Una máquina ha aprendido a jugar al ajedrez en setenta y dos horas. Setenta y dos horas, tres días. Al terminar esos tres días, la máquina podía enfrentarse y ganar a un maestro internacional, una de las categorías más altas (2.2% superior) del sistema de puntuación Elo utilizado por la FIDE.

A los no versados en inteligencia artificial, esta noticia les dejará relativamente fríos. Después de todo, el enfrentamiento entre Garry Kasparov y el ordenador Deep Blue de IBM, ganado por este último, tuvo lugar en 1997, está ya en las enciclopedias, y hasta en un documental, The man vs the machine, realizado en 2014, ¿no? ¿Dónde está la novedad? ¿Qué tiene de emocionante que una máquina aprenda a jugar al ajedrez?

La gran diferencia entre Deep Blue y Giraffe, la máquina creada por Matthew Lai, es el procedimiento mediante el cual llegan a un resultado similar. La máquina de IBM es un superordenador que consigue, mediante fuerza bruta, calcular unos doscientos millones de posiciones por segundo, frente a las escasamente cinco que procesa el cerebro de su oponente humano. La máquina de Lai es diferente: emplea un mecanismo de red neuronal para aprender, muchísimo más frugal en el uso de los recursos.

El sistema diseñado por Lai cuenta con cuatro capas que examinan cada posición del tablero desde tres ópticas diferentes: el estado global del juego (turno, número y tipo de piezas, etc), la localización de cada pieza en cada oponente, y las casillas que cada pieza puede atacar y defender. Con esa lógica, tras alimentarse con infinidad de posiciones, la máquina es capaz de descartar situaciones absurdas o altamente improbables, y centrarse en analizar las que son relevantes en cada momento para llegar a un resultado de una manera mucho más sencilla y eficiente.

¿Por qué el ajedrez? Simplemente por la gran abundancia de material con la que alimentar el algoritmo. Una enorme base de datos histórica de partidas de ajedrez jugadas a lo largo del tiempo, de la que Lai extrajo aleatoriamente cinco millones de posiciones.

Que una máquina aprenda de esta manera, no “al estilo máquina” de supremacía en base a la fuerza bruta, sino “al estilo humano” de recurso y comparación a situaciones similares, marca un importante cambio en la manera en que deberíamos mirar a las máquinas. Piense en la inmensa cantidad de tareas para las que contamos con importantes registros con los que educar a un algoritmo. Piense en lo que quiera: en la economía, en los mercados bursátiles... En su negocio.

La idea de que una máquina aprenda ha pasado a ser más lógica, más comprensible, más... ¿Humana?