A medida que la inteligencia artificial se vuelve cada vez más poderosa, su capacidad para manejar tareas similares a las humanas es innegable. Las redes neuronales artificiales pueden aprender a reconocer imágenes, utilizar el lenguaje o escribir códigos informáticos. Al igual que los circuitos del cerebro, se reorganizan a medida que aprenden, ajustando las fortalezas de sus conexiones para mejorar su desempeño.
La pregunta para muchos neurocientíficos es: ¿Qué pueden enseñarles estos sistemas de máquinas sobre cómo aprende el cerebro? ¿Y qué tipos de modelos probablemente sean los más informativos?
En un artículo publicado el 9 de octubre en la revista PNAS, científicos del Instituto McGovern para la Investigación del Cerebro del MIT y del Centro de Neurociencia Computacional Integrativa (ICoN) K. Lisa Yang sostienen que una métrica crucial para la plausibilidad biológica del enfoque de aprendizaje de una red neuronal artificial es la capacidad de la red para organizarse a sí misma, sin la guía de un desarrollador. Muestran que es posible que una red neuronal artificial construya su propia maquinaria de aprendizaje. Con algunas instrucciones sencillas sobre cómo y cuándo deben cambiar las conexiones, un grupo de unidades conectadas aleatoriamente puede transformarse en una red eficaz de procesamiento de información, aprendiendo de los datos con los que está entrenado.
Aprendizaje biológico
Cuando se trata de entrenar a la IA para que haga su trabajo, el enfoque es poderoso. Pero Liao y sus colegas advierten que las redes diseñadas de esta manera pueden no ofrecer mucha información sobre el aprendizaje biológico. “El cerebro no tiene un diseñador o arquitecto externo”, dice Liao. “El cerebro tiene que organizarse a sí mismo. Y necesitamos saber cómo reglas simples harán que el cerebro se organice”.
Las reglas que remodelan las conexiones neuronales a medida que un animal aprende pueden ser diferentes en diferentes partes del cerebro, o pueden cambiar a medida que el cerebro madura. Los neurocientíficos están trabajando para comprender cómo funcionan esas reglas y cómo pueden verse alteradas por el envejecimiento o las enfermedades, un paso vital hacia el desarrollo de nuevas terapias y estrategias de prevención. Liao señala como una aplicación potencial el desarrollo de interfaces cerebro-computadora, cuyo objetivo es restablecer la comunicación cuando se pierden las capacidades lingüísticas del cerebro o permitir que los pacientes paralizados controlen las extremidades neuroprótesis.
“Ninguno de estos puede funcionar sin conocer las reglas detrás de las interacciones entre neuronas”, dice. “Eso no se puede lograr simplemente diseñando un circuito que funcione muy bien”. En cambio, el valor de una red neuronal artificial para la neurociencia debería juzgarse por el grado en que puede organizarse a sí misma: no sólo sus conexiones, sino también la maquinaria que ajusta esas conexiones.
Aprendizaje artificial autoorganizado
En colaboración con Poggio y Hartnett, Liao, Ziyin y Gan se propusieron desarrollar y validar una red computacional autoorganizada capaz de aprender. Liao explicó que la estructura de la red comienza con múltiples capas de unidades similares a neuronas interconectadas aleatoriamente. Dentro de cada capa, cada componente similar a una neurona está sujeto a las mismas reglas sobre cómo deben ajustarse las conexiones. “Simplemente interactúan entre sí usando esa regla y desarrollan algún tipo de comportamiento”, dice.
La red del equipo implementa el tipo de reglas simples que se cree que reconectan los circuitos cerebrales a medida que los humanos y otros animales aprenden de sus experiencias. Tanto en el cerebro como en la red de máquinas, por ejemplo, “las neuronas que se activan juntas se conectan entre sí”. En otras palabras, cuando dos neuronas conectadas se activan al mismo tiempo, la conexión entre ellas se fortalece.
El equipo demostró que una red autoorganizada regida por reglas como éstas puede aprender a reconocer patrones y clasificar imágenes. Explican que en su modelo, el aprendizaje es posible mediante motivos que se autoensamblan y que surgen según reglas simples y luego sirven como bloques de construcción para circuitos funcionales. A medida que su red aprendió, estos motivos se reorganizaron utilizando una estrategia de optimización similar al enfoque integrado en la mayoría de los sistemas modernos de aprendizaje automático, llamado descenso de gradiente, en el que las conexiones se ajustan gradualmente en respuesta a los errores para mejorar el rendimiento.
La mayoría de la IA moderna implementa el descenso de gradiente a través de alguna forma de algoritmo de retropropagación, que según los neurocientíficos es poco probable que sea utilizado por el cerebro. El equipo comparó su red autoorganizada con redes diseñadas para aprender de esta manera y descubrió que funcionaba a un nivel similar.
Conectando cerebros y máquinas
Poggio dice que encontrar un paralelo biológico con la retropropagación podría desencadenar un progreso significativo tanto en la IA como en la neurociencia.
“Si los motivos sinápticos que proponemos son, de hecho, utilizados por el cerebro para hacer lo que hace la retropropagación en las redes neuronales artificiales, entonces tendremos una fuerte conexión a nivel de mecanismos fundamentales entre las redes artificiales y naturales, entre máquinas y cerebros”, afirma.
Liao dice que una red autoorganizada no necesariamente aprende de la misma manera que lo hace el cerebro, pero es un punto de partida crítico para la plausibilidad biológica.
“La autoorganización es el primer marco de alto nivel”, afirma. “Una vez que seamos buenos con la autoorganización como medida, podremos hablar de lo siguiente”.
Si bien el objetivo principal del grupo es comprender mejor el cerebro, Liao dice que el conocimiento también podría, en última instancia, mejorar los sistemas de aprendizaje automático, permitiendo a los ingenieros desarrollar redes que funcionen mejor o de manera más humana.