WASHINGTON.- Un grupo de científicos de Estados Unidos desarrolló un nuevo modelo de computador que imita la capacidad de los humanos para aprender nuevos conceptos.
Según el estudio publicado por la revista científica Science, se trata de "un pequeño paso" más dentro del campo de la inteligencia artificial.
"Lo que buscamos es tratar de reducir la diferencia entre la capacidad de aprendizaje de los humanos y las máquinas (...). Y descubrir por qué los seres humanos son tan buenos a la hora de generalizar conceptos", explicó Joshua Tenenbaum, uno de los responsables de la investigación, del Departamento de Ciencias Cognitivas del Massachusetts Institute of Technology (MIT) de EE.UU.
Según el estudio, la principal virtud de los seres humanos es su "velocidad" y "diversidad" a la hora de aprender nuevos conceptos y aplicarlos en nuevas situaciones.
"A los computadores les cuesta mucho generalizar a partir de muestras particulares", agregó Brenden Lake, de la Universidad de Nueva York.
Los investigadores se centraron en el aprendizaje de caracteres escritos a mano de diversos alfabetos y desarrollaron un algoritmo que permitiese realizar generalizaciones a partir de unos pocos ejemplos.
"El computador no cuenta con un programa que aplica a cada situación, sino más bien un programa complejo de diversos programas de aprendizaje, que se adapta a cada circunstancia", agregó Tenenbaum.
Al comparar la capacidad de estos computadores a la hora de enfrentar tareas de aprendizaje, entre ellas la generación a partir de ejemplos de caracteres vistos solo en unas pocas ocasiones, con otros computadores y seres humanos, comprobaron cómo superaban a sus pares e igualaban a los humanos.
En muchos casos, los resultados de los humanos y de este nuevo modelo cognitivo, denominado "Bayesian Program Learning," eran "prácticamente indistinguibles".
"En inteligencia artificial no hay grandes hallazgos. Existe un conjunto de buenas ideas que funcionan. Esta es otra más, es un pequeño paso", agregó Lake.
Para el investigador, lo que demuestra "nuestro trabajo es que los principios de la composición, causalidad y aprender a comprender serán críticos para avanzar en las capacidades de las máquinas".
