Perspectiva Visual: Un Estudio sobre Humanos y IA

La toma de perspectiva visual (TPV) es la capacidad de ver las cosas desde la perspectiva de otra persona. Es crucial para la inteligencia humana. Los niños aprenden esta habilidad durante los primeros años de vida, lo que les ayuda a entender cómo los demás perciben el mundo a su alrededor. La TPV requiere entender la estructura 3D de lo que vemos. Recientemente, los investigadores han investigado si las redes neuronales profundas (RNP), que son sistemas informáticos modelados según el cerebro humano, también pueden aprender esta habilidad.

Los investigadores crearon una prueba llamada el desafío de percepción 3D (3D-PC). Esta prueba mide qué tan bien tanto los humanos como las RNP pueden entender escenas en 3D. Consiste en tres tareas:

1. Descubrir el orden de profundidad de los objetos.
2. Una tarea básica de TPV.
3. Una versión más difícil de TPV, diseñada para evitar el uso de atajos.

Los investigadores probaron tanto a humanos como a RNP, usando más de 300 modelos diferentes de RNP. Descubrieron que, aunque las RNP se desempeñaron bien en determinar el orden de profundidad, tuvieron muchas dificultades con las tareas básicas de TPV. En contraste, los participantes humanos destacaron en las tareas de TPV.

#Entendiendo la TPV

La TPV es importante porque nos ayuda a predecir cómo actuarán los demás en diferentes situaciones. Por ejemplo, si ves a un amigo mirando un pastel desde el otro lado de la mesa, puedes suponer que quiere comerlo. Esta habilidad también es crítica para las interacciones sociales.

Investigaciones pasadas sobre la TPV se han centrado principalmente en estudios con niños utilizando dibujos o imágenes simples. No se ha explorado cómo se desempeñan las máquinas en estas tareas. Los investigadores creen que entender cómo las máquinas manejan la TPV puede ayudar a crear sistemas de IA más avanzados que puedan entender mejor el comportamiento humano.

Los estudios de TPV han analizado principalmente cómo los niños desarrollan esta habilidad a lo largo de sus primeros años. Un ejemplo bien conocido es la "Tarea de las Tres Montañas" diseñada por un psicólogo llamado Piaget. En esta tarea, se pide a los niños que describan una escena desde la perspectiva de una figura de juguete, para ver si pueden imaginar un punto de vista diferente.

En los últimos años, las RNP han mostrado sorprendentes similitudes con la percepción visual humana, especialmente después de ser entrenadas con grandes conjuntos de datos de imágenes. Se han vuelto bastante buenas en reconocer objetos e interpretar imágenes de manera similar a los humanos. Ahora, los investigadores quieren saber si las RNP también pueden manejar la toma de perspectiva visual.

#El Desafío de Percepción 3D (3D-PC)

El 3D-PC fue diseñado para probar las habilidades de percepción 3D tanto de humanos como de RNP. Su objetivo es medir su rendimiento en tres tareas específicas:

1. Orden de Profundidad: Esta tarea requiere que los participantes determinen cuál de dos objetos está más cerca del espectador.
2. TPV-Básico: En esta tarea, los participantes deben predecir si un objeto puede ver a otro desde su punto de vista.
3. TPV-Estrategia: Esta versión de la tarea está diseñada para dificultar el uso de estrategias rápidas y superficiales. Requiere un pensamiento más profundo sobre la escena.

El aspecto único del 3D-PC es que genera muchas escenas diferentes utilizando un método llamado Gaussian Splatting. Este enfoque permite crear imágenes infinitas, proporcionando un vasto entorno de entrenamiento tanto para la visión humana como para la de máquinas.

#¿Por qué un desafío 3D?

Los investigadores querían crear una comparación justa entre cómo los humanos y las RNP perciben escenas en 3D. Las tareas tradicionales pueden no ser tan efectivas para evaluar a las RNP, ya que a menudo utilizan imágenes más simples o tareas centradas en 2D.

Al usar Gaussian Splatting, los investigadores pueden producir un número virtualmente ilimitado de imágenes que mantienen propiedades visuales consistentes mientras desafían a los observadores en varias tareas 3D. Creen que este método puede ayudar a diferenciar las estrategias visuales humanas de las de las RNP.

#Hallazgos de la Investigación

Cuando los investigadores probaron tanto a humanos como a RNP, encontraron algunos resultados interesantes:

• Las RNP sobresalieron en tareas de orden de profundidad, a menudo igualando o superando el rendimiento humano.
• Sin embargo, en la tarea TPV-básica, los humanos fueron casi impecables, mientras que las RNP se desempeñaron mal, mostrando a menudo resultados cercanos a una suposición aleatoria.
• Ajustar las RNP en la TPV-básica mejoró su rendimiento a niveles cercanos a los humanos. Sin embargo, al ser probadas en la tarea TPV-Estrategia, las RNP volvieron a un rendimiento deficiente.

Estos hallazgos sugieren que, aunque las RNP pueden aprender ciertas propiedades 3D de escenas y objetos, tienen dificultades para usar esos aprendizajes para razonar sobre escenas 3D como lo hacen los humanos. Esta brecha destaca la necesidad de mejores métodos de entrenamiento para mejorar las capacidades de las RNP en TPV.

#El Desarrollo de la TPV en Humanos

En las familias, los niños aprenden a navegar el mundo que les rodea comprendiendo diferentes perspectivas. Los investigadores han estudiado cómo se desarrolla la TPV a través de varias tareas y escenarios. Según Piaget, los niños pueden comenzar a predecir qué objetos son visibles para los demás antes de cumplir diez años. Esta habilidad les permite participar en interacciones sociales más complejas.

Entender cómo se desarrolla la TPV en los niños y qué estrategias utilizan puede proporcionar ideas para construir máquinas con capacidades similares. A medida que las máquinas se utilizan más en la vida cotidiana, como en asistentes inteligentes que buscan ayudar con tareas, mejorar su capacidad para percibir perspectivas puede llevar a interacciones más fluidas entre humanos y máquinas.

#RNP y Percepción 3D

El aprendizaje profundo ha avanzado significativamente, permitiendo que las RNP logren resultados impresionantes en muchas tareas visuales. Se han vuelto muy capaces en áreas como el reconocimiento y segmentación de objetos. Los investigadores han descubierto que, a medida que las RNP crecen y se entrenan con más datos, tienden a desarrollar habilidades de percepción 3D.

Curiosamente, las RNP pueden aprender propiedades como la profundidad y la estructura en imágenes. Sin embargo, la investigación muestra que, incluso con esta capacidad, el rendimiento de las RNP en tareas de TPV no es satisfactorio. Mientras pueden trabajar con imágenes estáticas, su comprensión de escenas 3D no se traduce bien cuando se enfrentan a tareas que requieren razonamiento, como la TPV.

#Explorando Estrategias de TPV

Para entender mejor las diferencias entre el rendimiento humano y el de las RNP, los investigadores crearon una nueva tarea TPV-Estrategia. En esta prueba, los objetos se mueven de una manera que pone a prueba la comprensión del espectador sobre la visibilidad mientras se mantienen la cámara y la escena iguales. Este escenario permite a los investigadores ver qué estrategias utilizan los observadores.

Los resultados mostraron que las RNP a menudo se basaban en estrategias menos efectivas basadas en características específicas de la imagen en lugar de comprender la escena en general. En contraste, los humanos pudieron predecir la visibilidad con precisión al estimar líneas de visión, logrando una tasa de precisión mucho más alta.

#Implicaciones para el Futuro Desarrollo de IA

Los hallazgos de esta investigación subrayan la necesidad de repensar cómo se entrenan las RNP. Los métodos actuales centrados en imágenes estáticas pueden no ser adecuados para desarrollar una percepción 3D robusta en las máquinas. A medida que la IA se vuelve cada vez más integral en nuestras vidas diarias, mejorar la comprensión de las perspectivas humanas en las máquinas se vuelve esencial, particularmente para aplicaciones en asistentes de IA avanzados.

Los investigadores creen que integrar ideas del desarrollo cognitivo humano podría mejorar las RNP. Entender cómo los cerebros humanos perciben y razonan sobre escenas 3D puede proporcionar lecciones valiosas para desarrollar mejores modelos de IA.

#Limitaciones del Estudio

A pesar de los conocimientos de esta investigación, hay limitaciones a considerar. La versión de TPV explorada en este estudio representa solo una comprensión básica de cómo se desarrolla esta habilidad en los humanos. Si bien se presentaron desafíos significativos para las RNP, este es solo un aspecto del tema más amplio del razonamiento 3D.

Se necesita más investigación para explorar tareas y modelos adicionales que puedan ayudar a mejorar las RNP en la percepción y razonamiento sobre el mundo como lo hacen los humanos. El conjunto de datos y el código del 3D-PC se están poniendo a disposición para apoyar esta exploración continua en el campo.

#Conclusión

En general, esta investigación proporciona ideas sobre las diferencias entre la percepción humana y la de máquinas en entornos 3D, particularmente en lo que respecta a la toma de perspectiva visual. Si bien las RNP han mostrado avances en ciertas tareas, todavía luchan con el razonamiento de maneras que los humanos pueden navegar fácilmente.

Este trabajo abre posibilidades para futuras investigaciones sobre el desarrollo de modelos que puedan imitar mejor la inteligencia y habilidades sociales humanas. A medida que estos esfuerzos continúan, el objetivo es cerrar la brecha entre la comprensión humana y la de máquinas, llevando a aplicaciones de IA más avanzadas que puedan interactuar efectivamente con nosotros en nuestra vida diaria.