Frente a esta tensión ecológica y económica, emerge una prometedora vía híbrida. Consiste en combinar el aprendizaje estadístico de las redes neuronales con el razonamiento lógico simbólico. Esta mezcla, llamada IA neuro-simbólica, permitiría a los sistemas realizar tareas con mayor precisión consumiendo mucha menos electricidad.
Imagen de ilustración Unsplash
Este método no está concebido para simples chatbots, sino que está destinado principalmente a los robots que interactúan con el mundo físico. Al integrar la visión y el movimiento, los hace capaces de ejecutar acciones como manipular objetos con destreza, limitando los errores relacionados con una visión imperfecta o gestos torpes.
Las pruebas, por ejemplo en el famoso rompecabezas de la Torre de Hanói, son elocuentes. El sistema neuro-simbólico obtiene una tasa de éxito mucho más alta que los modelos clásicos. Además, requiere un tiempo de aprendizaje y una cantidad de energía mucho menores, hasta 100 veces menos de lo que requieren los enfoques convencionales. El ahorro es simplemente enorme.
Esta frugalidad energética llega en un momento oportuno, justo cuando las necesidades de potencia de cálculo se disparan. Reemplazar los modelos tradicionales, a menudo muy demandantes de recursos, por alternativas más sobrias podría así aliviar las redes eléctricas sin sacrificar el rendimiento.
Los trabajos, disponibles en la plataforma arXiv, vislumbran que esta hibridación podría aplicarse a otros sectores. Contribuiría entonces a disminuir la huella de carbono digital al tiempo que permitiría nuevos avances en robótica y automatización.
El razonamiento simbólico en inteligencia artificial
El razonamiento simbólico funciona aplicando reglas lógicas y conceptos abstractos para encontrar soluciones, un poco a la manera de un humano que sigue un plan paso a paso. A diferencia del aprendizaje estadístico, que necesita inmensos volúmenes de datos para hacer predicciones, este método deduce resultados a partir de principios generales, lo que limita la necesidad de cálculos pesados.
Este enfoque resulta muy eficaz para tareas bien estructuradas, como la planificación de acciones o la manipulación de objetos, donde los modelos puramente estadísticos pueden cometer errores. Siguiendo reglas, por ejemplo sobre estabilidad o forma, los sistemas evitan los intentos al azar y alcanzan su objetivo de manera más directa, lo que se traduce en un ahorro de energía importante.
Dentro de una IA híbrida neuro-simbólica, el razonamiento simbólico complementa a las redes neuronales añadiendo una capa de lógica que orienta las decisiones. Esto permite no solo aumentar la precisión, sino también hacer el funcionamiento de los sistemas más comprensible, ya que sus acciones derivan de reglas explícitas en lugar de correlaciones oscuras extraídas de los datos.