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

Esta publicación es parte de la revisión del año 2019 de CoinDesk, una colección de 100 artículos de opinión, entrevistas y tomas sobre el estado de blockchain y el mundo. Ben Goertzel es fundador y CEO de SingularityNET, un proyecto de mercado de IA basado en blockchain.

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

En este momento la respuesta tiende a ser grandes corporaciones. Los datos sobre nuestros pensamientos, preferencias, miedos y deseos, como se revelan en nuestros correos electrónicos, mensajes, fotos y documentos, se almacenan en repositorios corporativos y se utilizan para crear anuncios personalizados que impulsan nuestros comportamientos de compra. Los datos sobre nuestros cuerpos y nuestros genomas se almacenan en bases de datos de compañías farmacéuticas y se utilizan para investigación y desarrollo patentados, sin nuestro consentimiento explícito y sin que recibamos ninguna recompensa por las terapias descubiertas. Estas grandes corporaciones, por supuesto, operan en estrecha coordinación con las agencias de vigilancia del gobierno, a veces para proteger a la población civil y a veces de manera más nefasta.

A medida que la IA se vuelve más y más inteligente, la cuestión de quién es el propietario y lo controla se volverá aún más más agudo Es una suerte, por lo tanto, que existan tecnologías para permitir un seguimiento y control cuidadoso del uso de datos personales, modelos y conclusiones por parte de la IA, y habilidades aprendidas en base a los datos de las personas. Esta puede ser, al final, la aplicación más crítica de la tecnología blockchain y los métodos asociados, como el cifrado homomórfico y el cómputo multiparte, que permiten que se produzca un procesamiento sofisticado de datos de IA mientras se respeta la privacidad de los datos.

Durante los últimos dos años, la importancia de combinar IA y blockchain se ha convertido en algo común en conferencias, talleres y startups. Todavía no existe una red de IA descentralizada con una amplia adopción comercial, pero el concepto se ha aceptado ampliamente. Para fines de 2020, parece probable que haya casos de uso emocionantes que involucren a compañías grandes y pequeñas que obtengan sus servicios de inteligencia artificial a partir de llamadas API a una red descentralizada basada en blockchain en lugar de a través de un servicio de inteligencia artificial centralizado.

Durante el mismo período de tiempo , Los sistemas de inteligencia artificial han aumentado en potencia en un grado notable, con más aplicaciones comerciales de alto perfil en múltiples mercados verticales, junto con el progreso de la investigación fundamental que da el salto de los sistemas de "IA estrecha" específicos de la aplicación a los sistemas de inteligencia artificial de uso más general previsto desde hace mucho tiempo por autores de ciencia ficción y expertos futuristas.

No hace mucho tiempo, la Inteligencia General Artificial (AGI) era un tema de discusión solo en ciertos círculos de investigación enrarecidos. Pero desde la inversión de $ 1 mil millones de Microsoft en OpenAI uno ahora escucha el término de la boca de los líderes nacionales y corporativos. Ahora se entiende bastante ampliamente que la IA necesita ir más allá de imitar sus conjuntos de datos de entrenamiento y lograr la capacidad de manejar nuevos dominios que sus programadores y entrenadores no anticiparon. Si bien los sistemas AGI a nivel humano permanecen para el futuro, estamos tomando medidas en esa dirección con sistemas de IA que pueden llevar a cabo una inferencia causal (identificando las causas subyacentes de eventos complejos como accidentes de bolsa o brotes de enfermedades) y haciendo un razonamiento de analogía (utilizando el conocimiento sobre, por ejemplo, la enfermedad del ratón para ayudar a comprender la enfermedad humana, o el conocimiento del chino para ayudarnos a entender el inglés).

Sin embargo, la fusión de AGI y AI descentralizada aún no ha llegado al radar público en gran medida. En 2020, probablemente veremos los primeros pasos concretos en esta dirección. Eso despertará la atención del público sobre el potencial de los marcos descentralizados para trabajar hacia la IA con capacidad para la imaginación profunda, la generalización y el aprendizaje creativo. Redes de IA: digamos que SingularityNET, Ocean, Fetch.ai, Shivom y docenas de otros, todos trabajando juntos) podrán proporcionar servicios de abstracción y generalización a agentes de IA orientados a aplicaciones que se ejecutan en esta misma meta-red.

Suponga que un agente de IA orientado a la tecnología de la salud necesita hacer una hipótesis sobre cuáles de los aproximadamente 25,000 genes humanos están involucrados en causar cáncer de próstata. Pero supongamos que solo tiene datos de ADN de unos cientos de personas, no lo suficiente como para permitirle sacar conclusiones sólidas sobre tantos genes diferentes. Sin un marco que permita que este agente de IA consulte a otros agentes de IA para obtener ayuda, la IA probablemente simplemente se rendirá. Pero en un contexto como SingularityNET, donde los AI pueden consultar a otros AI para obtener ayuda, puede haber rutas sutiles para el éxito. Si hay otros conjuntos de datos sobre trastornos similares al cáncer de próstata en organismos modelo como los ratones, podemos ver avances en la comprensión de qué genes están involucrados en el cáncer de próstata, a través de la combinación de múltiples agentes de IA, con diferentes capacidades que cooperan entre sí.

Suponga AI # 1, llamémoslo Analogy Master, tiene talento para el razonamiento de analogía. Este es el tipo de razonamiento que mapea el conocimiento sobre una situación en un tipo diferente de situación, por ejemplo, usar el conocimiento sobre la guerra para sacar conclusiones sobre los negocios. El Analogy Master podría utilizar datos genéticos sobre ratones con afecciones similares al cáncer de próstata para sacar conclusiones indirectas sobre el cáncer de próstata humano.

Entonces supongamos que AI # 2, llamémoslo el conector de datos, es bueno para encontrar conjuntos de datos biológicos y médicos relevantes para un problema determinado, y preparar estos conjuntos de datos para el análisis de IA. Y luego supongamos que AI # 3, llamémoslo Analista de Enfermedades, es experto en el uso del aprendizaje automático para comprender las causas de las enfermedades humanas.

El Analista de Enfermedades, cuando tiene la tarea de encontrar genes humanos relacionados con el cáncer de próstata , entonces puede decidir que necesita un pensamiento lateral para ayudarlo a dar un salto conceptual y resolver el problema. Pide ayuda al Analogy Master, o a muchas IA diferentes.

El Analogy Master puede no saber nada sobre la biología del cáncer, aunque es bueno para dar saltos conceptuales utilizando el razonamiento por analogía. Entonces, para ayudar al Analista de Enfermedades con su problema, es posible que deba llenar su base de conocimiento con algunos datos relevantes, por ejemplo, sobre el cáncer en ratones. El Data Connector luego viene al rescate, alimentando al Analogy Master con los datos sobre el cáncer de ratón que necesita para impulsar su lluvia de ideas creativa, apoyando al Analista de Enfermedades para resolver su problema.

Toda esta cooperación entre agentes de IA puede ocurrir detrás de escena desde la perspectiva del usuario. El laboratorio de investigación que le pide ayuda al Analista de Enfermedades con el análisis genético del cáncer de próstata nunca necesita saber que el Analista de Enfermedades hizo su trabajo al pedirle ayuda al Analogy Master and Data Connector. Además, el Analogy Master y el conector de datos no necesariamente necesitan ver los datos de propiedad del analista de enfermedades, ya que mediante el uso de cómputo multiparte o cifrado homomórfico, el análisis AI puede realizarse en una versión cifrada de un conjunto de datos sin violar la privacidad de los datos (en este caso, privacidad del paciente).

Con los avances en la tecnología de inteligencia artificial y la TI basada en la nube, este tipo de cooperación entre múltiples IA ahora se está volviendo factible. Por supuesto, dicha cooperación puede ocurrir de una manera controlada por grandes corporaciones detrás de firewalls. Pero lo más interesante es cuán naturalmente este paradigma para lograr una IA cada vez más poderosa y general podría alinearse con las modalidades descentralizadas de control.

¿Qué sucede si los tres agentes de IA en este escenario de ejemplo son propiedad de diferentes partes? ¿Qué sucede si los datos sobre el cáncer de próstata humano utilizados por el Analista de Enfermedades son propiedad y están controlados por las personas con cáncer de próstata, de quienes se han recopilado los datos? Esta no es la forma en que funciona el establecimiento médico en este momento. Pero al menos podemos decir que, a nivel tecnológico, no hay ninguna razón para que el descubrimiento médico impulsado por la IA deba ser monolítico y centralizado. Un enfoque descentralizado, en el que la inteligencia se logra a través de múltiples agentes con múltiples propietarios que actúan sobre datos cifrados de forma segura, es tecnológicamente factible ahora, combinando inteligencia artificial moderna con infraestructura de blockchain.

La centralización de los análisis de datos de IA y la toma de decisiones, en medicina como en otras áreas, prevalece en este punto debido a razones de estructura política e industrial e inercia, en lugar de porque es la única forma de hacer que la tecnología funcione. [19659022] En este caso, la IA original orientada a la tecnología sanitaria encargada de comprender las causas genéticas del cáncer haría bien en conectarse detrás de escena con esta IA que razona la analogía, y con un proveedor de datos relevantes del organismo modelo para alimentar la analogía. razonador, para obtener su ayuda para resolver su tarea.

En la red de Inteligencia General Artificial del futuro cercano, la inteligencia existirá en dos niveles diferentes: los agentes de IA individuales y la actividad coherente y coordinada de la red de IA agentes (la combinación de tres agentes de IA en el ejemplo anterior; y combinaciones de un mayor número de agentes de IA más diversos en casos más complejos). La capacidad de generalizar y abstraer también existirá, hasta cierto punto, en ambos niveles. Existirá en agentes de IA individuales como el Analogy Master en el ejemplo anterior, que están orientados hacia la inteligencia general en lugar de resolver problemas altamente especializados. Existirá en la red general, incluida una combinación de agentes de inteligencia artificial orientados a la generalización como Analogy Master y agentes de inteligencia artificial de propósito especial como el Analista de enfermedades y agentes de inteligencia artificial "conector" como el conector de datos anterior.

El despliegue escalable y amplio La adopción de redes descentralizadas de IA todavía está cerca del comienzo, y hay muchas sutilezas que se encontrarán y resolverán en los próximos años. Después de todo, lo que la comunidad de IA descentralizada necesita para lograr sus objetivos a mediano plazo es fundamentalmente más complejo que los sistemas de TI que han creado Google, Facebook, Amazon, IBM, Tencent o Baidu. Estos sistemas son el resultado de décadas de trabajo de ingeniería por decenas de miles de ingenieros brillantes.

La comunidad descentralizada de IA no contratará más ingenieros de los que tienen estas compañías. Pero entonces, Linux Foundation nunca contrató a tantos ingenieros como Microsoft o Apple, y ahora tiene el sistema operativo # 1 subyacente tanto a Internet del lado del servidor como a los ecosistemas móvil e IoT. Si el intento del mundo blockchain-AI de catalizar el surgimiento de la inteligencia general a través de la actividad cooperativa de numerosos agentes de IA con diferentes niveles de abstracción tiene éxito, tendrá que ser a través de la actividad comunitaria. Esta actividad comunitaria deberá ser autoorganizada en gran medida. Pero los modelos tokenómicos que subyacen a muchos proyectos de IA descentralizados están configurados con precisión para fomentar esta autoorganización, proporcionando incentivos simbólicos a los agentes de AI que sirven para estimular y guiar la inteligencia de la red en general, así como trabajar para alcanzar sus objetivos individuales.

Las grandes corporaciones centralizadas aportan enormes recursos a la mesa. Sin embargo, para muchas aplicaciones, incluida la medicina y la publicidad, no son las corporaciones, sino los individuos, quienes aportan los datos a la mesa. Y las IA necesitan datos para aprender. A medida que emergen las aplicaciones de inteligencia artificial basadas en blockchain, las grandes corporaciones pueden encontrar que su poder único se está extrayendo de ellas.

¿Prefieres tener una parte de las terapias médicas descubiertas usando tus registros médicos y datos genómicos? ¿Prefiere saber exactamente cómo se utiliza el contenido de sus mensajes y sus patrones de navegación web para decidir qué productos recomendarle? Yo también.

2020 será el año en que esta visión comience a tener cierta tracción detrás de ella. Veremos el comienzo de la adopción real de usuarios para plataformas que unen blockchain e IA. Veremos el trabajo hacia formas más generales de IA que sean propiedad y estén guiadas por las personas que alimentan a la IA con los datos que necesitan para aprender y crecer.