A veces podemos comportarnos como computadoras, pero más a menudo, somos creativos, irracionales y no siempre demasiado brillantes. Al menos desde la década de 1950, la idea de que pronto sería posible crear una máquina que fuera capaz de igualar el alcance total y el nivel de logro de la inteligencia humana ha sido recibida con igual cantidad de entusiasmo e histeria. Ahora hemos tenido éxito en la creación de máquinas que pueden resolver problemas específicos bastante estrechos (máquinas "inteligentes" que pueden diagnosticar enfermedades, conducir automóviles, comprender el habla y ganarnos en el ajedrez), pero la inteligencia general sigue siendo esquiva.
Dejemos esto fuera del camino: las mejoras en la inteligencia de las máquinas no conducirán a revoluciones desenfrenadas dirigidas por las máquinas. Pueden cambiar el tipo de trabajos que hace la gente, pero no significarán el fin de la existencia humana. No habrá robo-apocalipsis.
El énfasis de las pruebas de inteligencia y los enfoques computacionales de la inteligencia se ha puesto en problemas bien estructurados y formales. Es decir, problemas que tienen un objetivo claro y un número determinado de posibles soluciones. Pero los humanos somos creativos, irracionales e inconsistentes. Centrarse en estos problemas bien estructurados puede ser como buscar las llaves perdidas donde la luz es más brillante. Hay otros problemas que son mucho más típicos de la inteligencia humana y merecen un examen más detenido.
Un grupo de estos son los llamados problemas de insight. Los problemas de insight generalmente no pueden resolverse mediante un procedimiento paso a paso, como un algoritmo, o si pueden, el proceso es extremadamente tedioso. En cambio, los problemas de insight se caracterizan por una especie de reestructuración del enfoque del solucionador del problema. En los problemas de ruta, el solucionador recibe una representación, que incluye un estado inicial, un estado objetivo y un conjunto de herramientas u operadores que se pueden aplicar para moverse a través de la representación. En los problemas de insight, el solucionador no recibe ninguno de estos.
Fue un problema de percepción que supuestamente llevó a Arquímedes a correr desnudo por las calles de Siracusa cuando lo resolvió. Según cuenta la historia, Hierón II (270 a 215 a. C.), el rey de Siracusa, sospechaba que una corona votiva que había encargado que se colocara en la cabeza de una estatua del templo no contenía todo el oro que se suponía que debía. A Arquímedes se le encomendó la tarea de determinar si Hiero había sido engañado. Sabía que la plata era menos densa que el oro, por lo que si pudiera medir el volumen de la corona junto con su peso, podría determinar si era oro puro o una mezcla. La forma de la corona, sin embargo, era irregular, y Arquímedes encontró difícil medir su volumen con precisión usando métodos convencionales.
Según Vitruvio, quien escribió sobre el episodio muchos años después, Arquímedes se dio cuenta, durante un viaje a los baños romanos, que cuanto más se hundía su cuerpo en el agua, más agua se desplazaba. Usó esta idea para reconocer que podía usar el volumen de agua desplazada como una medida del volumen de la corona. Una vez que logró esa idea, descubrir que la corona, de hecho, había sido adulterada fue fácil.
El método real que usó Arquímedes fue probablemente más complicado que este, pero esta historia ilustra el esquema general de los problemas de comprensión. La forma irregular de la corona dificultaba enormemente la medición de su volumen con los métodos convencionales. Una vez que Arquímedes reconoció que la densidad de la corona se podía medir con otros métodos, la solución real fue fácil.
Con problemas de ruta, el solucionador normalmente puede evaluar qué tan cerca está el estado actual del sistema del estado objetivo. La mayoría de los algoritmos de aprendizaje automático dependen de esta evaluación. Con los problemas de insight, a menudo es difícil determinar si se ha logrado algún progreso hasta que el problema se resuelve esencialmente. A menudo se asocian con el “efecto Eureka” o “ ¡Ajá! momento ”, una comprensión repentina de una solución previamente incomprensible.
Otro ejemplo de un problema de percepción es el problema de los calcetines. Se le dice que hay calcetines marrones individuales y calcetines negros en un cajón en una proporción de cinco calcetines negros por cada cuatro calcetines marrones. ¿Cuántos calcetines tienes que sacar del cajón para estar seguro de tener al menos un par de cualquier color? Obviamente, dibujar dos calcetines no es suficiente porque pueden ser de diferentes colores.
Muchas personas (educadas) abordan este problema como una cuestión de muestra. Intentan razonar a partir de la proporción de calcetines negros y marrones qué tamaño de muestra necesitarían para asegurarse de obtener un par completo. En realidad, sin embargo, la proporción de colores de los calcetines es una distracción. No importa cuál sea la proporción, la respuesta correcta es que debe dibujar tres calcetines para asegurarse de tener un par coincidente.
Fuente: thereader.mitpress.mit.edu
