STEM

[sudden and sharp]

Me lo traigo al hilo de STEM porque creo que, tal y como ha comentado, wanderer, creo que el debate sobre el aparente declive en los avances científicos encaja mejor aquí y creo que el post que ha escrito Francis Villatoro al respecto del revuelo que se ha montado a raíz de la pubicación en Science que trajo hace unos dís wanderer (y ayer volvió a traer Derby) es de especial relevancia precisamente por venir de quien viene.

https://twitter.com/pmddomingos/status/1611547648523403264

@pmddomingos
The ever-decreasing returns of scientific research.

Ya había yo citado un estudio sobre esta misma cuestión en el hilo STEM:

https://www.transicionestructural.net/index.php?topic=2550.msg208905#msg208905

En todo caso, como matemático que soy, he de decir que pese al espectacular florecimiento que mi ciencia experimentó durante el S,XX, y que aún perdura, incluso en Matemáticas se nota cierto agotamiento en lo que a producción de resultados difíciles y profundos se refiere (p.ej, de la lista de problemas del milenio, sólo se ha resuelto uno de ellos [la Conjetura de Poincaré, y de hecho, en una versión mucho más fuerte, la Conjetura de Geometrización, que clasifica completamente las 3-variedades]).

De lo que son las otras ciencias y de sus aplicaciones tecnológicas (por cierto, que las Matemáticas de alto nivel cada vez están más implicadas tanto en la innovación tecnológica como en las tecnologías de uso más cotidiano), pues ya sabemos lo que hay: desarrollo e implementación espectaculares, sí; innovaciones disruptivas, rotundo no.

Hablando de matemáticas, pienso que los humanos como civilización tenemos un sesgo tremendo con el ratio de descubrimientos y/o avances por unidad de tiempo.

Si analizamos las modas "futuristas" de cada época, vemos que cuando han ocurrido avances fundamentales, ha posibilitado que se descubran o inventen nuevas cosas a una velocidad relativamente alta durante un período de tiempo relativamente corto (pongamos unos 15 años), y disparaba la confianza en que esa velocidad iba a continuar.

Como 15 años en escala humana es un período de tiempo largo, la percepción no alcanzaba para ver que un campo tecnocientífico normalmente es acotado, y que llega un momento en el que llegan los retornos decrecientes porque lo fundamental ya se ha abarcado y sólo quedan los detalles por refinar.

Probablemente la cantidad de descubrimientos en un campo nuevo sigue una curva logística, pero nuestra percepción limitada y falta de paciencia y reflexión a más largo plazo nos hace creer que la derivada siempre se va a mantener en los niveles de la primera parte de la curva (exponencial aparente, pero falsa).

En un momento dado, se podría modelar la "velocidad" de descubrimientos e invenciones como una suma de curvas logísticas (cada una de un campo o especialidad), que comienzan en momentos pseudoaleatorios de la Historia. Los descubrimientos probablemente sean aleatorios pero influidos por descubrimientos pasados: los descubrimientos revolucionarios "desbloquean" nuevas ramas del árbol de posibles campos del conocimiento, mientras que los evolutivos sólo mejoran u optimizan cosas ya existentes.

Cuando llega una época en la que se acumulan muchas partes de "meseta" de estas funciones logísticas, y hacen que la velocidad general de descubrimientos sea baja, aparece la percepción de que se ha llegado al punto en el que "ya se sabe todo" y aparece el pesismismo.

Sería interesante (aunque seguramente inviable) poder establecer esa curva a lo largo de la Historia. Métricas como la cantidad de "papers" y/o patentes me parecen absurdas ya que no hay forma objetiva de evaluar la transcendencia de un descubrimiento y tienen una cantidad enorme de ruido.

Personalmente soy de la opinión de que si bien el conocimiento es enorme, no es infinito, y una vez que se descubre lo fundamental, cada vez cuesta más realizar descubrimientos relevantes.

Esto creo que también sería aplicable a la economía y a las burbujas y probablemente el origen psicológico sea el mismo.

Especialmente "mounstruos" platónicos... de modelo, ideales. El día a día es aburrido... por lo visto. (Un poco de "todo" estaría mejor... tal vez.)

https://twitter.com/emulenews/status/1612088895394430978

Atención, pregunta, ¿está disminuyendo la ciencia disruptiva?
Por Francisco R. Villatoro, el 8 enero, 2023. Categoría(s): Bibliometría • Ciencia • Nature • Noticias • Science

Todo tiempo pasado nos parece mejor, incluso en ciencia; sin embargo, el progreso científico es continuo y sostenido. Para mi sorpresa se ha publicado en Nature un artículo que concluye que la proporción de artículos científicos disruptivos se ha desplomado desde 1950, y nadie sabe el porqué. Se dice que un artículo es disruptivo si cambia la dinámica de citas y tras su publicación es más citado que las referencias que dicho artículo cita y se dice que es continuista en caso contrario; para medir esta propiedad se puede usar un índice bibliométrico introducido en 2017 llamado índice CD ∈ [−1, +1], con CD = +1 para el artículo más disruptivo y CD = −1 para el más continuista. Se ha calculado este índice tras cinco años desde la publicación del artículo (el llamado índice CD₅). Se han analizado las citas de 45 millones de artículos y 3.9 millones de patentes; en promedio, el índice CD₅ disminuyó más del 90 % entre los años 1945 y 2010 para los artículos, y más del 78 % entre 1980 y 2010 para las patentes. La disminución de la disrupción se observa en todos los campos de investigación y entre todos los tipos de patentes. Por desgracia, en el artículo no se desvela la causa, que será multifactorial.

Como es obvio, medir la disruptividad de un artículo usando la dinámica de sus citas es muy discutible. Basta notar que el artículo de Watson y Crick (1953) sobre la estructura del ADN solo tiene un CD₅ = 0.62, o que la patente del algoritmo de Page Rank de Google (1997) tiene CD₅ = 0.16, o que muchos artículos gracias a los cuales sus autores han logrado un Premio Nobel tienen valores negativos de CD₅. Este índice es muy fácil de calcular, pero no mide la disrupción de los artículos científicos; se limita a medir la dinámica de la citación en artículos científicos, que ha cambiado mucho desde 1950. A pesar de ello, la conclusión general ha sido bien acogida en redes sociales, donde se han propuesto muchas causas posibles a la reducción de la disruptividad: como la inmensa presión por publicar (el famoso publica o perece), el cortoplacismo de la financiación de la ciencia (se financian proyectos en lugar de líneas de investigación), que la investigación de alto riesgo y alta recompensa está infrafinanciada, o que para los grandes grupos de investigación es más cómo hacer ciencia continuista; incluso se ha criticado a la revisión por pares, al factor de impacto y al sistema actual de publicaciones científicas. Parece que todo el mundo sabe más que los autores del artículo (lo que recuerda a que en el fútbol todo el mundo sabe más que los entrenadores).

Los autores del artículo proponen varias medidas para revertir la tendencia: (1) como la diversidad de artículos citados ha decrecido, los científicos deberían diversificar los artículos que leen y que citan; (2) se observa un incremento de las autocitas, que se asocia al sesgo de confirmación, por lo que se recomienda ser consciente de ello y tratar de evitar este sesgo; (3) el número de publicaciones es tan grande que hay una sobrecarga de información, para lidiar con ella se recomienda el uso de herramientas informáticas (la inteligencia artificial podría ser una ayuda); (4) la máxima publica o perece ha llevado a maximizar la cantidad de artículos en lugar de su calidad, se recomienda focalizar el trabajo científico en la calidad; y (5) se observa una disminución del número de investigadores que cambian de campo de estudio, por lo que se recomienda que las políticas científicas fomenten estos cambios, así como la investigación multidisciplinar.

Por cierto, este artículo publicado en Nature es poco disruptivo, de hecho, me parece muy continuista; se basa en un índice bibliométrico publicado hace cinco años y usa técnicas de análisis bibliométrico muy elementales, con una discusión de los resultados muy floja; cualquiera que quiera citar este artículo tendrá que citar sus fuentes, en muchas de las cuales se presentan discusiones sobre la disruptividad mucho más sesudas. Por supuesto, los autores se consolarán con que su artículo es una ejemplo más de su conclusión. El artículo es

Michael Park, Erin Leahey, Russell J. Funk, «Papers and patents are becoming less disruptive over time,» Nature 613: 138-144 (04 Jan 2023), doi: https://doi.org/10.1038/s41586-022-05543-x; más información divulgativa en Max Kozlov, «‘Disruptive’ science has declined — and no one knows why. The proportion of publications that send a field in a new direction has plummeted over the past half-century,» News, Nature, 04 Jan 2023, doi: https://doi.org/10.1038/d41586-022-04577-5. El índice bibliométrico CD fue introducido por uno de los autores en Russell J. Funk, Jason Owen-Smith, «A Dynamic Network Measure of Technological Change,» Management Science 63: 587-900 (2017), doi: https://doi.org/10.1287/mnsc.2015.2366; para una comparación con otros índices similares recomiendo Lutz Bornmann, Sitaram Devarakonda, …, George Chacko, «Are disruption index indicators convergently valid? The comparison of several indicator variants with assessments by peers,» Quantitative Science Studies 1: 1242–1259 (2020), doi: https://doi.org/10.1162/qss_a_00068. Por cierto, ya se publicó en Nature que los grandes grupos de investigación producen ciencia menos disruptiva que los grupos pequeños en Lingfei Wu, Dashun Wang, James A. Evans, «Large teams develop and small teams disrupt science and technology,» Nature 566: 378-382 (13 Feb 2019), doi: https://doi.org/10.1038/s41586-019-0941-9.

La definición del índice bibliométrico CDt es muy sencilla, aunque la fórmula está mal escrita en el artículo de Nature (algo que ha sido criticado en redes sociales tanto como desidia de los autores, como dejadez en la revisión por pares). Se seleccionan todos los artículos citantes que citan al artículo en cuestión (citantes focales) y/o a los artículos citados por dicho artículo (citantes a predecesores) publicados tras t años desde la publicación del artículo en cuestión; el valor CDt es el número de citantes focales menos el doble del número de citantes focales que también son citantes a predecesores, todo ello dividido entre el número total de citantes. Una fórmula trivial de calcular usando una base de datos como Web of Science (Wos) o similares (PubMed, Scopus, etc.).

A modo de validación de las conclusiones obtenidas con él índice CDt se ha realizado un análisis lingüístico de las palabras contenidas en el título de los artículos; se consideran más disruptivos los artículos que introducen nuevas palabras (respecto a sus predecesores), así como los que usan verbos que evocan creación o descubrimiento, siendo menos disruptivos los que usan verbos que evocan mejora, aplicación o comparación. Desde un punto de vista bibliométrico dicho análisis me parece muy flojo; en las últimas décadas se han desarrollado técnicas de análisis semántico de textos que podrían haberse aplicado a los resúmenes (abstracts), ya que el título es muy parco en palabras, a la hora de realizar una validación más rigurosa. Por alguna razón que ignoro los revisores del artículo para Nature han considerado innecesario el rigor y han preferido el puro sensacionalismo.

Entre las conclusiones más llamativas del artículo destaca que en las revistas científicas más prestigiosas y supuestamente innovadoras, como Nature, Science y PNAS, también se observa la tendencia a la reducción de la disrupción. En cierto sentido Nature se tira piedras sobre su propio tejado al publicar este artículo.

Lo que más me ha sorprendido de los resultados del artículo es esta figura, que presenta el índice CD₅ para 635 artículos que han sido galardonados con el Premio Nobel. Algunos de los artículos entre 1905 y 1950 (como el artículo de Dirac de 1928) tienen un índice CD₅ = +1, como sería de esperar, sin embargo, muchos otros tienen un valor CD₅ entre −0.4 y +0.4; de hecho, la curva continua que se supone que es el mejor ajuste a los datos antes de 1950 refleja muy mal la dispersión observada (me hubiera gustado que se indicara el coeficiente de determinación R² de dicho ajuste, no sé por qué se ha omitido); de hecho en una regresión robusta que no tenga en cuenta los puntos espurios es posible que los artículos con CD₅ = +1 fuesen considerados espurios, con lo que creo que desaparecería la diferencia entre antes de 1950 y después de 1950. No entiendo cómo los revisores para Nature no han exigido un análisis estadístico más riguroso a los autores del artículo.

Esta figura me hace pensar que o bien la Academia Sueca nunca ha premiado con el Nobel a las investigaciones disruptivas, revolucionarias e innovadoras, o bien el índice CD₅ no es una medida adecuada de la disruptividad. Como siempre ocurre con los índices bibliométricos, quien tiene fe ciega en uno de ellos acaba concluyendo a favor de sus sesgos. En mi opinión (yo solo soy un aficionado a la bibliometría) el análisis presentado en este artículo es deficiente y sus conclusiones deben ser tomadas con mucha precaución; aunque nuestro sesgo de confirmación apunte a que la conclusión de este artículo sea acertada. Creo que en un futuro cercano se publicarán muchos artículos que criticarán el análisis y las conclusiones de este artículo. A pesar de ello, como he observado en redes sociales, una amplia mayoría de la comunidad científica está de acuerdo con que la ciencia es cada vez menos disruptiva.

En mi opinión –y en esto creo ue coincido con pollo– el "problema" actual es que estamos "atascados" –y la comunidad científica es perfectamente consciente de ello–, en la llamada teoría cuántica de campos que, a día de hoy, es la punta de lanza en el campo de la fisca cuántica y que, a diferencia de la mecánica cuántica "tradicional", sí tiene en cuenta en sus postulados la teoría de la relatividad. El problema es que, todos los experimentos que se están haciendo ahora mismo para intentar encontrar "grietas" en la teoría cuántica de campos que nos permitan explorar "nueva física", han sido infructuosos.

Esas curvas "logísticas" a la que se refiere pollo son las "curvas en S" de las que lleva lustros hablando Ray Kurzweil para explcar, por ejempo, la evolución:

Pero, esas mismas "curvas en S" se dan en otros ámbitos como, por ejempo, la física; un avance en física fundamental que suponga enconrar un "fallo" en la teoría establecida podría suponer una revolución y permitir avances (aparentemente) exponenciales similares a los que se produjeron a principis del siglo xx cuando Plank, al resolver la catástrofe ultravioleta y resolver, por fin, el problema de la radiación de cuerpo negro, abrió una grieta en la física que se daba por buena hasta ese momento lo que les llevó a él y a todo un plantel de físicos como: Einstein, Bohr, Plank, Schrödinger, etc. a tener que crear una física totalmente nueva para poder explicar el universo de lo más grande (teoría general de la relatividad) y de lo más pequeño (mecánica cuántica).

Sabemos que la teoría cuántica de campos no es la teoría final (p. ej. todavía no hemos conseguido encajar en ella la gravedad y seguimos sin tener ni idea qué es la energía oscura y, mucho menos, qué es la materia oscura que suponen casi un 95% de la energía y materia que conforman el universo) pero todavía no sabemos como "hincarle el diente" a esa nueva fíica que está por descubrir y que, casi con toda seguridad, supondrá una revolución tan grande como lo fue la física que, a principio el siglo xx, reemplazó a la de Newton.

Saludos.

Detallitos...





Las finanzas requieren saltos disruptivos... No les puedes aburrir con detalles sin importrancia. (Entiende que _ya_ se lo han gastado... el préstamo sobre el avance.)

Son señores con corbata...

[Cadavre Exquis]

AI Turns Its Artistry to Creating New Human Proteins
Posted by msmash on Monday January 09, 2023 @03:40PM from the closer-look dept.

Using many of the same techniques that underpin DALL-E and other art generators, these scientists are generating blueprints for new proteins -- tiny biological mechanisms that can change the way of our bodies behave. From a report:

Our bodies naturally produce about 20,000 proteins, which handle everything from digesting food to moving oxygen through the bloodstream. Now, researchers are working to create proteins that are not found in nature, hoping to improve our ability to fight disease and do things that our bodies cannot on their own.

David Baker, the director of the Institute for Protein Design at the University of Washington, has been working to build artisanal proteins for more than 30 years. By 2017, he and his team had shown this was possible. But they did not anticipate how the rise of new A.I. technologies would suddenly accelerate this work, shrinking the time needed to generate new blueprints from years down to weeks. "What we need are new proteins that can solve modern-day problems, like cancer and viral pandemics," Dr. Baker said. "We can't wait for evolution." He added, "Now, we can design these proteins much faster, and with much higher success rates, and create much more sophisticated molecules that can help solve these problems."

Last year, Dr. Baker and his fellow researchers published a pair of papers in the journal Science describing how various A.I. techniques could accelerate protein design. But these papers have already been eclipsed by a newer one that draws on the techniques that drive tools like DALL-E, showing how new proteins can be generated from scratch much like digital photos. "One of the most powerful things about this technology is that, like DALL-E, it does what you tell it to do," said Nate Bennett, one of the researchers working in the University of Washington lab. "From a single prompt, it can generate an endless number of designs."

Saludos.

[sudden and sharp]

Vaya por delante que éste es, en mi opinión, el tono adecuado: tomárselo un poco a cachondeo...


Mi novio es una IA y le he roto el corazón
https://elpais.com/opinion/2023-01-10/mi-novio-es-una-ia-y-le-he-roto-el-corazon.html


... y que, a falta de pruebas, NO existen tales IAs.







Aquí, pruebas, es el código fuente de la SIA. (Supuesta IA.) Y no, no me vale ese rollito de que lo que vale es el "training" de la máquina. Eso es una red neuronal... no algo nuevo que "piensa"*. [ Que piensa algo "nuevo"... NO que elige entre lo que ya había... eso lo hacen las RNs. Una IA tiene que que tener algún paso sorprendente... para sugerir, importante, que no resolver; la solución a un problema... que ojo, cueste mucho trabajo en las condiciones normales. (A mano.) ]



----
*) "pensar" aquí es una metáfora.

[Cadavre Exquis]

Microsoft's New AI Can Simulate Anyone's Voice With 3 Seconds of Audio
Posted by BeauHD on Tuesday January 10, 2023 @08:00AM from the what-could-possibly-go-wrong dept.

An anonymous reader quotes a report from ArsTechnica:

On Thursday, Microsoft researchers announced a new text-to-speech AI model called VALL-E that can closely simulate a person's voice when given a three-second audio sample. Once it learns a specific voice, VALL-E can synthesize audio of that person saying anything -- and do it in a way that attempts to preserve the speaker's emotional tone. Its creators speculate that VALL-E could be used for high-quality text-to-speech applications, speech editing where a recording of a person could be edited and changed from a text transcript (making them say something they originally didn't), and audio content creation when combined with other generative AI models like GPT-3.

Microsoft calls VALL-E a "neural codec language model," and it builds off of a technology called EnCodec, which Meta announced in October 2022. Unlike other text-to-speech methods that typically synthesize speech by manipulating waveforms, VALL-E generates discrete audio codec codes from text and acoustic prompts. It basically analyzes how a person sounds, breaks that information into discrete components (called "tokens") thanks to EnCodec, and uses training data to match what it "knows" about how that voice would sound if it spoke other phrases outside of the three-second sample. Or, as Microsoft puts it in the VALL-E paper (PDF): "To synthesize personalized speech (e.g., zero-shot TTS), VALL-E generates the corresponding acoustic tokens conditioned on the acoustic tokens of the 3-second enrolled recording and the phoneme prompt, which constrain the speaker and content information respectively. Finally, the generated acoustic tokens are used to synthesize the final waveform with the corresponding neural codec decoder."

[...] While using VALL-E to generate those results, the researchers only fed the three-second "Speaker Prompt" sample and a text string (what they wanted the voice to say) into VALL-E. So compare the "Ground Truth" sample to the "VALL-E" sample. In some cases, the two samples are very close. Some VALL-E results seem computer-generated, but others could potentially be mistaken for a human's speech, which is the goal of the model. In addition to preserving a speaker's vocal timbre and emotional tone, VALL-E can also imitate the "acoustic environment" of the sample audio. For example, if the sample came from a telephone call, the audio output will simulate the acoustic and frequency properties of a telephone call in its synthesized output (that's a fancy way of saying it will sound like a telephone call, too). And Microsoft's samples (in the "Synthesis of Diversity" section) demonstrate that VALL-E can generate variations in voice tone by changing the random seed used in the generation process.

Microsoft has not provided VALL-E code for others to experiment with, likely to avoid fueling misinformation and deception.

In conclusion, the researchers write: "Since VALL-E could synthesize speech that maintains speaker identity, it may carry potential risks in misuse of the model, such as spoofing voice identification or impersonating a specific speaker. To mitigate such risks, it is possible to build a detection model to discriminate whether an audio clip was synthesized by VALL-E. We will also put Microsoft AI Principles into practice when further developing the models."

Saludos.

[sudden and sharp]

Microsoft se adelanta y puja por ChatGPT, el bot de inteligencia artificial viral
https://cincodias.elpais.com/cincodias/2023/01/10/companias/1673344785_362675.html
La operación podría alcanzar los 29.000 millones de dólares con una fuerte inversión a largo plazo

[Cadavre Exquis]

Old Mice Grow Young Again in Study. Can People Do the Same?
Posted by EditorDavid on Saturday January 14, 2023 @02:34PM from the age-old-questions dept.

"In Boston labs, old, blind mice have regained their eyesight, developed smarter, younger brains and built healthier muscle and kidney tissue," reports CNN:

On the flip side, young mice have prematurely aged, with devastating results to nearly every tissue in their bodies. The experiments show aging is a reversible process, capable of being driven "forwards and backwards at will," said anti-aging expert David Sinclair, a professor of genetics in the Blavatnik Institute at Harvard Medical School and codirector of the Paul F. Glenn Center for Biology of Aging Research. Our bodies hold a backup copy of our youth that can be triggered to regenerate, said Sinclair, the senior author of a new paper showcasing the work of his lab and international scientists.

The combined experiments, published for the first time Thursday in the journal Cell, challenge the scientific belief aging is the result of genetic mutations that undermine our DNA, creating a junkyard of damaged cellular tissue that can lead to deterioration, disease and death. "It's not junk, it's not damage that causes us to get old," said Sinclair, who described the work last year at Life Itself, a health and wellness event presented in partnership with CNN. "We believe it's a loss of information — a loss in the cell's ability to read its original DNA so it forgets how to function — in much the same way an old computer may develop corrupted software. I call it the information theory of aging."

Jae-Hyun Yang, a genetics research fellow in the Sinclair Lab who coauthored the paper, said he expects the findings "will transform the way we view the process of aging and the way we approach the treatment of diseases associated with aging."

While Sinclair is now testing "genetic resets" in primates, the article warns that "decades could pass before any anti-aging clinical trials in humans begin, get analyzed and, if safe and successful, scaled to the mass needed for federal approval."

But Sinclair suggests damage could probably also be repaired through healthy behaviors like exercise and sufficient sleep, social support and lower stress levels, eating less often and focusing on plants.

Thanks to long-time Slashdot reader 192_kbps for sharing the story.

Saludos.

[Cadavre Exquis]

Scientists Invent an Entirely New Way To Refrigerate Things
Posted by EditorDavid on Saturday January 14, 2023 @04:34PM from the cool-news dept.

"Say hello to ionocaloric cooling: a new way to lower the mercury that has the potential to replace existing methods with something that is safer and friendlier to the planet," writes ScienceAlert.

It's all based on the idea that melting absorbs heats.

"The landscape of refrigerants is an unsolved problem," says mechanical engineer Drew Lilley, from the Lawrence Berkeley National Laboratory in California. "No one has successfully developed an alternative solution that makes stuff cold, works efficiently, is safe, and doesn't hurt the environment. We think the ionocaloric cycle has the potential to meet all those goals if realized appropriately...."

A current running through the system would move the ions in it, shifting the material's melting point to change temperature. The team also ran experiments using a salt made with iodine and sodium, to melt ethylene carbonate. This common organic solvent is also used in lithium-ion batteries, and is produced using carbon dioxide as an input. That could make the system not just GWP [global warming potential] zero, but GWP negative.

A temperature shift of 25 degrees Celsius (45 degrees Fahrenheit) was measured through the application of less than a single volt of charge in the experiment, a result that exceeds what other caloric technologies have managed to achieve so far.... "Now, it's time for experimentation to test different combinations of materials and techniques to meet the engineering challenges," says mechanical engineer Ravi Prasher, from the Lawrence Berkeley National Laboratory.

Thanks to long-time Slashdot reader schwit1 for sharing the article.

Saludos.

[JENOFONTE10]

Microsoft se adelanta y puja por ChatGPT, el bot de inteligencia artificial viral

- ¿Como se puede entender con inteligencia artificial la demostración del teorema de incompletitud Gödel?
- [Respuesta de chatopenai.com:] El Teorema de Incompletitud de Gödel es un teorema matemático que demuestra la imposibilidad de tener un sistema formal completo y consistente en el que se puedan probar todas las proposiciones matemáticas verdaderas. La inteligencia artificial (IA) puede entender y aplicar este teorema mediante la utilización de algoritmos y técnicas de procesamiento de lenguaje natural y matemáticas. Por ejemplo, un sistema de IA podría ser programado para analizar y comprender las proposiciones matemáticas y las demostraciones en un sistema formal, y utilizar esta comprensión para determinar si una proposición es verdadera o falsa. Sin embargo, debido a la naturaleza compleja del teorema de incompletitud de Gödel, sería necesario un sistema de IA muy avanzado para entender completamente el teorema y sus implicaciones.

Pienso que muestra sus limitaciones lógicas, pero ha aprendido a 'salirse por la tangente', disimulando  con 'naturalidad' artificial su inmodestia, cuando se encasquilla con su 'halting problem'; en eso me parece mejor que muchos humanos.

Saludos.

[sudden and sharp]

Debería hacer lo que dicen que harían los científicos honestos... pero hace lo que dicen que harían los científicos a secas.

[wanderer]

Microsoft se adelanta y puja por ChatGPT, el bot de inteligencia artificial viral

- ¿Como se puede entender con inteligencia artificial la demostración del teorema de incompletitud Gödel?
- [Respuesta de chatopenai.com:] El Teorema de Incompletitud de Gödel es un teorema matemático que demuestra la imposibilidad de tener un sistema formal completo y consistente en el que se puedan probar todas las proposiciones matemáticas verdaderas. La inteligencia artificial (IA) puede entender y aplicar este teorema mediante la utilización de algoritmos y técnicas de procesamiento de lenguaje natural y matemáticas. Por ejemplo, un sistema de IA podría ser programado para analizar y comprender las proposiciones matemáticas y las demostraciones en un sistema formal, y utilizar esta comprensión para determinar si una proposición es verdadera o falsa. Sin embargo, debido a la naturaleza compleja del teorema de incompletitud de Gödel, sería necesario un sistema de IA muy avanzado para entender completamente el teorema y sus implicaciones.

Pienso que muestra sus limitaciones lógicas, pero ha aprendido a 'salirse por la tangente', disimulando  con 'naturalidad' artificial su inmodestia, cuando se encasquilla con su 'halting problem'; en eso me parece mejor que muchos humanos.

Saludos.

Los seres humanos somos, entre otras cosas, máquinas universales de Turing (en ellas están basados todos los computadores modernos, incluyendo los cuánticos), pero somos mucho más que eso, gracias a nuestras emociones, que están inextricablemente unidas a nuestro ser orgánico.

Y tales emociones nos permiten volar por encima de la arquitectura de una máquina universal de Turing, por poderosa que ésta sea. Ése es, en cierto modo, el principal mensaje de los teoremas de incompletitud, que requieren de poder mirar el sistema formal "desde fuera" y obviar las limitaciones de la máquina universal.

A mí no me impresiona ninguna AI por lo rápido que resuelva; no descarto que puedan existir, pero si llegan a hacerlo, será porque exhiban genuinas emociones, y sean capaces, entre otras cosas, de aburrirse (el genio creativo, por cierto, precisa del aburrimiento).

[sudden and sharp]

Microsoft se adelanta y puja por ChatGPT, el bot de inteligencia artificial viral

- ¿Como se puede entender con inteligencia artificial la demostración del teorema de incompletitud Gödel?
- [Respuesta de chatopenai.com:] El Teorema de Incompletitud de Gödel es un teorema matemático que demuestra la imposibilidad de tener un sistema formal completo y consistente en el que se puedan probar todas las proposiciones matemáticas verdaderas. La inteligencia artificial (IA) puede entender y aplicar este teorema mediante la utilización de algoritmos y técnicas de procesamiento de lenguaje natural y matemáticas. Por ejemplo, un sistema de IA podría ser programado para analizar y comprender las proposiciones matemáticas y las demostraciones en un sistema formal, y utilizar esta comprensión para determinar si una proposición es verdadera o falsa. Sin embargo, debido a la naturaleza compleja del teorema de incompletitud de Gödel, sería necesario un sistema de IA muy avanzado para entender completamente el teorema y sus implicaciones.

Pienso que muestra sus limitaciones lógicas, pero ha aprendido a 'salirse por la tangente', disimulando  con 'naturalidad' artificial su inmodestia, cuando se encasquilla con su 'halting problem'; en eso me parece mejor que muchos humanos.

Saludos.

Los seres humanos somos, entre otras cosas, máquinas universales de Turing (en ellas están basados todos los computadores modernos, incluyendo los cuánticos), pero somos mucho más que eso, gracias a nuestras emociones, que están inextricablemente unidas a nuestro ser orgánico.

Y tales emociones nos permiten volar por encima de la arquitectura de una máquina universal de Turing, por poderosa que ésta sea. Ése es, en cierto modo, el principal mensaje de los teoremas de incompletitud, que requieren de poder mirar el sistema formal "desde fuera" y obviar las limitaciones de la máquina universal.

A mí no me impresiona ninguna AI por lo rápido que resuelva; no descarto que puedan existir, pero si llegan a hacerlo, será porque exhiban genuinas emociones, y sean capaces, entre otras cosas, de aburrirse (el genio creativo, por cierto, precisa del aburrimiento).

Es que lo que le piden algunos a las IAs es una solemne tontería... Lo que hay que pedir, si acaso, es que te de buenas sugerencias... que luego ya nosotros tomamos las decisiones. (Cualquiera que pretenda ser libre NO debe obedecer, acatar, aceptar nada de la "Máquina".)

Lo que pasa también es que no todos tienen las mismas "intenciones". Hay quién quiere IAs para la lucha de clases, la propaganda... lo que sea menos la búsqueda de la verdad.

[JENOFONTE10]

P.S.: Aclaro que por 'su inmodestia', trato de aludir a la de los programadores humanos del chat. Pensé la pregunta para un algoritmo programado con Lógica Matemática y sobre un tema de Lógica Matemática; no pretendía descubrir la moralidad de los programadores ante cuestiones morales como la virtud de la modestia, ya que el programa pretende ser de 'Inteligencia', no de 'Moralidad (o Ética) Artificial'.

Sobre las 'emociones' humanas que menciona Wanderer, comparto una anécdota del siglo pasado: cuando el cátedro de mates terminó de escribir con su tiza en la pizarra la demostración por reducción al absurdo del teorema de Gödel con Máquinas Universales de Turing, se hizo un silencio en el seminario (10 o 12 alumnos), mientras mi lenta inteligencia no-artificial lo iba 'pillando', me quedé embobado y feliz mirando, y creo que dejé de tomar apuntes.

Saludos.

[sudden and sharp]

P.S.: Aclaro que por 'su inmodestia', trato de aludir a la de los programadores humanos del chat. Pensé la pregunta para un algoritmo programado con Lógica Matemática y sobre un tema de Lógica Matemática; no pretendía descubrir la moralidad de los programadores ante cuestiones morales como la virtud de la modestia, ya que el programa pretende ser de 'Inteligencia', no de 'Moralidad (o Ética) Artificial'.

Sobre las 'emociones' humanas que menciona Wanderer, comparto una anécdota del siglo pasado: cuando el cátedro de mates terminó de escribir con su tiza en la pizarra la demostración por reducción al absurdo del teorema de Gödel con Máquinas Universales de Turing, se hizo un silencio en el seminario (10 o 12 alumnos), mientras mi lenta inteligencia no-artificial lo iba 'pillando', me quedé embobado y feliz mirando, y creo que dejé de tomar apuntes.

Saludos.

Ok... pero ¿por qué no contestar de vez en cuando "No lo sé... todavía"?





[ ¿Porque NO VENDE igual en Bolsa? ]

[wanderer]

P.S.: Aclaro que por 'su inmodestia', trato de aludir a la de los programadores humanos del chat. Pensé la pregunta para un algoritmo programado con Lógica Matemática y sobre un tema de Lógica Matemática; no pretendía descubrir la moralidad de los programadores ante cuestiones morales como la virtud de la modestia, ya que el programa pretende ser de 'Inteligencia', no de 'Moralidad (o Ética) Artificial'.

Sobre las 'emociones' humanas que menciona Wanderer, comparto una anécdota del siglo pasado: cuando el cátedro de mates terminó de escribir con su tiza en la pizarra la demostración por reducción al absurdo del teorema de Gödel con Máquinas Universales de Turing, se hizo un silencio en el seminario (10 o 12 alumnos), mientras mi lenta inteligencia no-artificial lo iba 'pillando', me quedé embobado y feliz mirando, y creo que dejé de tomar apuntes.

Saludos.

Ok... pero ¿por qué no contestar de vez en cuando "No lo sé... todavía"?





[ ¿Porque NO VENDE igual en Bolsa? ]

Pues tú mismo lo respondes, aunque de forma implícita: porque reconocer la verdad es la misma esencia de lo que yo en alguna ocasión he reivindicado: lo antimolón

[Cadavre Exquis]

Parece que la gente de Google está terminando de pulir los últimos detalles antes de dar acceso a usuarios finales a sus "IAs" tanto a través de sus productos actuales y futuros como a través de APIs:

https://twitter.com/sundarpichai/status/1615820298305118221

https://ai.googleblog.com/2023/01/google-research-2022-beyond-language.html

Saludos.