueden ser profundamente filosóficas, pero para Phillip Isola, encontrar las respuestas tiene que ver tanto con la computación como con la meditación.
Isola, el nuevo profesor asociado del Unidad de Ingeniería Eléctrica y Ciencias de la Computación (EECS), estudia los mecanismos fundamentales involucrados en la inteligencia humana desde una perspectiva computacional.
Si perfectamente el objetivo militar es comprender la inteligencia, su trabajo se centra principalmente en la visión por computadora y el formación inconsciente. Isola está particularmente interesada en explorar cómo surge la inteligencia en los modelos de IA, cómo estos modelos aprenden a representar el mundo que los rodea y qué comparten sus «cerebros» con los cerebros de sus creadores humanos.
«Veo que todos los diferentes tipos de inteligencia tienen muchos puntos en popular, y me gustaría entender esos puntos en popular. ¿Qué es lo que todos los animales, los humanos y las IA tienen en popular?» dice Isola, quien asimismo es miembro del Laboratorio de Informática e Inteligencia Sintético (CSAIL).
Para Isola, una mejor comprensión científica de la inteligencia que poseen los agentes de IA ayudará al mundo a integrarlos de forma segura y eficaz en la sociedad, maximizando su potencial para beneficiar a la humanidad.
hacer preguntas
Isola comenzó a reflexionar sobre cuestiones científicas a una etapa temprana.
Mientras crecía en San Francisco, él y su padre frecuentemente iban de excursión a lo holgado de la costa ártico de California o acampaban en torno a de Point Reyes y en las colinas del condado de Marin.
Le fascinaban los procesos geológicos y a menudo se preguntaba qué hacía funcionar el mundo natural. En la escuela, Isola estaba impulsado por una curiosidad insaciable y, aunque gravitaba alrededor de materias técnicas como matemáticas y ciencias, no había techo para lo que quería instruirse.
Sin estar completamente seguro de qué estudiar como estudiante universitario en la Universidad de Yale, Isola incursionó hasta que encontró las ciencias cognitivas.
«Mi interés antecedente había sido la naturaleza: cómo funciona el mundo. Pero luego me di cuenta de que el cerebro era aún más interesante y más arduo que incluso la formación de los planetas. Ahora quería enterarse qué es lo que nos motiva», dice.
Como estudiante de primer año, comenzó a trabajar en el laboratorio de su profesor de ciencias cognitivas y futuro mentor, Brian Scholl, miembro del Unidad de Psicología de Yale. Permaneció en ese laboratorio durante toda su etapa universitaria.
A posteriori de acontecer un año sabatino trabajando con algunos amigos de la infancia en una empresa independiente de videojuegos, Isola estaba registro para retornar a sumergirse en el arduo mundo del cerebro humano. Se matriculó en el software de posgrado en ciencias cognitivas y del cerebro del MIT.
«En la escuela de posgrado sentí que finalmente había enfrentado mi motivo. Tuve muchas experiencias maravillosas en Yale y en otras fases de mi vida, pero cuando llegué al MIT, me di cuenta de que este era el trabajo que efectivamente amaba y que estas son las personas que piensan de forma similar a mí», dice.
Isola atribuye a su asesor de doctorado, Ted Adelson, profesor de ciencias de la visión John y Dorothy Wilson, una gran influencia en su camino futuro. Se inspiró en el enfoque de Adelson en comprender los principios fundamentales, en motivo de simplemente perseguir nuevos puntos de narración de ingeniería, que son pruebas formalizadas que se utilizan para calcular el rendimiento de un sistema.
Una perspectiva computacional
En el MIT, la investigación de Isola desvió alrededor de la informática y la inteligencia químico.
«Todavía me encantaban todas esas preguntas de las ciencias cognitivas, pero sentí que podía avanzar más en algunas de ellas si las abordaba desde una perspectiva puramente computacional», dice.
Su argumento se centró en la agrupación perceptual, que involucra los mecanismos que utilizan las personas y las máquinas para organizar partes discretas de una imagen como un objeto único y coherente.
Si las máquinas pueden instruirse agrupaciones perceptuales por sí solas, eso podría permitir que los sistemas de inteligencia químico reconozcan objetos sin intervención humana. Este tipo de formación autosupervisado tiene aplicaciones en áreas como vehículos autónomos, imágenes médicas, robótica y traducción cibernética de idiomas.
A posteriori de graduarse del MIT, Isola completó un postdoctorado en la Universidad de California en Berkeley para poder ampliar sus perspectivas trabajando en un laboratorio centrado nada más en ciencias de la computación.
«Esa experiencia ayudó a que mi trabajo tuviera mucho más impacto porque aprendí a equilibrar la comprensión de los principios abstractos y fundamentales de la inteligencia con la búsqueda de algunos puntos de narración más concretos», recuerda Isola.
En Berkeley, desarrolló marcos de traducción de imagen a imagen, una forma temprana de maniquí de IA generativa que podía convertir un esbozo en una imagen fotográfica, por ejemplo, o convertir una fotografía en blanco y infausto en una en color.
Entró en el mercado profesional culto y aceptó un puesto de profesor en el MIT, pero Isola lo pospuso por un año para trabajar en una entonces pequeña startup llamamiento OpenAI.
«Era una ordenamiento sin fines de utilidad y me gustó la empresa idealista de ese momento. Eran muy buenos en el formación por refuerzo y pensé que parecía un tema importante sobre el que instruirse más», dice.
Le gustaba trabajar en un laboratorio con tanta albedrío científica, pero posteriormente de un año, Isola estaba registro para regresar al MIT y comenzar su propio categoría de investigación.
Estudiando la inteligencia humana
Dirigir un laboratorio de investigación le atrajo de inmediato.
«Verdaderamente me encanta la etapa original de una idea. Siento que soy una especie de incubadora de startups donde constantemente puedo hacer cosas nuevas y instruirse cosas nuevas», dice.
Basándose en su interés por las ciencias cognitivas y su deseo de comprender el cerebro humano, su categoría estudia los cálculos fundamentales implicados en la inteligencia humana que surge en las máquinas.
Un enfoque principal es el formación de representación, o la capacidad de los humanos y las máquinas para representar y percibir el mundo sensorial que los rodea.
En un trabajo nuevo, él y sus colaboradores observaron que los diversos tipos de modelos de formación inconsciente, desde LLM hasta modelos de visión por computadora y modelos de audio, parecen representar el mundo de forma similar.
Estos modelos están diseñados para realizar tareas muy diferentes, pero existen muchas similitudes en sus arquitecturas. Y a medida que crecen y reciben más datos, sus estructuras internas se vuelven más parecidas.
Esto llevó a Isola y su equipo a introducir la Hipótesis de la Representación Platónica (que toma su nombre del filósofo difícil Platón) que dice que las representaciones que aprenden todos estos modelos convergen alrededor de una representación subyacente compartida de la existencia.
«El habla, las imágenes, el sonido son diferentes sombras en la tabique de las que se puede inferir que existe algún tipo de proceso físico subyacente, algún tipo de existencia causal. Si entrenas modelos con todos estos diferentes tipos de datos, al final deberían converger en ese maniquí mundial», dice Isola.
Un dominio relacionada que estudia su equipo es el formación autosupervisado. Se comercio de las formas en que los modelos de IA aprenden a agrupar píxeles relacionados en una imagen o palabras en una oración sin tener ejemplos etiquetados de los que instruirse.
Correcto a que los datos son costosos y las etiquetas limitadas, utilizar solo datos etiquetados para entrenar modelos podría frenar las capacidades de los sistemas de IA. Con el formación autosupervisado, el objetivo es desarrollar modelos que puedan difundir por sí solos una representación interna precisa del mundo.
«Si puedes crear una buena representación del mundo, eso debería solucionar la resolución de problemas posteriores», explica.
El objetivo de la investigación de Isola es más encontrar poco nuevo y sorprendente que construir sistemas complejos que puedan aventajar los últimos puntos de narración de formación inconsciente.
Si perfectamente este enfoque ha tenido mucho éxito en el descubrimiento de técnicas y arquitecturas innovadoras, significa que el trabajo a veces carece de un objetivo final concreto, lo que puede difundir desafíos.
Por ejemplo, suministrar un equipo simpatizante y que la financiación fluya puede resultar difícil cuando el laboratorio se centra en averiguar resultados inesperados, afirma.
«En cierto sentido, siempre trabajamos en la oscuridad. Es un trabajo de detención aventura y adhesión premio. De vez en cuando, encontramos poco de verdad que es nuevo y sorprendente», dice.
Encima de averiguar conocimientos, a Isola le apasiona impartir conocimientos a la próxima concepción de científicos e ingenieros. Entre sus cursos favoritos para impartir se encuentra el 6.7960 (Formación profundo), que él y varios otros miembros del profesorado del MIT lanzaron hace cuatro abriles.
La clase ha experimentado un crecimiento exponencial, de 30 estudiantes en su propuesta original a más de 700 este otoño.
Y si perfectamente la popularidad de la IA significa que no hay escasez de estudiantes interesados, la velocidad a la que se mueve el campo puede hacer que sea difícil separar las exageraciones de los avances verdaderamente significativos.
«Les digo a los estudiantes que deben tomar todo lo que decimos en clase con cautela. Tal vez interiormente de unos abriles les digamos poco diferente. Verdaderamente estamos al borde del conocimiento con este curso», dice.
Pero Isola asimismo enfatiza a los estudiantes que, a pesar de todo el revuelo que rodea a los últimos modelos de IA, las máquinas inteligentes son mucho más simples de lo que la mayoría de la gentío sospecha.
«Muchas personas creen que el ingenio, la creatividad y las emociones humanas nunca se pueden modelar. Eso podría resultar cierto, pero creo que la inteligencia es harto simple una vez que la entendemos», dice.
Aunque su trabajo contemporáneo se centra en modelos de formación profundo, Isola todavía está fascinado por la complejidad del cerebro humano y continúa colaborando con investigadores que estudian las ciencias cognitivas.
Mientras tanto, permaneció cautivado por la belleza del mundo natural que inspiró su primer interés por la ciencia.
Aunque actualmente tiene menos tiempo para pasatiempos, a Isola le gusta hacer caminatas y desplazarse con mochila en las montañas o en Cape Cod, esquiar y transitar en kayak, o encontrar lugares pintorescos para acontecer el tiempo cuando viaja para asistir a conferencias científicas.
Y mientras dilación explorar nuevas preguntas en su laboratorio del MIT, Isola no puede evitar contemplar cómo el papel de las máquinas inteligentes podría cambiar el curso de su trabajo.
Él cree que la inteligencia químico militar (AGI), o el punto en que las máquinas puedan instruirse y aplicar sus conocimientos tan perfectamente como los humanos, no está tan allá.
«No creo que las IA simplemente hagan todo por nosotros y que vayamos a disfrutar de la vida en la playa. Creo que habrá esta coexistencia entre máquinas inteligentes y humanos que todavía tienen mucha agencia y control. Ahora, estoy pensando en las preguntas y aplicaciones interesantes una vez que eso suceda. ¿Cómo puedo ayudar al mundo en este futuro post-AGI? Todavía no tengo ninguna respuesta, pero está en mi mente», dice.