Con ello, los sue\u00f1os de ciencia ficci\u00f3n de robots que parezcan vivos se han reducido a una realidad de grandes modelos ling\u00fc\u00edsticos (LLM) m\u00e1s superficiales y mundanos, como ChatGPT. <\/span><\/p>\n Por supuesto, los modelos actuales de IA siguen siendo cautivadores, pero act\u00faan como una herramienta m\u00e1s que como un ser.\u00a0<\/span><\/p>\n A\u00fan 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 b\u00fasqueda de m\u00e1quinas realmente inteligentes.\u00a0<\/span><\/p>\n Por muy potentes que lleguen a ser nuestros algoritmos, carecen de elegancia, adaptabilidad y eficiencia energ\u00e9tica, las se\u00f1as de identidad de los sistemas biol\u00f3gicos. <\/span><\/p>\n Los investigadores lo saben, y eso les frustra.\u00a0<\/span><\/p>\n El profesor Tony Prescott y el Dr. Stuart Wilson, de la Universidad de Sheffield, han presentado recientemente <\/span>destacado<\/span><\/a> que la mayor\u00eda de los modelos de IA, como ChatGPT, son \"incorp\u00f3reos\", es decir, carecen de conexi\u00f3n directa con el entorno f\u00edsico.\u00a0<\/span><\/p>\n En cambio, el cerebro humano ha evolucionado dentro de un sistema f\u00edsico -nuestro cuerpo- que nos permite sentir e interactuar directamente con el mundo.<\/span><\/p>\n Los investigadores est\u00e1n ansiosos por liberar a las IA de su arquitectura monol\u00edtica, lo que ha provocado un resurgimiento de la IA bioinspirada, a veces llamada IA neurom\u00f3rfica, una subdisciplina que trata de emular los complejos procesos de la naturaleza para crear sistemas m\u00e1s inteligentes y eficientes.\u00a0<\/span><\/p>\n Estos esfuerzos se basan en diversos marcos biol\u00f3gicos, desde las estructuras que constituyen nuestro cerebro hasta la inteligencia de enjambre observada en hormigas o aves.<\/span><\/p>\n En la b\u00fasqueda de la autonom\u00eda 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 energ\u00e9tico, en favor de sistemas anal\u00f3gicos m\u00e1s ligeros e intrincados.\u00a0<\/span><\/p>\n Prescott, coautor de un reciente art\u00edculo, \"<\/span>Comprender la arquitectura funcional del cerebro mediante la rob\u00f3tica<\/span><\/a>,\" subraya: \"Es mucho m\u00e1s probable que los sistemas de IA desarrollen una cognici\u00f3n 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.\"<\/span><\/p>\n El cerebro humano es un buen ejemplo de ello: cada pensamiento y acci\u00f3n que evoca requiere s\u00f3lo la potencia de una bombilla de luz tenue: unos 20 vatios.\u00a0<\/span><\/p>\n Y va m\u00e1s all\u00e1. Incluso cuando los humanos no reciben energ\u00eda externa de los alimentos, pueden sobrevivir durante m\u00e1s de un mes. Los extrem\u00f3filos han encontrado m\u00e9todos para prosperar en algunos de los entornos m\u00e1s inh\u00f3spitos del planeta. <\/span><\/p>\n Comp\u00e1rese con la infraestructura necesaria para alimentar modelos de IA como ChatGPT, que requiere una potencia equivalente a la de una peque\u00f1a ciudad y no puede autorreplicarse, curarse o adaptarse a su entorno.\u00a0<\/span><\/p>\n Para ser justos, se puede argumentar que comparar la IA con los sistemas biol\u00f3gicamente inteligentes es un ejercicio err\u00f3neo.\u00a0<\/span><\/p>\n Al fin y al cabo, los ordenadores y los cerebros destacan en tareas diferentes. Quiz\u00e1 sea la naturaleza humana la que los fusione en visiones antropom\u00f3rficas de IA aut\u00f3nomas que interact\u00faan con el entorno como los seres biol\u00f3gicos junto a los que hemos evolucionado.\u00a0\u00a0<\/span><\/p>\n Sin embargo, tanto los investigadores de la IA como los neurocient\u00edficos est\u00e1n dispuestos a caer en este callej\u00f3n sin salida intelectual, y muchos describir\u00edan el cerebro \"como un ordenador\" que puede modelarse y reproducirse artificialmente.<\/span><\/p>\n En <\/span>Proyecto Cerebro Humano (HBP) de la UE<\/span><\/a>un experimento multinacional de casi $1.000 millones de d\u00f3lares en Big Science, fue una lecci\u00f3n de c\u00f3mo la complejidad del cerebro evade el modelado artificial. <\/span><\/p>\n El HBP se propuso modelar el cerebro humano en su totalidad, pero s\u00f3lo consigui\u00f3 modelar fragmentos de su funcionalidad.\u00a0<\/span><\/p>\n Nuestro cerebro -<\/span> como una entidad \u00fanica -<\/span> derrot\u00f3 a los cerebros colectivos de miles de investigadores con una vasta financiaci\u00f3n y potencia inform\u00e1tica a su alcance - ll\u00e1malo<\/span> justicia po\u00e9tica.<\/p>\n Resulta que la conciencia y la esencia de la formaci\u00f3n del pensamiento son una frontera igualmente lejana a las profundidades del espacio... - w<\/span>Todav\u00eda no hemos llegado a ese punto.<\/p>\n En el centro de esta cuesti\u00f3n est\u00e1 la desconexi\u00f3n entre la biolog\u00eda y las m\u00e1quinas. <\/span><\/p>\n Aunque las redes neuronales y otras formas de arquitectura de aprendizaje autom\u00e1tico se modelan por analog\u00eda con los cerebros biol\u00f3gicos, el m\u00e9todo de c\u00e1lculo es fundamentalmente distinto.\u00a0<\/span><\/p>\n Rodney Brooks, profesor em\u00e9rito de rob\u00f3tica del MIT, reflexion\u00f3 sobre este punto muerto, <\/span>indicando<\/span><\/a>\"Preocupa que su versi\u00f3n de la computaci\u00f3n, basada en funciones de n\u00fameros enteros, sea limitada. Los sistemas biol\u00f3gicos difieren claramente. Deben responder a est\u00edmulos variados durante largos periodos de tiempo; esas respuestas, a su vez, alteran su entorno y los est\u00edmulos posteriores.\u00a0<\/span>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 \u00e9l.\"\u00a0<\/span><\/p>\n Brooks resume esta paradoja pregunt\u00e1ndose: \"\u00bfDeber\u00edan modelarse esas m\u00e1quinas en el cerebro, dado que nuestros modelos del cerebro se realizan en tales m\u00e1quinas?\".<\/span><\/p>\n La naturaleza ha tenido millones de a\u00f1os de \"I+D\" para perfeccionar sus mecanismos incre\u00edblemente resistentes.\u00a0<\/span><\/p>\n La tendencia hacia la IA bioinspirada puede verse como una correcci\u00f3n del rumbo, un humilde reconocimiento de que nuestra b\u00fasqueda de IA avanzada podr\u00eda habernos llevado por un camino que, aunque sigue deslumbrando por su complejidad, puede ser insostenible a largo plazo. <\/span><\/p>\n O, al menos, la trayectoria actual puede no cumplir lo que la humanidad busca en \u00faltima 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 m\u00e1s GPU y entrenar modelos m\u00e1s grandes.\u00a0<\/span><\/p>\n Dicho esto, hay esperanza para los futuristas m\u00e1s ac\u00e9rrimos, ya que los investigadores llevan d\u00e9cadas barajando ideas de inform\u00e1tica bioinspirada y algunas ideas especulativas est\u00e1n empezando a cuajar.\u00a0<\/span><\/p>\n A finales de los a\u00f1os 50 y principios de los 60, el trabajo de Frank Rosenblatt sobre la Perceptr\u00f3n<\/a> ofreci\u00f3 el primer modelo simplificado de una neurona biol\u00f3gica.\u00a0<\/span><\/p>\n Sin embargo, el documento de 1986 \"<\/span>Aprendizaje de representaciones por retropropagaci\u00f3n de errores<\/span><\/a>\"de David Rumelhart, Geoffrey Hinton y Ronald Williams cambiaron las reglas del juego.\u00a0<\/span><\/p>\n Hinton y su equipo introdujeron el algoritmo de retropropagaci\u00f3n, un s\u00f3lido mecanismo para entrenar redes neuronales multicapa que impuls\u00f3 este campo hacia aplicaciones que van desde el procesamiento del lenguaje natural (PLN) a la visi\u00f3n por ordenador (VC), dos ramas fundacionales de la IA moderna.<\/span><\/p>\n Poco despu\u00e9s, la bioinspiraci\u00f3n tom\u00f3 otro rumbo, inspir\u00e1ndose en los principios darwinistas. El libro de John Holland de 1975 \"<\/span>Adaptaci\u00f3n en sistemas naturales y artificiales<\/span><\/a>\"sent\u00f3 las bases de los algoritmos gen\u00e9ticos.\u00a0<\/span><\/p>\n Mediante la simulaci\u00f3n de mecanismos como la mutaci\u00f3n y la selecci\u00f3n natural, este enfoque desvel\u00f3 una poderosa herramienta para los problemas de optimizaci\u00f3n, que se utiliza en sectores como el aeroespacial y el financiero.<\/span><\/p>\n 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 inform\u00e1tica en los a\u00f1os 80 y 90 y han experimentado notables avances en 2023.\u00a0<\/span><\/p>\n En agosto de 2023, ex-empleados de Google <\/span>fund\u00f3 Sakana<\/span><\/a>una startup que propone desarrollar un conjunto de modelos de IA m\u00e1s peque\u00f1os que funcionen de forma concertada. <\/span><\/p>\n El planteamiento de Sakana se inspira en sistemas biol\u00f3gicos como los bancos de peces o las redes neuronales, donde unidades m\u00e1s peque\u00f1as trabajan juntas para lograr un objetivo m\u00e1s complejo.\u00a0<\/span><\/p>\n Reconociendo las arquitecturas monol\u00edticas de los modelos modernos de IA como ChatGPT, este enfoque de ensamblaje promete reducir el consumo de energ\u00eda y ofrece una mayor adaptabilidad y resistencia, cualidades intr\u00ednsecas de los organismos biol\u00f3gicos.<\/span><\/p>\n Incluso el aprendizaje por refuerzo (RL), una rama del aprendizaje autom\u00e1tico que se ocupa de ense\u00f1ar a los algoritmos a tomar decisiones en busca de una recompensa, se inspir\u00f3 en gran medida en la biolog\u00eda.\u00a0<\/span><\/p>\n El libro seminal de Richard Sutton y Andrew Barto \"<\/span>Aprendizaje por Refuerzo: Una introducci\u00f3n<\/span><\/a>\"saca numerosos ejemplos de c\u00f3mo los animales aprenden de su entorno, inspirando algoritmos que pueden adaptarse en funci\u00f3n de recompensas y castigos.<\/span><\/p>\n El libro hace cientos de comparaciones con el comportamiento animal y cita: \"De todas las formas de aprendizaje autom\u00e1tico, el aprendizaje por refuerzo es el m\u00e1s parecido al tipo de aprendizaje que hacen los humanos y otros animales.\"<\/span><\/p>\n En seres biol\u00f3gicos 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.<\/p>\n El sistema nervioso central (SNC) act\u00faa como eje de control, procesando la informaci\u00f3n y orquestando las respuestas.<\/p>\n Mientras tanto, el sistema nervioso perif\u00e9rico (SNP) act\u00faa como red de comunicaci\u00f3n, transmitiendo se\u00f1ales entre el SNC y otras partes del cuerpo.<\/p>\n Dentro del SNP se encuentra el sistema nervioso aut\u00f3nomo (SNA), que act\u00faa involuntariamente para controlar funciones vitales como el ritmo card\u00edaco y la digesti\u00f3n. Cada sistema tiene sus propias funciones, pero est\u00e1n interconectados y colaboran a la perfecci\u00f3n para ayudarnos a desenvolvernos en nuestro entorno.<\/p>\n Los organismos m\u00e1s sencillos, como los insectos, tienen un sistema nervioso m\u00e1s delgado y econ\u00f3mico, aunque sigue siendo incre\u00edblemente complejo. Una mosca de la fruta tiene 3.000 neuronas y medio mill\u00f3n de sinapsis<\/a>.\u00a0<\/span><\/p>\n Los componentes del sistema nervioso biol\u00f3gico son anat\u00f3micamente distintos, pero funcionan de forma hol\u00edstica, enlazados mediante neuronas que env\u00edan y reciben est\u00edmulos sensoriales, formando en \u00faltima instancia un entendimiento conceptual -o conciencia en los seres m\u00e1s complejos.\u00a0<\/span><\/p>\n Para crear robots aut\u00f3nomos con cerebros y sistemas sensoriales estrechamente acoplados, los investigadores deben alejarse de la computaci\u00f3n de fuerza bruta y crear sistemas ligeros basados en la realidad sensorial.\u00a0<\/span><\/p>\n Aunque los modelos de IA como ChatGPT poseen inmensos conocimientos, est\u00e1n en cierto modo bloqueados en el tiempo y fuera de la realidad sensorial, y su comprensi\u00f3n se basa principalmente en sus datos de entrenamiento.<\/span><\/p>\n Esto confiere ventajas, o mejor dicho, otorga a la IA un conjunto de habilidades diferenciables de las de los seres biol\u00f3gicos, que es quiz\u00e1 la raz\u00f3n por la que la humanidad est\u00e1 tan interesada en desarrollar la IA para suplir las ineficiencias de ser un ser biol\u00f3gico.\u00a0<\/span><\/p>\n Como Amnon Shashua <\/span>destaca<\/span><\/a>la \"arquitectura enormemente diferente del ordenador favorece las estrategias que hacen un uso \u00f3ptimo de su capacidad de memoria pr\u00e1cticamente ilimitada y la fuerza bruta\".<\/span><\/p>\n Sin embargo, si alg\u00fan d\u00eda 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 s\u00f3lida base sensorial.\u00a0<\/span><\/p>\n Esto tiene aplicaciones pr\u00e1cticas 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 obst\u00e1culo y reaccionar r\u00e1pidamente para salvar el desastre, lo que est\u00e1 demostrando ser un obst\u00e1culo importante para su adopci\u00f3n masiva.\u00a0\u00a0<\/span><\/p>\n En esta l\u00ednea, Dennis Bray, del Departamento de Fisiolog\u00eda, Desarrollo y Neurociencia de la Universidad de Cambridge, argument\u00f3: \"Las m\u00e1quinas pueden igualarnos en muchas tareas, pero funcionan de forma distinta a las redes de c\u00e9lulas nerviosas. Si nuestro objetivo es construir m\u00e1quinas cada vez m\u00e1s inteligentes y diestras, deber\u00edamos 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 dise\u00f1os diferentes\".\u00a0<\/span><\/p>\n Estos comentarios, aunque siguen siendo relevantes hoy en d\u00eda, se publicaron en un <\/span>Art\u00edculo de debate en Nature<\/span><\/a> publicado en 2012 con motivo del centenario de Turing- y la IA ha evolucionado r\u00e1pidamente desde entonces.\u00a0<\/span><\/p>\n \u00bfD\u00f3nde estamos ahora?<\/p>\n En la actualidad, los investigadores est\u00e1n explorando \"otros materiales y dise\u00f1os diferentes\" a los que se refiere Bray, como las redes neuronales con picos (SNN), un tipo de red neuronal \u00edntimamente modelada a partir de la funcionalidad neuronal.<\/span><\/p>\n Las SNN ofrecen una alternativa especializada a las redes neuronales convencionales que solemos encontrar en el aprendizaje autom\u00e1tico.\u00a0<\/span><\/p>\n En lugar de basarse en funciones de activaci\u00f3n continuas para procesar los datos de entrada, las SNN imitan los entresijos de las redes neuronales biol\u00f3gicas empleando picos discretos para la comunicaci\u00f3n interneuronal.\u00a0<\/span><\/p>\n En estas redes, cada neurona artificial integra a lo largo del tiempo los picos entrantes de sus neuronas conectadas. Cuando la se\u00f1al acumulada, o potencial de membrana, supera un determinado umbral, la propia neurona dispara un pico.\u00a0<\/span><\/p>\n 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 biol\u00f3gicos.<\/span><\/p>\n Entonces, \u00bfqu\u00e9 hace de las SNN un punto central en la IA bioinspirada?\u00a0<\/span><\/p>\n 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).<\/span><\/p>\n En segundo lugar, las SNN se han dise\u00f1ado para ser incre\u00edblemente eficientes desde el punto de vista energ\u00e9tico. A diferencia de las redes neuronales tradicionales, en las que cada neurona est\u00e1 constantemente activa, la naturaleza dispersa y dirigida por eventos de las SNN permite que las neuronas permanezcan inactivas en su mayor parte, disparando picos s\u00f3lo cuando es esencial. Esto reduce considerablemente su consumo de energ\u00eda.<\/span><\/p>\n Por \u00faltimo, al asemejarse m\u00e1s a los sistemas biol\u00f3gicos, las SNN pueden ser m\u00e1s robustas y flexibles, sobre todo en entornos ruidosos o impredecibles.<\/span><\/p>\n Aunque el concepto de SNN tiene sus ra\u00edces en la comprensi\u00f3n te\u00f3rica de los sistemas neuronales biol\u00f3gicos, los avances en la tecnolog\u00eda de hardware han hecho que estas redes sean m\u00e1s accesibles para las tareas computacionales.\u00a0<\/span><\/p>\n Los chips neurom\u00f3rficos, dise\u00f1ados espec\u00edficamente para simular con eficacia la din\u00e1mica de los picos, han desempe\u00f1ado un papel importante a la hora de hacer que las SNN sean pr\u00e1cticamente utilizables.\u00a0<\/span><\/p>\n En los dos \u00faltimos a\u00f1os se han producido avances esenciales en la construcci\u00f3n de ultraligeros, <\/span>IA energ\u00e9ticamente eficiente<\/span><\/a> tambi\u00e9n llamados chips neurom\u00f3rficos.<\/span><\/p>\n Tambi\u00e9n existen otros tipos de tecnolog\u00edas neurom\u00f3rficas, como las c\u00e1maras neurom\u00f3rficas inspiradas en los ojos biol\u00f3gicos.\u00a0\u00a0<\/span><\/p>\n Desarrollado en 2023, <\/span>El chip de IBM<\/span><\/a> utiliza componentes anal\u00f3gicos como los memristores para almacenar valores num\u00e9ricos variables. Tambi\u00e9n emplea memoria de cambio de fase (PCM) para registrar un espectro de valores en lugar de 0 y 1.\u00a0<\/span><\/p>\n![\"Android\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_2229125163.jpg\")
![\"Atlas](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Brainatlas-1024x620.png\")
El viaje de la IA bioinspirada<\/span><\/h2>\n
![\"Perceptr\u00f3n\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/NMAH-72-361.jpg\")
![\"Ant](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_1185312127.jpg\")
Hacia una IA bioinspirada<\/span><\/h2>\n
![\"sistema](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Nerv_1.jpg\")
Redes neuronales con picos (SNN) y hardware biol\u00f3gico<\/span><\/h2>\n
Chip anal\u00f3gico bioinspirado y SNN de IBM<\/span><\/h3>\n