El Futuro de las Computadoras Será Radicalmente Diferente

¿Por qué están resurgiendo las computadoras analógicas?

Evolución de las computadoras

• Durante siglos, las computadoras analógicas fueron predominantes, utilizadas para predecir fenómenos naturales y guiar operaciones militares.

• Con la llegada de los transistores de estado sólido, las computadoras digitales comenzaron a dominar el campo tecnológico.

Características de las computadoras analógicas

• Las computadoras analógicas operan con voltajes en lugar de ceros y unos, lo que permite simular problemas físicos como oscilaciones en un resorte.

• Se pueden programar para resolver diversas ecuaciones diferenciales rápidamente, como el sistema de Lorenz, conocido por su relación con el caos.

Ventajas y desventajas

• Las computadoras analógicas son eficientes energéticamente y requieren menos componentes para realizar cálculos simples comparadas con las digitales.

• Sin embargo, no son versátiles para múltiples propósitos y presentan variaciones en resultados debido a la naturaleza continua de sus entradas y salidas.

Retorno al uso de tecnología analógica

• A pesar de sus limitaciones, la rapidez y eficiencia energética hacen que las computadoras analógicas estén volviendo a ser relevantes en ciertos contextos tecnológicos.

La inteligencia artificial y su conexión con las neuronas

Orígenes de la inteligencia artificial

• El término "inteligencia artificial" fue acuñado en 1956; desde entonces ha evolucionado significativamente.

Funcionamiento del perceptrón

• Un modelo básico imita el funcionamiento neuronal: cada neurona puede activarse o no dependiendo del peso asignado a sus conexiones.

• La activación se calcula multiplicando la señal entrante por su peso; si supera un umbral (sesgo), se activa.

Entrenamiento del perceptrón

• El objetivo es distinguir entre diferentes imágenes ajustando los pesos según los errores cometidos durante el reconocimiento visual.

Evolución de los Algoritmos de Aprendizaje Automático

Convergencia del Algoritmo

• Se demostró que el algoritmo puede converger siempre que se pueda mapear las dos categorías en grupos diferentes.

Limitaciones del Perceptor

• El perceptor no podía distinguir entre formas como rectángulos o triángulos, ni entre perros y gatos. Rosenblatt afirmó que la máquina tenía capacidades equivalentes a pensamientos originales, siendo apoyado por medios como 'The New York Times'.

Críticas y Primer Invierno de la IA

• A pesar de su entrenamiento, el perceptor era limitado; no podía distinguir entre varones y mujeres. Esto llevó a críticas en un libro de Minsky y Papert en 1969, marcando el inicio del primer invierno de la inteligencia artificial.

Resurgimiento en los Años 80

• En los años 80, la inteligencia artificial resurgió con investigadores de Carnegie Mellon creando uno de los primeros autos sin conductor controlados por una red neuronal llamada Albín.

Funcionamiento de Albín

• Albín recibía imágenes del camino a seguir y utilizaba una capa oculta para procesar información. La activación más alta determinaba el ángulo de giro del camión basado en entradas visuales.

Entrenamiento mediante Retropropagación

• Para entrenar la red neuronal, un humano proporcionó el ángulo correcto para cada imagen. Los pesos se ajustaron usando retropropagación, permitiendo a la computadora aprender patrones visuales.

Desafíos Persistentes

• A pesar del avance tecnológico, las redes neuronales seguían teniendo problemas con tareas simples como distinguir gatos de perros. La comunidad debatía si esto se debía al hardware o al software utilizado.

Avances Significativos en Reconocimiento Visual

Nuevas Perspectivas sobre Redes Neuronales

• En los años 90 y principios de 2000, muchos investigadores se enfocaron en mejorar algoritmos existentes. Pei Felix sugirió que las redes necesitaban más datos para entrenarse efectivamente.

Creación de Bases de Datos Masivas

• Entre 2006 y 2009, se creó una base de datos masiva con más de un millón doscientas mil imágenes rotuladas para mejorar el entrenamiento y reconocimiento visual.

Competencias Anuales en Reconocimiento Facial

• Desde 2010 hasta 2017, se llevaron a cabo competencias anuales donde programas competían para detectar e identificar imágenes clasificadas en mil categorías diferentes.

Desempeño Mejorado con AlexNet

• En 2011, AlexNet logró una tasa de error del top 5 del 25.8%, mejorando significativamente respecto al año anterior. Su éxito radicó en su tamaño y profundidad con ocho capas neuronales.

Complejidad Computacional y Éxito Académico

Desempeño de las Redes Neuronales y Desafíos Tecnológicos

Caída en la Competencia de ImageNet

• La competencia de ImageNet mostró un desempeño notable, alcanzando un 3.6% en 2015, superando el rendimiento humano gracias a una red neuronal con 100 capas.

Problemas del Consumo Energético

• Entrenar redes neuronales consume energía equivalente al consumo anual de tres hogares, lo que plantea preocupaciones sobre la sostenibilidad.

Cuello de Botella en el Procesamiento

• Las computadoras digitales modernas enfrentan un cuello de botella al almacenar información y realizar multiplicaciones de matrices, gastando más tiempo y energía en acceder a los valores que en calcular.

Limitaciones Físicas y Ley de Moore

• La miniaturización se enfrenta a desafíos fundamentales debido al tamaño atómico de los transistores, limitando el avance tecnológico mientras las redes neuronales crecen en popularidad.

Potencial de las Computadoras Analógicas

• Las redes neuronales pueden tolerar variaciones menores; por ejemplo, si una red está 96% segura sobre una imagen, puede considerarla correcta. Esto abre la puerta a computadoras analógicas como Mythic para mejorar algoritmos.

Aplicaciones Prácticas y Avances Tecnológicos

Mejoras en Realidad Virtual

• Se están desarrollando chips analógicos para aplicaciones como realidad virtual, donde se requiere renderizar poses rápidamente entre usuarios en entornos virtuales.

Estimación de Profundidad con Webcam

• Utilizando solo una webcam, se pueden generar mapas de calor para estimar profundidad; esto es crucial para aplicaciones metaverso.

Innovación con Celdas Flash Digitales

• Mythic utiliza celdas flash no solo como memoria binaria (0 o 1), sino como resistencias variables para realizar cálculos analógicos eficientes.

Multiplicación Eficiente con Celdas Flash

• Cada celda flash puede multiplicar dos valores mediante voltaje por conductancia; esto permite realizar operaciones matemáticas complejas rápidamente y con bajo consumo energético.

Comparativa entre Chips Digitales y Analógicos

• Un chip analógico puede realizar hasta 25 billones de operaciones por segundo usando solo 3 watts, comparado con sistemas digitales que requieren más potencia y son costosos.

Retos y Futuro del Procesamiento Analógico

Aplicaciones en Seguridad y Manufactura

• Los circuitos analógicos podrían ser utilizados eficientemente en cámaras de seguridad o inspección manufacturera para identificar productos defectuosos utilizando inteligencia artificial.

Desafíos del Procesamiento Híbrido

• Para implementar redes neuronales populares se deben manejar múltiples secuencias complejas entre dominios analógico y digital sin distorsionar la señal final durante el procesamiento.

¿Las computadoras analógicas tendrán éxito?

Reflexiones sobre la tecnología de la información

• La idea de que las redes neuronales son correctas sugiere que las computadoras analógicas podrían tener un papel importante en el futuro, similar al de las digitales.

• Aunque históricamente se ha considerado a las computadoras digitales como las más óptimas para procesar información, hay una creciente curiosidad sobre el potencial de las computadoras analógicas.

• En los últimos 50 años, casi toda la información (música, imágenes y vídeos) se ha digitalizado, lo que plantea preguntas sobre el futuro del formato digital.

• Se sugiere que en 100 años podríamos ver lo digital no como un final, sino como un punto de partida en la evolución tecnológica.