El Fin Del Conocimiento - Bóveda 6/34 - CVPR - 2018 - Construyendo Máquinas que Aprenden y Piensan Como Personas

graph LR classDef context fill:#f9d4d4, font-weight:bold, font-size:14px classDef human_cognition fill:#d4f9d4, font-weight:bold, font-size:14px classDef ai_approaches fill:#d4d4f9, font-weight:bold, font-size:14px classDef challenges fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#f9d4f9, font-weight:bold, font-size:14px Main["Construyendo Máquinas que
Aprenden y Piensan
Como Personas"] Main --> A["Construir IA similar a la humana:
desafío clave de investigación 1"] A --> B["La IA actual sobresale
en reconocimiento de patrones 2"] A --> C["La inteligencia implica modelar
el mundo 3"] A --> D["El centro busca
ingeniería inversa de la inteligencia 4"] Main --> E["Perspectivas de la cognición humana"] E --> F["Bebés nacen con
capacidades intuitivas 5"] E --> G["La física intuitiva predice
el comportamiento de objetos 7"] E --> H["La psicología intuitiva entiende
las acciones de otros 8"] E --> I["Aprendizaje de un solo intento con
pocos ejemplos 12"] E --> J["El desarrollo cognitivo infantil
procede en etapas 20"] J --> K["La adquisición del lenguaje permite
razonamiento avanzado 25"] Main --> L["Enfoques de IA"] L --> M["Los programas probabilísticos modelan
capacidades intuitivas 6"] L --> N["Las redes neuronales son útiles
para el reconocimiento de patrones 9"] L --> O["La inferencia amortizada acelera
los modelos probabilísticos 10"] L --> P["La gráfica inversa reconstruye
3D desde 2D 11"] L --> Q["La inducción de programas captura
conocimiento abstracto 13"] L --> R["La programación diferenciable permite
optimización basada en gradientes 14"] L --> S["Motores de física neuronal
combinan simbólico y aprendido 15"] L --> T["La síntesis de programas genera
código para resolver tareas 16"] T --> U["DreamCoder: algoritmo de sueño-vigilia
para aprendizaje de código 17"] L --> V["Modelos neuro-simbólicos integran
redes y símbolos 23"] Main --> W["Desafíos y consideraciones"] W --> X["El sesgo inductivo da forma
al aprendizaje y generalización 18"] W --> Y["Evolución vs descenso de gradiente
en el aprendizaje 19"] W --> Z["Motores de juego modelan
física y comportamientos 21"] W --> AA["Lenguajes de programación probabilística
combinan múltiples enfoques 22"] W --> AB["El razonamiento causal es clave
para la inteligencia humana 26"] W --> AC["El razonamiento abstracto y
la composicionalidad son capacidades importantes 27"] W --> AD["Las limitaciones de recursos cognitivos
explican patrones de desarrollo 28"] W --> AE["Equilibrar capacidades innatas y
aprendidas 30"] Main --> AF["Direcciones futuras"] AF --> AG["Los algoritmos evolutivos pueden
capturar el aprendizaje humano 29"] class A,B,C,D context class E,F,G,H,I,J,K human_cognition class L,M,N,O,P,Q,R,S,T,U,V ai_approaches class W,X,Y,Z,AA,AB,AC,AD,AE challenges class AF,AG future

Resumen:

1.- Construir máquinas que aprendan y piensen como personas es un desafío clave en la investigación de IA.

2.- Las tecnologías de IA actuales sobresalen en el reconocimiento de patrones pero carecen de inteligencia de sentido común de propósito general.

3.- La inteligencia implica modelar el mundo, no solo encontrar patrones en los datos.

4.- El Centro para Cerebros, Mentes y Máquinas busca la ingeniería inversa de la inteligencia humana para avances en IA.

5.- Los bebés nacen con capacidades intuitivas de física y psicología que se desarrollan con el tiempo.

6.- Los programas probabilísticos y los motores de juego pueden modelar la física y psicología intuitiva en los sistemas de IA.

7.- La física intuitiva permite a los humanos predecir el comportamiento de los objetos y las interacciones en el mundo físico.

8.- La psicología intuitiva permite entender las acciones, creencias y objetivos de los demás.

9.- Las redes neuronales y el aprendizaje profundo son útiles para el reconocimiento de patrones dentro de los marcos de programación probabilística.

10.- La inferencia amortizada utiliza redes neuronales para acelerar la inferencia probabilística en modelos generativos.

11.- La gráfica inversa utiliza redes neuronales para reconstruir modelos de objetos 3D a partir de imágenes 2D.

12.- El aprendizaje de un solo intento permite a los humanos aprender nuevos conceptos a partir de solo uno o pocos ejemplos.

13.- La inducción de programas busca aprender programas que capturen conocimiento abstracto, como los motores de física.

14.- La programación diferenciable intenta hacer que el aprendizaje de programas sea más adecuado para la optimización basada en gradientes.

15.- Los motores de física neuronal combinan el conocimiento simbólico de los objetos con dinámicas físicas aprendidas.

16.- La síntesis de programas explora cómo generar automáticamente programas para resolver tareas o modelar conocimiento.

17.- DreamCoder es un algoritmo de sueño-vigilia para aprender a escribir código y construir bibliotecas específicas de dominio.

18.- El sesgo inductivo da forma a cómo los humanos y las máquinas aprenden y generalizan a partir de datos limitados.

19.- La evolución puede haber moldeado los mecanismos de aprendizaje humano de manera diferente a como el descenso de gradiente moldea las redes neuronales.

20.- El desarrollo cognitivo infantil procede en etapas, con algunas capacidades presentes desde el nacimiento.

21.- Los motores de juego proporcionan abstracciones útiles para modelar la física intuitiva y los comportamientos básicos de los agentes.

22.- Los lenguajes de programación probabilística combinan inferencia probabilística, redes neuronales y razonamiento simbólico.

23.- Los modelos híbridos neuro-simbólicos integran redes neuronales con representaciones de conocimiento simbólico.

24.- La psicología intuitiva se desarrolla desde un razonamiento dirigido a objetivos simples hasta una teoría completa de la mente.

25.- La adquisición del lenguaje alrededor de los 18 meses a 3 años permite un aprendizaje y razonamiento más avanzado.

26.- El razonamiento causal es un aspecto clave de la inteligencia humana que no está completamente capturado por la IA actual.

27.- El razonamiento abstracto y la composicionalidad son capacidades humanas importantes para modelar en IA.

28.- Las limitaciones de recursos cognitivos en los infantes pueden explicar algunos patrones de desarrollo.

29.- Los algoritmos evolutivos pueden ser necesarios para capturar algunos aspectos del aprendizaje humano.

30.- Equilibrar el conocimiento innato y las capacidades aprendidas es un desafío clave en el modelado cognitivo y la IA.

Bóveda de Conocimiento construida porDavid Vivancos 2024