Investigadores de la Unidad de Dinámica de Redes Cerebrales del MRC y del Departamento de Informática de la Universidad de Oxford han hallado un novedoso medio para comparar el aprendizaje en los sistemas de IA y el cerebro humano.
El estudio comienza abordando una cuestión fundamental tanto en el aprendizaje humano como en el aprendizaje automático: la asignación de créditos. Este concepto identifica qué partes del proceso de aprendizaje son responsables de los errores, algo intrínseco al propio proceso de aprendizaje.
Los sistemas de IA lo abordan mediante la retropropagación, ajustando los parámetros para corregir los errores en la salida.
La retropropagación funciona como un bucle de retroalimentación. Cuando una IA hace una predicción o toma una decisión que resulta ser incorrecta, este método se retroalimenta a través de las capas de la red.
El proceso identifica qué partes del cálculo han contribuido al error y, a continuación, ajusta esas partes específicas, perfeccionando así el proceso de toma de decisiones de la IA para futuras predicciones.
En estudiarpublicado en Nature Neuroscience, explica cómo la retropropagación difiere significativamente del método de aprendizaje del cerebro humano.
Una nueva investigación de @MRCBNDU demuestra que la forma en que aprende el cerebro es diferente y mejor que la forma en que aprenden los sistemas de inteligencia artificial: https://t.co/Tg1d9vdsKy#OxfordAI
- Departamento Nuffield de Neurociencias Clínicas (@NDCNOxford) 3 de enero de 2024
Mientras que la IA se basa tradicionalmente en la retropropagación para atajar los errores, los investigadores proponen que el cerebro realice las mismas tareas mediante un proceso denominado "configuración prospectiva".
En la configuración prospectiva, el cerebro, en lugar de ajustar directamente las conexiones en función de los errores, predice primero el patrón ideal de actividad neuronal resultante del aprendizaje. Sólo después de esta predicción se producen cambios en las conexiones neuronales.
Este método contrasta con la retropropagación utilizada en la IA, en la que el proceso es inverso: los ajustes de las conexiones conducen y los cambios en la actividad neuronal siguen.
Y lo que es más importante, la configuración prospectiva, un enfoque que probablemente comparten prácticamente todos los cerebros biológicos, ofrece un mecanismo de aprendizaje más eficaz que la retropropagación.
A diferencia de la IA, los humanos pueden asimilar rápidamente nueva información con una exposición mínima y sin erosionar los conocimientos existentes, una habilidad que la IA tiene dificultades para igualar.
Esta estrategia no sólo preserva los conocimientos existentes, sino que acelera el proceso de aprendizaje.
Todavía hay vida en el viejo cerebro humano
El equipo ilustra este concepto con una analogía. Imaginemos un oso pescando salmones: utiliza la vista del río y el olor del salmón para predecir el éxito.
Si el oso de repente no puede oír el río debido a un oído dañado, un modelo de IA asumiría incorrectamente la ausencia de salmón.
En cambio, el cerebro del animal, que funciona con una configuración prospectiva, seguiría basándose en el olor para deducir la presencia del salmón.
Esta teoría, respaldada por simulaciones informáticas, demuestra que los modelos que utilizan la configuración prospectiva superan a las redes neuronales de IA tradicionales en eficacia de aprendizaje.
El profesor Rafal Bogacz, investigador principal de la Unidad de Dinámica de Redes Cerebrales del MRC y del Departamento Nuffield de Neurociencias Clínicas de Oxford, descripción del estudio: "Actualmente existe una gran brecha entre los modelos abstractos que realizan la configuración prospectiva y nuestro conocimiento detallado de la anatomía de las redes cerebrales".
"Las futuras investigaciones de nuestro grupo pretenden tender un puente entre los modelos abstractos y los cerebros reales, y comprender cómo se implementa el algoritmo de configuración prospectiva en las redes corticales anatómicamente identificadas."
El coautor, el Dr. Yuhang Song, añade: "En el caso del aprendizaje automático, la simulación de la configuración prospectiva en los ordenadores existentes es lenta, porque funcionan de formas fundamentalmente distintas a las del cerebro biológico. Es necesario desarrollar un nuevo tipo de ordenador o hardware dedicado inspirado en el cerebro, que sea capaz de implementar la configuración prospectiva rápidamente y con poco consumo de energía."
La IA bioinspirada está en proyecto
IA bioinspiradaEl objetivo de la IA neuromórfica es crear sistemas capaces de percibir, pensar y comportarse como organismos naturales.
It se centra en la elegancia, la adaptabilidad y la eficiencia energética, atributos inherentes a los sistemas biológicos.
El cerebro humano, con su uso eficiente de la energía y su capacidad para prosperar en entornos variados, sigue superando a la IA en numerosas disciplinas y aplicaciones.
De hecho, nuestro cerebro, con una potencia mínima, es consciente - un hito que, según la mayoría de las estimaciones, la IA aún no ha alcanzado..
En contraste con las colosales demandas de energía de modelos actuales de IA como ChatGPT, que requieren miles de GPU hambrientas de energía, la IA bioinspirada pretende desarrollar sistemas más sostenibles y adaptables.
Últimamente se han producido avances en este campo, con IBM y Rain AI. desarrollo de chips de bajo consumo modelado de las funciones sinápticas.
Sam Altman, Director General de OpenAI respaldado Rain AI el año pasado, y OpenAI pretendía asegurarse millones de dólares en chips de ellos.
Otros enfoques novedosos de la IA bioinspirada incluir la inteligencia de enjambreque trata de imitar la toma de decisiones colectiva de grupos de insectos, aves y peces.
A medida que este campo avance, promete colmar las lagunas detectadas en los modelos tradicionales de IA, conduciéndonos hacia un futuro en el que las máquinas no sean meras herramientas, sino entidades con cierto grado de autonomía e interacción con el entorno.
Sin embargo, como demuestra el estudio de Oxford, la IA debe responder a preguntas fundamentales antes de poder equipararse a los cerebros biológicos.
