Las neuronas tratadas con un tinte fluorescente muestran sus interconexiones. Crédito:Silva Lab, CC BY-ND
A pesar de sus nombres, tecnologías de inteligencia artificial y sus sistemas componentes, como las redes neuronales artificiales, no tienen mucho que ver con la ciencia del cerebro real. Soy profesor de bioingeniería y neurociencias interesado en comprender cómo funciona el cerebro como un sistema y cómo podemos usar ese conocimiento para diseñar y diseñar nuevos modelos de aprendizaje automático.
En décadas recientes, Los investigadores del cerebro han aprendido mucho sobre las conexiones físicas en el cerebro y sobre cómo el sistema nervioso enruta la información y la procesa. Pero todavía hay una gran cantidad por descubrir.
Al mismo tiempo, algoritmos informáticos, Los avances en software y hardware han llevado el aprendizaje automático a niveles de logro inimaginables. Yo y otros investigadores en el campo, incluyendo a varios de sus líderes, tienen una sensación cada vez mayor de que descubrir más sobre cómo el cerebro procesa la información podría ayudar a los programadores a traducir los conceptos del pensamiento del mundo húmedo y blando de la biología a formas completamente nuevas de aprendizaje automático en el mundo digital.
El cerebro no es una maquina
El "aprendizaje automático" es una parte de las tecnologías que a menudo se denominan "inteligencia artificial". Los sistemas de aprendizaje automático son mejores que los humanos para encontrar patrones complejos y sutiles en conjuntos de datos muy grandes.
Estos sistemas parecen estar en todas partes:en automóviles autónomos, software de reconocimiento facial, detección de fraude financiero, robótica, ayudando con diagnósticos médicos y en otros lugares. Pero bajo el capó en realidad, son solo variaciones de un solo algoritmo basado en estadísticas.
Un diagrama de una red neuronal artificial simple. Crédito:Cburnett / Wikimedia Commons, CC BY-SA
Redes neuronales artificiales, el enfoque convencional más común para el aprendizaje automático, son redes altamente interconectadas de procesadores digitales que aceptan entradas, procesar mediciones sobre esas entradas y generar salidas. Necesitan aprender qué productos deben resultar de varios insumos, hasta que desarrollen la capacidad de responder a patrones similares de manera similar.
Si desea que un sistema de aprendizaje automático muestre el texto "Esta es una vaca" cuando se muestra una foto de una vaca, Primero tendrás que darle una enorme cantidad de fotos diferentes de varios tipos de vacas desde todos los ángulos diferentes para que pueda ajustar sus conexiones internas para responder "Esto es una vaca" a cada una. Si muestra a este sistema una foto de un gato, sólo sabrá que no es una vaca y no podrá decir qué es en realidad.
Pero no es así como aprende el cerebro ni cómo maneja la información para darle sentido al mundo. Bastante, el cerebro toma una cantidad muy pequeña de datos de entrada, como una fotografía de una vaca y un dibujo de una vaca. Muy rápidamente, y después de un número muy reducido de ejemplos, incluso un niño pequeño captará la idea de cómo se ve una vaca y podrá identificar una en nuevas imágenes, desde diferentes ángulos y en diferentes colores.
Pero una máquina no es un cerebro cualquiera
Dado que el cerebro y los sistemas de aprendizaje automático utilizan algoritmos fundamentalmente diferentes, cada uno sobresale en formas en que el otro fracasa miserablemente. Por ejemplo, el cerebro puede procesar información de manera eficiente incluso cuando hay ruido e incertidumbre en la entrada, o bajo condiciones cambiantes impredecibles.
Los neurocientíficos todavía están aprendiendo cómo funcionan las cosas incluso dentro de este pequeño grupo de neuronas y células relacionadas "mini-cerebro". Crédito:laboratorio Hoffman-Kim, Universidad Brown / Fundación Nacional de Ciencias
Podrías mirar una foto granulada en papel rasgado y arrugado, representando un tipo de vaca que nunca antes había visto, y sigo pensando "eso es una vaca". Similar, de forma rutinaria, mira información parcial sobre una situación y hace predicciones y decisiones basadas en lo que sabe, a pesar de todo lo que no haces.
Igualmente importante es la capacidad del cerebro para recuperarse de problemas físicos, reconfigurar sus conexiones para adaptarse después de una lesión o un derrame cerebral. El cerebro es tan impresionante que a los pacientes con afecciones médicas graves se les puede extirpar hasta la mitad del cerebro y recuperar la función cognitiva y física normal. Ahora imagine lo bien que funcionaría una computadora sin la mitad de sus circuitos.
Igualmente impresionante es la capacidad del cerebro para hacer inferencias y extrapolaciones, las claves de la creatividad y la imaginación. Considere la idea de una vaca volteando hamburguesas en Júpiter que al mismo tiempo está resolviendo problemas de gravedad cuántica en su cabeza. Ninguno de los dos tiene experiencia de algo así, pero puedo idearlo y comunicárselo de manera eficiente, gracias a nuestro cerebro.
Quizás lo más asombroso, aunque, el cerebro hace todo esto con aproximadamente la misma cantidad de energía que se necesita para hacer funcionar una bombilla tenue.
Las neuronas pueden crecer en formas muy complejas. Crédito:Juan Gaertner / Shutterstock.com
Combinando neurociencia y aprendizaje automático
Además de descubrir cómo funciona el cerebro, no está del todo claro qué procesos cerebrales podrían funcionar bien como algoritmos de aprendizaje automático, o cómo hacer esa traducción. Una forma de clasificar todas las posibilidades es centrarse en las ideas que hacen avanzar dos esfuerzos de investigación a la vez, tanto mejorando el aprendizaje automático como identificando nuevas áreas de la neurociencia. Las lecciones pueden ir en ambos sentidos, de la ciencia del cerebro a la inteligencia artificial, y viceversa, con la investigación de la IA que destaca nuevas preguntas para los neurocientíficos biológicos.
Por ejemplo, en mi propio laboratorio, Hemos desarrollado una forma de pensar en cómo las neuronas individuales contribuyen a su red general. Cada neurona intercambia información solo con las otras neuronas específicas a las que está conectada. No tiene un concepto general de lo que están haciendo el resto de las neuronas, o qué señales están enviando o recibiendo. Esto es cierto para todas las neuronas no importa cuán amplia sea la red, de modo que las interacciones locales influyen colectivamente en la actividad del conjunto.
Resulta que las matemáticas que describen estas capas de interacción son igualmente aplicables a redes neuronales artificiales y redes neuronales biológicas en cerebros reales. Como resultado, Estamos desarrollando una forma fundamentalmente nueva de aprendizaje automático que puede aprender sobre la marcha sin una formación previa que parece ser altamente adaptable y eficiente en el aprendizaje.
Además, hemos utilizado esas ideas y las matemáticas para explorar por qué las formas de las neuronas biológicas son tan retorcidas y enrevesadas. Descubrimos que pueden desarrollar esas formas para maximizar su eficiencia al transmitir mensajes, siguiendo las mismas reglas computacionales que estamos usando para construir nuestro sistema de aprendizaje artificial. Este no fue un descubrimiento casual que hicimos sobre la neurobiología:buscamos esta relación porque las matemáticas nos lo dijeron.
Adoptar un enfoque similar también puede informar la investigación sobre lo que sucede cuando el cerebro es víctima de trastornos neurológicos y del neurodesarrollo. Centrarse en los principios y las matemáticas que comparten la IA y la neurociencia puede ayudar a avanzar en la investigación en ambos campos, lograr nuevos niveles de habilidad para las computadoras y comprensión de los cerebros naturales.
Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.