La investigación en IA está impulsada por la búsqueda de una sofisticación cada vez mayor, lo que incluye entrenar a los sistemas para que piensen y se comporten como humanos.
¿El objetivo final? Quién sabe. ¿Por ahora? Crear agentes de IA autónomos y generalizados capaces de realizar una amplia gama de tareas.
Este concepto suele denominarse inteligencia general artificial (AGI) o superinteligencia.
Resulta difícil determinar con precisión lo que implica la inteligencia artificial, ya que prácticamente no existe consenso sobre qué es la "inteligencia" ni sobre cuándo o cómo podrían alcanzarla los sistemas artificiales.
Los escépticos creen incluso que la IA, en su estado actual, nunca podrá obtener realmente una inteligencia general.
Profesor Tony Prescott y Dr. Stuart Wilson de la Universidad de Sheffield modelos lingüísticos generativos descritoscomo el ChatGPT, como intrínsecamente limitados porque son "incorpóreos" y no tienen percepción sensorial ni arraigo en el mundo natural.
El científico jefe de IA de Meta, Yann LeCun, afirmó que incluso la inteligencia de un gato doméstico es insondablemente más avanzada que la de los mejores sistemas de IA actuales.
"¿Pero por qué esos sistemas no son tan inteligentes como un gato?". LeCun preguntó en la Cumbre Mundial de Gobiernos de Dubai.
"Un gato puede recordar, puede entender el mundo físico, puede planificar acciones complejas, puede hacer algún nivel de razonamiento -en realidad mucho mejor que los mayores LLM-. Eso te dice que nos falta algo conceptualmente grande para conseguir que las máquinas sean tan inteligentes como los animales y los humanos".
Aunque puede que estas habilidades no sean necesarias para lograr la AGI, existe cierto consenso en que trasladar sistemas complejos de IA del laboratorio al mundo real exigirá adoptar comportamientos similares a los observados en los organismos naturales.
¿Cómo conseguirlo? Un enfoque consiste en diseccionar los elementos de la cognición y averiguar cómo pueden imitarlos los sistemas de IA.
Un ensayo anterior de DailyAI investigaba curiosidad y su capacidad para guiar a los organismos hacia nuevas experiencias y objetivos, alimentando la evolución colectiva del mundo natural.
Pero hay otra emoción -otro componente esencial de nuestra existencia- de la que la AGI podría beneficiarse. Y es el miedo.
Cómo la IA puede aprender del miedo biológico
Lejos de ser una debilidad o un defecto, el miedo es una de las herramientas más potentes de la evolución para mantener a salvo a los organismos.
La amígdala es la estructura central que gobierna el miedo en los vertebrados. En los humanos, es una pequeña estructura en forma de almendra situada en lo más profundo de los lóbulos temporales del cerebro.
![Amígdala](https://dailyai.com/wp-content/uploads/2024/07/24024310606_215e426a02.jpg)
A menudo denominada el "centro del miedo", la amígdala actúa como un sistema de alerta precoz, explorando constantemente la información sensorial entrante en busca de posibles amenazas.
Cuando se detecta una amenaza -ya sea el brusco bandazo de un coche que frena o una sombra que se desplaza en la oscuridad-, la amígdala entra en acción, desencadenando una cascada de cambios fisiológicos y conductuales optimizados para una respuesta defensiva rápida:
- El ritmo cardíaco y la presión sanguínea aumentan, preparando al cuerpo para "luchar o huir".
- La atención se estrecha y se agudiza, centrándose en la fuente de peligro.
- Los reflejos se aceleran, preparando los músculos para una acción evasiva en una fracción de segundo.
- El procesamiento cognitivo cambia a un modo rápido, intuitivo, "más vale prevenir que curar".
Esta respuesta no es un simple reflejo, sino un conjunto de cambios altamente adaptativos y sensibles al contexto que adaptan con flexibilidad el comportamiento a la naturaleza y gravedad de la amenaza.
También es excepcionalmente rápido. Somos conscientes de una amenaza unos 300-400 milisegundos después de la detección inicial.
Además, la amígdala no funciona de forma aislada. Está densamente interconectada con otras regiones cerebrales clave implicadas en la percepción, la memoria, el razonamiento y la acción.
Por qué el miedo puede beneficiar a la IA
Entonces, ¿por qué importa el miedo en el contexto de la IA?
En los sistemas biológicos, el miedo es un mecanismo crucial para detectar y responder rápidamente a las amenazas. Si imitamos este sistema en la IA, podremos crear sistemas artificiales más robustos y adaptables.
Esto es especialmente pertinente para los sistemas autónomos que interactúan con el mundo real. Un ejemplo: a pesar de que la inteligencia artificial se ha disparado en los últimos años, los coches sin conductor siguen siendo poco seguros y fiables.
Los reguladores están investigando numerosos incidentes mortales en los que se han visto implicados coches de conducción autónoma, incluidos modelos de Tesla con funciones Autopilot y Full Self-Driving.
En declaraciones a The Guardian en 2022, Matthew Avery, director de investigación de Thatcham Research, explicó por qué los coches sin conductor han sido tan difíciles de perfeccionar:
"La primera es que esto es más difícil de lo que los fabricantes pensaban", afirma Avery.
Avery calcula que alrededor de 80% de las funciones de conducción autónoma consisten en tareas relativamente sencillas, como seguir el carril o evitar obstáculos.
Las siguientes acciones, sin embargo, son mucho más desafiantes. "La última 10% es realmente difícil", subraya Avery, como "cuando tienes, ya sabes, una vaca parada en medio de la carretera que no quiere moverse".
Claro que las vacas no inspiran miedo por sí mismas. Pero cualquier conductor concentrado probablemente dudaría de sus posibilidades de detenerse si se acerca a toda velocidad a una de ellas.
La capacidad de un sistema de IA para identificar con precisión una vaca y tomar las decisiones adecuadas depende en gran medida de su formación básica con datos pertinentes.
Sin embargo, este entrenamiento inicial puede no ser siempre suficiente para evitar el peligro, sobre todo cuando la IA se encuentra con objetos o escenarios desconocidos (los llamados "casos límite").
Para solucionar este problema, los sistemas avanzados de IA procesan los datos en tiempo real y aprenden continuamente, lo que les permite adaptarse y mejorar su capacidad de toma de decisiones con el paso del tiempo.
Sin embargo, esto está muy lejos de los sistemas de alerta intuitivos y profundamente integrados de la naturaleza. Un conductor humano podría frenar instintivamente ante la mera sugerencia de un obstáculo, incluso antes de procesar completamente lo que es.
Además, las respuestas naturales basadas en el miedo son muy adaptables y se generalizan bien a situaciones nuevas. Un sistema de IA entrenado con un nuevo mecanismo similar al miedo podría estar mejor equipado para afrontar situaciones imprevistas que uno que utilice técnicas tradicionales de aprendizaje por refuerzo (RL).
Todo esto tiene una salvedad: los humanos tampoco toman siempre las decisiones correctas. Eso no cambia la confianza necesaria para implantar vehículos autónomos de forma masiva y segura. La gente tolera los errores humanos por familiaridad, pero ve con escepticismo los errores de las máquinas.
Podría decirse que es un caso de "más vale malo conocido que malo por conocer". Para conseguir una aceptación generalizada de los vehículos autónomos, los fabricantes tienen que demostrar que son fiables y capaces de gestionar los errores con tanta seguridad como los humanos.
Imbuir a los sistemas de IA de un sentido más profundo del miedo podría proporcionar un medio alternativo, más rápido y eficaz de obtenerlo que los métodos tradicionales.
Deconstruir el miedo: la mosca de la fruta como fuente de información
Estamos lejos de desarrollar sistemas artificiales que reproduzcan las regiones neuronales integradas y especializadas de los cerebros biológicos. Pero eso no significa que no podamos modelar esos mecanismos de otras formas.
Alejémonos de la amígdala y veamos cómo detectan y procesan el miedo los invertebrados, por ejemplo, los pequeños insectos.
Aunque no tienen una estructura directamente análoga a la de la amígdala, eso no significa que carezcan de circuitos que logren un objetivo similar.
Por ejemplo, estudios recientes sobre las respuestas de miedo de los Drosophila melanogaster, de la mosca de la fruta, ha permitido comprender mejor los componentes fundamentales de las emociones primitivas.
En un experimento realizado en Caltech en 2015, los investigadores dirigidos por David Anderson moscas expuestas a una sombra aérea diseñada para imitar a un depredador que se acerca.
Utilizando cámaras de alta velocidad y algoritmos de visión artificial, analizaron meticulosamente el comportamiento de las moscas, buscando signos de lo que Anderson denomina "primitivos emocionales", los componentes básicos de un estado emocional.
Sorprendentemente, las moscas mostraron una serie de comportamientos muy similares a las respuestas de miedo observadas en los mamíferos.
Cuando apareció la sombra, las moscas se quedaron inmóviles y sus alas se inclinaron para prepararse para una huida rápida.
Al persistir la amenaza, algunas moscas alzaron el vuelo, alejándose de la sombra a gran velocidad. Otras permanecieron inmóviles durante un largo periodo, lo que sugiere un estado de alerta y vigilancia.
Lo más importante es que estas respuestas no eran meros reflejos desencadenados automáticamente por el estímulo visual. Por el contrario, parecían reflejar un estado interno duradero, una especie de "miedo a volar" que persistía incluso después de que la amenaza hubiera pasado.
Esto era evidente en el hecho de que los comportamientos defensivos intensificados de las moscas podían ser provocados por un estímulo diferente (una bocanada de aire) incluso minutos después de la exposición inicial a la sombra.
Además, la intensidad y duración de la respuesta de miedo variaba en función del nivel de amenaza. Las moscas expuestas a múltiples presentaciones de sombras mostraron comportamientos defensivos progresivamente más fuertes y duraderos, lo que indica una especie de "aprendizaje del miedo" que les permitía calibrar su respuesta en función de la gravedad y la frecuencia del peligro.
Según Anderson y su equipo, estos hallazgos sugieren que los componentes básicos de los estados emocionales -persistencia, escalabilidad y generalización- están presentes incluso en las criaturas más simples.
Si somos capaces de descifrar cómo procesan y responden a las amenazas organismos más simples como la mosca de la fruta, podremos extraer los principios básicos del comportamiento adaptativo y de autoconservación.
Las formas primitivas del miedo podrían aplicarse para desarrollar sistemas de IA más robustos, seguros y adaptados a los riesgos y retos del mundo real.
Infundir a la IA circuitos del miedo
Es una gran teoría, pero ¿puede la IA imbuirse de una forma auténtica y funcional de "miedo" en la práctica?
Una intrigante estudiar examinó exactamente eso con el objetivo de mejorar la seguridad de los coches sin conductor y otros sistemas autónomos.
"Fear-Neuro-Inspired Reinforcement Learning for Safe Autonomous Driving", dirigido por Chen Lv de la Universidad Tecnológica de Nanyang (Singapur), desarrollaron un marco de aprendizaje por refuerzo inspirado en el miedo y el euro (FNI-RL) para mejorar el rendimiento de los coches sin conductor.
Si creamos sistemas de inteligencia artificial capaces de reconocer y responder a las sutiles señales y pautas que desencadenan la conducción defensiva humana -lo que ellos denominan "neuronas del miedo"-, quizá podamos crear coches autoconducidos que circulen por la carretera con la precaución intuitiva y la sensibilidad al riesgo que necesitan.
El marco FNI-RL traduce principios clave de los circuitos cerebrales del miedo en un modelo computacional de conducción sensible a las amenazas, lo que permite a un vehículo autónomo aprender y desplegar estrategias defensivas adaptativas en tiempo real.
Consta de tres componentes clave que siguen el modelo de los elementos centrales de la respuesta neural al miedo:
- Un "modelo del miedo" que aprende a reconocer y evaluar situaciones de conducción que indican un mayor riesgo de colisión, desempeñando un papel análogo a las funciones de detección de amenazas de la amígdala.
- Un módulo de "imaginación adversaria" que simula mentalmente escenarios peligrosos, lo que permite al sistema "practicar" maniobras defensivas de forma segura y sin consecuencias en el mundo real, una forma de aprendizaje sin riesgos que recuerda a las capacidades de ensayo mental de los conductores humanos.
- Un motor de toma de decisiones "limitado por el miedo" que sopesa las posibles acciones no sólo en función de las recompensas esperadas de forma inmediata (por ejemplo, avanzar hacia un destino), sino también en función del nivel de riesgo evaluado por el modelo del miedo y los componentes de la imaginación adversarial. Esto refleja el papel de la amígdala en la orientación flexible del comportamiento basado en un cálculo continuo de amenaza y seguridad.
![Coche Ai](https://dailyai.com/wp-content/uploads/2024/07/aicar.png)
Para poner a prueba este sistema, los investigadores lo probaron en una serie de simulaciones de conducción de alta fidelidad con escenarios desafiantes y críticos para la seguridad:
- Cortes y giros bruscos de conductores agresivos
- Peatones erráticos que se cruzan con el tráfico
- Giros bruscos y curvas ciegas con visibilidad limitada
- Carreteras resbaladizas y malas condiciones meteorológicas
En todas estas pruebas, los vehículos equipados con FNI-RL demostraron un notable rendimiento en materia de seguridad, superando sistemáticamente a los conductores humanos y a las técnicas tradicionales de aprendizaje por refuerzo (RL) para evitar colisiones y practicar habilidades de conducción defensiva.
En un ejemplo sorprendente, el sistema FNI-RL superó con éxito una repentina concentración de tráfico a alta velocidad con un índice de éxito de 90%, frente a los 60% de un sistema RL de última generación.
Incluso logró mejoras de seguridad sin sacrificar las prestaciones de conducción ni el confort de los pasajeros.
En otras pruebas, los investigadores comprobaron la capacidad del sistema FNI-RL para aprender y generalizar estrategias defensivas en distintos entornos de conducción.
En una simulación de una concurrida intersección urbana, la IA aprendió en pocas pruebas a reconocer los signos reveladores de un conductor temerario -cambios repentinos de carril, aceleración agresiva- y a ajustar preventivamente su propio comportamiento para dar un paso más.
Sorprendentemente, el sistema fue capaz de transferir esta cautela aprendida a un nuevo escenario de conducción en autopista, registrando automáticamente maniobras peligrosas de adelantamiento y respondiendo con una acción evasiva.
Esto demuestra el potencial de la inteligencia emocional de inspiración neuronal para mejorar la seguridad y robustez de los sistemas de conducción autónoma.
Dotando a los vehículos de una "amígdala digital" sintonizada con las señales viscerales del riesgo vial, podríamos crear coches autoconducidos capaces de sortear los retos de la carretera abierta con una conciencia defensiva fluida y proactiva.
Hacia una ciencia de la robótica emocionalmente consciente
Mientras que los últimos avances en IA se han basado en la fuerza bruta computacional, los investigadores se inspiran ahora en las respuestas emocionales humanas para crear sistemas artificiales más inteligentes y adaptables.
Este paradigma, denominado "IA bioinspiradano se limita a los coches autoconducidos, sino que se extiende a campos como la fabricación, la sanidad y la exploración espacial.
Hay muchos ángulos interesantes que explorar. Por ejemplo, se están desarrollando manos robóticas con "nociceptores digitales" que imitan los receptores del dolor y permiten reaccionar con rapidez ante posibles daños.
En términos de hardware, Chips analógicos bioinspirados de IBM utilizan "memristores" para almacenar valores numéricos variables, lo que reduce la transmisión de datos entre la memoria y el procesador.
Asimismo, investigadores del Instituto Indio de Tecnología, en Bombay, han diseñado un chip para Redes neuronales con picos (SNN)que imitan el funcionamiento de las neuronas biológicas.
El profesor Udayan Ganguly informa de que este chip consigue "5.000 veces menos energía por pico en un área similar y 10 veces menos potencia en espera" en comparación con los diseños convencionales.
Estos avances en computación neuromórfica nos acercan a lo que Ganguly describe como "un núcleo neurosináptico de consumo extremadamente bajo y un mecanismo de aprendizaje en tiempo real en el chip", elementos clave para las redes neuronales autónomas de inspiración biológica.
Combinar la tecnología de IA inspirada en la naturaleza con arquitecturas basadas en estados emocionales naturales como el miedo o la curiosidad podría llevar a la IA a un estado completamente nuevo.
Al traspasar esos límites, los investigadores no sólo crean máquinas más eficientes, sino que pueden dar a luz una nueva forma de inteligencia.
A medida que evolucione esta línea de investigación, las máquinas autónomas podrían vagar por el mundo entre nosotros, reaccionando a señales ambientales impredecibles con curiosidad, miedo y otras emociones consideradas claramente humanas.
¿Los impactos? Esa es otra historia.