La cima del tercer auge

Normalización por lotes (Batch Normalization): acelerar el entrenamiento ajustando las entradas de una capa a media 0 y varianza 1 en cada grupo de ejemplos (2015)

La normalización por lotes incorpora un mecanismo que ajusta los valores de entrada de una capa intermedia a media 0 y varianza 1 para cada grupo de datos usado a la vez en el entrenamiento, o minilote. Después vuelve a darles escala y desplazamiento, scale and shift, con 2 valores aprendidos, γ y β. Ioffe y Szegedy, de Google, pensaban que los cambios de distribución de las entradas de una capa cuando cambian los pesos de la anterior ralentizaban el aprendizaje; lo llamaron internal covariate shift. Escribieron que el método permitía usar tasas de aprendizaje mucho mayores, preocuparse menos por los pesos iniciales e incluso prescindir de dropout en algunos casos. En una red de reconocimiento de imágenes alcanzaron la misma precisión con una catorceava parte de las iteraciones. Una combinación de redes obtuvo un 4.9% de error en ImageNet bajo la regla que permite 5 respuestas (4.8% en el test), y escribieron que superaba la precisión de los evaluadores humanos.

Lo que aún no se sabe:La investigación sobre por qué funciona la normalización por lotes continuó después del artículo de 2018; no puede considerarse una cuestión resuelta. Aún no se han consultado artículos posteriores a 2018.

Destilación de conocimiento: hacer que un modelo pequeño imite las “etiquetas suaves” de uno grande (2015)

La destilación de conocimiento, distillation, transfiere a una red pequeña y ligera el conocimiento aprendido por una red grande y pesada o por una combinación de muchas redes. Eleva la temperatura T de softmax, una función que transforma puntuaciones en probabilidades, para suavizar las probabilidades de salida de la red grande. Después entrena la pequeña para reproducir esas respuestas suaves, soft targets. Incluyen diferencias de probabilidad entre las opciones incorrectas y dan pistas sobre cómo generaliza la red grande. En el ejemplo del artículo, la probabilidad de confundir una imagen de un BMW con un camión de basura es muy baja, pero varias veces mayor que la de confundirla con una zanahoria. El artículo de marzo de 2015 de Hinton, Vinyals y Dean, de Google, informó de que, en un experimento con dígitos manuscritos, incluso sin mostrar ninguna imagen del 3 a la red pequeña durante la destilación, esta acertaba el 98.6% de los 3 de prueba si se ajustaba el sesgo de ese dígito. En un experimento con una versión anterior del modelo de búsqueda por voz de Android, transfirió a una única red destilada más del 80% de la mejora de precisión conseguida combinando 10 redes. El artículo comienza con una comparación: como los insectos tienen estructuras corporales diferentes como larvas y adultos, una red puede tener formas diferentes durante el entrenamiento y el uso.

Lo que aún no se sabe:Todavía no se ha comprobado en fuentes originales hasta qué punto se usa actualmente la destilación de conocimiento en IA pequeñas que funcionan en teléfonos inteligentes y otros dispositivos.

word2vec: representar palabras como vectores para calcular la cercanía de sus significados y sus relaciones (2013)

word2vec es un método y un programa que representan cada palabra mediante un conjunto de varios cientos de números, un vector. Aprende de grandes cantidades de texto para situar cerca las palabras que se usan de forma semejante. Mikolov y colaboradores, de Google, lo presentaron en 2013. Tiene 2 estructuras: CBOW aprende a predecir la palabra central a partir de las palabras cercanas, y Skip-gram aprende a predecir las palabras anteriores y posteriores a partir de la central. Simplifica el cálculo eliminando el procesamiento no lineal de la capa oculta de modelos de lenguaje neuronales anteriores, como el de Bengio y colaboradores de 2003. Según el artículo, a partir de 1.6 mil millones de palabras pudo crear vectores de 300 dimensiones para 1 millón de palabras con una sola CPU en menos de un día. Las sumas y restas de estos vectores representan relaciones entre palabras. El artículo midió el rendimiento con la proporción de aciertos en problemas como encontrar smallest como palabra más cercana al vector biggest − big + small. El artículo posterior de octubre añadió métodos para acelerar el entrenamiento de Skip-gram, como negative sampling, y el tratamiento de expresiones como Air Canada. También mostró que sumar los vectores Russia y river produce uno cercano a Volga River. El programa se publicó con el nombre word2vec.

Lo que aún no se sabe:No se ha comprobado todavía en fuentes originales cómo cambia la respuesta si no se excluyen las 3 palabras de la pregunta, ni si es frecuente que la palabra más cercana sea una de ellas. Tampoco se ha comprobado en qué conferencia de 2013 se presentó word2vec.

Una IA que aprende a jugar videojuegos observando la pantalla (DQN de DeepMind, 2013 y 2015)

En diciembre de 2013, DeepMind Technologies (ubicación en el artículo de 2015: Londres, Reino Unido) presentó una IA que jugaba videojuegos antiguos, descritos en el artículo como “juegos clásicos de Atari 2600” (traducción). Usaba solo los píxeles de la pantalla y la puntuación como señales, combinando aprendizaje profundo con aprendizaje por refuerzo, que mejora mediante ensayo y error. Superó a métodos anteriores en 6 de 7 juegos y a jugadores humanos expertos en 3. En el artículo de Nature de febrero de 2015, con afiliación Google DeepMind, entrenaron el mismo sistema en 49 juegos y alcanzó un rendimiento comparable al de un probador profesional de videojuegos. En 29 juegos consiguió al menos el 75% de la puntuación humana.

Google adquiere DeepMind, una empresa de IA de Londres (2014)

En enero de 2014 se informó de que Google adquiría DeepMind, una empresa de IA de Londres. Google confirmó la adquisición a Re/code y DeepMind a TechCrunch, pero no revelaron el importe. Según TechCrunch, DeepMind fue fundada por Demis Hassabis, Shane Legg y Mustafa Suleyman. En artículos posteriores, la afiliación pasó a ser “Google DeepMind”, como en el artículo de DQN de 2015.

DeCAF: fijar las capas intermedias de una CNN entrenada con ImageNet y reutilizarlas como características para otras tareas (Donahue y colaboradores, 2013–2014)

En octubre de 2013, Jeff Donahue, Yangqing Jia y otros, 7 investigadores de la Universidad de California en Berkeley e ICSI, fijaron los pesos de una CNN entrenada para clasificar las 1,000 categorías de ImageNet, con la estructura de la red de Krizhevsky y colaboradores de 2012. Comprobaron si sus respuestas en capas intermedias podían servir como características para otras tareas, llamadas DeCAF. Bastó colocar un clasificador lineal sobre una capa cercana a la salida (DeCAF6, 4,096 valores) para acertar el 86.9% en Caltech-101, con 30 imágenes de entrenamiento por clase. Superó en un 2.6% el mejor resultado de entonces, obtenido combinando 5 características diseñadas manualmente. Con solo 1 imagen por clase logró un 33.0%. También superó los mejores resultados de entonces en identificación de escenas (SUN-397, 40.94%) y especies de aves. No ajustaron las capas de la CNN y publicaron el software, incluidos los pesos, para que cualquiera pudiera usarlo.

Medir capa por capa hasta dónde se pueden transferir a otra tarea las características de una red profunda (Yosinski y colaboradores, 2014)

En noviembre de 2014, Jason Yosinski, de Cornell, Jeff Clune, de Wyoming, Yoshua Bengio, de Montreal, y Hod Lipson, de Cornell, midieron capa por capa hasta dónde una red profunda aprende características generales útiles para cualquier tarea. Dividieron aleatoriamente las 1,000 clases de ImageNet en A y B, con 500 clases y unas 645,000 imágenes cada uno. Copiaron las n capas inferiores de una red de 8 capas entrenada con A a una red para B y entrenaron las restantes con B. Las capas 1–2 pudieron transferirse casi sin cambios. En las capas 3–5, separar características cuya cooperación entre capas vecinas era frágil redujo el rendimiento. En las capas 6–7, la principal causa de la caída era que las características se habían especializado en la tarea A. Al ajustar con B también las capas copiadas, la tasa de aciertos superó en promedio en un 1.6% a una red entrenada desde cero solo con B; al copiar al menos 5 capas, la mejora fue del 2.1%.

Lo que aún no se sabe:Para explicar por qué el efecto del entrenamiento anterior persiste después del ajuste, el artículo se limita a una explicación plausible: queda la influencia de haber visto los datos originales.

Probar diversas tareas de reconocimiento de imágenes usando solo características de una CNN ya entrenada (Razavian y colaboradores, 2014)

En marzo de 2014, Ali Sharif Razavian, Hossein Azizpour, Josephine Sullivan y Stefan Carlsson, de KTH, el Real Instituto de Tecnología de Suecia, extrajeron características compuestas por 4,096 números del modelo público OverFeat, entrenado para la clasificación de ILSVRC13. Con solo añadir una SVM lineal, probaron tareas cada vez más alejadas de la original: clasificación de objetos, identificación de escenas, clasificación de categorías detalladas, identificación de atributos y búsqueda de imágenes. Escribieron que, en clasificación, superaban a todos los métodos de máximo nivel de entonces que estaban bien ajustados, y concluyeron que las características de CNN profundas deberían ser la primera opción en la mayoría de las tareas de reconocimiento de imágenes.

Se comprueba si los modelos de detección de objetos pueden aprender desde cero sin preentrenamiento con ImageNet (He y otros, 2018)

En noviembre de 2018, Kaiming He, Ross Girshick y Piotr Dollár, de Facebook AI Research (FAIR), volvieron a comprobar si la combinación de preentrenamiento con ImageNet y ajuste fino era realmente necesaria para detectar objetos. En detección de objetos y segmentación de regiones con COCO, incluso al entrenar con pesos iniciales aleatorios (desde cero), los resultados igualaban los de modelos preentrenados y ajustados si se aumentaban las iteraciones de entrenamiento. Lo mismo ocurrió al reducir al 10% las imágenes de entrenamiento de COCO. El efecto del preentrenamiento consistía en acelerar el aprendizaje inicial. Sin embargo, con solo 1,000 imágenes de entrenamiento, el resultado desde cero fue 3.5 frente a 9.9 con preentrenamiento, una diferencia considerable (la medida es AP; con 3,500 imágenes, los resultados fueron 16.0 con preentrenamiento y 9.3 desde cero).

Lo que aún no se sabe:La cantidad de datos de la tarea objetivo necesaria para prescindir del preentrenamiento depende de la tarea. Para COCO, el artículo la estima entre 3,500 y 10,000 imágenes.

Toshihiro Kamishima resume en japonés el aprendizaje por transferencia en un artículo explicativo de la revista de la Sociedad Japonesa de Inteligencia Artificial (2010)

En julio de 2010, Toshihiro Kamishima, del Instituto Nacional de Ciencia y Tecnología Industrial Avanzada, resumió en japonés las ideas y los métodos del aprendizaje por transferencia en un artículo explicativo de la revista de la Sociedad Japonesa de Inteligencia Artificial. Este aprendizaje consiste en incorporar, de datos relacionados pero también diferentes, solo los conocimientos que pueden servir para el problema que se quiere resolver, para obtener reglas de predicción más precisas. Explicó que ideas semejantes habían recibido nombres diversos: transferencia inductiva, adaptación de dominio, aprendizaje multitarea y learning to learn, entre otros. También presentó investigaciones sobre redes neuronales que comparten capas intermedias entre varias tareas (Caruana, 1997) y sobre la transferencia negativa, en la que usar los datos de origen reduce la precisión de las predicciones.

R-CNN: crear unas 2,000 regiones candidatas y obtener sus características una a una con una CNN para detectar objetos (Girshick y colaboradores, 2013–2014)

En noviembre de 2013, Ross Girshick, Jeff Donahue, Trevor Darrell y Jitendra Malik, de la Universidad de California en Berkeley (UC Berkeley en el artículo) e ICSI, aplicaron a la detección de objetos las CNN, redes neuronales convolucionales que habían demostrado su capacidad en clasificación de imágenes. Detectar objetos consiste en identificarlos y rodearlos con rectángulos, llamados cajas delimitadoras. Primero, selective search, un método sin aprendizaje, propone unos 2,000 rectángulos por imagen. Cada uno se transforma a 227×227 píxeles y pasa por la CNN para obtener características de 4,096 dimensiones. Después se puntúan con una SVM lineal para cada clase. Se eliminan los rectángulos que se solapan mucho con otros de la misma clase y mayor puntuación, usando IoU, área de intersección dividida por área de unión: supresión de no máximos. La CNN se preentrenó con clasificación de ImageNet (ILSVRC 2012) y después se ajustó con datos de detección, proceso llamado fine-tuning. En la versión de CVPR 2014 alcanzó un mAP, promedio de precisión media, del 53.3% en PASCAL VOC 2012, más de un 30% de mejora relativa respecto al mejor resultado anterior. Sin embargo, calcular las regiones y las características tardaba 13 segundos por imagen con GPU y 53 con CPU.

YOLO: dividir la imagen en una cuadrícula de 7×7 y detectar a la vez posiciones y clases en una sola ejecución de la red (Redmon y colaboradores, 2015–2016)

En junio de 2015, Joseph Redmon y sus colaboradores de la Universidad de Washington presentaron YOLO (You Only Look Once: solo se mira una vez), un método que resuelve la detección de objetos con un solo cálculo de una única red neuronal. Ajusta la imagen a 448×448 píxeles y la divide en una cuadrícula de 7×7. Cada celda produce a la vez 2 rectángulos con sus niveles de confianza y las probabilidades de 20 clases (la salida son 7×7×30 valores, con 98 rectángulos en total; R-CNN utiliza unas 2,000 regiones candidatas). Es rápido porque no separa la detección de regiones candidatas y su clasificación. En la versión para el congreso CVPR 2016, utilizando una GPU Titan X, alcanzó un mAP del 63.4% en PASCAL VOC 2007 a 45 imágenes por segundo. La versión pequeña, Fast YOLO, logró el 52.7% a 155 imágenes por segundo. En la comparación del mismo artículo, Fast R-CNN alcanzó el 70.0% a 0.5 imágenes por segundo. YOLO cometía más errores de localización (19.0% en las predicciones mejor puntuadas, frente al 8.6% de Fast R-CNN), pero confundía menos el fondo con objetos (4.75% frente al 13.6%).

Faster R-CNN: acelerar la detección de objetos generando también las regiones candidatas con una red (Ren y colaboradores, 2015)

En junio de 2015, Shaoqing Ren, Kaiming He, Ross Girshick y Jian Sun, de Microsoft Research, presentaron Faster R-CNN. El método encarga también a una red la generación de regiones candidatas, que era una causa de lentitud en el proceso de R-CNN. Una pequeña red (RPN: red de propuestas de regiones) comparte con el reconocimiento de objetos las características de CNN de toda la imagen. Para cada uno de los 9 marcos de referencia (anclas), con 3 tamaños × 3 proporciones, sobre el mapa de características, produce una puntuación de la probabilidad de que haya un objeto y una corrección de posición. Con VGG-16 y 300 propuestas por imagen, procesó todo el procedimiento en GPU a 5 imágenes por segundo y alcanzó un mAP del 73.2% en PASCAL VOC 2007. Según el artículo, selective search, muy utilizado hasta entonces, necesitaba 2 segundos por imagen en CPU.

ChainerCV: investigadores de la Universidad de Tokio y Preferred Networks publican una biblioteca para ejecutar la detección de objetos con Chainer con los resultados descritos en los artículos (2017)

En agosto de 2017, Yusuke Niitani y Toru Ogawa, de la Universidad de Tokio, y Shunta Saito y Masaki Saito, de Preferred Networks, publicaron un artículo sobre ChainerCV, una biblioteca que reúne redes de detección de objetos y segmentación de regiones para usarlas con Chainer, una herramienta de aprendizaje profundo. Incluyeron incluso programas para entrenar Faster R-CNN y SSD (otro método que detecta en una sola pasada) hasta alcanzar el rendimiento de los artículos originales. En la medida mAP de PASCAL VOC 2007, informaron de un 70.5% para Faster R-CNN frente al 69.9% del artículo original, y un 77.5% para SSD300 frente al 77.5%. También implementaron para GPU la supresión de no máximos, que elimina los cuadros de detección superpuestos.

Autocodificador variacional (VAE): comprimir datos en unos pocos números y generar nuevos datos a partir de ellos (Kingma y Welling, 2013)

En diciembre de 2013, Diederik Kingma y Max Welling, de la Universidad de Ámsterdam, publicaron “Inferencia bayesiana variacional con autocodificación” (Auto-Encoding Variational Bayes) en arXiv, un sitio donde los investigadores publican sus artículos por adelantado. El método introduce probabilidades en un autocodificador: una red neuronal que combina un codificador, que comprime la entrada en unos pocos números o variables latentes, y un decodificador, que reconstruye la entrada. El codificador produce una media y una dispersión, la desviación estándar, en lugar de un único punto. Al elegir un punto mediante media + dispersión × número aleatorio, el número aleatorio queda separado del cálculo. Esto permite entrenar toda la red a la vez mediante retropropagación, que transmite el error de la salida hacia atrás para corregir los pesos; el artículo lo llama reparameterization trick. El entrenamiento busca reducir el error entre la entrada reconstruida y la original, y acercar la distribución de las variables latentes a una distribución normal de media 0 y dispersión 1. Después, pasar por el decodificador un punto elegido de esa distribución normal permite generar datos nuevos. El artículo lo comprobó con dígitos manuscritos de MNIST y fotografías de rostros de Frey Face.

Lo que aún no se sabe:No se sabe qué grupo concibió primero la idea: solo se dispone de las fechas de publicación en arXiv, 2013-12-20 y 2014-01-16.

Origen de los autocodificadores: tareas de 1985–1987 que hacían reproducir la entrada a través de una capa intermedia estrecha

Un autocodificador es una red neuronal entrenada para producir como salida los mismos datos que recibe como entrada. Se reduce el número de neuronas de la capa intermedia. Como la entrada no puede pasar sin más, esa capa aprende por sí misma un código que la representa comprimida en pocos valores numéricos. La primera mitad convierte la entrada en un código (codificador) y la segunda reconstruye el original a partir de él (decodificador). Esta estructura aparece en el encoder problem (problema de codificación) del artículo de 1985 sobre la máquina de Boltzmann y en un capítulo de un libro sobre retropropagación de 1986. En el capítulo se entrenó una red para reproducir 8 entradas en las mismas 8 salidas pasando por 3 neuronas de una capa oculta. Las neuronas ocultas asignaron un código propio a cada una de las 8 entradas (utilizando no solo 0 y 1, sino también valores intermedios). En 1987, Ballard propuso apilar redes autoasociativas (autoassociative), con entradas y salidas idénticas. Las capas superiores recibían y aprendían las representaciones de la capa oculta inferior.

Lo que aún no se sabe:No se ha comprobado qué artículo utilizó primero la palabra autoencoder (autocodificador); el más antiguo entre los consultados es el de Hinton y Zemel en NIPS de 1993. No se ha consultado el artículo de Kramer de 1991 sobre análisis de componentes principales no lineal porque es de pago. Se buscó si en Japón, por la misma época, se investigaban redes que reproducían la entrada en la salida (llamadas de tipo reloj de arena, aprendizaje de la aplicación identidad, etc.), pero no se encontró evidencia concluyente.

GAN: enfrentar 2 IA, como “un equipo de falsificadores de dinero” (traducción) y “la policía” (traducción), para crear datos semejantes a los reales (2014)

En junio de 2014, Ian Goodfellow y colaboradores, de la Universidad de Montreal, publicaron un artículo sobre las “redes generativas antagónicas”, GAN, un método que entrena simultáneamente 2 IA: G genera datos y D distingue si son reales o generados. El artículo compara a G con “un equipo de falsificadores que intenta producir dinero falso” (traducción) y a D con “la policía” (traducción). Explica que al competir ambos mejoran hasta que las falsificaciones resultan indistinguibles de lo real. Los experimentos usaron imágenes de dígitos manuscritos, rostros y otros datos.

Codificador-decodificador RNN y GRU: 2 RNN que transforman secuencias y una estructura simplificada de LSTM (Cho y colaboradores, 2014)

En junio de 2014, Kyunghyun Cho y colaboradores, de la Universidad de Montreal, presentaron RNN Encoder–Decoder, que combina 2 redes neuronales recurrentes, RNN: redes que procesan datos secuenciales conservando el estado anterior. La primera, el codificador, resume secuencias de palabras de longitud variable en un vector de longitud fija; la segunda, el decodificador, genera otra secuencia de palabras a partir de él. El mismo artículo propuso una estructura nueva, posteriormente llamada GRU, que simplificaba el cálculo de LSTM. Tiene 2 compuertas, mecanismos que regulan con valores de 0–1 cuánta información pasa. La compuerta de reinicio determina cuánto del estado anterior se ignora al reconstruirlo con la entrada actual; la de actualización determina cuánto se conserva sin cambios para el paso siguiente. El artículo probó el sistema en traducción del inglés al francés, pero lo usó como señal auxiliar para puntuar pares de frases dentro de la traducción automática estadística tradicional, que calcula probabilidades de traducción de grupos de palabras a partir de muchos textos emparejados.

seq2seq, de secuencia a secuencia: leer una oración en un vector con una LSTM y escribir la traducción con otra (Sutskever y colaboradores, 2014)

En septiembre de 2014, Ilya Sutskever, Oriol Vinyals y Quoc V. Le, de Google, publicaron en arXiv “Aprendizaje de secuencia a secuencia con redes neuronales” (Sequence to Sequence Learning with Neural Networks). Una LSTM de 4 capas, una RNN diseñada para recordar información anterior incluso en secuencias largas, lee la entrada palabra por palabra y la resume en un vector de longitud fija. Otra LSTM de 4 capas escribe la traducción palabra por palabra a partir de ese vector. Descubrieron que invertir el orden de las palabras de entrada facilitaba el aprendizaje: BLEU pasó de 25.9 a 30.6. BLEU puntúa cuánto coinciden las secuencias de palabras de la traducción automática con las de traducciones humanas. En la traducción del inglés al francés de WMT'14, combinar 5 LSTM dio 34.8, frente a 33.3 del sistema estadístico de comparación. Reordenar con LSTM los 1,000 candidatos del sistema estadístico dio 36.5. Una LSTM tenía 380 millones de parámetros y se entrenó con 12 millones de pares de oraciones.

Lo que aún no se sabe:El artículo dice que no puede explicar completamente por qué invertir la entrada mejora la precisión. Como hipótesis, propone que acerca las primeras palabras de la entrada a las primeras de la traducción (sección 3.3).

Origen de la atención: traducir decidiendo cuánto atender a cada palabra del original al generar cada palabra traducida (Bahdanau y colaboradores, 2014)

En septiembre de 2014, Dzmitry Bahdanau, KyungHyun Cho y Yoshua Bengio publicaron en arXiv “Traducción automática neuronal mediante el aprendizaje conjunto de la alineación y la traducción” (Neural Machine Translation by Jointly Learning to Align and Translate). Los codificadores-decodificadores anteriores comprimían toda la oración de entrada en un único vector de longitud fija; el artículo lo consideró un cuello de botella que limitaba el rendimiento. El codificador conserva para cada palabra de entrada un resumen, o anotación, obtenido al leer la oración en ambas direcciones. Cada vez que produce una palabra traducida, el decodificador usa una pequeña red neuronal para puntuar la importancia de cada resumen, convierte las puntuaciones en pesos que suman 1 y utiliza la suma ponderada de los resúmenes. El artículo explica que, intuitivamente, esto dota al decodificador de un mecanismo de atención. En traducción del inglés al francés, la puntuación caía menos al aumentar la longitud de las oraciones. Al limitarse a oraciones sin palabras desconocidas, obtuvo puntuaciones similares a las del sistema estadístico Moses: BLEU 36.15 y 35.63. Al visualizar los pesos, se veía cómo European Economic Area correspondía a zone économique européenne, con el orden de palabras inverso.

Google Traductor pasa a la “traducción automática neuronal”, que lee la oración completa (2016); también en Japón se comenta que las traducciones se han vuelto de repente más naturales

En septiembre de 2016, Google presentó su traducción automática neuronal, GNMT, un método que lee cada oración como un conjunto. Hasta entonces utilizaba traducción automática estadística, que traduce partes de la oración, desde el lanzamiento de Google Traductor unos 10 años antes (el blog de investigación dice “Hace 10 años” y el blog japonés, “apareció como pionero de la traducción automática estadística”). GNMT comenzó a utilizarse en todas las traducciones del chino al inglés, unas 18 millones al día. Según la evaluación humana, redujo los errores en un promedio del 60%. En noviembre se amplió a 8 idiomas, entre ellos japonés y coreano. Según ITmedia, “la mejora de la precisión ya era tema de conversación en Japón desde alrededor del día 11” (traducción). Incluye un método que divide las palabras en fragmentos pequeños, llamados wordpieces, para manejar también palabras poco frecuentes. Según el informe técnico de Google, este método se creó originalmente para resolver problemas de segmentación del japonés y el coreano en el reconocimiento de voz, y también se utilizó en BERT, de 2018.

Meta del gobierno japonés: poner en uso práctico la traducción de voz en 10 idiomas para 2020 (2014); después, interpretación simultánea para 2025

En abril de 2014, el Ministerio de Asuntos Internos y Comunicaciones anunció el “Plan de comunicación global”. Fijó como misión “eliminar las barreras lingüísticas del mundo” (traducción) y se propuso lograr para 2020 traducción de voz de alta precisión en 10 idiomas para conversaciones de viajes, prevención de desastres, atención médica y vida cotidiana. Buscaba “recibir a las personas sin que perciban ninguna barrera lingüística” (traducción) al recibir a deportistas, espectadores y otras personas de todo el mundo en los Juegos Olímpicos y Paralímpicos de Tokio de 2020. Las tecnologías centrales incluían VoiceTra, de NICT. El siguiente plan, de marzo de 2020, afirmó que en la primera etapa, 2014–2019, “se alcanzó un nivel práctico en 12 idiomas” (traducción), y fijó para la Expo de Osaka-Kansai de 2025 la nueva meta “de la traducción consecutiva a la interpretación simultánea” (traducción) (la traducción consecutiva traduce una frase cada vez). Según el libro blanco de 2025, en la Expo se usaron una aplicación de traducción a 30 idiomas e interpretación simultánea en seminarios y otros actos con tecnología de NICT.

Lo que ocurrió después:El plan del propio ministerio de marzo de 2020 afirmó que “se alcanzó un nivel práctico en 12 idiomas” (traducción). La siguiente meta era la interpretación simultánea para 2025, y el libro blanco de 2025 dice que en la Expo se implementaron una aplicación de traducción a 30 idiomas e interpretación simultánea en seminarios y otros actos. Las fuentes consultadas no explican cómo se mide el “nivel de aplicación práctica”. Este sitio no ha comprobado cómo se usaron en los Juegos Olímpicos y Paralímpicos.

Adam: un método de entrenamiento que ajusta automáticamente el tamaño de actualización de cada peso (2014)

Adam es un método de optimización que mejora el descenso del gradiente, que actualiza poco a poco los pesos en la dirección que reduce el error respecto a la respuesta correcta. Para cada peso registra la media móvil del gradiente, que indica hacia dónde y cuánto cambiar (primer momento), y la media móvil del gradiente al cuadrado (segundo momento). Actualiza el peso en una cantidad basada en dividir la primera media por la raíz cuadrada de la segunda. Así, los pesos con gradientes constantemente grandes reciben cambios menores y los de gradientes pequeños reciben cambios mayores; las actualizaciones quedan limitadas aproximadamente a un tamaño fijo de paso. Como las medias móviles parten de 0, incluye una corrección del sesgo que al principio acerca los valores a 0. El nombre viene de adaptive moment estimation, estimación adaptativa de momentos. El artículo explica que combina las ventajas de AdaGrad, eficaz con gradientes dispersos, y RMSProp, eficaz con problemas que cambian con el tiempo. Como fuente de RMSProp cita la lección 6.5 del curso en línea de Hinton y colaboradores en Coursera. Una nota al pie dice que los 2 autores contribuyeron por igual y decidieron el orden de sus nombres lanzando una moneda durante una videollamada en Google Hangout.

Lo que aún no se sabe:No se ha comprobado en qué versión entre v1 y v9 cambió la elección de β: solo se consultaron esas 2 versiones. Tampoco se ha consultado la propia lección original de RMSProp, la 6.5 de Coursera.

ResNet (red residual): conexiones que saltan capas permiten llegar a 152 capas de profundidad (2015)

ResNet es una red neuronal que incorpora repetidamente conexiones de salto (shortcut connection): a la salida de varias capas se suma, sin modificar, el valor de entrada anterior a esas capas. El bloque de capas no necesita aprender la transformación objetivo H(x) completa, sino su diferencia respecto de la entrada, F(x) = H(x) − x (el residuo); la salida es F(x) + x. Como la conexión de salto solo transmite el valor sin modificarlo, no aumenta el número de pesos ni la cantidad de cálculo. Kaiming He y sus colaboradores de Microsoft Research mostraron que, en una red de capas simplemente apiladas, 56 capas producían más errores que 20 incluso en los datos de entrenamiento (una degradación por la dificultad de aprender, no por sobreajuste; el artículo la llama degradation). La forma residual resolvió este problema y permitió llegar a 152 capas en ImageNet, 8 veces la profundidad de la anterior VGG. Una combinación de redes alcanzó una tasa de error del 3.57% y el primer puesto en clasificación de imágenes en ILSVRC 2015. También se estudiaron redes de 100 y 1,000 capas con CIFAR-10, un conjunto de imágenes pequeñas.

Lo que aún no se sabe:El artículo presenta como hipótesis (hypothesize) la explicación de por qué la forma residual facilita el entrenamiento. Las explicaciones posteriores todavía no se han comprobado en sus fuentes originales.

U-Net: una red en forma de U creada para segmentar imágenes microscópicas (2015)

U-Net es una red neuronal para la segmentación de imágenes: clasifica lo que aparece en cada píxel. En la primera mitad, la ruta de contracción (contracting path) repite convoluciones y reducciones de tamaño para captar un contexto amplio. En la segunda, la ruta de expansión (expanding path) aumenta el tamaño repetidamente hasta recuperar el original. Las características de la primera mitad que conservan detalles se copian y conectan a las capas del mismo tamaño de la segunda, lo que permite localizar los objetos con precisión. Las dos mitades son casi simétricas y forman una U. Ronneberger, Fischer y Brox, de la Universidad de Friburgo, Alemania, presentaron esta red junto con un método para ampliar los datos de entrenamiento deformando un pequeño número de imágenes (deformación elástica), porque en medicina y biología no se podían preparar miles de imágenes con respuestas correctas. En el concurso ISBI de seguimiento celular de 2015, ganó por un amplio margen: con 35 imágenes parcialmente anotadas alcanzó un promedio de superposición con la respuesta correcta (IOU) del 92% (el segundo puesto logró el 83%); con 20 imágenes alcanzó el 77.5% (el segundo, el 46%). Segmentar una imagen de 512×512 llevaba menos de 1 segundo en una GPU de aquella época.

Lo que aún no se sabe:Todavía no se han comprobado cifras sobre la extensión del uso de U-Net en la investigación de imágenes médicas.

En el concurso de reconocimiento de imágenes, la tasa de “Error (5 intentos)” del primer puesto baja del 28% al 2% en 8 años. “Los humanos: 5.1%” es la medición de una sola persona

En un concurso para identificar 1,000 tipos de objetos en imágenes, con un máximo de 5 respuestas, el error del primer puesto disminuyó así: 2010, 28.2%; 2011, 25.8%; 2012, 15.3% (16.4% usando solo los datos proporcionados); 2013, 11.7% (11.2% incluyendo datos externos); 2014, 6.7%; 2015, 3.6%; 2016, 3.0%; y 2017, 2.3%. Los organizadores también midieron el error humano con 2 personas, A1 y A2. A1 practicó con 500 imágenes y obtuvo un 5.1% en 1,500; A2 practicó solo con 100 y obtuvo un 12.0% en 258.

“En 2015, la IA que reconoce imágenes superó a los humanos”: ¿quién era ese “ser humano”?

En febrero de 2015, Kaiming He y colaboradores, de Microsoft Research, lograron una tasa de error del 4.94% con datos de la competencia de imágenes ImageNet. Es la proporción de casos en los que la respuesta correcta no aparece entre 5 opciones. El artículo anunció que “supera por primera vez el rendimiento humano reportado (5.1%)” (traducción). En diciembre del mismo año, combinaron redes neuronales profundas de 152 capas, ResNet, y lograron un 3.57% de error, obteniendo el primer puesto de la competencia de 2015.

Lo que aún no se sabe:El “error humano” varía mucho según quién practique, cómo lo haga y cuántas imágenes se evalúen: incluso las 2 personas del mismo artículo obtuvieron 5.1% y 12.0%. Muchas cifras que comparan humanos e IA presentan este mismo problema.

En la competencia de reconocimiento de imágenes ILSVRC 2012, la red convolucional profunda de la Universidad de Toronto (SuperVision) gana con gran ventaja; el equipo de la Universidad de Tokio queda segundo

En una competencia para identificar 1,000 clases de objetos en fotografías, el equipo “SuperVision” de Krizhevsky, Sutskever y Hinton redujo la tasa de error al 15.3% bajo la regla que permite dar hasta 5 respuestas (16.4% usando solo los datos proporcionados por la competencia). El segundo equipo, ISI de la Universidad de Tokio, tuvo un 26.2%: una diferencia de unos 11 puntos. Entrenaron una red neuronal de 8 capas y 60 millones de parámetros con 2 GPU para videojuegos, chips de procesamiento de imágenes de NVIDIA. En un artículo posterior, los organizadores escribieron sobre ese año: “Esto marcó un punto de inflexión en el reconocimiento de objetos a gran escala” (traducción).

“En 2016, la IA alcanzó el nivel humano al transcribir conversaciones”: ¿quién midió los errores de ese “ser humano” y cómo?

En octubre de 2016, investigadores de Microsoft midieron los errores de transcriptores profesionales (tasa de error por palabra) en pruebas de transcripción de conversaciones telefónicas, Switchboard y CallHome. Obtuvieron el 5.9% y el 11.3%, mientras que su IA alcanzó el 5.9% y el 11.1%, y anunciaron “la primera vez que se ha reportado un rendimiento equivalente al humano en el habla conversacional” (traducción). El artículo también señala que “se ha citado ampliamente que el rendimiento humano en esta tarea es del 4%” (traducción), pero que el origen de esa cifra era poco claro, “atribuido a una ‘comunicación personal’” (traducción). En marzo de 2017, investigadores de IBM, incluidos coautores del laboratorio de Tokio, volvieron a medir los errores humanos. Tres transcriptores trabajaron por separado y una cuarta persona verificó sus textos. El mejor resultado fue del 5.1% (6.8% en CallHome), y sobre su propia IA, que logró el 5.5%, escribieron “aunque sin alcanzar lo que medimos como rendimiento humano” (traducción).

Lo que aún no se sabe:No hay un método fijo para medir la tasa de error humana que define el “rendimiento equivalente al humano”: a quién se mide, cuántas veces y cómo se comprueba. El artículo de IBM señala que los errores humanos podrían ser bastante menores de lo que se creía.

“Un programa informático superó por primera vez la prueba de Turing” (traducción) (2014): ¿de dónde salió el criterio para aprobar?

En junio de 2014, la Universidad de Reading anunció que el programa de conversación “Eugene Goostman” “superó la prueba por primera vez” (traducción) en la prueba de Turing, en un evento celebrado en la Royal Society de Londres. La prueba consiste en conversar solo mediante texto en una pantalla y distinguir si el interlocutor es humano o una máquina. El programa imitaba a un chico de 13 años. El criterio de la universidad era “confundido con un ser humano en más del 30% de los casos … conversaciones de cinco minutos mediante teclado” (traducción). Según su anuncio, Eugene hizo que el 33% de 30 jueces lo considerara humano.

Lo que aún no se sabe:Todavía no hay una respuesta establecida sobre cómo determinar si son “máquinas que piensan”. El propio Turing escribió en el mismo párrafo que la pregunta original “¿Pueden pensar las máquinas?” (traducción) era demasiado carente de significado como para merecer discusión.

Transferencia de estilo: mantener intacta una CNN ya entrenada y modificar la imagen para combinar el contenido de una foto con el estilo de una obra pictórica (Gatys y colaboradores, 2015)

En agosto de 2015, Leon Gatys, Alexander Ecker y Matthias Bethge, de la Universidad de Tubinga, Alemania, y otras instituciones, publicaron A Neural Algorithm of Artistic Style (“Un algoritmo neuronal del estilo artístico”, traducción). Es un método para crear imágenes que combinan el contenido de una fotografía (qué hay y dónde) con el estilo de una pintura (colores y pinceladas). Utiliza sin modificar una CNN ya entrenada para reconocer objetos (red neuronal convolucional: extrae características aplicando repetidamente pequeños filtros a una imagen; aquí, VGG de 19 capas). Las respuestas de las capas profundas representan el contenido de la fotografía. En varias capas se calcula la correlación entre características, es decir, si aparecen con fuerza juntas (matriz de Gram), para representar el estilo. Se parte de una imagen de ruido blanco y, mediante descenso por gradiente (cambiar poco a poco en la dirección que reduce el error), se ajustan los píxeles de la imagen, en vez de los pesos de la red, para reducir tanto el error del contenido como el del estilo. Las figuras del artículo muestran una fotografía de la ribera del Neckar en Tubinga con estilos como los de The Starry Night (“La noche estrellada”) de Van Gogh y Der Schrei (“El grito”) de Munch. En Japón, 15 días después, el 10 de septiembre de 2015, el Sr. Matsumoto, investigador de Preferred Networks (PFN), publicó un programa que implementaba el método con Chainer, una herramienta de aprendizaje profundo. Explicó el funcionamiento en japonés en el blog “Un algoritmo que transforma el estilo pictórico” (画風を変換するアルゴリズム).

Modelos de difusión: aprender a invertir un proceso que destruye los datos añadiendo ruido poco a poco para crear imágenes a partir de ruido (Sohl-Dickstein y colaboradores, 2015; Ho y colaboradores, 2020)

En marzo de 2015, Jascha Sohl-Dickstein y sus colaboradores de la Universidad de Stanford presentaron un método inspirado en la física estadística fuera del equilibrio (la física que estudia el movimiento de muchas partículas en estados sin equilibrio). El método aprende un proceso de difusión que destruye poco a poco la estructura de los datos y el proceso inverso que la restaura (la difusión es un movimiento de dispersión aleatoria, como el de la tinta que se extiende en el agua). En el proceso hacia adelante, se añade repetidamente una pequeña cantidad de ruido gaussiano (números aleatorios que siguen una distribución normal) a los datos hasta convertirlos por completo en ruido. Una red neuronal aprende a invertir cada paso, retirando un poco de ruido. Después del entrenamiento, puede generar nuevos datos repitiendo el proceso inverso a partir de ruido puro. El artículo de 2015 experimentó con una espiral bidimensional (Swiss roll), dígitos manuscritos y fotografías pequeñas (CIFAR-10). En junio de 2020, Jonathan Ho y sus colaboradores de la Universidad de California en Berkeley publicaron el artículo sobre DDPM (Denoising Diffusion Probabilistic Models). Utilizaron un proceso de 1,000 pasos y un método de entrenamiento que predice el propio ruido añadido en cada paso. En la generación de imágenes de CIFAR-10 sin especificar etiquetas, lograron un FID de 3.17, el mejor de entonces (una medida de la diferencia entre conjuntos de imágenes generadas y reales; cuanto menor, mejor).

Chainer, de la empresa japonesa Preferred Networks: Define-by-Run, construir la red mientras se ejecuta (2015)

Chainer es una herramienta (framework) desarrollada por Preferred Networks (PFN), una empresa de Tokio, y publicada en junio de 2015 como software de código abierto (que cualquiera puede utilizar). Permite escribir redes de aprendizaje profundo en Python y entrenarlas. Muchas herramientas anteriores, como Caffe, funcionaban en 2 etapas: primero se definía toda la estructura de la red (grafo de cálculo) y después se hacían pasar los datos para entrenarla. El artículo de Chainer llamó a este método Define-and-Run. Chainer, en cambio, registra la ruta de cálculo al hacer pasar los datos y realizar el cálculo hacia adelante, y luego la recorre al revés para calcular los gradientes. A esto lo llamó Define-by-Run. Así, incluso las redes cuya forma cambia con cada entrada, como las redes neuronales recurrentes que procesan frases de distinta longitud, pueden escribirse con bucles e instrucciones if comunes de Python y utilizar depuradores comunes (herramientas para encontrar errores en los programas). Se presentó como artículo en el taller de sistemas de aprendizaje automático de NIPS, en diciembre de 2015. El posterior artículo de PyTorch de 2019 señala que Chainer y DyNet fueron los pioneros de este método. El 5 de diciembre de 2019, PFN anunció que trasladaba su plataforma de investigación y desarrollo de Chainer a PyTorch, y que Chainer entraba en la etapa de mantenimiento con la v7 publicada ese día.

Lo que aún no se sabe:No se ha comprobado cuál de las ideas, la de DyNet o la de Chainer, surgió primero ni si sus creadores conocían el trabajo de los otros. Tampoco se han comprobado cifras concretas sobre el uso de Chainer entre investigadores y empresas de Japón.

Se funda la empresa japonesa de IA Preferred Networks (PFN) en 2014; en 2015 publica gratuitamente “Chainer”, una herramienta de aprendizaje profundo

El 26 de marzo de 2014, Toru Nishikawa y Daisuke Okanohara fundaron conjuntamente Preferred Networks. En junio de 2015 publicaron “Chainer”, una herramienta para crear IA de aprendizaje profundo, como software de código abierto que cualquiera podía usar. En 2015 establecieron alianzas de capital con FANUC y Toyota Motor. En el Campeonato Mundial de Shogi por Computadora de 2017, el programa “Ponanza Chainer”, que quedó segundo, utilizaba Chainer.

Los 2 artículos que dieron origen a la “búsqueda en árbol de Monte Carlo”, que fortaleció los programas de go

En go hay muchas jugadas posibles en cada posición y es difícil evaluar las posiciones. Por eso, los métodos de búsqueda como los del ajedrez no producían programas fuertes. En 2006, un artículo del francés Rémi Coulom presentó un nuevo método, la búsqueda en árbol de Monte Carlo (MCTS). Consiste en jugar al azar repetidamente desde una posición hasta el final (Monte Carlo), comparar las jugadas por su proporción de victorias y explorar más profundamente las ramas prometedoras. Coulom ganó un torneo de go por computadora (KGS) con Crazy Stone, su programa para tableros de 9×9. Ese mismo año, Levente Kocsis y Csaba Szepesvári, de Hungría, propusieron UCT, un método para decidir cuánto explorar cada rama. Diez años después, el artículo de AlphaGo (2016) citó ambos trabajos como referencias de MCTS y combinó MCTS con 2 redes neuronales (predicción de la siguiente jugada y evaluación de la posición).

AlphaGo, la IA de go, logra su primera victoria sin hándicap contra un jugador profesional (5 victorias y 0 derrotas frente a Fan Hui)

AlphaGo, la IA de go desarrollada por DeepMind, de Londres, Reino Unido, disputó un encuentro de 5 partidas sin hándicap (piedras de ventaja) contra el campeón europeo Fan Hui, profesional de 2.º dan, y ganó por 5 victorias a 0. El artículo afirma que fue la “primera vez … derrotó a un jugador profesional humano, sin hándicap” (traducción) y que “antes se creía que faltaba al menos una década” (traducción). El resultado se hizo público unos 3 meses y medio después, en enero de 2016, en un artículo de la revista científica Nature.

AlphaGo vence por 4 victorias a 1 a Lee Sedol, uno de los mejores jugadores del mundo, en Seúl

En marzo de 2016, en Seúl, Corea del Sur, AlphaGo y Lee Sedol, 9.º dan y ganador de 18 títulos mundiales, disputaron un encuentro de 5 partidas sin hándicap. AlphaGo ganó por 4 victorias a 1. Lee Sedol ganó la cuarta partida a partir de una jugada inesperada, la número 78. DeepMind anunció que donaría el premio de 1 millón de dólares a organizaciones de educación y go y a UNICEF.

¿Es cierto que “AlphaGo aprendió solo y así se hizo fuerte”?

A menudo se dice que “AlphaGo mejoró jugando contra sí mismo”. Sin embargo, según los artículos originales, las versiones de AlphaGo que jugaron contra personas entre 2015 y mayo de 2017, las de los encuentros con Fan Hui y Lee Sedol y Master, primero aprendieron a imitar dónde jugaría una persona usando partidas humanas como ejemplos. Mejoraron mediante partidas contra sí mismas después de ese aprendizaje. La primera versión que aprendió sin utilizar una sola partida humana fue AlphaGo Zero, presentada en octubre de 2017.

“AlphaGo Zero” aprende solo jugando contra sí mismo, sin registros de partidas humanas

En octubre de 2017, DeepMind presentó “AlphaGo Zero”. Sin usar datos de partidas humanas, aprende jugando repetidamente contra sí mismo tras recibir solo las reglas del go. A las 72 horas de comenzar el entrenamiento, ganó las 100 partidas que jugó contra la versión que había vencido a Lee Sedol. Tras unos 40 días de entrenamiento, también ganó 89 de 100 partidas contra Master, que había logrado 60 victorias consecutivas.

Lo que aún no se sabe:Aunque Zero se describe como “sin conocimiento humano” (traducción), los humanos le proporcionaron las reglas (dónde se puede jugar y cómo se determina una victoria o una derrota) y la estructura que trata el tablero como una imagen de 19×19 (sección Domain Knowledge, página 22 del PDF del artículo).

“AlphaZero” aprende go, ajedrez y shogi con un solo sistema. Gana 90 de 100 partidas contra elmo, el programa campeón mundial de shogi

En diciembre de 2017, DeepMind presentó “AlphaZero”, que amplía el método de AlphaGo Zero. Recibe solo las reglas y aprende go, ajedrez y shogi exclusivamente jugando contra sí mismo. En shogi, disputó 100 partidas contra “elmo” (creado por Makoto Takizawa), el programa que había ganado ese año el Campeonato Mundial de Shogi por Computadora (organizado en Kawasaki por la Asociación de Shogi por Computadora). Obtuvo 90 victorias, 8 derrotas y 2 empates (con 1 minuto por jugada). El artículo describe el shogi como “shogi (ajedrez japonés)” (traducción).

AlphaGo “Master”, que ocultó su identidad, gana 60 partidas consecutivas en línea contra profesionales de primer nivel

En enero de 2017, un jugador que apareció con el nombre “Master” en sitios de partidas de go en línea logró 60 victorias y 0 derrotas frente a los mejores jugadores del mundo. DeepMind reveló en un artículo y en su blog que era una versión de AlphaGo, AlphaGo Master. Eran partidas informales por internet, no encuentros oficiales (explicación de DeepMind).

AlphaGo vence al número 1 del mundo, Ke Jie, por 3 victorias a 0 y se retira de las competiciones

En mayo de 2017, en la “Cumbre sobre el Futuro del Go”, celebrada en Wuzhen, China, AlphaGo disputó un encuentro de 3 partidas contra Ke Jie, 9.º dan y entonces número 1 del mundo, y ganó por 3 victorias a 0. También se jugaron partidas formando pareja con personas y contra un equipo de 5 profesionales chinos. DeepMind anunció que serían los últimos encuentros de AlphaGo y que trasladaría su investigación del go a otros problemas.

AlphaStar de DeepMind vence a profesionales en el juego de estrategia “StarCraft II” (2019), aunque al principio veía todo el mapa sin mover la pantalla

En enero de 2019, DeepMind presentó “AlphaStar”, una IA que juega al juego de estrategia en tiempo real “StarCraft II”. En el encuentro de prueba del 19 de diciembre de 2018, venció al profesional MaNa por 5 a 0; antes también había vencido a TLO. Según el blog oficial, el AlphaStar de esos encuentros jugaba captando directamente las unidades visibles de todo el mapa sin mover la pantalla (cámara) como una persona. Se creó también una versión que movía la pantalla como los humanos, pero el prototipo, entrenado durante solo 7 días, perdió contra MaNa en un encuentro público.

OpenAI Five vence al equipo campeón mundial en el juego de equipos “Dota 2” (2019)

El 13 de abril de 2019, la IA de OpenAI “OpenAI Five” venció al equipo campeón mundial OG en “Dota 2”, un juego de equipos. Cada uno de los 5 personajes (héroes) del equipo es controlado por una red con la misma estructura. El artículo informa de que el entrenamiento mediante aprendizaje por refuerzo y partidas contra sí misma se prolongó durante 10 meses con cálculo a gran escala.

Resultados de partidas entre profesionales y programas de shogi (2007–2017): los 10 años en que se invirtieron las victorias y derrotas

En la partida pública entre un profesional y una computadora de 2007 ganó el profesional, Akira Watanabe, titular de Ryuo. En 2010, el programa “Akara 2010” venció a Ichiyo Shimizu, titular de Osho femenino. En el Den-O-sen de 2012 perdió Kunio Yonenaga, Kisei vitalicio y jugador retirado. En el encuentro de 5 contra 5 de 2013, los profesionales lograron 1 victoria, 3 derrotas y 1 empate; en 2014, 1 victoria y 4 derrotas. En 2015, los profesionales ganaron con 3 victorias y 2 derrotas. En los encuentros individuales de 2 partidas de 2016 y 2017, el programa Ponanza ganó las 2 partidas durante 2 años consecutivos.

Bonanza, el programa de shogi que aprende de partidas profesionales, gana el campeonato mundial y al año siguiente juega en público contra Akira Watanabe, titular de Ryuo

El investigador en química Kunihito Hoki desarrolló Bonanza y lo publicó gratuitamente en junio de 2005. A diferencia de muchos programas anteriores de shogi, utilizó la “búsqueda de ancho completo”, que examina todas las jugadas legales. También incorporó “aprendizaje automático” (traducción) para aprender a evaluar las posiciones de modo que eligiera las mismas jugadas que en los registros de partidas profesionales. El autor afirma que aplicó una idea de sus investigaciones sobre el control de reacciones químicas al aprendizaje de la evaluación de posiciones. En mayo de 2006, en su primera participación en el 16.º Campeonato Mundial de Shogi por Computadora, ganó con 6 victorias y 1 derrota en la final de todos contra todos entre 8 equipos. El 21 de marzo de 2007 jugó una partida pública contra Akira Watanabe, titular de Ryuo, con 2 horas de tiempo de reflexión. Se dijo que Bonanza tenía ventaja en la fase intermedia, pero Watanabe ganó en 112 jugadas. Más tarde se publicó su método de construcción (y el código en 2009), dando lugar a programas basados en Bonanza, como Bonkras.

Predicción: que el shogi por computadora gane más partidas de las que pierda ante los mejores profesionales “es alcanzable para 2015” (traducción; Hitoshi Matsubara, 2007)

Justo después de la victoria de Akira Watanabe, titular de Ryuo, contra Bonanza en marzo de 2007, el investigador Hitoshi Matsubara escribió que una computadora podría “ganar solo 1 vez” (traducción) a un profesional de máximo nivel en pocos años. Lograr “ganar más partidas de las que se pierden” (traducción) llevaría algo más, pero sería posible para 2015. En el mismo texto señaló que los programas de go estaban por debajo del primer dan aficionado y que vencer a un profesional de máximo nivel “probablemente todavía llevará bastante tiempo” (traducción).

Lo que ocurrió después:En el segundo Den-O-sen de 2013, los profesionales en activo lograron 1 victoria, 3 derrotas y 1 empate; en el tercero, en 2014, 1 victoria y 4 derrotas (en el FINAL de 2015, los profesionales obtuvieron 3 victorias y 2 derrotas). En octubre de 2015, la Sociedad de Procesamiento de la Información de Japón declaró terminado el proyecto basándose en “el resultado del análisis según el cual, en 2015, ya se ha alcanzado a los mejores jugadores profesionales” (traducción) (la declaración explica que alcanzar ese nivel significa “si se disputan muchas partidas, es estadísticamente probable ganar más de las que se pierden” (traducción)). Sin embargo, también afirmó: “no se ha celebrado una partida entre uno de los mejores jugadores profesionales y un programa de shogi” (traducción). La partida contra el Meijin se celebró en 2017, cuando Amahiko Sato, titular de Meijin, perdió 2 partidas seguidas contra PONANZA.

Primer Den-O-sen de shogi: Kunio Yonenaga, Kisei vitalicio, pierde en 113 jugadas ante el programa “Bonkras”

El 14 de enero de 2012, en la sede del shogi de Tokio, el jugador retirado y presidente de la Asociación Japonesa de Shogi Kunio Yonenaga, Kisei vitalicio, jugó contra “Bonkras”, desarrollado por Hidenori Ito, de Fujitsu Laboratories. Bonkras ganó en 113 jugadas. Partía del programa público Bonanza, mejorado para realizar búsquedas paralelas en varias computadoras. Ese día, con 6 servidores, analizó unos 18 millones de jugadas por segundo. Su nombre combina Bonanza con “clúster”, que designa un sistema de computadoras paralelas que calculan simultáneamente (explicación del anuncio de Fujitsu Laboratories).

Segundo Den-O-sen de shogi (2013): los profesionales terminan con 1 victoria, 3 derrotas y 1 empate; en la última partida, “GPS Shogi”, con unas 680 computadoras de la Universidad de Tokio, vence a Hiroyuki Miura, de clase A y 8.º dan

El segundo Den-O-sen de shogi, celebrado en 2013, enfrentó por equipos a 5 profesionales en activo y 5 programas de shogi. Antes de las partidas se pronosticaba “ventaja para los jugadores profesionales” (traducción), pero los profesionales terminaron con 1 victoria, 3 derrotas y 1 empate (columna de la Asociación Japonesa de Shogi). En la quinta y última partida, el 20 de abril en la sede del shogi de Tokio, “GPS Shogi”, desarrollado principalmente en un seminario de programación de juegos de profesores y estudiantes de posgrado de la Universidad de Tokio, se enfrentó a Hiroyuki Miura, de 8.º dan, y ganó en 102 jugadas. GPS Shogi usó procesamiento distribuido en unas 680 computadoras del campus de Komaba y analizó unos 270 millones de jugadas por segundo (artículo de la Universidad de Tokio).

La Sociedad de Procesamiento de la Información de Japón declara terminado su proyecto porque el shogi por computadora “ha alcanzado el nivel de los mejores jugadores profesionales” (traducción)

Desde 2010, la Sociedad de Procesamiento de la Información de Japón desarrollaba un proyecto para lograr un “shogi por computadora que vence a los mejores jugadores profesionales…” (traducción). En octubre de 2015 declaró terminado el proyecto: “Los resultados del análisis indican que, en 2015, ya se había alcanzado el nivel de los mejores jugadores profesionales de shogi” (traducción). Explicó que “está alcanzando el mismo nivel” (traducción) no significaba ganar siempre, sino tener una alta probabilidad de obtener más victorias que derrotas al disputar muchas partidas. Sin embargo, en ese momento todavía no se habían realizado encuentros directos con los mejores profesionales.

Lo que ocurrió después:Aproximadamente un año y medio después, el 1 de abril y el 20 de mayo de 2017, el programa de shogi PONANZA ganó ambas partidas contra el Meijin Amahiko Sato, que participó como Eiō. Los organizadores cerraron la competición Denōsen con ese encuentro.

El programa de shogi PONANZA gana dos partidas seguidas contra el Meijin Amahiko Sato; termina el Den-O-sen

En 2017, en el “Den-O-sen”, que enfrentaba a jugadores profesionales con programas, PONANZA, creado por Issei Yamamoto y Akira Shimoyama, ganó 2 partidas seguidas contra el Meijin Amahiko Sato (71 jugadas en la primera y 94 en la segunda). Sato participó como ganador del torneo Eiō mientras conservaba el título de Meijin. Fue la primera vez que un titular participó en el Den-O-sen. Los organizadores cerraron con ese encuentro la competición, que había durado 6 años desde 2012.

Las piedras de ventaja del software frente a profesionales del go pasan de 5 a 0 en 5 años (Denseisen en Japón, 2012–2017)

Desde junio de 2012, durante 5 años, la Universidad de Electrocomunicaciones y la Nihon Ki-in celebraron anualmente el torneo oficial “Denseisen” entre jugadores profesionales y software de go para medir la fuerza de los programas. Al principio, el software recibía piedras de ventaja que colocaba antes de empezar. En 2012 recibió 5 o 4; entre 2013 y 2015, 4 (también 3 en 2015); y en 2016, 3. En diciembre de 2016, los organizadores afirmaron que “el formato de partidas periódicas con hándicap contra jugadores profesionales ha cumplido una de sus funciones” (traducción) (las partidas con hándicap comienzan colocando piedras de ventaja) y decidieron que la última edición, en marzo de 2017, se jugara en igualdad de condiciones, sin hándicap. En esa edición, Ryo Ichiriki, campeón Ryusei, perdió frente a los 2 programas DeepZenGo y “Zetsugei”.

DeepZenGo, proyecto japonés de IA para el go (2016–2018): victoria contra Yuta Iyama, titular de Ōza, en 2017

En marzo de 2016 comenzó el proyecto DeepZenGo para mejorar, con el apoyo de Dwango, Zen, el programa de go del equipo de Hideki Kato y Yoji Ojima. En noviembre de 2016 jugó sin hándicap contra Chikun Cho, Meijin honorario, con 1 victoria y 2 derrotas. En el “Campeonato Mundial de Go” (ワールド碁チャンピオンシップ), organizado por Nihon Ki-in en marzo de 2017, se enfrentó a jugadores de primer nivel de Japón, China y Corea del Sur; quedó tercero con 1 victoria y 2 derrotas y venció al representante japonés Yuta Iyama, titular de Ōza. Nihon Ki-in lo llamó un “proyecto de desarrollo de IA para el go nacido en Japón” (traducción). El proyecto terminó con las partidas de abril de 2018.

El primer AlphaFold (CASP13, 2018): una red convolucional predice las distancias entre aminoácidos y construye la forma; su funcionamiento interno es completamente distinto del de AlphaFold2 de 2020

La estructura tridimensional de una proteína se determina cuando se pliega una cadena de aminoácidos unidos. En la 13.ª edición de CASP (2018, con unos 100 grupos de investigación), un concurso de predicción de estructuras que se celebra cada 2 años, DeepMind, de Londres, presentó AlphaFold bajo el nombre de equipo A7D. Este primer AlphaFold (llamado ahora AlphaFold1) utilizaba una CNN (red neuronal convolucional), del mismo tipo que las usadas en reconocimiento de imágenes. A partir de una tabla que alinea las secuencias de proteínas similares (alineamiento múltiple de secuencias), predecía un mapa de probabilidades de las distancias entre cada par de aminoácidos. Con ese mapa construía una fórmula de puntuación (un potencial) y formaba la estructura corrigiéndola poco a poco mediante descenso del gradiente. En la categoría de predicción sin usar estructuras similares como plantillas (FM), su puntuación total de evaluación fue 68.3, muy por encima del 48.2 del segundo puesto. Sin embargo, solo alcanzó una precisión alta (GDT_TS de 70 o más) en 11 de 43 casos. Según la explicación del Comité Nobel, AlphaFold2, presentado 2 años después en CASP14 (2020), había sido reconstruido. Sustituyó las convoluciones por el mecanismo de atención del Transformer y pasó a producir directamente las posiciones de los átomos. La puntuación (GDT) en los problemas difíciles pasó de aproximadamente el 60% al 90%.

Estudio de la Universidad de Oxford: “el 47 por ciento del empleo total de Estados Unidos está en la categoría de alto riesgo” (traducción) (riesgo de sustitución por computadoras, 2013)

En septiembre de 2013, Carl Benedikt Frey y Osborne, de la Universidad de Oxford, publicaron un artículo que estimaba la probabilidad de sustitución por computadoras de 702 ocupaciones de Estados Unidos. Situaba el 47% del empleo estadounidense “en la categoría de alto riesgo” (traducción). Más tarde, esta cifra se interpretó como una predicción de desaparición de empleos y fue objeto de comprobaciones. Un ejemplo es el título de un artículo de ITIF de 2022: “Vaya: la pérdida prevista del 47 por ciento de los empleos por la IA no ocurrió”, recogido en los registros de comprobación de predicciones sobre el trabajo, una investigación separada de este sitio. Los detalles y las comprobaciones posteriores se documentan en esa investigación: comprobación de predicciones sobre el trabajo en la era de la IA.

Nomura Research Institute: “Alrededor del 49% de la población trabajadora de Japón podría ser sustituida, desde el punto de vista técnico, por la inteligencia artificial y tecnologías similares” (traducción; 2015)

El 2 de diciembre de 2015, Nomura Research Institute (NRI) anunció un estudio conjunto con Osborne y Frey, de la Universidad de Oxford. Estimaron la probabilidad de sustitución por IA o robots para 601 ocupaciones de Japón. La estimación indicaba que, en 10–20 años, sería técnicamente posible sustituir las ocupaciones en las que trabajaba aproximadamente el 49% de la población trabajadora japonesa. Sin embargo, el anuncio aclaraba que se trataba de una posibilidad técnica y que la sustitución real también dependía mucho de factores sociales, como la oferta y la demanda de trabajo.

Torobo-kun: ¿qué ocurrió en 2016 con el objetivo de obtener para 2021 una puntuación suficiente para ingresar en la Universidad de Tokio?

El proyecto del Instituto Nacional de Informática “¿Puede un robot ingresar en la Universidad de Tokio?” (ロボットは東大に入れるか), Torobo-kun, comenzó en 2011. Un artículo de 2012 fijó como objetivos “obtener puntuaciones altas en el examen nacional de acceso a la universidad, conocido como Center Test, para 2016” (traducción) y “obtener una puntuación suficiente para aprobar la segunda fase del examen de ingreso de la Universidad de Tokio para 2021” (traducción). En el anuncio de noviembre de 2016 logró 525 puntos en un simulacro del Center Test (puntuación estandarizada de desviación de 57.1) y una puntuación estandarizada de 76.2 en matemáticas, modalidad de ciencias, de un simulacro de la Universidad de Tokio. En la presentación de ese mismo día, Noriko Arai dijo que ese año fiscal terminaría el intento de resolver el Center Test de la misma manera que las personas. La razón era la dificultad de la IA para “comprender el significado”.

Lo que ocurrió después:En los simulacros de 2016 obtuvo 525 puntos y una puntuación estandarizada de desviación de 57.1 en el Center Test (según Benesse, una probabilidad de ingreso de al menos el 80% en 535 universidades) y una puntuación estandarizada de 76.2 en matemáticas, modalidad de ciencias, del simulacro de la Universidad de Tokio. En la presentación de noviembre de 2016 se anunció que ese año fiscal se suspendería el intento de resolver el Center Test de la misma manera que una persona. Según las noticias de ese día, NII buscaría desarrollar las áreas en las que la IA es fuerte y aplicarlas a la industria. Este tipo de desafío terminó sin esperar al año objetivo, 2021, para alcanzar el nivel de aprobación en todas las materias de la segunda fase del examen de la Universidad de Tokio.

Lo que aún no se sabe:En 2016 se consideraba que la capacidad de lectura, comprender el significado, era difícil para la IA. Cómo ha cambiado esa valoración con la posterior IA generadora de textos, durante el cuarto auge, es un posible tema para u11 y u12.

“Una novela escrita por IA pasó la primera selección de un premio literario”: ¿qué parte escribió realmente la IA?

El 21 de marzo de 2016, equipos de investigación que buscaban que la IA escribiera novelas, de Future University Hakodate, la Universidad de Tokio y otras instituciones, anunciaron resultados sobre 4 obras presentadas al tercer “Premio Shinichi Hoshi” de Nikkei. Algunas pasaron la primera selección y fueron descartadas en la segunda. El premio aceptaba también participantes no humanos, como la IA. Según un artículo posterior de Hitoshi Matsubara, figura central del proyecto, el argumento, incluido el desenlace, el “escenario”, fue creado por personas del laboratorio de Satoshi Sato en la Universidad de Nagoya. El programa utilizó fragmentos de frases preparados por personas para construir un texto en japonés que seguía ese argumento.

Lo que aún no se sabe:Todavía no hay una línea clara que defina cuándo puede decirse que una obra fue escrita por IA ni cuánta intervención humana la convierte en una obra humana. El artículo de Matsubara también aborda la discusión de que, si la IA aporta el 100%, la obra no está protegida por el derecho de autor actual.

Hinton: “se debería dejar de formar radiólogos ahora”; “en 5 años, el aprendizaje profundo lo hará mejor que los radiólogos” (traducción; 2016)

En 2016, Geoffrey Hinton habló en una conferencia de Toronto sobre los radiólogos, médicos que detectan enfermedades leyendo imágenes como radiografías o tomografías. Su idea principal era que se debía dejar de formar radiólogos de inmediato y que estaba claro que, en 5 años, aunque podrían ser 10, el aprendizaje profundo lo haría mejor. Se publicó un video de 84 segundos que registraba sus palabras y fue citado repetidamente en artículos posteriores, como los de AuntMinnie de 2025 y Fortune de 2026.

Lo que ocurrió después:En la contratación de médicos residentes de Estados Unidos, según las tablas oficiales del NRMP, las plazas de radiología diagnóstica no disminuyeron. Las que comienzan en el segundo año pasaron de 982 en 2016 a 1,057 en 2025; las que comienzan en el primero, de 151 en 2016 a 151 en 2025. En 2025 se ocuparon casi todas las plazas: 1,042 de las 1,057 que comienzan en el segundo año.

Lo que aún no se sabe:En 2016 no se entendía bien la relación entre la capacidad de la IA para interpretar imágenes y el conjunto del trabajo de los radiólogos, como hablar con pacientes y otros médicos o decidir qué pruebas realizar. Todavía se investiga cómo cambiará este trabajo con la IA.

Ford anuncia un plan para poner en circulación a gran escala en 2021 vehículos plenamente autónomos, sin volante ni pedales, en servicios de transporte bajo demanda (2016)

En agosto de 2016, la empresa automotriz Ford anunció en Palo Alto que planeaba poner en circulación a gran escala, en 2021, vehículos de “nivel 4” (conducción plenamente automatizada en zonas limitadas) para servicios de transporte bajo demanda y viajes compartidos. Planeaba que los vehículos no tuvieran volante, acelerador ni freno. Su presidente declaró: “La próxima década estará definida por la automatización del automóvil” (traducción). Por esas mismas fechas, el plan nacional de Japón y empresas automotrices también anunciaban planes de conducción automatizada con objetivos hacia 2020 (→ Plan nacional: conducción automatizada …).

Lo que ocurrió después:Este tipo de servicio no comenzó en 2021. El 26 de octubre de 2022, Ford anunció que había concluido que la aplicación comercial a gran escala y altamente rentable del nivel 4 en el sector llegaría más tarde de lo previsto inicialmente. Registró una pérdida de 2.7 mil millones de dólares por su inversión en Argo AI, una empresa de conducción autónoma, y trasladó sus fondos de desarrollo a los niveles 2+ y 3 (tecnologías de asistencia a la conducción en las que una persona supervisa la conducción).

Plan nacional: conducción automatizada en autopistas y servicios de movilidad sin conductor en zonas limitadas, “hacerlo realidad para 2020”

El Gobierno japonés fijó los Juegos Olímpicos y Paralímpicos de 2020 como fecha objetivo en su estrategia nacional de conducción automatizada, la “Visión y hoja de ruta del sector público y privado para los sistemas de transporte inteligentes (ITS)” (官民ITS構想・ロードマップ), revisada anualmente desde 2014. A partir de las palabras del primer ministro de noviembre de 2015, la edición de 2016 estableció 2 objetivos. ① Comenzar a estudiar las normas necesarias para comercializar hacia 2020 automóviles en los que el sistema conduce en autopistas (nivel 3). ② Hacer realidad para 2020 servicios de movilidad sin una persona conductora a bordo en zonas limitadas, como las de baja densidad de población.

Lo que ocurrió después:① El 11 de noviembre de 2020, el Ministerio de Territorio, Infraestructura, Transporte y Turismo concedió al Honda Legend la primera homologación de tipo del mundo para un automóvil de nivel 3 en el que el sistema conduce bajo condiciones definidas, como atascos en autopistas. ② Para el servicio de movilidad de nivel 4 sin conductor, el vehículo fue autorizado el 30 de marzo de 2023 y comenzó a operar el 21 de mayo de 2023 en Eiheiji, prefectura de Fukui, como el primero de Japón (unos 3 años después del objetivo de 2020).

La idea de que “se alcanzará la singularidad tecnológica alrededor de 2045” aparece también en un libro blanco del Gobierno (2016)

En el primer apartado especial de la parte 1, “La evolución de las TIC”, el “Libro blanco sobre información y comunicaciones” (情報通信白書) de 2016 del Ministerio de Asuntos Internos y Comunicaciones señala que se prevé, más allá del aprendizaje profundo, una “singularidad tecnológica”: el punto en que las TIC superen la inteligencia humana. También presenta la idea de algunos investigadores de que ese punto se alcanzará hacia 2045 y de que será inevitable reconstruir las instituciones sociales. Es un registro de cómo esas grandes previsiones llegaron a documentos del Gobierno en el apogeo del tercer auge.

Lo que aún no se sabe:El libro blanco no explica con qué criterio se mediría “superar la inteligencia humana” ni en qué se basa el año 2045; tampoco nombra a los investigadores. Ese año todavía no ha llegado y el resultado se desconoce (candidato a predicción pendiente de comprobación para u12 y u13).

La difusión del “problema de 2045” en Japón: traducción de 2007 → libro de divulgación “problema de 2045” (2045年問題) de 2013 → primera mención de “singularidad” en la Dieta en 2015. Al difundirse, “mil millones de veces más potente que toda la inteligencia humana actual” (traducción) se redujo a “supera al cerebro humano” (traducción)

El libro de Kurzweil de 2005 se publicó en japonés en enero de 2007 por la Asociación Japonesa de Publicaciones de Radiodifusión, con el título “El nacimiento del ser poshumano: cuando las computadoras superan la inteligencia humana” (ポスト・ヒューマン誕生 ── コンピュータが人類の知性を超えるとき). En enero de 2013 se publicó el libro de divulgación de Takuya Matsuda “El problema de 2045: el día en que las computadoras superan a la humanidad” (2045年問題 ── コンピュータが人類を超える日) (el libro o artículo más antiguo con “problema de 2045” en el título encontrado en la Biblioteca Nacional de la Dieta). En la revista de la Sociedad Japonesa de Inteligencia Artificial de mayo de 2014, Matsuda explicó que, según Kurzweil, la prueba de Turing se aprobaría en 2029 y la singularidad tecnológica, cuando la inteligencia de las computadoras superara a toda la humanidad, llegaría en 2045. El 24 de marzo de 2015, en la Comisión de Asuntos Internos y Comunicaciones de la Cámara de Consejeros, un parlamentario mencionó el documental de NHK “El próximo mundo” (ネクストワールド) y preguntó: “Se dice que este punto de inflexión, en el que las computadoras superan al cerebro humano, llegará en 2045” (traducción), “faltan treinta años” (traducción). La ministra de Asuntos Internos y Comunicaciones respondió que también había visto el programa. Es la primera aparición de “singularidad” en los registros de la Dieta.

Lo que aún no se sabe:No se sabe quién utilizó por primera vez la expresión “problema de 2045” (la búsqueda de títulos en la Biblioteca Nacional de la Dieta solo permite señalar como más antiguo el libro de divulgación de Matsuda de 2013; no se han investigado blogs ni periódicos).

Informe del Gobierno de Estados Unidos “Prepararse para el futuro de la inteligencia artificial”: “muy poco probable ... comparable o superior a la de los seres humanos en los próximos 20 años” (traducción)

En octubre de 2016, el Consejo Nacional de Ciencia y Tecnología (NSTC) de la Oficina Ejecutiva del Presidente de Estados Unidos publicó Preparing for the Future of Artificial Intelligence (“Prepararse para el futuro de la inteligencia artificial”, traducción). Se habían celebrado 5 talleres públicos en 2016 y recibido 161 respuestas a la consulta pública. El informe reunió 23 recomendaciones, y al mismo tiempo se publicó un plan estratégico nacional de investigación y desarrollo de IA. La carta introductoria señala que las máquinas superarán cada vez más a las personas en tareas concretas, pero considera “es muy poco probable ... comparable o superior a la de los humanos en los próximos 20 años” (traducción), al hablar de una inteligencia amplia. El texto también indica que los expertos privados coinciden en que “La IA general no se alcanzará hasta dentro de varias décadas, como mínimo” (traducción), y que el comité comparte esa opinión (la IA general podría realizar todo tipo de tareas intelectuales como una persona). También afirma que las preocupaciones por una superinteligencia en un futuro lejano deberían influir muy poco en la política actual.

Lo que ocurrió después:El año al que se refiere la predicción, 2036, todavía no ha llegado (a septiembre de 2026). Posteriormente, entre 2023 y 2025, aparecieron previsiones de representantes de empresas y artículos de empresas que apuntan hacia 2026–2030 (registros → Sam Altman, director de OpenAI: Es posi…, → Dario Amodei, director de Anthropic, so… y → Artículo de Google DeepMind sobre cuánd…). Los resultados de las encuestas a expertos varían mucho según cómo se formulen las preguntas (registro → En otoño de 2023, una encuesta a 2,778 …).

Lo que aún no se sabe:El propio informe indica que sería útil para la sociedad disponer de “métodos precisos y oportunos para observar y prever los avances de la IA” (traducción), aunque una nota reconoce que esto podría ser difícil. Aun así, recomienda seguir consultando periódicamente las opiniones de expertos (página 33 del PDF).

La Sociedad Japonesa de Inteligencia Artificial publica su postura tras las críticas a la portada de su revista (2014)

En enero de 2014, la Sociedad Japonesa de Inteligencia Artificial cambió el nombre de su revista a “inteligencia artificial” (人工知能) y renovó su portada. Para ampliar su público reunió unas 100 propuestas y eligió por votación una que mostraba a un robot con aspecto de mujer limpiando con una escoba. En internet se sucedieron críticas como “¿No es esto discriminación contra las mujeres?” (traducción). El comité editorial afirmó que “no hay intención de discriminar a las mujeres” (traducción), pero pidió disculpas por haber dado “la impresión de que una mujer está limpiando” (traducción) y declaró: “No hemos mostrado la consideración debida como asociación académica con una importante responsabilidad pública, y lo lamentamos profundamente” (traducción). El número de marzo incluyó un pequeño dossier que organizaba este debate como objeto de investigación.

La Sociedad Japonesa de Inteligencia Artificial publica sus “Directrices éticas”; el último artículo, el 9, pide que la propia IA cumpla la ética: “Exigencia de que la inteligencia artificial respete la ética”

El 28 de febrero de 2017, la Sociedad Japonesa de Inteligencia Artificial publicó sus “Directrices éticas” (倫理指針) para investigadores. Los primeros 8 puntos son deberes de sus miembros: contribuir a la humanidad, cumplir la ley, respetar la privacidad, actuar con equidad, garantizar la seguridad, actuar con honestidad, asumir la responsabilidad social y dialogar con la sociedad. El último artículo, el 9, se dirige a la propia IA y establece que, para formar parte de la sociedad, debe cumplir estas directrices igual que los miembros de la sociedad académica. El presidente del comité, Yutaka Matsuo, escribe que uno de los motivos para crear el Comité de Ética fue el problema de la portada de la revista académica en 2014.

Lo que aún no se sabe:El artículo 9 supone hipotéticamente un futuro en el que la IA sea “un miembro de la sociedad o algo equivalente”. Sus autores tampoco saben cuándo ni de qué forma aparecerá una IA así; por eso lo expresan como condición.

Tay, la IA conversacional de Microsoft, es manipulada y suspendida poco después de su lanzamiento en Twitter (Estados Unidos, 2016)

En marzo de 2016, Microsoft lanzó Tay, una IA que conversaba en Twitter, dirigida a personas de 18–24 años de Estados Unidos. Aprendía de las conversaciones con las personas, pero en menos de 24 horas desde su lanzamiento algunos usuarios se coordinaron para explotar sus debilidades. Tay comenzó a publicar mensajes e imágenes muy inapropiados y la empresa suspendió el servicio. Microsoft publicó una disculpa y las lecciones aprendidas en su blog oficial, donde también mencionó XiaoIce, de China, y su experiencia en Japón.

Lo que aún no se sabe:La propia empresa afirma que no es posible prever todos los usos abusivos de una IA que aprende de las conversaciones: es un problema social, además de técnico.

Rinna, la IA conversacional de Microsoft Japón, llega a LINE (2015)

En el verano de 2015, Microsoft Japón lanzó Rinna, una IA que conversa en LINE como una amiga. Combinaba el aprendizaje profundo desarrollado para el buscador Bing y el aprendizaje automático en la nube. Buscaba crear vínculos emocionales mediante conversaciones informales, en vez de ayudar con tareas (en palabras de la empresa, “dar más importancia al EQ (cociente emocional, la inteligencia del corazón) que al IQ (cociente intelectual, la inteligencia del cerebro)” (traducción)). Al principio llamó la atención como una cuenta de una “alumna de secundaria” que no revelaba su identidad. En diciembre, superó los 1.85 millones de amigos en LINE.

Investigadores de IA y robótica publican una carta abierta que pide “una prohibición de las armas autónomas ofensivas que estén fuera de un control humano significativo” (traducción)

El 28 de julio de 2015, coincidiendo con la apertura del congreso internacional de inteligencia artificial IJCAI 2015, investigadores de IA y robótica publicaron una carta abierta. La carta definió las armas autónomas así: “Las armas autónomas seleccionan y atacan objetivos sin intervención humana” (traducción). Señaló que, al margen de la cuestión legal, serían técnicamente utilizables “en cuestión de años, no de décadas” (traducción), y que se las describía como “la tercera revolución en la guerra” (traducción), después de la pólvora y las armas nucleares. Consideró que una carrera militar de desarrollo de IA no beneficiaría a la humanidad y pidió prohibir las armas autónomas ofensivas que quedaran fuera de un “control humano significativo” (traducción). La página del Future of Life Institute (FLI), que aloja la carta, mostraba 34,378 firmas (cifra consultada el 23 de septiembre de 2026). Las conversaciones entre países habían comenzado el año anterior, en mayo de 2014, en una reunión informal de expertos de la Convención sobre Ciertas Armas Convencionales (CCW), en la que también participó Japón. En diciembre de 2023, la Asamblea General de la ONU adoptó una resolución sobre los sistemas de armas autónomas letales y destacó la necesidad de que la comunidad internacional abordara el tema con urgencia.

Lo que aún no se sabe:Las fuentes consultadas por este sitio no permiten comprobar hasta qué punto se cumplió después la previsión de la carta de que, al margen de la ley, estas armas podrían utilizarse “en cuestión de años, no de décadas” (traducción), es decir, si se utilizaron realmente armas plenamente autónomas. La resolución de la Asamblea General de la ONU tampoco es una prohibición: establece la necesidad de abordar el tema con urgencia y recopilar las opiniones de los países.

En la reunión de ministros de TIC del G7 en Kagawa-Takamatsu de 2016, Japón propone debatir “8 principios para la investigación y el desarrollo de la IA”

El 29–30 de abril de 2016 se celebró en Takamatsu, prefectura de Kagawa, la reunión de ministros de TIC del G7, presidida por la ministra japonesa de Asuntos Internos y Comunicaciones. Japón propuso crear principios que sirvieran de referencia internacional para la investigación y el desarrollo de la IA y presentó 8 como punto de partida: “transparencia”, “apoyo a los usuarios”, “capacidad de control”, “garantía de seguridad informática”, “protección de la seguridad física”, “protección de la privacidad”, “ética” y “rendición de cuentas” (responsabilidad de dar explicaciones). Los países acordaron continuar el debate internacional.

Los 23 principios de Asilomar sobre la IA (2017): investigadores debaten y redactan principios para una “IA beneficiosa”

En 2017, investigadores de IA y otros participantes elaboraron los “Principios de Asilomar sobre la IA” en la conferencia Beneficial AI 2017 (“IA beneficiosa 2017”), celebrada en Asilomar y coordinada por Future of Life Institute (FLI). Los 23 principios abarcan cuestiones de investigación, como crear “una inteligencia beneficiosa” y “no una inteligencia sin orientación”; ética y valores, como la seguridad y la transparencia; y cuestiones futuras, como evitar afirmaciones tajantes sobre el límite de las capacidades de la IA. Solo se conservaron los principios aprobados por más del 90% de los participantes.

Lo que aún no se sabe:El principio 19, “cautela respecto a las capacidades”, pide evitar afirmaciones tajantes porque no hay consenso sobre el límite de las capacidades futuras de la IA; convierte ese estado de desconocimiento en un principio.

Los “Principios sociales de una IA centrada en el ser humano” (traducción) del Gobierno de Japón (2019) (人間中心のAI社会原則)

El 29 de marzo de 2019, el Gobierno de Japón aprobó los “Principios sociales de una IA centrada en el ser humano” (traducción) (人間中心のAI社会原則). Estableció tres ideales para la sociedad a la que aspiraba: “una sociedad que respete la dignidad humana” (traducción), “una sociedad en la que personas de distintos orígenes puedan buscar distintas formas de felicidad” (traducción) y “una sociedad sostenible” (traducción). Además, presentó siete principios que la sociedad debe respetar: centrarse en el ser humano, educación y alfabetización, protección de la privacidad, seguridad, competencia justa, equidad junto con rendición de cuentas y transparencia, e innovación.

Yutaka Matsuo, “¿Superará la inteligencia artificial a los humanos?” (人工知能は人間を超えるか): un libro que divide la historia de la IA en capítulos del “primer, segundo y tercer auge de la IA”

En marzo de 2015 se publicó el libro de Yutaka Matsuo, de la Universidad de Tokio, “¿Superará la inteligencia artificial a los seres humanos? Lo que hay más allá del aprendizaje profundo” (人工知能は人間を超えるか ディープラーニングの先にあるもの), de KADOKAWA. En el índice, el capítulo 2 es la era de la “inferencia” (traducción) y la “búsqueda” (traducción), el primer auge de la IA; el capítulo 3 trata de cómo añadir “conocimiento” (traducción) aumenta la inteligencia, el segundo auge; y los capítulos 4 y 5 tratan del “aprendizaje automático” (traducción) y el aprendizaje profundo, el tercer auge. Una nota al pie del Libro Blanco de Información y Comunicaciones de 2016 indica que su sección de historia de la IA se basó en este libro y otras fuentes.

Lo que aún no se sabe:A veces se lo llama “el libro que popularizó la numeración del primer al tercer auge” (traducción), pero este sitio no ha investigado sus usos anteriores ni cuántas veces se cita. La propia numeración se trata en otro registro sobre cómo se cuentan los auges. Lo comprobado es que el libro blanco oficial de 2016 dice que usó este libro como referencia para la sección histórica.

El “Libro blanco sobre información y comunicaciones” de 2016 explica la historia de la IA con un gráfico del “primer, segundo y tercer auge” y los periodos de invierno

El ministerio dedicó un tema especial a la IA en el “Libro blanco sobre información y comunicaciones de 2016 (año 28 de la era Heisei)” (平成28年版 情報通信白書). En “Historia de la investigación en inteligencia artificial (IA)”, capítulo 4, sección 2, utilizó la figura 4-2-1-5, “Historia de la inteligencia artificial (IA)”, para explicar que desde la década de 1950 la investigación había vivido una “alternancia de auges e inviernos” y que se encontraba en el tercer auge. Sitúa el primero desde finales de la década de 1950 hasta la de 1960 (búsqueda y razonamiento); el segundo en la década de 1980 (representación del conocimiento, incluido el proyecto japonés de la computadora de quinta generación), con un nuevo invierno desde alrededor de 1995; y el tercero desde la década de 2000 (aprendizaje automático).

Presentación del robot humanoide “Pepper” de SoftBank en 2014 y venta al público en 2015

El 5 de junio de 2014, SoftBank Mobile y la empresa francesa Aldebaran presentaron el robot humanoide “Pepper”, que estima las emociones humanas a partir de expresiones faciales y tonos de voz. Se colocó en tiendas de SoftBank al día siguiente. Cuando comenzó la venta al público, el 20 de junio de 2015, las primeras 1,000 unidades se agotaron en 1 minuto desde la apertura de pedidos. La empresa anunció entonces que Pepper había pasado a “tener emociones propias” (traducción).

Lo que aún no se sabe:Cuando la empresa dice que el robot “tiene emociones” (traducción), se refiere a un programa que hace funcionar variables inspiradas en los mecanismos de las emociones humanas, llamadas por la empresa “secreciones cerebrales simuladas” (traducción). No se sabe si el robot siente emociones en el mismo sentido que una persona; también es una cuestión sobre qué son las emociones.

Premio Turing a tres impulsores del aprendizaje profundo: Bengio, Hinton y LeCun (premio de 2018, anunciado en marzo de 2019)

El 27 de marzo de 2019, la asociación de informática ACM anunció que otorgaría el Premio Turing de 2018 a Yoshua Bengio, Geoffrey Hinton y Yann LeCun. El motivo fueron sus grandes avances conceptuales y técnicos que convirtieron el aprendizaje profundo en un componente importante de la computación. El anuncio señaló que, a comienzos de la década de 2000, los tres estaban entre los pocos investigadores que seguían trabajando en este método. Sus esfuerzos por recuperar el interés se recibieron al principio con escepticismo, pero el método había pasado a ser predominante en el campo.

En 2019, una empresa de investigación situó la inteligencia artificial en Japón en el “valle de la desilusión” (traducción)

El “Ciclo de sobreexpectación de las tecnologías en Japón: 2019” (traducción) (日本におけるテクノロジのハイプ・サイクル：2019年), publicado por Gartner Japan, situó la inteligencia artificial en el “valle de la desilusión” (traducción) (fase en la que se extiende la decepción tras unas expectativas excesivas). Explicaba que los proyectos de prueba habían llevado a pasar de las expectativas a afrontar la realidad.

Lo que aún no se sabe:La forma de la curva del ciclo de sobreexpectación es una valoración propia de la empresa de investigación; no es una ley comprobada.

[Japón] En la Dieta y los títulos de libros, el segundo pico llega en 1990 (unos 3 años después que en inglés) y el tercero en 2019; vuelve a subir desde 2023

Se contaron en las actas de intervenciones de la Dieta y en títulos de libros japoneses las apariciones de “inteligencia artificial” (人工知能) y “IA” con el sentido de IA (recontadas tras excluir las que eran parte de otras palabras). En los títulos de libros, “inteligencia artificial” alcanzó su máximo en 1990 (37 libros). En la Dieta tuvo picos en 1985 (7 apariciones) y 1990 (9), y casi 0 entre 1993 y 2014. Las apariciones deＡＩcon el sentido de IA en la Dieta pasaron de 11 en 2015 a 593 en 2019, bajaron a 336 en 2021 y subieron a 761 en 2023 y 2,424 en 2025 (año en que se aprobó una ley de IA). “IA generativa” (生成ＡＩ) tuvo 0 apariciones hasta 2022 y 172 en 2023.

Lo que aún no se sabe:No se puede atribuir a una sola causa la caída de 2020–2021 (coincide con el período de la epidemia).