Restricciones físicas impulsan la evolución de la inteligencia artificial similar al cerebro

En un estudio innovador estudio, los científicos de Cambridge han adoptado un enfoque novedoso para la inteligencia artificial, demostrando cómo las restricciones físicas pueden influir profundamente en el desarrollo de un sistema de inteligencia artificial.

Esta investigación, reminiscente de las restricciones de desarrollo y operativas del cerebro humano, ofrece nuevas perspectivas sobre la evolución de sistemas neuronales complejos. Al integrar estas restricciones, el sistema de inteligencia artificial no solo refleja aspectos de la inteligencia humana, sino que también desentraña el equilibrio intrincado entre el gasto de recursos y la eficiencia en el procesamiento de información.

El concepto de restricciones físicas en la inteligencia artificial

El cerebro humano, un ejemplo de redes neuronales naturales, evoluciona y opera dentro de una multitud de restricciones físicas y biológicas. Estas limitaciones no son obstáculos, sino que son instrumentales en dar forma a su estructura y función. En palabras de Jascha Achterberg, un becario Gates del Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) de la Universidad de Cambridge, “No solo el cerebro es excelente para resolver problemas complejos, sino que lo hace mientras utiliza muy poca energía. En nuestro nuevo trabajo, mostramos que considerar las capacidades de resolución de problemas del cerebro junto con su objetivo de gastar los menos recursos posible puede ayudarnos a entender por qué los cerebros tienen el aspecto que tienen.”

El experimento y su significado

El equipo de Cambridge emprendió un proyecto ambicioso para crear un sistema artificial que modelara una versión muy simplificada del cerebro. Este sistema se distinguía por la aplicación de ‘restricciones físicas’, similares a las del cerebro humano.

Cada nodo computacional dentro del sistema se le asignó una ubicación específica en un espacio virtual, emulando la organización espacial de las neuronas. Cuanto mayor era la distancia entre dos nodos, más desafiante era su comunicación, reflejando la organización neuronal en los cerebros humanos.

Este cerebro virtual luego se encargó de navegar un laberinto, una versión simplificada de las tareas de navegación de laberintos que a menudo se les dan a los animales en estudios del cerebro. La importancia de esta tarea radica en su requisito para que el sistema integre múltiples piezas de información, como las ubicaciones de inicio y fin, y los pasos intermedios, para encontrar la ruta más corta. Esta tarea no solo pone a prueba las capacidades de resolución de problemas del sistema, sino que también permite observar cómo diferentes nodos y clusters se vuelven críticos en varias etapas de la tarea.

Aprendizaje y adaptación en el sistema de inteligencia artificial

El viaje del sistema artificial desde principiante hasta experto en la navegación de laberintos es un testimonio de la adaptabilidad de la inteligencia artificial. Inicialmente, el sistema, similar a un humano que aprende una nueva habilidad, luchó con la tarea, cometiendo numerosos errores. Sin embargo, a través de un proceso de prueba y error y retroalimentación posterior, el sistema refinó gradualmente su enfoque.

Crucialmente, este aprendizaje ocurrió a través de alteraciones en la fuerza de las conexiones entre sus nodos computacionales, reflejando la plasticidad sináptica observada en los cerebros humanos. Lo que es particularmente fascinante es cómo las restricciones físicas influyeron en este proceso de aprendizaje. La dificultad para establecer conexiones entre nodos distantes significó que el sistema tuvo que encontrar soluciones más eficientes y localizadas, imitando así la eficiencia energética y de recursos vista en los cerebros biológicos.

Características emergentes en el sistema artificial

A medida que el sistema evolucionó, comenzó a exhibir características asombrosamente similares a las del cerebro humano. Uno de estos desarrollos fue la formación de centros – nodos altamente conectados que actúan como conductos de información a través de la red, similares a los centros neuronales en el cerebro humano.

Más intrigante, sin embargo, fue el cambio en la forma en que los nodos individuales procesaban la información. En lugar de un codificado rígido donde cada nodo era responsable de un aspecto específico del laberinto, los nodos adoptaron un esquema de codificación flexible. Esto significó que un nodo individual podía representar múltiples aspectos del laberinto en diferentes momentos, una característica reminiscente de la naturaleza adaptativa de las neuronas en organismos complejos.

El profesor Duncan Astle del Departamento de Psiquiatría de Cambridge destacó este aspecto, afirmando: “Esta simple restricción – es más difícil conectar nodos que están lejos – fuerza a los sistemas artificiales a producir algunas características bastante complicadas. Curiosamente, son características compartidas por sistemas biológicos como el cerebro humano.”

Implicaciones más amplias

Las implicaciones de esta investigación se extienden mucho más allá de los ámbitos de la inteligencia artificial y hacia la comprensión de la cognición humana en sí. Al replicar las restricciones del cerebro humano en un sistema de inteligencia artificial, los investigadores pueden obtener valiosas perspectivas sobre cómo estas restricciones dan forma a la organización del cerebro y contribuyen a las diferencias cognitivas individuales.

Este enfoque proporciona una ventana única a las complejidades del cerebro, particularmente en la comprensión de condiciones que afectan la salud cognitiva y mental. El profesor John Duncan del MRC CBSU agrega: “Estos cerebros artificiales nos brindan una forma de entender los datos ricos y desconcertantes que vemos cuando se registra la actividad de neuronas reales en cerebros reales.”

Futuro del diseño de la inteligencia artificial

Esta investigación innovadora tiene implicaciones significativas para el futuro diseño de sistemas de inteligencia artificial. El estudio ilustra vívidamente cómo la incorporación de principios biológicos, particularmente aquellos relacionados con las restricciones físicas, puede conducir a redes neuronales artificiales más eficientes y adaptables.

El Dr. Danyal Akarca del MRC CBSU subraya esto, afirmando: “Los investigadores de inteligencia artificial están constantemente tratando de descubrir cómo hacer sistemas neuronales complejos que puedan codificar y realizar de manera flexible y eficiente. Para lograr esto, creemos que la neurobiología nos brindará mucha inspiración.”

Jascha Achterberg elabora aún más sobre el potencial de estos hallazgos para construir sistemas de inteligencia artificial que imiten estrechamente las capacidades de resolución de problemas humanas. Sugiere que los sistemas de inteligencia artificial que abordan desafíos similares a los que enfrentan los humanos probablemente evolucionarán estructuras que se asemejan al cerebro humano, particularmente cuando operan dentro de restricciones físicas como las limitaciones de energía. “Los cerebros de robots que se despliegan en el mundo físico real”, explica Achterberg, “probablemente se parecerán más a nuestros cerebros porque podrían enfrentar los mismos desafíos que nosotros.”

La investigación realizada por el equipo de Cambridge marca un paso significativo en la comprensión de los paralelos entre los sistemas neuronales humanos y la inteligencia artificial. Al imponer restricciones físicas en un sistema de inteligencia artificial, no solo han replicado características clave del cerebro humano, sino que también han abierto nuevas avenidas para diseñar inteligencia artificial más eficiente y adaptable.