De Darwin a la Inteligencia Artificial

Solemos enfocarnos en el aprendizaje de las máquinas, pero la evolución y la genética también dictaminan la respuesta de un organismo a los desafíos que enfrenta. ¿Pueden secuencias de unos y ceros evolucionar hasta resolver problemas complejos?

El filósofo estadounidense Daniel C. Dennett, en su artículo «Una Máquina Perfecta y Bella: Lo que la teoría de la evolución de Darwin revela acerca de la Inteligencia Artificial,» publicado en 2012 en The Atlantic^[1], explora una fascinante conexión entre dos mentes brillantes: Alan Turing (1912 — 1954), el pionero de la Inteligencia Artificial (IA), y Charles Darwin (1809 –1882), el famoso naturalista detrás de la teoría de la evolución y la selección natural. Dennett sugería que ambos genios habían desentrañado los misterios de la «competencia sin entendimiento,» uno en el reino natural y el otro en el mundo de las máquinas. Pero, ¿qué quería decir exactamente Dennett con esta afirmación?

Reglas, estados y patrones emergentes

Antes de Alan Turing, las computadoras eran poco más que complejas combinaciones de engranajes y electricidad. Sin embargo, gracias a sus contribuciones, la Inteligencia Artificial se convirtió en una realidad tangible. Sus estudios jugaron un papel fundamental en el establecimiento de los cimientos matemáticos y formales de este campo, delineando lo que se puede computar, es decir, resolver mediante instrucciones definidas y símbolos, y lo que no. En este contexto, destaca el concepto de la máquina de Turing^[2]. Aunque esta máquina es tan sólo una abstracción, desempeña un papel crucial a la hora de ilustrar algunos de los principios más destacados en la teoría de la computación. Una máquina de Turing consta de un rollo de cinta infinito, dividida en casillas, sobre cada una de las cuales un cabezal lee o escribe un símbolo cada vez. Además de esos dos elementos, dicha máquina incorpora un conjunto de reglas bien definidas y precisas que especifica, ante la lectura de un símbolo, a qué lugar de la cinta debe desplazarse el cabezal, y si ha de escribir o no un nuevo símbolo.

El procedimiento seguido por esta máquina para responder a cualquier problema que se le planteara se desarrollaría de la siguiente manera: i) Inicio de lectura y escritura a partir de una posición específica en la cinta. ii) Evaluación del símbolo presente en la casilla actual.  Referencia al conjunto predefinido de reglas que determinan las acciones a seguir, basándose tanto en el símbolo leído como en el estado actual de la máquina. iii) De acuerdo con estas reglas, modificación del símbolo en la casilla actual, movimiento a lo largo de la cinta y posible cambio su estado. iv) Este proceso se repetiría de manera continua hasta que la máquina finalizara su cálculo.

Aunque pueda parecer un mecanismo relativamente sencillo, las implicaciones teóricas de las máquinas de Turing son muy profundas. Turing demostró que una máquina tal tendría la capacidad de simular prácticamente cualquier proceso de cómputo imaginable, siempre y cuando se proporcionaran las reglas apropiadas. Sin entrar en detalles técnicos, esto viene a significar que cualquier problema que se pueda describir mediante un algoritmo, es decir, mediante una secuencia de pasos bien definidos, puede ser resuelto por una máquina de Turing. Además, nótese que la máquina no necesitaría comprender el problema de cara a resolverlo. En su lugar, la solución se obtiene mediante la repetición de procesos extremadamente simples, cada uno de los cuales se enfoca exclusivamente en una parte del problema, ignorando todo lo demás. Es únicamente al considerar el conjunto de todos estos procesos que se lograría una solución completa, la cual puede ser tan compleja como la pregunta que se plantee.

Del mismo modo, como señala el Profesor Dennett, podemos interpretar la teoría darwiniana. Bajo la batuta de las fuerzas de la selección natural, cada ser vivo opera sin conocimiento de su papel en el equilibrio del ecosistema, centrándose únicamente en procurar su supervivencia para así maximizar las posibilidades de dejar descendencia. La interacción continua entre los elementos de estos sistemas es lo que lo dota de complejidad al conjunto, ergo al ecosistema. Es decir, que la existencia de diferentes especies no obedece en última instancia a un diseño inteligente y premeditado, sino a  «un proceso sin propósito ni conciencia, que avanza a lo largo de las eras, generando organismos cada vez más sofisticados, eficientes y complejos sin tener la menor comprensión de su propia evolución». Por desgracia, afirmaciones similares le valieron a Darwin el rechazo por parte de la mayoría de sus contemporáneos, y aún hoy parece levantar ampollas entre algunas comunidades religiosas con un celo particularmente vehemente^[3].

En resumen, pareciera así que la repetición de procesos extremadamente simples, donde los elementos que intervienen no tienen conocimiento ni entendimiento del papel jugado, es el catalizador encontrado por la naturaleza para originar sistemas dinámicos de enorme complejidad, como son los ecosistemas o los razonamientos seguidos por un cerebro humano.

El Juego de la Vida

El «Game of Life» es un autómata celular inventado por el matemático británico John Conway (1937–2020) en 1970^[4][5]. A pesar de su simplicidad, el Juego de la Vida es un modelo computacional que ha fascinado a generaciones enteras de matemáticos y científicos de la computación. La idea es esencialmente la descrita hace un instante: que emerjan patrones complejos empleando únicamente como base la repetición de unas pocas reglas sencillas.

En su versión más simple, el Juego de la Vida se juega en un tablero bidimensional, normalmente una cuadrícula de celdas. Cada una de ellas puede estar en uno de dos estados posibles: viva o muerta. El jugador, antes de comenzar, puede elegir el estado inicial de todas las celdas del tablero. A partir de ahí, el juego se rige de manera automática por las siguientes cuatro instrucciones:

1. Sobrepoblación: Si una celda viva tiene más de tres vecinos vivos, muere debido a la sobrepoblación.
2. Estabilidad: Si una celda viva tiene dos o tres vecinos vivos, sobrevive y permanece viva.
3. Nacimiento: Si una celda muerta tiene exactamente tres vecinos vivos, nace y se convierte en una celda viva.
4. Soledad: Si una celda viva tiene menos de dos vecinos vivos, muere por soledad.

Estas instrucciones se repiten de manera indefinida a cada instante, dando lugar a sucesivas iteraciones (o generaciones). Lo que hace que el Juego de la Vida sea interesante es que, a pesar de estas reglas simples, pueden surgir patrones sorprendentemente complejos y variados en el tablero. La comunidad que durante décadas se ha formado alrededor de este juego ha descubierto patrones que pueden crecer indefinidamente, otros que se estabilizan, o que se repiten en ciclos o que conforman dinámicas que continuamente cambian de forma en un equilibrio inestable que recuerda a la propia naturaleza. Si bien es cierto que el juego no proporciona ninguna aplicación práctica, ha sido y es frecuentemente utilizado en aulas de todo el mundo como herramienta para comprender cómo, a partir de pocas reglas más o menos sencillas pueden emerger comportamientos complejos. Y es que de hecho, tan recientemente como en el año 2015, Paul Rendell hizo ver que el Juego de la Vida está, valga la redundancia, más vivo que nunca, demostrando que es un modelo que ofrece todas las condiciones para construir una máquina de Turing funcional^[6]. Otro tema, claro, es cómo diseñar las reglas…

No obstante el modelo de Conway, fascinante por cómo mediante su simplicidad llega a lo complejo, obvia la abrumadora complejidad del mundo físico. Deja a un lado cuestiones cruciales como la reproducción o las mutaciones dentro de poblaciones, y pasa por alto las complejas interacciones entre individuos, como la cooperación y la competencia. En próximos artículos, ahondaremos en cómo estas ideas, fundamentales en la naturaleza, se tradujeron a lo que hoy conocemos como algoritmos genéticos y algoritmos evolutivos, dos de las propuestas más emocionantes en el vasto terreno de la Inteligencia Artificial.

Referencias

[1]: Dennett, D. “‘A Perfect and Beautiful Machine’: What Darwin’s Theory of Evolution Reveals About Artificial Intelligence”. En The Atlantic (22/06/ 2012). 

[2]: Turing, A.M., 1936–7, “On Computable Numbers, With an Application to the Entscheidungsproblem”, Proceedings of the London Mathematical Society, s2-42: 230–265; correction ibid., s2-43: 544–546 (1937).

[3]: Olga Khazan. “I Was Never Taught Where Humans Came From”. En The Atlantic, publicado el 19/09/2019. Última vez visitado en 20/09/2023.

[4]: Games, M. (1970). The fantastic combinations of John Conway’s new solitaire game “life” by Martin Gardner. Scientific American, 223, 120–123.

[5]: https://conwaylife.com/

[6]: Rendell, P. (2015) “Turing Machine Universality of the Game of Life”. Springer Cham, Edition