El fin del trabajo

[Mad Men]

Los trenes y el metro podrían perfectísimamente estar gestionados por un sistema automático.
Y sin embargo tiene que haber un conductor haciendo nada en la cabina.

Todavía no he encontrado un ludita que sepa responder porqué.
La respuesta existe, el problema es que se niegan a verla.
Una pista:
Los coches sin conductor jamás se comercializarán.
De hecho la legislación más avanzada es la de California, donde para ir montado en un coche sin conductor... tienes que ir al volante!!!

Venga, agún neoludita que se atreva a responder porqué detrás de cada robot, hay una persona que se hace responsable de sus actos (uuuups, se me ha escapado  )


PD: esos algoritmos de IA supuestamente... ¿mágicos? ni se hacen solos, ni se mantienen solos, ni corren sobre rdenadores de aire. Hacen falta sistemas. Hace falta refrigeración. Hacen falta pantallas, teclados, ratones, sillas, mesas, gatitos para los programadores y para toda la industria paralela de porno y comida basura destinada a satisfacer las necesidades de los programadores. Por supuesto la comida va empaquetada en 3 tipos distintos de envase según la cantidad, se transporta y se almacena en neveras a las que el compresor se le estropea. Por supuesto hay que cambiarla cada 7 años.

En apenas 3 líneas, han salido sacado en torno a 50 puestos de trabajo que no existían antes de la llegada de los ordenadores (1960). Y eso que la IA sigue siendo una fantasía que solo sirve para llenar metrajes de Hollywood, que hoygan, eso también es un trabajo 

EL tiempo irá imponiendo el avance tecnológico, pero todo reaccionario tiene  el denominador común de mi paguita y mi placita.

Metros&tTrenes,Barcos, Aviones,Controladores Aéreos,Notários, Registradores,........

[El afilador]

Entiendo que habiendo transcurrido tres lustros  desde la publicación de ese estudio a día de hoy los porcentajes serán todavía más favorables para las máquinas (sobre todo cuando gigantes como IBM han decidido implicarse en el tema con proyectos como: IBM Watson Health).

Saludos.

Hace meses os mencioné mis impresiones de este sistema de IBM. O mejor dicho, producto; porque andaban como locos buscando con quién implementarlo.

La parte que me interesa es la implementación en la asistencia sanitaria. De manera que con la historia clínica del paciente se busque el mejor tratamiento acorde a sus características individuales, además de sugerir el poder entrar en un ensayo clínico que potencialmente le pueda beneficiar. Hay precedentes de esto en el MD Anderson de Texas y funciona con relativo éxito de acogida.

No obstante, se tuvo que montar un equipo multidisciplinar para darle la "comida masticada" a Watson. Ello implicó miles de horas de depurado de historias clínicas, papers, guías y procedimientos para que el sistema aprendiera. Eso lo han tenido que hacer gente de carne y hueso. Y este es para mí su punto débil, el "alimentarlo" bien, porque de lo contrario se cumple el principio de "garbage in, garbage out"

Estas son herramientas que cambiarán nuestra manera de trabajar, pero me parece muy lejano el día que sustituyan al criterio de un especialista.

Mi humilde contribución sin intención alguna de parecer un ludita.

[Lego]

Ten en cuenta, afilador, que ese trabajo de codificar historiales médicos, diagnósticos y resultados, sólo hay que hacerlo una vez, para todas las máquinas, para siempre.  No es necesario repetirlo para cada máquina que se instale, ni cuando se actualicen.  Equivale a cebar a mano un mecanismo que puesto en marcha se alimentará de un caudal abundante, que son la historias clínicas presentes y futuras.  Seguro que ya tienen un nuevo formato de historial y descripciones clínicas para que, en adelante, todo vaya a máquina según la información se produce. Sólo que la próxima máquina ya no habrá que cebarla a mano, empezará a partir de donde lo tengan las que estén funcionando.  Eso es la leche.

Estoy bastante de acuerdo con CHOSEN sobre su rechazo a calificar de "inteligencia"  un algoritmo que no es más que la atomización conceptual y procedimental de alguna tarea humana. DE momento sólo hemos visto máquinas sofisticadas que apenas cumplen con la acepción más facilona o coloquial de "inteligencia".

Sin embargo creo que esta nueva cosa llamada "deep learning" (vaya nombre) está empezando a acercarse.  Se trata de que un ordenador aprende a hacer una tarea sin que nadie le diga cómo ha de hacerlo, sólamente hay que darle al principio los suficientes ejemplos, cooregirle en sus primeros errores, y pronto adquieren una fiabilidad pasmosa sin que nadie haya tenido que "algoritmizar" la tarea.  El mismo programa de deep learning sirve para diferentes tareas, sólo hay que enseñarle ejemplos.   Me resulta asombroso.

Digo que es un salto cualitativo hacia la Inteligencia porque ya estamos hablando de dos cosas que  antes nos diferenciaban de los ordenadores y parece que ahora ya no tanto:
- El aprendizaje es espontáneo a base de ejemplos, sin que nadie explique cómo se hace.
- La habilidad adquirida es una abstracción, no está escrita ni descrita. Simpremente es.

Igual que un niño aprende a hablar sin saber nada de gramática. A base de ejemplos y correcciones, aprende y con tres años habla bien sin saber cómo y sin saber explicárselo a otro, simplemente ha aprendido.

Empieza a parecerse, Chosen, pooco a poco.  Nunca será Inteligencia humana, porque eso es el resultado de la estructura cerebral humana y nadie está replicando el cerebro.  Pero estoy seguro de que pronto veremos cosas que, para negarles el rasgo de inteligencia, habrá que irse a cosas muy profundas.

Por ejemplo, un traductor aceptable. Cuando salga eso yo me rendiré un poco.
 

[sudden and sharp]

Ten en cuenta, afilador, que ese trabajo de codificar historiales médicos, diagnósticos y resultados, sólo hay que hacerlo una vez, para todas las máquinas, para siempre.  No es necesario repetirlo para cada máquina que se instale, ni cuando se actualicen.  Equivale a cebar a mano un mecanismo que puesto en marcha se alimentará de un caudal abundante, que son la historias clínicas presentes y futuras.  Seguro que ya tienen un nuevo formato de historial y descripciones clínicas para que, en adelante, todo vaya a máquina según la información se produce. Sólo que la próxima máquina ya no habrá que cebarla a mano, empezará a partir de donde lo tengan las que estén funcionando.  Eso es la leche.

Estoy bastante de acuerdo con CHOSEN sobre su rechazo a calificar de "inteligencia"  un algoritmo que no es más que la atomización conceptual y procedimental de alguna tarea humana. DE momento sólo hemos visto máquinas sofisticadas que apenas cumplen con la acepción más facilona o coloquial de "inteligencia".

Sin embargo creo que esta nueva cosa llamada "deep learning" (vaya nombre) está empezando a acercarse.  Se trata de que un ordenador aprende a hacer una tarea sin que nadie le diga cómo ha de hacerlo, sólamente hay que darle al principio los suficientes ejemplos, cooregirle en sus primeros errores, y pronto adquieren una fiabilidad pasmosa sin que nadie haya tenido que "algoritmizar" la tarea.  El mismo programa de deep learning sirve para diferentes tareas, sólo hay que enseñarle ejemplos.   Me resulta asombroso.

Digo que es un salto cualitativo hacia la Inteligencia porque ya estamos hablando de dos cosas que  antes nos diferenciaban de los ordenadores y parece que ahora ya no tanto:
- El aprendizaje es espontáneo a base de ejemplos, sin que nadie explique cómo se hace.
- El "conocimiento" adquirido es una abstracción, no está escrito ni descrito.

Igual que un niño aprende a hablar sin saber nada de gramática. A base de ejemplos y correcciones, aprende y con tres años habla bien sin saber cómo y sin saber explicárselo a otro, simplemente ha aprendido.

Empieza a parecerse, Chosen, pooco a poco.  Nunca será Inteligencia humana, porque eso es el resultado de la estructura cerebral humana y nadie está replicando el cerebro.  Pero estoy seguro de que pronto veremos cosas que, para negarles el rasgo de inteligencia, habrá que irse a cosas muy profundas.

Por ejemplo, un traductor aceptable. Cuando salga eso yo me rendiré un poco.
 

Redes neuronales, que hay que entrenar. Muy prometedor... Chosen tiene razón, no me cabe duda,  pero sólo en la medida de error y riesgo que se considere aceptable. Yo estoy a favor, pero ojo, sabiendo que todo tiene sus limitaciones, y su "precio".

Cuando se llega por ejemplo a la escala atómica... pues el error es más menos un núcleo atómico + un grado de incertidumbre de la nube de electrones En chips están cerca de eso ya. O si piensas en un robot circulando por tus venas... pues con calma, digo yo.

[Lego]

El penúltimo ejemplo de todo esto que he visto.

! No longer available	Small | Large

No se programa al bicho para que camine de una forma u otra, según estudios de movimiento ni nada de eso.  El bicho experimenta hasta que consigue lo que quiere, que es avanzar. Y cuando llega a un entorno nuevo en que no le sirve lo aprendido, vuelve a experimentar para resolverlo.  Para mi esto es un cambio cualitativo, no me cabe ninguna duda.

Aquí explican cosas

! No longer available	Small | Large

[Cadavre Exquis]

Estoy totalmente de acuerdo con Lego.

Actualmente la rama del famoso machine learning en la que más se está avanzando es la de los denominados "algoritmos de aprendizaje supervisado". En este tipo de algoritmos la clave está en alimentarlos con ingentes cantidades de muestras clasificadas previamente por humanos (p. ej. historiales médicos, radiografías, etc.) y, los resultados en lo que a detección de patrones se refiere son impresionantes (todavía es una incógnita como el cerebro es capaz de alcanzar una tasa de aciertos muy similar en cuanto al reconocimiento de patrones se refiere a partir de un número increiblemente bajo de muestras).

Pero en los últimos tiempos empieza a haber avances muy interesantes también en el diseño de "algoritmos no supervisados" como el del ejemplo del robot que aprende a caminar por si mismo que nos ha traido Lego, aunque, en ese ámbito, a mi me impresionó mucho más este vídeo en el que se ve como un robot es capaz de re-aprender a caminar ¡con una pata rota!

Pero sin duda, lo más interesante que ha aparecido en los últimos meses en ese campo ha sido esto:



Es algo a lo que hace referencia Andrew McAfee en la charla comentada anteriormente (22'15'') en ella explica como, a finales de febrero de 2015, un algoritmo diseñado por investigadores de Google aprendió a jugar a 49 video-juegos del mítico Atari 2600 (algunos tan famosos como: Space Invaders, Ms. Pac-Man, Pong, Asteroids, Centipede, Q*bert y Breakout) proporcionando como entrada al algoritmo tan solo los pixels de la pantalla y asignándole un único objetivo: maximizar el valor del marcador donde se refleja la puntuación alcanzada.

Esa investigación demostró que es viable diseñar un algoritmo capaz de adaptarse a diferentes entornos (49 juegos diferentes) y lograr un objetivo.

Saludos.

P.D. Al hilo de lo que ha comentado Lego sobre el aprendizaje de un lenguaje, en el vídeo de Andrew McAfee (21'37'') se menciona la cuestión haciendo hincapié en la diferencia que existe entre aprender un lenguaje de niño o de adulto y, efectivamente, en el caso de un niño se trataría de un aprendizaje "supervisado".

[CHOSEN]

"Aprender" no es el rasgo más definitorio de la inteligencia.
Al contrario, el rasgo más importantes de la inteligencia es asimilar sin haber aprendido antes. Asumir como conocimiento propio un fenómeno que no se ha experimentado antes.

Ahí es donde la IA se choca con la barrera que comentaba hace unas semanas.
¿Podrá ser la IA más inteligente que el ser humano? O como mucho podrá ser tan inteligente como el más inteligente de los humanos? Como un compendio de los humanos tal vez?

1º.- Si la inteligencia artificial pudiera asimilar como propio algo sin haberlo aprendido antes, por poco que fuera, estamos de acuerdo en que acumulativamente crecería hasta convertirse en un ente omnisciente artificial, lo cual es ridículo en su propia concepción. Hablar de omniscencia es como hablar de movimiento continuo.
El ser humano es inteligente precisamente por eso: nuevos conocimientos desconocidos (física, química, filosofía...) e inexistentes previamente se revelan, y se asumen como humanamente propios en un proceso naturalmente lento.

2º.- Y si la inteligencia artificial no puede asimilar conocimientos externos como propios, entonces no es inteligencia sino una base de datos.

Intentando escapar de esta realidad, la jugada actualmente se sitúa el punto intermedio: que la inteligencia artificial pueda asumir como propio conocimiento externo que nunca ha experimentado antes, basandose en interpolaciones y extrapolaciones del big-data. El big-data es entonces una ayuda de conocimiento propio, que serviría para asumir conocimiento externo que no pertenece aún a ese big-data.

Y aqui es donde está el meollo.
Disponer milmillones de casos (big-data) e inferir una solución basada en esos casos (límite del conocimiento propio de la IA) es totalmente inutil cuando llegamos al milmillones+1.
Para dar respuesta a esto, algunos hablan de ensayo y error. Se argumenta con un ente artificial capaz de ensayar y tener errores a niveles cuánticos, lo cual nos daría un superser omnisciente, pasado el suficiente tiempo de computación.
Pero fijaros que sigue existiendo el error de base.
¿Que inteligencia es aquella que tras milmillones de casos acumulados, para sumar el +1 a su base de datos toma la decisión equivocada jugando al ensayo-error?
Eso no es inteligencia. Eso es AZAR.
Desde luego no es asumir como propio un conocimiento externo (punto 2º.- )
El big-data es fuerza bruta aplicada a resolver problemas ante la inherente falta de inteligencia.

Una abuela sabe utilizar un teléfono táctil aunque nunca jamás lo haya visto en su vida. Su inteligencia le hace asimilar -sin conocerlo previamente- que las teclas no son teclas (lo cual es absurdo). No necesita mil millones de datos comparativos anteriores para identificar como iguales algo distinto como son teclas de plástico y cristal pulido. La IA basada en bigdata tendría que jugarsela al 50% cada vez que encuentre un cristal para determinar la naturaleza de ese caso concreto porque carece de capacidad de abstracción.
Y vuelvo a lo mismo: en el supuesto caso de que la IA almacenase todo el conocimiento humano, no podría saltar a asimilar como propios conocimientos externos (verdaderos) porque eso lo convertiria en un ente omnisciente proporcionalmente a su velocidad de procesado.

Desde mi punto de vista, es un error llamar IA a los algoritmos de manejo de datos.
Un niño es inteligente, y no ha tenido acceso a prácticamente ningún dato.

[feldberg]

Los trenes y el metro podrían perfectísimamente estar gestionados por un sistema automático.
Y sin embargo tiene que haber un conductor haciendo nada en la cabina.

Que cada vez haya más gente que, como dices, no hace nada, significa que en ese campo y como consecuencia la sociedad tiene menos carga de trabajo. ¿Que en unos días ese trabajo "se transformará" en otro? Puede ser,  pero creo que la tendencia no va en esa dirección, sobre todo, porque como comentaba saturno el trabajo es un medio, no un fin. A no ser que seamos tan geniales que logremos millones de trabajos tan divertidos que sean preferibles a no trabajar.

[Cadavre Exquis]

Desde mi punto de vista, es un error llamar IA a los algoritmos de manejo de datos.

Creo que todos estamos de acuerdo en eso y, de hecho, se está teniendo mucho cuidado a la hora de utilizar el término IA  con propiedad, pues, sin tener en cuenta sus últimos posts, nos tenemos que remontar al post #868 (página 58 de este hilo) para encontrar una mención al término por parte de alguno de los foreros 

Quizás, por ayudar a centrar un poco el debate, debamos diferenciar entre AI (Artificial Ingelligence) y AGI (Artificial General Intelligence) porque, como se ha afirmado muchas veces en este foro, debemos ponernos de acuerdo respecto a la semántica de los conceptos utilizados.

Con dicho fin, copio a continuación un fragmento de la página wiki sobre Artificial General Intelligence de la fundación OpenCog en el que Ben Goerzel (un matemático brasileño que decidió adentrarse en la investigación sobre Inteligencia Artificial y que ha sido co-fundador del proyecto que, tal y como se puede ver en su correspondiente página de la Wikipedia, está destinado al desarrollo de la tecnología necesaria para el desarrollo de una AGI open source) expresa su punto de vista sobre el tema.

Overview of AGI
by Ben Goertzel

When it was founded over 50 years ago, the AI field was directly aimed at the construction of "thinking machines"—that is, computer systems with human-like general intelligence. The whole package, complete with all the bells and whistles like self, will, attention, creativity, and so forth.

But this goal proved very difficult to achieve; and so, over the years, AI researchers have come to focus mainly on producing "narrow AI" systems: software displaying intelligence regarding specific tasks in relatively narrow domains.

This "narrow AI" work has often been exciting and successful. It has produced, for instance, chess-playing programs that can defeat any human; and programs that can diagnose diseases better than human doctors. It has produced programs that translate speech to text, analyze genomics data, drive automated vehicles, and predict stock prices. The list goes on and on. In fact, mainstream software like Google and Mathematica utilize AI algorithms (in the sense that their underlying algorithms resemble those taught in university courses on AI).

There is a sarcastic saying that once some goal has been achieved by a computer program, it is classified as 'not AI.' And, as with much sarcasm, there is some underlying truth to this remark. But the deeper truth that these narrow-AI achievements have taught us is how different all this advancement in the creation of specialized AI tools really is from what's needed to create a thinking machine. All these narrow-AI achievements, useful as they are, have not yet carried us very far toward the goal of creating a true thinking machine.

Some researchers believe that narrow AI eventually will lead us to general AI. This for instance is probably what Google founder Sergey Brin means when he calls Google an 'AI company.'^[1] His idea seems to be, roughly speaking, that Google's narrow-AI work on text search and related issues will gradually lead to smarter and smarter machines that will eventually achieve true human-level understanding and cognition.

On the other hand, some other researchers—including the author—believe that narrow AI and general AI are fundamentally different pursuits. From this perspective, if general intelligence is the objective, it is necessary for AI R&D to redirect itself toward the original goals of the field—transitioning away from the current focus on highly specialized narrow AI problem solving systems, back to confronting the more difficult issues of human level intelligence and ultimately intelligence beyond the human level. With this in mind, I and some other AI researchers have started using the term Artificial General Intelligence or AGI, to distinguish work on general thinking machines from work aimed at creating software solving various 'narrow AI' problems.

Some of the work done so far on narrow-AI can play an important role in general AI research—but in the AGI perspective, in order to be thus useful, this work will have to be considered from a different perspective. My own view, which I'll elaborate here, is that the crux of intelligence mostly has to do with the emergent structures and dynamics that arise in a complex goal-achieving system, allowing this system to model and predict its own overall coordinated behavior patterns. These structures/dynamics include things we sloppily describe with words like "self", "will" and "attention."

In this view, thinking of a mind as a toolkit of specialized methods—like the ones developed by narrow-AI researchers—is misleading. A mind must contain a collection of specialized processes that synergize together so as to give rise to the appropriate high-level emergent structures and dynamics. The individual components of an AGI system might in some cases resemble algorithms created by narrow-AI researchers, but focusing on the individual and isolated functionality of various system components is not terribly productive in an AGI context. The main point is how the components work together.

I strongly suspect the interplay between specialization and generality in the human brain is subtler than is commonly recognized. The brain certainly has some kick-ass specialized tools, such as its face recognition algorithms. But these are not the essence of its intelligence. Some of the brain's weaker tools, such as its very sloppy algorithms for reasoning under uncertainty, are actually more critical to its general intelligence, as they have subtler and more thoroughgoing synergies with other tools that help give rise to important emergent structures/dynamics.

Now, the word "general" in the phrase "general intelligence" should not be overinterpreted. Truly and totally general intelligence—the ability to solve all conceptual problems, no matter how complex—is not possible in the real world.^[2] Mathematicians have proved that it could hypothetically be achieved by theoretical, infinitely powerful computers. But the techniques usable by these infinitely powerful hypothetical machines don't have much to do with real machines or real brains.

But even though totally general intelligence isn't pragmatically achievable, still, it's clear that humans display a kind of general intelligence that goes beyond what we see in chess programs, data analysis programs, or speech-to-text software. We are able to go into new situations, figure them out, and create new patterns of behavior based on what we've learned. A human can deal with situations of a radically different nature than anything existing at the time of their birth—but a narrow AI program typically starts behaving stupidly or failing altogether when confronted with situations different than those envisioned by its programmer. We humans, dominated as we often are by our simian ancestry, nevertheless have a leg up on Deep Blue, Mathematica or Google in the fluidity and generality department. We understand, to a degree, who and what we are, and how we are related to our environment—and this understanding allows us to deal with novel contexts creatively, adaptively and inventively. And this, I posit, comes out of the emergent structures and dynamics that arise in the complex systems that are our brains, due to the interactions of various specialized components within a framework that evolved to support precisely this sort of emergence.

My own quest to create powerful AGI has centered on the design and engineering of a particular software system, the Novamente Cognition Engine (NCE), which is described in the companion essay "The Novamente Approach to AGI." I believe Novamente is a viable approach with the capability to take us all the way to the end goal. However, if for some reason the Novamente project doesn't get there soon enough, I believe someone else is going to get there via some conceptually related approach, differing in the details. There are sure to be many different workable approaches to AGI ... just as now, 150 years after the experts said human flight was impossible, we humans take to the air in a variety of ways, including helicopters, propeller planes, jet planes, rockets and so forth.

One of the reasons AGI became so unfashionable within the AI field was precisely the existence of claims such as the one I just made in the previous paragraph. In the early 1970s when I was first discovering science fiction, there were already AI researchers touting their particular algorithmic approaches and claiming that "AI is just around the corner." But just as with cars or airplanes or printing presses or any other technology, eventually the time for AI will come—and, with full knowledge of the history of the field, I predict it will come soon, so long as a reasonable degree of funding (from government, business or wherever) is directed toward AGI.

One of the messages I always try to get across regarding AGI is that, due to the convergence of a variety of sciences and technologies, the end goal is closer than most people think. The community of scientists working in the artificial intelligence and cognitive science fields have made some serious, substantive strides. They have generated a lot of very important insights, and what remains to be done to create AI is to put all the pieces together, in an appropriate integrative architecture that combines specialized components to give rise to the necessary emergent structures and dynamics of mind. At this point, it's not a matter of if; it's a matter of when we achieve the goal—and of which of the multiple viable pathways is achieved first.

1. http://en.wikipedia.org/wiki/Strong_AI
2. http://en.wikipedia.org/wiki/General_intelligence_factor

Me gustaría reseñar un par de cosas del texto:

There is a sarcastic saying that once some goal has been achieved by a computer program, it is classified as 'not AI.'

Como ya hemos mencionado alguna vez en el hilo, históricamente, en el instante en que se consigue alcanzar y superar la capacidad del ser humano en cualquier ámbito que hasta ese momento le pertenecía en exclusiva (p.e. jugar al ajedrez, reconocimiento de escritura, de imágenes, de voz, de caras, diagnósticos médicos, conducción autónoma, etc.) al día siguiente dicha habilidad deja de ser considerada Inteligencia Artificial

Now, the word "general" in the phrase "general intelligence" should not be overinterpreted. Truly and totally general intelligence—the ability to solve all conceptual problems, no matter how complex—is not possible in the real world. Mathematicians have proved that it could hypothetically be achieved by theoretical, infinitely powerful computers. But the techniques usable by these infinitely powerful hypothetical machines don't have much to do with real machines or real brains.

Creo que nadie está hablando de lograr crear una Inteligencia Artificial omnisciente. La duda no es si se creará una máquina capaz de igualar o superar al ser humano en aquellos aspectos en los que todavía llevamos ventaja a las máquinas, sino cuanto tiempo queda hasta ese momento.

Creo que fue en esta TED Talk "How a driverless car sees the road" en la que Chris Urmson (director del programa para la creación de coches autónomos de Google) comentaba que el objetivo no es crear un coche que sea capaz de conducir de forma óptima, basta con conseguir que conduzcan mejor que la mayoría de los seres humanos 

Saludos.

[Marv]

Para no mixtificar y emborronar el debate de este hilo, hace falta que los interesados en ello abran otro hilo donde discutir sobre la IA. Voy proponiendo posibles títulos: "La IA, ¿existe? ¿es posible? ¿es real?"

Porque como perfectamente se ha señalado aquí, para realizar multitud de tareas de las llamadas complejas, no hace falta IA. Para automatizar determinados procesos y trabajo, tampoco. Y para trasladar trabajo a los consumidores (DIY), tampoco hace falta.

Y ya que sale, para lo que hacen muchos profesionales "cualificados" tampoco hace falta mucha inteligencia, sino conocimiento, heurística y experiencia, para lo cual hay soluciones desde los años ochenta.

Continúen, por favor.

[Marv]

Los trenes y el metro podrían perfectísimamente estar gestionados por un sistema automático.
Y sin embargo tiene que haber un conductor haciendo nada en la cabina.

Que cada vez haya más gente que, como dices, no hace nada, significa que en ese campo y como consecuencia la sociedad tiene menos carga de trabajo. ¿Que en unos días ese trabajo "se transformará" en otro? Puede ser,  pero creo que la tendencia no va en esa dirección, sobre todo, porque como comentaba saturno el trabajo es un medio, no un fin. A no ser que seamos tan geniales que logremos millones de trabajos tan divertidos que sean preferibles a no trabajar.

Si la tecnología, y avances en automatización no redujeran la necesidad de trabajo sino que lo aumentaran (medido en horas netas) llevaríamos siglos haciendo un pan como unas hostias, y estaríamos avocados a la paradoja de que sería mejor parar de trabajar para no generar más trabajo y así sucesivamente.

En fin, como comentas es absurdo. Las horas de trabajo descienden porque tienen que descender, porque estamos trabajando mucho y muy bien, para ello, desde hace siglos.

[feldberg]

Para no mixtificar y emborronar el debate de este hilo, hace falta que los interesados en ello abran otro hilo donde discutir sobre la IA. Voy proponiendo posibles títulos: "La IA, ¿existe? ¿es posible? ¿es real?"

Porque como perfectamente se ha señalado aquí, para realizar multitud de tareas de las llamadas complejas, no hace falta IA. Para automatizar determinados procesos y trabajo, tampoco. Y para trasladar trabajo a los consumidores (DIY), tampoco hace falta.

Y ya que sale, para lo que hacen muchos profesionales "cualificados" tampoco hace falta mucha inteligencia, sino conocimiento, heurística y experiencia, para lo cual hay soluciones desde los años ochenta.

Continúen, por favor.

Efectivamente, no es despreciable cómo afecta el DIY en el volumen de trabajo remunerado, aunque algunos trabajos también surgirán (vendedores de herramientas y suministros), éstos serán menos que los que se pierden.
No podemos pensar que los consumidores son estúpidos y en lugar de contratar al albañil y pagarle cierta cantidad, se lo hacen ellos mismos y encima se gastan aun más.

[Mad Men]

Los trenes y el metro podrían perfectísimamente estar gestionados por un sistema automático.
Y sin embargo tiene que haber un conductor haciendo nada en la cabina.

Que cada vez haya más gente que, como dices, no hace nada, significa que en ese campo y como consecuencia la sociedad tiene menos carga de trabajo. ¿Que en unos días ese trabajo "se transformará" en otro? Puede ser,  pero creo que la tendencia no va en esa dirección, sobre todo, porque como comentaba saturno el trabajo es un medio, no un fin. A no ser que seamos tan geniales que logremos millones de trabajos tan divertidos que sean preferibles a no trabajar.

Si la tecnología, y avances en automatización no redujeran la necesidad de trabajo sino que lo aumentaran (medido en horas netas) llevaríamos siglos haciendo un pan como unas hostias, y estaríamos avocados a la paradoja de que sería mejor parar de trabajar para no generar más trabajo y así sucesivamente.

En fin, como comentas es absurdo. Las horas de trabajo descienden porque tienen que descender, porque estamos trabajando mucho y muy bien, para ello, desde hace siglos.

Y otra paradoja sería el caso de que no se necesitara ningún trabajador, porque entonces los costes serían 0, y el precio de venta también.

Cuando uno paga algún producto, paga el trabajo hecho por otros, si el coche que compras cuesta 20.000 euros estás pagando el trabajo realizado por otros, si no hiciera falta gente, a quien pagarías?

Es un poco absurdo el planteamiento porque los límites que marca el consumo y el trabajo están más relacionados con el límite físico de los recursos disponibles, sino, todo el mundo dispondría de todo en el supuesto de coste 0.

Y en el caso ideal, de que todos los productos fueran 100% reciclables, infinitos y sin mano de obra, entonces, el ser humano ya se inventaría otros trabajos, porque el trabajo como tal son cosas inventadas, y uno puede inventarse cualquier trabajo sea útil o no.

[Mad Men]

Según la pirámide de Maslow, que es lo que sobra??

[lectorhinfluyente1984]

¿Bobby Fischer era un genio?

¿Fischer podría hoy ganar al ajedrez a una máquina?

Me temo que cada vez encontraremos más "ajedreces"...

http://www.mundodeportivo.com/20140227/otros-deportes/gary-kasparov-ya-no-se-puede-vencer-a-un-ordenador_54401791071.html

"[D]iría que no, que actualmente el ser humano no puede ganar a una computadora"

De hoy:

IA & GO

"Se pensaba que el Go tiene algo intuitivo, que una máquina no podría adquirir la sofisticación de un humano observando una posición y entendiéndola", señala David Silver, quien ha desarrollado AlphaGo junto a Hassabis en los laboratorios de Google Deepmind. En las culturas orientales se considera este juego, que nació hace al menos 2.500 años y que practican 40 millones de personas, algo más que un pasatiempo. Hassabis, jugador de Go y maestro de ajedrez desde que tenía 13 años, lo resume así: "No se trata de ganar o perder, sino de crecer mientras juegas". Y eso hicieron con su programa.

AlphaGo ha desarrollado algo que podríamos denominar intuición, gracias al trabajo de su inteligencia artificial en varios niveles. El algoritmo se basa en una combinación de redes neuronales —mediante un aprendizaje profundo basado en visualizar posibilidades en cascada— junto a una búsqueda selectiva. La herramienta que han desarrollado es capaz de evaluar a la vez el movimiento próximo y la posición general del tablero: el paso siguiente y también la importancia estratégica de una situación.