Sí (más un remedio).
Él tiene toda la razón de que las compañías de hoy trabajan de manera incremental (con algunas excepciones, como los autos sin conductor y los vuelos espaciales privados).
El gran problema es que las cosas grandes y fáciles, como los perfiles aerodinámicos (aviones), las jaulas giratorias (electricidad), el motor de gas sobre ruedas (automóviles), el grabado de silicio (microprocesadores), fueron “relativamente” fáciles y tuvieron aplicaciones comerciales inmediatas.
Las cosas nuevas (robótica, biotecnología, nanotecnología) son mucho más difíciles de lo que asumimos: requieren llevar a cabo miles de millones de experimentos, más de lo que incluso la humanidad entera podría esperar realizar con sus propias manos.
- ¿Cuáles son algunas tareas creativas e interesantes solicitadas en los servicios de tipo Exec y TaskRabbit?
- Creo que estoy perdiendo mi creatividad y entusiasmo cuando escribo código. ¿Cómo puedo recuperar estos dos activos?
- ¿Qué porcentaje de tus ideas nunca salen a la luz?
- ¿Cómo puedo usar mejor mi portátil Moleskine?
- ¿Cómo puedo monetizar mi caché de diseños gráficos?
Se requiere automatización para dar el siguiente salto. Parecía que llegaríamos allí con cosas como redes neuronales, sin embargo, no había forma (algoritmo) de entrenar redes neuronales lo suficientemente grandes como para hacer posible la automatización.
El avance se produjo en 2006 por geoffrey hinton en la universidad de toronto. Descubrió una forma de entrenar redes neuronales masivas. Esta técnica tardó algunos años en difundirse, sin embargo, a partir de 2012, esto comenzó a difundirse ampliamente. Google, Microsoft, Darpa, todos tienen proyectos para entrenar redes neuronales de más de mil millones de tamaños.
En el próximo año o dos veremos el impacto de esto en la robótica. Luego, a medida que los robots se vuelvan capaces y baratos, será posible realizar muchos más experimentos (en bio y nano tecnología) y analizarlos también automáticamente (utilizando redes de aprendizaje profundo).