Por qué Tesla va por delante en la carrera por el coche autónomo

No, este no es otro aburrido artículo lleno de tecnicismos y vaguedades. Aquí explico de qué va eso del machine learning de modo que, cuando termines de leerlo, seas capaz de explicarle a tu abuela cómo estamos enseñando a los coches a conducir solos. Bueno, igual no, pero andará cerca la cosa.

Lo primero que debes tener claro es cuáles son y en qué consisten las distintas formas de enseñar cosas a las máquinas. De eso va la parte uno. Una vez sepas eso, entender los varios retos que nos separan de construir robotaxis será pan comido. Esa es la verdadera gallina de los huevos de oro:

El punto dos te ayudará a formarte una opinión propia sobre la estrategia de Tesla y otras compañías al respecto. Como en el primero, intentaré ser lo más imparcial posible, pero soy fan de Musk y tengo acciones suyas. Quien avisa no es traidor, la verdad por delante.

Además, explico varias ideas de Trent Eady, un analista especializado en el tema. A mí me daría mil vueltas aunque fuese un experto en conducción autónoma, cosa que no soy: esto es un resumen amateur. Vale la pena comprobarlo ahora mismo y seguir leyendo luego. En serio, id.

Uno: Cómo enseñar a conducir a un robot
Grosso modo, nuestro robotaxi debe poder (1) entender su entorno, (2) predecir al resto de conductores y (3) conducir en general (frenar, acelerar, girar, etc.). Hay varias formas de enseñarle a hacer esto; todas en inglés. Aquí explico las dos más importantes. Empieza pensando en el ajedrez.

Imitation learning: pues eso, imitar a los humanos. Como la única regla a seguir es copiar nuestra forma de jugar, al robot no le hace falta deducir las normas: con copiar a los mejores ya nos machaca. Sin embargo, le costará llegar a un nivel sobrehumano (problemilla) y ser creativo (problemón).

Reinforcement learning: prueba y error. Si fallas, palo; si aciertas, zanahoria. Como a R2D2 le gustan las zanahorias y odia los palos, tenderá a buscar aquéllas y huir de éstos. Deducirá las reglas, inventando su propia forma de jugar por el camino. Tendrá más fácil ser sobrehumano, pero seguirá sin saber improvisar ante una situación inesperada.

Bien, ya tienes las dos herramientas conceptuales básicas para enseñar a tu robot juegos simples y con normas fijas. Vayamos con las dos grandes particularidades que impiden meter a los robotaxis en tal categoría.

Problema 1: complejidad. Conducir no es tan simple como un juego de mesa. Videojuegos como StarCraft ilustran mejor cómo la fuerza bruta se pierde si hay demasiadas opciones: usa trabajadores para minar recursos con los que construir los edificios que los entrenan para ser soldados. El ajedrez tiene cientos de posibles movimientos por turno. El Go, cientos de miles. StarCraft, 100 cuatrillones. Para, coge un papel y escribe 26 ceros.

Solución: enfoque mixto. Prueba y error partiendo del nivel humano. Bastante de cajón: ¿empezar sin ningún criterio o al nivel de Kaspárov? Construir sobre lo aprendido por humanos acota increíblemente el reto de superarlos: evita partir de cero, disparar -literalmente- a voleo, permitiendo que nos centremos en mejorar lo que ya sabemos hacer.

Problema 2: extrapolación. Nuestra solución mixta no improvisa, sólo repite lo que le funcionó en situaciones parecidas, así que requerirá mucha práctica para dominar la curva de situaciones posibles. El 99% de casos habituales es pan comido, el quid son las colas largas, el 1%, lo que pasa una vez por millón kilómetros. Un incendio, un centauro, cosas raras.

Solución: Big Data. Cuanto más practiques, menos situaciones inesperadas podrán sorprender a tu robotaxi. Dominar Dota, otro videojuego del estilo, llevo a OpenAI 675 millones de partidas. Google necesitó dos mil millones con StarCraft. 45.000 y 60.000 años de juego, respectivamente. Sin pausa alguna: 24 horas al día, 7 días por semana.

El mundo digital acelera mucho el proceso: un mismo programa puede practicar entrenando en varios ordenadores a la vez (Google utilizó hasta 300). Pero conducir es cosa del mundo real. Y no queremos pasar decenas de miles de años entrenando a nuestro robot conductor, ¿verdad?

No me malinterpretes: lo digital puede echar un cable. Entrenamos a los robots en simulaciones antes de lanzarlos a la carretera (los experimentos, con gaseosa). Útil para dominar el centro de la curva, no las colas largas. De poder simular todas las situaciones posibles seríamos un Demiurgo. Luego... ¿cómo poner en práctica nuestras soluciones sin ser Dios?

Dos: La moto que vende Elon Musk
Todo el mundo cree en el enfoque mixto y en perfeccionarlo con Big Data. No se debate el qué, sino el cómo. Vayamos ahora con el plan, el cómo, de Tesla; ya decidirás luego si crees que venden crecepelo o penicilina. Aquí también tenemos un montón de anglicismos extraños y a ti vuelven a interesarte sólo dos. A saber: mente enjambre y modo sombra.

Sobra decir que, de ser la conducción autónoma puro humo -y puede serlo- o algo muy lejano, tendrán que conformarse con sus coches, baterías y paneles solares. Pero, si hubiera una pizca de acierto en sus ambiciones, Elon Musk lideraría una de las mayores disrupciones de la historia. Y forrándose, que nunca está de más. Por mal que te caiga, sonar, suena bien.

Otra fuente de eterna controversia es el encaje legal que tendría algo así (no solamente por cuestiones éticas, vista la violencia contra Uber de esa mafia gremial que es el taxi). Pero esto va de tecnología: veníamos a explicar cómo funciona la bombilla, no qué opina la vela. Vamos al grano.

Cómo recoger datos: compra un coche, ponle sensores y contrata a dos informáticos que lo vigilen mientras conduce. Suena caro, ¿eh? Lo es. Por eso Google sólo tiene 600. Pero Tesla se lo ahorra: el cliente paga coche y sensores y no cobra por horas. Por eso es la única con datos suficientes para resolver el 1%: tiene 643.095 coches. 27.000 años de conducción 24/7 cada 12 meses. Y suma 100.000 coches por trimestre.