IMAGE: Enno Schmidt (CC BY)El director de ingeniería de Google, Ray Kurzweil, afirma en un evento que la renta básica universal o incondicional será una realidad en todo el mundo en un plazo aproximado de unos diez años, proporcionará a los ciudadanos un nivel económico muy razonable, y la principal preocupación girará en torno al significado y el propósito de nuestras vidas.

El interés de Kurzweil por el concepto no es en absoluto una novedad en su pensamiento, y coincide con las visiones expresadas por un amplio número de pensadores, fundadores y líderes de la industria tecnológica, que proponen modelos que van desde la financiación mediante impuestos a los que más tienen, hasta el reparto del superávit generado por el trabajo de las máquinas o por la explotación de recursos de diversos tipos. Otros afirman que la afinidad de los líderes de la industria tecnológica con el concepto de renta básica universal proviene únicamente del supuesto “sentimiento de culpa” por los efectos de la tecnología sobre el trabajo, y por la pérdida de puestos que de manera inexorable sigue a la adopción de algunas de sus propuestas a medida que se incrementa la eficiencia.

Los modelos económicos basados en la renta básica universal o incondicional tienen un problema de base: suponen un replanteamiento tan agresivo y radical del mundo que conocemos, que una gran mayoría de personas, cuando se aproximan a la idea, la descartan de manera superficial, en función de clichés o de objeciones primarias, sin llevar a cabo un análisis verdaderamente riguroso. La idea de un mundo en el que el trabajo es completamente voluntario, en el que trabajamos no porque lo necesitemos como tal sino porque queremos, o en el que podamos replantear conceptos claramente obsoletos, como la semana de cinco días para descansar dos, supone un desafío mental que choca con problemas de todo tipo, desde cuasi-religiosos (la idea de trabajo como una especia de “maldición bíblica” por la que hay que pasar necesariamente para “ganarnos el pan con el sudor de nuestra frente”) hasta puramente motivacionales, que inciden en la extendida idea de un amplio segmento de la sociedad que no contribuye absolutamente a nada y que supuestamente se dedica a estar tirado y drogarse todo el día. Una imagen que no se ha dado en ninguna de las pruebas y ensayos de renta básica incondicional que se han llevado a cabo en diversos lugares del mundo, que vienen a demostrar más bien lo contrario: cuando una persona tiene solucionadas sus necesidades más básicas gracias a un pago incondicional, que no pierde aunque trabaje u obtenga más ingresos, esa situación genera un bienestar que permite plantearse muchas otras posibilidades, y terminan trabajando, en muchos casos, más, porque lo hacen en tareas que ellos mismos han escogido y con las que mantienen una relación completamente diferente.

La otra objeción más básica, la que cuestiona de dónde sale el dinero para pagar esa renta básica incondicional, hay que analizarla con respecto a su alternativa: las políticas de subsidios condicionados, que proponen unos ingresos que desaparecen cuando cambian las circunstancias, y que, por tanto, generan una situación de tasación excesiva, que es susceptible de desincentivar el trabajo o de favorecer la economía sumergida. En la práctica, no necesitamos financiar una renta básica, sino reinvertir mejor el dinero que se gasta en subsidios que pasan a ser asignados de una manera mucho más sencilla, sin práctica necesidad de infraestructuras de vigilancia, por un estado que prácticamente pasa a ser un sistema de gestión, sumamente automatizado, y controlado mediante sistemas de registro como blockchain para eliminar la corrupción.

Sobre este tema, he escrito y leído bastante recientemente, y de verdad recomiendo invertir un poco de trabajo para entender sus detalles, especificidades e implicaciones. Para mí, es una de las claves más claras del futuro que vamos a vivir en no mucho tiempo. No es sencillo, choca con muchos problemas aparentemente insolubles y requiere invertir mucha abstracción, mucho estudio y mucho trabajo para despejar sus interrogantes y sus mitos. Pero de una manera u otra, va a llegar, y va a terminar por sustituir a un modelo económico post-industrial actual que ya ha mostrado sus muchos e importantes problemas y limitaciones.

 

La Noche en 24 horas (16-XII-2015) - RTVEEl pasado miércoles, en la barra tecnológica de La Noche en 24 horas, estuve con Moisés Rodríguez hablando sobre inteligencia artificial y machine learning. Un intento de definir algunos conceptos básicos, explicar qué es lo que realmente entendemos por una máquina que aprende o piensa, por qué razón hablamos ahora de AI y qué hay de nuevo en un tema que lleva comentándose desde hace muchos años, quiénes son los principales actores en este tema, qué restricciones existen y qué se puede esperar que haga una máquina, o la tan comentada hipótesis de la sustitución: cuándo existe más riesgo de que mi trabajo lo termine haciendo una máquina. Para terminar, hablamos de la singularidad y de los miedos que este tema genera, así como de la reciente creación de OpenAI.

Podéis verlo en la página del programa, son unos diez minutos que comienzan a partir del 01:14:07. A continuación, las notas que me llevé para intentar llevar un orden razonable – aunque como siempre, no me dio tiempo a comentarlo todo:

  • Mi participación en BigML, startup española en Corvallis (Oregón) como origen de mi desarrollo profesional en el tema, y mi papel como asesor estratégico.
  • Machine learning: un campo de las ciencias de la computación, de naturaleza eminentemente técnica, complejo, y posibilitado por el incremento de la potencia computacional.
  • Antes: modelo IBM, Deep Blue, Watson, etc. que precisaban los recursos de enormes superordenadores. Ahora, el incremento en la potencia de computación y la mejora en la eficiencia de los algoritmos permiten que se desarrolle con redes de máquinas mucho más razonables o con servidores en la nube, lo que da lugar a una drástica caída de las barreras de entrada.
  • El machine learning evoluciona a partir del reconocimiento de patrones y del aprendizaje computacional, dentro del contexto de la inteligencia artificial.
  • También tiene relación con el data mining, aunque este se dedica más bien a la selección, filtrado y exploración de los datos tanto para la construcción de los algoritmos como para su entrenamiento.
  • Estudio y construcción de algoritmos capaces de aprender y hacer predicciones a partir de unos datos.
  • Hablamos de algoritmos que, en lugar de seguir una serie de instrucciones estrictas, construyen un modelo a partir de series masivas y múltiples de datos, combinando diversas metodologías.
  • En lugar de tratar de programar un algoritmo específico y de marcar una serie de procedimientos fijos para el análisis de esos datos, lleva a cabo la construcción de modelos de datos dinámicos para hacer predicciones o para la toma de decisiones.
  • Más allá de jugar al ajedrez: en lugar de simplemente predecir todos los escenarios posibles a partir de todos los movimientos posibles (eso sería simplemente aplicar la suficiente potencia de computación), lo que hacemos es alimentar al algoritmo con todas las partidas de ajedrez conocidas para que “extraiga sus propias conclusiones”, derive sus propias reglas o incluso le permitimos “crear” hipotéticas partidas de ajedrez.
  • Procesos de aprendizaje:
    • aprendizaje supervisado (un “profesor” que suministra datos de entrada y los mapea con las salidas adecuadas, para generar sistemas de reglas que relacionen entradas y salidas.
    • Aprendizaje no supervisado: se suministran datos, pero estos no son etiquetados ni relacionados, dejando al algoritmo que los relacione y descubra estructuras y relaciones existentes.
    • Aprendizaje de refuerzo: programas que interaccionan con entornos dinámicos (como el conjunto de datos que se generan en la conducción autónoma, por ejemplo), sin que exista un “profesor” que le proporcione información sobre cada caso.
  • Las aplicaciones son enormes, aunque condicionadas a cuestiones en las que contemos con una amplia cantidad de datos que permitan el desarrollo y el entrenamiento del algoritmo.
  • Visión artificial y reconocimiento de objetos o caracteres, filtrado de spam, creación de rankings en motores de búsqueda, evaluación de crédito, recomendaciones de compra, búsqueda de noticias interesantes en función del criterio de un usuario… cualquier cosa en la que contemos con suficientes datos con los que educar al algoritmo.
  • La pregunta no es si estamos ante máquinas que piensan, sino si somos capaces de conseguir que las máquinas hagan (ventajosamente) cosas que nosotros, como entidades pensantes, podemos hacer.
  • Árboles de decisiones (mapeo de variables para asignar un valor productivo o decisorio a un caso determinado), ensembles (combinación de múltiples algoritmos), random forests (múltiples árboles de decisiones combinados que se promedian), bagging o bootstrapping
  • Aprendizaje de reglas de asociación: descubrimiento de relaciones interesantes entre variables en bases de datos muy grandes.
  • Redes neuronales: simulan las conexiones neuronales para llevar a cabo tareas como la búsqueda de patrones en datos, el descubrimiento de relaciones entre datos de entrada y resultados de salida, etc.
  • Lógica inductiva.
  • Support Vector Machines (SVM), construyen modelos a partir de clasificación y regresión, mediante aprendizaje supervisado.
  • Clustering.
  • Aprendizaje por similaridad, algoritmos genéticos, redes bayesianas… se puede hacer de todo, incluyendo diagnósticos a partir de síntomas, o inferencias que son testadas y reintroducidas como aprendizaje.
  • Teoría de la caja negra.
  • Singularidad tecnológica (Ray Kurzweil): el momento en que la capacidad de una máquina para aprender llega al punto en que es capaz de rediseñarse a sí misma para mejorar sus prestaciones (auto-mejora recursiva) o de diseñar máquinas progresivamente mejores que ella misma. Supuestamente, esto daría lugar a una “explosión de inteligencia”, que podría llegar a generar una inteligencia capaz de exceder la capacidad intelectual del hombre para controlarla.
  • ¿Debemos tener miedo al desarrollo de la inteligencia artificial y el machine learning? La semana pasada, Elon Musk, Reid Hoffman, Peter Thiel y otros han creado OpenAI para explorar las formas más avanzadas de inteligencia artificial y abrir los resultados al público.