Mediante un método denominado red neuronal generativa condicional unos investigadores de NVidia han entrenado a una inteligencia artificial para generar una ciudad completa en 3D creada a partir de vídeos del auténtico MundoReal™.
Según explican los vídeos de imagen real se convierten en descripciones de característica (edificio, fachada, coche, puerta, letrero, etc.) y tras aprender cuál es el aspecto general de las ciudades se puede regenerar sin contar con toda la información. Algo así como decir: «aquí van tres coches. No sé exactamente cuáles ni de qué forma y colores, pero pondré estos otros que serán parecidos porque los vi en otro vídeo».
Las aplicaciones: dicen que como generar desde cero un entorno 3D tan complejo como una ciudad es lento y caro, permitir que sea la máquina quien genere algo «suficientemente realista» y luego si acaso revisarlo un poco puede ser un buen método para abaratar los costes. Esto tendría aplicaciones en automoción, videojuegos y aplicaciones de realidad virtual.
(Vía Core 77.)
Las buenas noticias son que es bastante improbable que algún objeto del espacio exterior impacte contra la Tierra. Así que estamos seguros. Por ahora.
– Gema Parreño
Gema Parreño protagoniza este vídeo de Google en el que explica que se dedica a «detectar fraudes bancarios durante el día y asteroides por las noches». Una peculiar doble vida que la llevó a presentarse junto con su equipo al concurso Space App Challenge de la NASA con un software que llamaron Deep Asteroid y que además quedó entre los mejores.
Desarrollado con TensorFlow porque es un desarrollo que necesita mucha potencia para analizar conjuntos masivos de datos, el software en sí es un modelo que estudia los conjuntos de datos que recoge la NASA. Mediante aprendizaje automático aprende a detectar si si los NEOS (Objetos Cercanos a la Tierra) como los asteroides cambian de color, forma o composición, para predecir lo que sucederá a continuación. Cuantas más capas de datos puede analizar, mejor, porque más afinados son los resultados (que luego se pueden enviar a los científicos oportunos).
El vídeo muestra algunas escenas grabadas en el Real Observatorio de Madrid, emblemático paraje donde los haya. Parreño no es la única cazadora de asteroides del mundo, y es bueno saber que esa cifra sigue creciendo porque es uno de los peores problemas –y desde luego con peor solución– a los que podría enfrentarse nuestro planeta en algún momento del futuro.
Go-Explore es un sistema de inteligencia artificial basado en entrenamiento reforzado que aprende a jugar al Montezuma’s Revenge y Pitfall en sus versiones simplificadas de Atari 2600. En ambos casos no sólo obtiene buenas puntuaciones, es que además bate los récords humanos y muy de lejos con más de 2 millones de puntos en el primer caso y más de 21.000 de promedio en el segundo. Le da varias veces la vuelta al marcador, el Santo Grial de cualquier jugador de videojuegos, vamos.
Para obtener esas puntuaciones en estos juegos de plataformas hay que superar todo tipo de problemas: dar saltos, esquivar trampas, colgarse de cuerdas, abrir puertas y similares. En el caso de Pitfall son más de 40 pantallas diferentes. En el MundoReal™ los problemas son técnicamente muy diferentes, pero las estrategias que se usen para resolverlos pueden similares, de ahí que esta investigación con «modelos simplificados» resulte muy útil.
Según explican en el artículo en estos juegos en concreto –como a veces en el mundo real– el problema de los sistemas de entrenamiento reforzado es que para conseguir las «recompensas» a veces hay que aceptar «pequeñas pérdidas». Los algoritmos no son muy buenos aceptando perder a veces (aunque sea para ganar a largo plazo) y esto requiere utilizar otras estrategias. La de Go-Explore busca «aprender más» aunque sea perdiendo más veces –no tiene problema en repetir las pruebas una y otra y otra vez– de modo que eso le permite explorar más movimientos y posibilidades. Esto sirve tanto para explorar un laberinto como para superar las pruebas de un videojuego o, quién sabe qué otros usos en el futuro.
Partida 6 – Negras juegan y dan mate en 36.
En estos momentos el noruego Magnus Carlssen y el italo-estadounidense Fabiano Caruana continúan empatados 6-6 en el Campeonato Mundial de Ajedrez 2018. Han sido 12 partidas acabadas en tablas, pero algunas no exentas de emoción. Incluyendo el muy sorprendente ofrecimiento de tablas de un Carlssen que parecía tenerlo todo ganado y que dejó boquiabiertos a todos los comentaristas en la partida 12.
Esta tarde a las 16.00 (hora peninsular) se enfrentarán en el desempate final al mejor de 4 partidas semirrápidas (25 movimientos +10 segundos de incremento por movimiento). Lo retransmite en directo Chess24, como de costumbre. Si se mantuviera el empate habría otras 5 partidas rápidas de 5 minutos (+3 de incremento) e incluso de mantenerse entonces habría una última y definitiva mediante de muerte súbita.
En el blog Godel’s Lost Letter se ha publicado algo sobre los análisis computerizados de las primeras 12 partidas, las clasificaciones y otros detalles muy interesantes. Entre otras cosas hay algunos análisis de los finales: por qué ciertas líneas y truquis podrían haber funcionado y por qué no.
Entre las más sorprendentes está el mate en 36 que encontró el motor de análisis Stockfish en la partida 6 para las negras. Una maniobra tan suicida y antinatural que aunque conduce a la victoria (mediante un zugzwang a las blancas, que fuerza a perder la posición) era simplemente imposible de ver para un humano. «Si Caruana llega a jugar esa línea, le hacen pasar por el detector de metales al salir», dijo Kasparov al respecto, dando a entender que nadie creería que tal análisis fuera posible para un humano.