La profesora Alice Parker da otro paso hacia la ingeniería inversa del cerebro humano. Crédito:Hugh Kretschmer
La frase "refuerzo positivo, "es algo que se escucha con más frecuencia en un artículo sobre la crianza de los hijos que en uno sobre inteligencia artificial. Pero según Alice Parker, Profesor Decano de Ingeniería Eléctrica en el Departamento de Ingeniería Eléctrica e Informática de Ming Hsieh, un poco de refuerzo positivo es justo lo que necesitan nuestras máquinas de IA. Parker ha estado construyendo circuitos electrónicos durante más de una década para aplicar ingeniería inversa al cerebro humano para comprender mejor cómo funciona y, en última instancia, construir sistemas artificiales que lo imiten. Su artículo más reciente, en coautoría con Ph.D. estudiante Kun Yue y colegas de UC Riverside, se acaba de publicar en la revista Avances de la ciencia y da un paso importante hacia ese objetivo final.
La IA en la que confiamos y sobre la que leemos hoy en día se basa en computadoras tradicionales; ve el mundo a través de la lente de ceros y unos binarios. Esto está bien para realizar cálculos complejos pero, según Parker y Yue, nos estamos acercando rápidamente a los límites del tamaño y la complejidad de los problemas que podemos resolver con las plataformas en las que existe nuestra IA. "Desde la revolución inicial del aprendizaje profundo, los objetivos y el progreso de la inteligencia artificial basada en el aprendizaje profundo tal como la conocemos han sido muy lentos, "Dice Yue. Para alcanzar su máximo potencial, La IA no puede simplemente pensar mejor, debe reaccionar y aprender por sí misma a los eventos en tiempo real. Y para que eso suceda En primer lugar, debe concebirse un cambio masivo en la forma en que construimos la IA.
Para abordar este problema, Parker y sus colegas están buscando el sistema de aprendizaje más exitoso que la naturaleza haya creado:el cerebro humano. Aquí es donde entra en juego el refuerzo positivo. Sesos, a diferencia de las computadoras, son aprendices analógicos y la memoria biológica tiene persistencia. Las señales analógicas pueden tener múltiples estados (al igual que los humanos). Si bien una IA binaria construida con tipos similares de nanotecnologías para lograr una memoria duradera podría ser capaz de entender algo como bueno o malo, un cerebro analógico puede comprender más profundamente que una situación puede ser "muy buena, " "esta bien, "" malo "o" muy malo ". Este campo se llama computación neuromórfica y puede representar el futuro de la inteligencia artificial.
Cuando los humanos están expuestos a algo nuevo y potencialmente útil, nuestras neuronas obtienen un pico de dopamina y las conexiones que rodean a esas neuronas se fortalecen. "Piense en un bebé sentado en una silla alta, "Dice Parker." Ella podría estar agitando sus brazos salvajemente porque sus neuronas no desarrolladas simplemente se activan al azar ". Con el tiempo, uno de esos movimientos salvajes conduce a un resultado positivo, digamos, volcando su taza y haciendo un desastre. De repente, las neuronas que hicieron ese movimiento obtienen una respuesta y se fortalecen. Hecho con suficiente regularidad, El cerebro del bebé comienza a asociar ese pico con algo que vale la pena internalizar. Y así, nuestro pequeño ha aprendido que un movimiento del brazo produce un resultado entretenido y que el aprendizaje persiste con el tiempo. Esto es exactamente lo que intenta hacer la computación neuromórfica:enseñar a la IA a aprender de las experiencias del mundo real exactamente como lo hacemos nosotros.
Para hacer esto, Parker y Yue han diseñado sus propios circuitos neuromórficos y los han combinado con nanodispositivos llamados Magnetic Domain Wall Analog Memristors (MAM). Luego ejecutan simulaciones para mostrar que sus circuitos neuronales aprenden como un cerebro. Este dispositivo MAM es tan complejo que se podría escribir un artículo completo solo. Pero por ahora, lo más importante que debe saber es que es un dispositivo extremadamente pequeño que ayuda a recordar indefinidamente el "pico" de refuerzo positivo que reciben las neuronas artificiales. Puedes pensar en los circuitos neuromórficos de Parker combinados con el MAM exactamente como el cerebro de ese pequeño bebé. En ese sentido, Parker y Yue son como los padres del pequeño bebé con IA ... enseñándole cosas nuevas y reforzándolo positivamente cuando hace algo bien.
Siendo por el momento, lo que tenemos es un poco como el cerebro de un bebé real. Subdesarrollado y definitivamente no está listo para tomar decisiones por sí mismo. Pero, también muy parecido a un bebé de verdad, con bastante trabajo, inversión, y cariño de los investigadores, esta tecnología cambiará la forma en que funciona la IA en el mundo real.
Por supuesto, El trabajo de Parker nunca está realmente terminado. "Nuestro próximo paso, trabajando con DARPA, es enseñar a nuestro sistema a aprender algo nuevo sin olvidar lecciones anteriores, ", Dice Parker. Su trabajo puede representar un pequeño paso hacia el objetivo final de la IA neuromórfica, pero como cualquier buen investigador o padre, Parker aprecia la importancia de los pequeños pasos.