Entrevista a Martí Sánchez-Fibla.

En la entrada de hoy entrevistamos a Martí Sánchez-Fibla un profesor e investigador en la Universidad Pompeu Fabra (UPF). Actualmente dirige el Master en Cognitive Sciences and Interactive Media (CSIM) y es investigador principal del proyecto nacional INSOCO DPI2016-80116-P en el que estudia el aprendizaje colaborativo entre agentes/robots. 

¿Cuándo empezaste a interesarte por el mundo de la robótica y la inteligencia artificial?

La fascinación por los ordenadores me viene de pequeño y esta me lleva a estudiar Informática. En la carrera descubro que un modelo sencillo como la máquina de Turing es equivalente a cualquier ordenador actual por potente que sea: una cinta donde se leen los parámetros de entrada y en la que pueden escribirse unos y ceros (que se usa como memoria) y una lista de instrucciones, un «programa», que especifica las acciones que hay que realizar. Es entonces cuando me pregunto: ¿puede un programa escrito para una máquina de Turing mostrar inteligencia y creatividad para generar preguntas y respuestas (como propone el test de Turing)? Asimismo, también me planteo si tal vez nos hemos quedado cortos con este test, ya que el cerebro humano está constantemente prediciendo el futuro, discerniendo entre posible o imposible, entre verdad y mentira… y mantiene modelos de otras personas: en suma, hace el equivalente del test de Turing constantemente.

También durante el curso optativo Sistemas Complejos que impartía Ricard Solé descubro los autómatas celulares que pueden emular a una máquina de Turing a partir de unas reglas sencillas, generando patrones complejos que se hallan en la frontera entre el orden y el caos: la fascinación y la diversión estaban servidas. En la Universidad París-Sorbona (París IV) estudio el equivalente de un máster de Inteligencia Artificial. Al volver de París empiezo a trabajar en un proyecto europeo en el Instituto de Investigación en Inteligencia Artificial (IIIA) del CSIC, donde acabo haciendo la tesis. Más tarde, con la aparición de la electrónica de fácil uso (Arduino, principalmente) y como posdoctorado en el laboratorio SPECS descubro la robótica. Ahora colaboro con el laboratorio SPECS de Paul Verschure, el Complex System Lab de Ricard Solé y el grupo de Investigación en Inteligencia Artificial y Aprendizaje Automático de la UPF.

¿Qué soluciones o avances puede aportar la robótica en la sociedad? ¿En qué campos resulta especialmente oportuna su aplicación?

Aclaremos primero que un robot, en el sentido estricto de la palabra, tiene que percibir su entorno, procesar datos y actuar en consecuencia. Esta definición no incluye muchas máquinas existentes (desde gran parte de la robótica industrial hasta los llamados robots de cocina), ya que son incapaces de percibir si hacen algo mal (por ejemplo, si se han activado sin alimentos que procesar). Los robots invaden nuestras casas cuando las tareas que realizan se vuelven rentables en comparación con el precio de producción y compra: los robots aspiradores que mapean y limpian casas son un buen ejemplo de ello. Menciono casos donde la robótica podría tener o está teniendo un impacto positivo:

• Robots agricultores: estamos aumentando la producción de forma astronómica, pero la prioridad no es solucionar el hambre. Los robots agricultores para el pequeño y gran productor podrían ser la siguiente gran revolución.
• Robots que operan a pacientes con mucha más precisión: eliminación de tumores o implantación de electrodos en el cerebro (ya se está haciendo en Barcelona).
• Robots para revertir los residuos que producimos: robots limpiadores de océanos, robots recicladores en plantas recicladoras (como Wall-E de Pixar).
• Robots y drones de vigilancia ecológica: estado del aire (contaminación), del deshielo en los polos, de la costa y de un pozo, y calidad del agua.
• Robots de vigilancia en casa a pacientes que sobreviven en casos extremos.
• Tutores personalizados de enseñanza en actividades físicas y mentales.
• Robots-coches que conducen de forma autónoma para evitar distracciones humanas y reducir accidentes (los aviones ya prácticamente lo hacen). Los coches autónomos disponen de una percepción superior a la humana, perciben su entorno sesenta veces por segundo en todas direcciones.

Iniciaste el proyecto interdisciplinario Teatronika, en el cual confluyen las artes escénicas, el teatro y la robótica. ¿Nos puedes contar en qué consiste?

Teatronika empieza en 2015 junto a Beatriz Liebe Masferrer con el lanzamiento del concurso de guion corto para cuatro robots. Poco después, ese mismo año se representaban las obras ganadoras de esta primera edición con robots de verdad en el CCCB (dentro de la exposición +Humans). 

Teatronika quiere acercar la robótica al público en general, sacar a los robots del laboratorio, asociar la robótica con la cultura, establecer puentes entre ciencia y arte y dar la oportunidad para que cualquier persona con lápiz y papel pueda escribir un guion para robots gracias al concurso de guion corto. Después, propone representar las obras con robots de verdad, con todos los retos y reflexiones que ello comporta. Todo ello, con el objetivo de dar a conocer en qué punto se encuentran los avances científicos desde la neutralidad, sin la emoción del progreso ni la crítica negacionista del desconocimiento.

En la actualidad, Teatronika ha producido un espectáculo con robots como únicos protagonistas que se estrenó en el festival TNT en 2017, ha editado sendos libros tras las dos ediciones del concurso en los que se recogen ensayos y guiones ganadores con la apreciada colaboración del especialista en ciencia ficción Miquel Barceló.

En este sentido, ¿los robots podrían llegar a ser creativos o meramente se limitan a seguir unas pautas programadas? 

Un programa puede aprender a tomar decisiones y a reaccionar de una manera determinada ante una situación dada (aprendizaje por refuerzo). En este sentido, el significado de aprender tal vez está un poco sobrevalorado. Aprender algo puede ser tan sencillo como dar un peso distinto a una sinapsis que controla cómo cerramos el párpado del ojo cuando oímos un ruido (cambiar un parámetro a una conexión).

Y también pueden aprender (de forma supervisada, con un conjunto de datos de entrenamiento de entrada y salida; y de forma no supervisada, solo con un conjunto de entrada y sin respuestas correctas) funciones complejas como la que transforma bocetos hechos a lápiz en dibujos coloreados o esquemas con indicaciones de etiquetas en fotos de paisajes superrealistas (ver GauGAN), puede convertir fotos y vídeos de noche a plena luz del día y viceversa (ver pix2pix, vid2vid), entre otros. Las llamadas redes generativas antagónicas (GAN, por sus siglas en inglés) son capaces de aprender las características comunes de un conjunto de ejemplos de entrada y generar un ejemplo nuevo diferente que siga dichas pautas. Se han utilizado para las aplicaciones anteriores y otras cosas asombrosas como generar rostros de personas que no existen. Mediante los llamados espacios latentes de estas redes o añadiendo ruido de una determinada forma a la entrada pueden controlarse ciertos parámetros de los patrones generados.

Pero ¿cuándo este aprendizaje podrá tener lugar en un cuerpo dentro de un robot que adquiere y va a buscar sus propios conjuntos de datos de entrenamiento en entornos similares a los que estamos expuestos, y con la habilidad para movernos y manipular objetos con las manos que nos caracteriza? Los robots de Boston Dynamics no aprenden por el momento. Sus espectaculares robots (BigDog, SpotMini, Atlas) son increíbles soluciones de ingeniería de control sin aprendizaje ni adaptación. En simulaciones ya existen ejemplos asombrosos de manos que aprenden a manipular objetos y robots que aprenden a saltar y caminar. Poco a poco se van juntando piezas y se resuelven problemas restringidos en un dominio concreto mejor que los humanos (solo hace falta ver que ya no queda ningún juego humano ni de ordenador por resolver). El mayor reto que queda por lograr es la generalización del aprendizaje de un dominio a otro (la denominada transferencia de aprendizaje) y el aprendizaje no supervisado (sin respuestas correctas de ejemplo, como el aprendizaje supervisado, ni señal de recompensa, como el aprendizaje por refuerzo). La creatividad tiene mucho de transferencia entre dominios y capacidad de abstracción, con lo que para ver logros en el campo de la inteligencia artificial aún falta tiempo.

¿Estás trabajando en otros proyectos dentro del campo de las artes?

¡Antes sí! Trabajé muchos años detrás de los ordenadores en la compañía de teatro Agrupación Señor Serrano. También hice instalaciones interactivas propias, pero me desmotivé por el poco apoyo y el poco impacto que tenía el ámbito del arte digital.

Ahora intento concentrar mis energías en Teatronika: el desarrollo de una aplicación, las obras de teatro con robots, los libros y el blog.

Tu faceta como investigador gira entorno a la neurorobótica, ¿nos podrías explicar en qué consiste exactamente?

Consiste en entender el cerebro, desde el los animales más sencillos al de los más complejos, entendiendo bien la interacción entre cerebro, control, cuerpo y entorno. También se busca proponer distintos modelos neurocomputacionales de control, aprendizaje y adaptación y testearlos en robots para elaborar hipótesis de posibles funcionamientos similares del cerebro. Se trata de entender para poder rehabilitar y reparar mejor. El funcionamiento del cerebro, incluso el de los animales más pequeños, es y será por muchos años el mayor misterio por resolver. Este es el caso del gusano Caenorhabditis elegans, que solo tiene trescientas neuronas. Sabemos perfectamente cómo se conectan y de qué tipo son, pero, en cambio, no sabemos nada de cómo se traducen sus señales a su comportamiento complejo: aprendizaje, memoria, exploración, apareamiento…

¿Cuáles son tus proyectos o líneas actuales de investigación? 

Aprender en un entorno en el que hay otros agentes que también aprenden y compiten ha ejercido mucha presión evolutiva al cerebro. También es un reto para los algoritmos de aprendizaje que tienen que aprender en situaciones dinámicas y cambiantes. Esto nos sitúa en el campo del aprendizaje colaborativo entre agentes/robots. ¿Cómo puede aprender un grupo de agentes/robots a colaborar de la forma más rápida y eficiente para todos? Trabajo en modelos de comportamiento humano en tareas de toma de decisiones y exploración de entornos.

En un futuro, ¿a qué retos te gustaría enfrentarte o en qué proyectos te gustaría trabajar?

Por soñar que no quede: usar robots para limpiar, depurar nuestros desastres ambientales y cuidar el entorno. Acercar la inteligencia artificial y su uso y explotación a todo el mundo para que pueda haber un aprovechamiento de abajo arriba (bottom-up) de esta tecnología: dar herramientas a TODO el mundo (África, por ejemplo) y no solo a las grandes empresas para producir más. Hay algo en este aspecto que me preocupa: las grandes empresas como Google, Facebook, Microsoft, Apple, Amazon… (la lista es interminable) están empezando a ser más importantes en el ámbito de la investigación que muchas universidades y acumulan gran parte de la riqueza mundial; se les está dando un crédito sobredimensionado y tendrían que estar demostrando mucha más responsabilidad hacia el entorno y el crecimiento sostenible de lo que están haciendo.

Enfocar la inteligencia artificial a la ecología y a la predicción y vigilancia de posibles desastres ambientales. Asimismo, enfocarla (si fuera posible) al decrecimiento sostenible: tratar de mejorar y producir lo estrictamente necesario, y cambiar las costumbres y comodidades de tenerlo siempre todo disponible y a todas horas: un decrecimiento sostenible que ni se note.

Y ya para terminar, ¿puedes recomendarnos alguna lectura o libro de referencia imprescindible?

Respecto a mi tema actual de investigación, os recomiendo encarecidamente The Evolution of Cooperation, de Robert Axelrod, donde se habla de teoría de juegos, de la razón por la que en los pueblos se colabora más por el simple hecho de tener más probabilidad de repetir un encuentro con alguien o del porqué en las trincheras franco-alemanas se disparaban proyectiles en direcciones equivocadas a propósito.

Os recomiendo, también, la Biblioteca de guiones para robots, a punto de lanzarse en teatronika.org: el último libro de Neal Stephenson, Fall; or, Dodge in Hell parece que ha copiado (☺) el argumento de una de las historias ganadoras de Teatronika, «La reincorporación», de Gerard Freixas.

Enlaces relacionados

• (1) https://blogs.nvidia.com/blog/2019/03/18/gaugan-photorealistic-landscapes-nvidia-research/
• (2) https://phillipi.github.io/pix2pix/
• (3) https://github.com/NVIDIA/vid2vid
• (4) https://www.srserrano.com/
• (5) http://teatronika.org/
• (6) https://www.ibecbarcelona.eu/es/synthetic-perceptive-emotive-and-cognitive-systems-specs/
• (7) http://complex.upf.edu/
• (8) https://www.upf.edu/web/ai-ml
• (9) https://www.nature.com/articles/d41586-019-01733-2

Cita recomendada: MOSAIC. Entrevista a Martí Sánchez-Fibla. Mosaic [en línea], junio 2019, no. 172. ISSN: 1696-3296. DOI: https://doi.org/10.7238/m.n172.1937.