Las mejoras en inteligencia artificial requieren nuevo hardware.
Año de reconocimiento: 2015
Región: Global
Yunji Chen, iconoclasta y cosmopolita, lleva una camisa de franela fuera del pantalón y está tomando un batido de mango en una cafetería italiana en Beijing. Habla sobre cómo puede hacer que el aprendizaje profundo, un campo caliente de la inteligencia artificial, sea mucho más útil para las personas.
Lo que antes era una rama de investigación oscura, el aprendizaje profundo ha mejorado rápidamente la búsqueda de imágenes, el reconocimiento de voz y otros aspectos de la computación (ver «Enseñar a las máquinas a entendernos»). Empresas como Google y Baidu están muy invertidas en usarlo para que las computadoras aprendan sobre el mundo a partir de vastas cantidades de datos sin necesidad de ser enseñadas manualmente. Sin embargo, la tecnología es intensiva en recursos: cuando el proyecto Google Brain entrenó a una computadora para reconocer la cara de un gato en 2012, requirió 16,000 núcleos de microprocesador. Eso desanima a Chen. «El costo y el consumo de energía son bastante altos», dice, señalando que solo las grandes empresas pueden permitírselo.
«El teléfono inteligente actual no es inteligente. Pero si el teléfono puede aprender de manera continua, entonces sí podría serlo.»
La razón es que la mayoría de los procesadores pueden repetir rápidamente funciones matemáticas básicas, pero necesitan «cientos de instrucciones» para realizar las funciones más elaboradas necesarias en técnicas avanzadas de IA, dice Chen. Por eso está diseñando procesadores dedicados al aprendizaje profundo, optimizados «para calcular los bloques básicos del aprendizaje automático». En su laboratorio en el Instituto de Tecnología Computacional, los asistentes de investigación ejecutan un programa de computadora que simula cómo los ajustes precisos en los planos de los chips afectarán las velocidades de procesamiento. «Estamos cambiando los cables, las conexiones, los circuitos», dice. Su último diseño parece ser cientos de veces más rápido que las unidades centrales de procesamiento actuales, pero solo requiere una milésima parte de la energía.
Por impresionante que sea esto, Chen, quien ingresó a la universidad a los 14 años y completó su PhD en informática a los 24, imagina reducir el consumo de energía en un factor de 10,000, lo que podría permitir que las funciones de aprendizaje profundo trabajen en dispositivos móviles o vestibles. «Después de cinco o más años», dice, «creo que cada teléfono móvil podría ser tan poderoso como Google Brain.»
