Desde las bases sentadas por Ada Lovelace y Charles Babbage hasta las revolucionarias investigaciones informáticas de Alan Turing, el mundo se ha visto cautivado por la promesa de la IA: el sueño de crear entidades basadas en máquinas que posean capacidades cognitivas similares a las humanas.
Sin embargo, la trayectoria del desarrollo de la IA se alejó posteriormente de sus raíces biológicas en favor de la potencia de cálculo de fuerza bruta y la complejidad algorítmica.
Con ello, los sueños de ciencia ficción de robots que parezcan vivos se han reducido a una realidad de grandes modelos lingüísticos (LLM) más superficiales y mundanos, como ChatGPT.
Por supuesto, los modelos actuales de IA siguen siendo cautivadores, pero actúan como una herramienta más que como un ser.
Aún es pronto, pero, a pesar de los extraordinarios avances, la carrera de armamentos computacionales de la IA ha dejado al descubierto las lagunas en nuestra búsqueda de máquinas realmente inteligentes.
Por muy potentes que lleguen a ser nuestros algoritmos, carecen de elegancia, adaptabilidad y eficiencia energética, las señas de identidad de los sistemas biológicos.
Los investigadores lo saben, y eso les frustra.
El profesor Tony Prescott y el Dr. Stuart Wilson, de la Universidad de Sheffield, han presentado recientemente destacado que la mayoría de los modelos de IA, como ChatGPT, son "incorpóreos", es decir, carecen de conexión directa con el entorno físico.
En cambio, el cerebro humano ha evolucionado dentro de un sistema físico -nuestro cuerpo- que nos permite sentir e interactuar directamente con el mundo.
Los investigadores están ansiosos por liberar a las IA de su arquitectura monolítica, lo que ha provocado un resurgimiento de la IA bioinspirada, a veces llamada IA neuromórfica, una subdisciplina que trata de emular los complejos procesos de la naturaleza para crear sistemas más inteligentes y eficientes.
Estos esfuerzos se basan en diversos marcos biológicos, desde las estructuras que constituyen nuestro cerebro hasta la inteligencia de enjambre observada en hormigas o aves.
En la búsqueda de la autonomía y la eficiencia, la IA bioinspirada nos obliga a examinar problemas computacionales de larga data, como el abandono de las arquitecturas que consumen muchos recursos, construidas a partir de miles de GPU de alto consumo energético, en favor de sistemas analógicos más ligeros e intrincados.
Prescott, coautor de un reciente artículo, "Comprender la arquitectura funcional del cerebro mediante la robótica," subraya: "Es mucho más probable que los sistemas de IA desarrollen una cognición similar a la humana si se construyen con arquitecturas que aprendan y mejoren de forma similar al cerebro humano, utilizando sus conexiones con el mundo real."
El cerebro humano es un buen ejemplo de ello: cada pensamiento y acción que evoca requiere sólo la potencia de una bombilla de luz tenue: unos 20 vatios.
Y va más allá. Incluso cuando los humanos no reciben energía externa de los alimentos, pueden sobrevivir durante más de un mes. Los extremófilos han encontrado métodos para prosperar en algunos de los entornos más inhóspitos del planeta.
Compárese con la infraestructura necesaria para alimentar modelos de IA como ChatGPT, que requiere una potencia equivalente a la de una pequeña ciudad y no puede autorreplicarse, curarse o adaptarse a su entorno.
Para ser justos, se puede argumentar que comparar la IA con los sistemas biológicamente inteligentes es un ejercicio erróneo.
Al fin y al cabo, los ordenadores y los cerebros destacan en tareas diferentes. Quizá sea la naturaleza humana la que los fusione en visiones antropomórficas de IA autónomas que interactúan con el entorno como los seres biológicos junto a los que hemos evolucionado.
Sin embargo, tanto los investigadores de la IA como los neurocientíficos están dispuestos a caer en este callejón sin salida intelectual, y muchos describirían el cerebro "como un ordenador" que puede modelarse y reproducirse artificialmente.
En Proyecto Cerebro Humano (HBP) de la UEun experimento multinacional de casi $1.000 millones de dólares en Big Science, fue una lección de cómo la complejidad del cerebro evade el modelado artificial.
El HBP se propuso modelar el cerebro humano en su totalidad, pero sólo consiguió modelar fragmentos de su funcionalidad.
Nuestro cerebro - como una entidad única - derrotó a los cerebros colectivos de miles de investigadores con una vasta financiación y potencia informática a su alcance - llámalo justicia poética.
Resulta que la conciencia y la esencia de la formación del pensamiento son una frontera igualmente lejana a las profundidades del espacio... - wTodavía no hemos llegado a ese punto.
En el centro de esta cuestión está la desconexión entre la biología y las máquinas.
Aunque las redes neuronales y otras formas de arquitectura de aprendizaje automático se modelan por analogía con los cerebros biológicos, el método de cálculo es fundamentalmente distinto.
Rodney Brooks, profesor emérito de robótica del MIT, reflexionó sobre este punto muerto, indicando"Preocupa que su versión de la computación, basada en funciones de números enteros, sea limitada. Los sistemas biológicos difieren claramente. Deben responder a estímulos variados durante largos periodos de tiempo; esas respuestas, a su vez, alteran su entorno y los estímulos posteriores. Los comportamientos individuales de los insectos sociales, por ejemplo, se ven afectados por la estructura del hogar que construyen y el comportamiento de sus hermanos dentro de él."
Brooks resume esta paradoja preguntándose: "¿Deberían modelarse esas máquinas en el cerebro, dado que nuestros modelos del cerebro se realizan en tales máquinas?".
El viaje de la IA bioinspirada
La naturaleza ha tenido millones de años de "I+D" para perfeccionar sus mecanismos increíblemente resistentes.
La tendencia hacia la IA bioinspirada puede verse como una corrección del rumbo, un humilde reconocimiento de que nuestra búsqueda de IA avanzada podría habernos llevado por un camino que, aunque sigue deslumbrando por su complejidad, puede ser insostenible a largo plazo.
O, al menos, la trayectoria actual puede no cumplir lo que la humanidad busca en última instancia de la IA. Si queremos vivir en un "futuro" en el que humanos y robots caminen codo con codo (aunque, por supuesto, no todo el mundo quiere eso), tenemos que hacer algo mejor que acumular más GPU y entrenar modelos más grandes.
Dicho esto, hay esperanza para los futuristas más acérrimos, ya que los investigadores llevan décadas barajando ideas de informática bioinspirada y algunas ideas especulativas están empezando a cuajar.
A finales de los años 50 y principios de los 60, el trabajo de Frank Rosenblatt sobre la Perceptrón ofreció el primer modelo simplificado de una neurona biológica.
Sin embargo, el documento de 1986 "Aprendizaje de representaciones por retropropagación de errores"de David Rumelhart, Geoffrey Hinton y Ronald Williams cambiaron las reglas del juego.
Hinton y su equipo introdujeron el algoritmo de retropropagación, un sólido mecanismo para entrenar redes neuronales multicapa que impulsó este campo hacia aplicaciones que van desde el procesamiento del lenguaje natural (PLN) a la visión por ordenador (VC), dos ramas fundacionales de la IA moderna.
Poco después, la bioinspiración tomó otro rumbo, inspirándose en los principios darwinistas. El libro de John Holland de 1975 "Adaptación en sistemas naturales y artificiales"sentó las bases de los algoritmos genéticos.
Mediante la simulación de mecanismos como la mutación y la selección natural, este enfoque desveló una poderosa herramienta para los problemas de optimización, que se utiliza en sectores como el aeroespacial y el financiero.
Conceptos como la "inteligencia de enjambre", observada en enjambres de insectos y en el movimiento sincronizado de aves y peces, se introdujeron por primera vez en la informática en los años 80 y 90 y han experimentado notables avances en 2023.
En agosto de 2023, ex-empleados de Google fundó Sakanauna startup que propone desarrollar un conjunto de modelos de IA más pequeños que funcionen de forma concertada.
El planteamiento de Sakana se inspira en sistemas biológicos como los bancos de peces o las redes neuronales, donde unidades más pequeñas trabajan juntas para lograr un objetivo más complejo.
Reconociendo las arquitecturas monolíticas de los modelos modernos de IA como ChatGPT, este enfoque de ensamblaje promete reducir el consumo de energía y ofrece una mayor adaptabilidad y resistencia, cualidades intrínsecas de los organismos biológicos.
Incluso el aprendizaje por refuerzo (RL), una rama del aprendizaje automático que se ocupa de enseñar a los algoritmos a tomar decisiones en busca de una recompensa, se inspiró en gran medida en la biología.
El libro seminal de Richard Sutton y Andrew Barto "Aprendizaje por Refuerzo: Una introducción"saca numerosos ejemplos de cómo los animales aprenden de su entorno, inspirando algoritmos que pueden adaptarse en función de recompensas y castigos.
El libro hace cientos de comparaciones con el comportamiento animal y cita: "De todas las formas de aprendizaje automático, el aprendizaje por refuerzo es el más parecido al tipo de aprendizaje que hacen los humanos y otros animales."
Hacia una IA bioinspirada
En seres biológicos complejos como el ser humano y otros vertebrados, los distintos componentes del sistema nervioso trabajan de forma concertada para gestionar un amplio abanico de funciones.
El sistema nervioso central (SNC) actúa como eje de control, procesando la información y orquestando las respuestas.
Mientras tanto, el sistema nervioso periférico (SNP) actúa como red de comunicación, transmitiendo señales entre el SNC y otras partes del cuerpo.
Dentro del SNP se encuentra el sistema nervioso autónomo (SNA), que actúa involuntariamente para controlar funciones vitales como el ritmo cardíaco y la digestión. Cada sistema tiene sus propias funciones, pero están interconectados y colaboran a la perfección para ayudarnos a desenvolvernos en nuestro entorno.
Los organismos más sencillos, como los insectos, tienen un sistema nervioso más delgado y económico, aunque sigue siendo increíblemente complejo. Una mosca de la fruta tiene 3.000 neuronas y medio millón de sinapsis.
Los componentes del sistema nervioso biológico son anatómicamente distintos, pero funcionan de forma holística, enlazados mediante neuronas que envían y reciben estímulos sensoriales, formando en última instancia un entendimiento conceptual -o conciencia en los seres más complejos.
Para crear robots autónomos con cerebros y sistemas sensoriales estrechamente acoplados, los investigadores deben alejarse de la computación de fuerza bruta y crear sistemas ligeros basados en la realidad sensorial.
Aunque los modelos de IA como ChatGPT poseen inmensos conocimientos, están en cierto modo bloqueados en el tiempo y fuera de la realidad sensorial, y su comprensión se basa principalmente en sus datos de entrenamiento.
Esto confiere ventajas, o mejor dicho, otorga a la IA un conjunto de habilidades diferenciables de las de los seres biológicos, que es quizá la razón por la que la humanidad está tan interesada en desarrollar la IA para suplir las ineficiencias de ser un ser biológico.
Como Amnon Shashua destacala "arquitectura enormemente diferente del ordenador favorece las estrategias que hacen un uso óptimo de su capacidad de memoria prácticamente ilimitada y la fuerza bruta".
Sin embargo, si algún día queremos sacar a la IA de los confines de los centros de datos y los navegadores web, los investigadores deben resolver estos problemas y encontrar formas de vincular los sistemas de IA a un "cuerpo" o, al menos, dotarlos de una sólida base sensorial.
Esto tiene aplicaciones prácticas inmediatas. Tomemos el ejemplo de los coches sin conductor: sus sistemas sensoriales deben funcionar de forma similar a los nuestros para trabajar con seguridad. De lo contrario, no tienen ninguna esperanza de "ver" un posible obstáculo y reaccionar rápidamente para salvar el desastre, lo que está demostrando ser un obstáculo importante para su adopción masiva.
En esta línea, Dennis Bray, del Departamento de Fisiología, Desarrollo y Neurociencia de la Universidad de Cambridge, argumentó: "Las máquinas pueden igualarnos en muchas tareas, pero funcionan de forma distinta a las redes de células nerviosas. Si nuestro objetivo es construir máquinas cada vez más inteligentes y diestras, deberíamos utilizar circuitos de cobre y silicio. Pero si nuestro objetivo es reproducir el cerebro humano, con su peculiar brillantez, su capacidad multitarea y su sentido del yo, tenemos que buscar otros materiales y diseños diferentes".
Estos comentarios, aunque siguen siendo relevantes hoy en día, se publicaron en un Artículo de debate en Nature publicado en 2012 con motivo del centenario de Turing- y la IA ha evolucionado rápidamente desde entonces.
¿Dónde estamos ahora?
Redes neuronales con picos (SNN) y hardware biológico
En la actualidad, los investigadores están explorando "otros materiales y diseños diferentes" a los que se refiere Bray, como las redes neuronales con picos (SNN), un tipo de red neuronal íntimamente modelada a partir de la funcionalidad neuronal.
Las SNN ofrecen una alternativa especializada a las redes neuronales convencionales que solemos encontrar en el aprendizaje automático.
En lugar de basarse en funciones de activación continuas para procesar los datos de entrada, las SNN imitan los entresijos de las redes neuronales biológicas empleando picos discretos para la comunicación interneuronal.
En estas redes, cada neurona artificial integra a lo largo del tiempo los picos entrantes de sus neuronas conectadas. Cuando la señal acumulada, o potencial de membrana, supera un determinado umbral, la propia neurona dispara un pico.
Este mecanismo de picos permite a la red captar y procesar patrones espaciales y temporales, de forma muy parecida a las neuronas de los cerebros biológicos.
Entonces, ¿qué hace de las SNN un punto central en la IA bioinspirada?
En primer lugar, su capacidad para procesar de forma natural secuencias de datos temporales las distingue, eliminando la necesidad de unidades de memoria adicionales como las de las redes neuronales recurrentes (RNN).
En segundo lugar, las SNN se han diseñado para ser increíblemente eficientes desde el punto de vista energético. A diferencia de las redes neuronales tradicionales, en las que cada neurona está constantemente activa, la naturaleza dispersa y dirigida por eventos de las SNN permite que las neuronas permanezcan inactivas en su mayor parte, disparando picos sólo cuando es esencial. Esto reduce considerablemente su consumo de energía.
Por último, al asemejarse más a los sistemas biológicos, las SNN pueden ser más robustas y flexibles, sobre todo en entornos ruidosos o impredecibles.
Aunque el concepto de SNN tiene sus raíces en la comprensión teórica de los sistemas neuronales biológicos, los avances en la tecnología de hardware han hecho que estas redes sean más accesibles para las tareas computacionales.
Los chips neuromórficos, diseñados específicamente para simular con eficacia la dinámica de los picos, han desempeñado un papel importante a la hora de hacer que las SNN sean prácticamente utilizables.
Chip analógico bioinspirado y SNN de IBM
En los dos últimos años se han producido avances esenciales en la construcción de ultraligeros, IA energéticamente eficiente también llamados chips neuromórficos.
También existen otros tipos de tecnologías neuromórficas, como las cámaras neuromórficas inspiradas en los ojos biológicos.
Desarrollado en 2023, El chip de IBM utiliza componentes analógicos como los memristores para almacenar valores numéricos variables. También emplea memoria de cambio de fase (PCM) para registrar un espectro de valores en lugar de 0 y 1.
Estos atributos permiten reducir la transmisión de datos entre la memoria y el procesador, lo que supone una ventaja en eficiencia energética. El diseño de IBM cuenta con "64 núcleos de cálculo analógicos en memoria, cada uno de ellos con una matriz sináptica de 256 por 256". Alcanzó una impresionante precisión de 92,81% en una prueba de referencia de visión por ordenador (CV), siendo al mismo tiempo 15 veces más eficiente que varios chips existentes.
Aunque el chip de IBM no se basa explícitamente en SNN, su naturaleza analógica y el uso de memristores lo hacen muy compatible con el modelo SNN.
En esencia, las SNN podrían implementarse de forma más natural en este tipo de arquitectura.
Chip basado en SNN del IIT de Bombay
En 2022, investigadores del Instituto Indio de Tecnología de Bombay, diseñó un chip que trabaja específicamente con SNNs.
Este chip utiliza corriente de túnel banda a banda (BTBT) para neuronas artificiales de consumo energético ultrabajo. Según el profesor Udayan Ganguly, el chip logra "5.000 veces menos energía por espiga en un área similar y 10 veces menos potencia en espera en un área y energía por espiga similares."
Este tipo de chip tiene aplicaciones directas en dispositivos compactos como teléfonos móviles, vehículos autónomos no tripulados (UAV) y dispositivos IoT, satisfaciendo la necesidad de computación de IA ligera y energéticamente eficiente.
Ambos enfoques pretenden hacer posible lo que Ganguly describe como "un núcleo neurosináptico de consumo extremadamente bajo y el desarrollo de un mecanismo de aprendizaje en tiempo real en el chip, que son fundamentales para las redes neuronales autónomas de inspiración biológica. Este es el santo grial".
Estos sistemas podrían combinar el "sistema de pensamiento" con el "sistema de acción y movimiento", de forma similar a lo que observamos en los organismos biológicos.
Esto nos permitiría dar un paso significativo hacia la creación de sistemas artificiales potentes, sostenibles y estrechamente alineados con los sistemas biológicos que han inspirado la IA durante casi un siglo.
Por fin, la humanidad podría liberar a las IA de la arquitectura monolítica, desconectarlas de sus fuentes de energía y enviarlas al mundo -y al universo- como seres autónomos.
Si es o no una buena idea... bueno, esa es una discusión para otro momento.
