Si lleva a un niño de tres años al zoológico, él determinará intuitivamente que el animal de cuello largo que mastica hojas es la misma jirafa del libro de imágenes de sus hijos. Esta simple hazaña es bastante compleja. El dibujo del libro es una silueta congelada de líneas simples, y la criatura viviente es una obra maestra de color, textura, movimiento y luz. Se ve diferente cuando se ve desde diferentes ángulos y puede cambiar de forma, posición y perspectiva.
En general, a las personas les va bien en este tipo de tareas. Podemos comprender fácilmente las características más importantes de un objeto a partir de ejemplos simples y aplicar este conocimiento a algo desconocido. Las computadoras, por otro lado, generalmente necesitan compilar una base de datos completa de jirafas, mostradas en diferentes posiciones, desde diferentes perspectivas, para aprender a reconocer con precisión un animal.
La identidad visual es una de las muchas áreas en las que los humanos vencen fácilmente a las computadoras. También somos mejores para buscar información relevante en el flujo de datos; solucionamos problemas no estructurados; Aprendemos de forma lúdica, como un niño que aprende sobre la gravedad jugando con bloques.
"La gente es mucho, mucho más versátil", dice Tai Sing Lee, científico y neurocientífico de la Universidad Carnegie Mellon en Pittsburgh. "Somos aún más flexibles en pensar, capaces de prever, imaginar y crear eventos futuros".
norte
Pero Estados Unidos está financiando un nuevo y ambicioso programa que busca poner la inteligencia artificial a la par con nuestras propias habilidades mentales. Tres equipos de neurocientíficos e informáticos están tratando de descubrir cómo el cerebro realiza estas hazañas de identificación visual y luego construyen máquinas que hacen lo mismo.
"El aprendizaje automático moderno falla donde los humanos prosperan", dice Jacob Vogelstein, quien dirige el programa en la Actividad de Proyectos de Investigación Avanzada de Inteligencia (IARPA). "Queremos revolucionar el aprendizaje automático mediante algoritmos de ingeniería inversa y computación cerebral".
Queda muy poco tiempo. Cada grupo está modelando actualmente un parche de corteza con un detalle sin precedentes. Juntos, desarrollan algoritmos basados en lo que han aprendido. Para el próximo verano, a cada uno de estos algoritmos se le dará un ejemplo de algo desconocido para detectar en miles de imágenes en la base de datos desconocida. "El cronograma es muy ajustado", dijo Christoph Koch, presidente y miembro principal del Instituto Allen de Ciencias del Cerebro en Seattle, que trabaja con uno de los equipos.
Koch y sus colegas crearon un diagrama de cableado completo para un pequeño cubo del cerebro: un millón de micrones cúbicos, aproximadamente una quincena del volumen de una semilla de amapola. Y este es un orden de magnitud más que el mapa más grande y completo de tejido cerebral hasta la fecha, que se publicó en junio del año pasado y que tardó unos seis años en crearse.
Video promocional:
Al final de un proyecto de IARPA de cinco años llamado "inteligencia de máquina de red cortical (Micrones)", los científicos planean mapear un milímetro cúbico de la corteza. Este pequeño fragmento contiene cerca de 100.000 neuronas, de 3 a 15 millones de conexiones neuronales o sinapsis y suficientes entrelazamientos neuronales para cubrir una ciudad importante si se desenreda y se extiende.
Nadie ha intentado todavía reconstruir parte del cerebro a tal escala. Pero esfuerzos más a pequeña escala han demostrado que tales mapas pueden arrojar luz sobre el funcionamiento interno de la corteza cerebral. En un artículo publicado en la revista Nature en marzo, Wei-Chung Allen Lee, un neurocientífico de la Universidad de Harvard que trabaja con el equipo de Koch, y sus colegas mapearon las conexiones de 50 neuronas y más de 1,000 de sus socios. Al combinar este mapa con información sobre el funcionamiento de cada neurona en el cerebro (algunas responden a una señal visual, por ejemplo), los científicos han deducido una regla simple de la conexión anatómica de las neuronas en esta parte de la corteza. Y encontraron que es más probable que las neuronas con funciones similares se conecten y formen grandes conexiones entre sí, y es menos probable que lo hagan con otros tipos de neuronas.
Y aunque el objetivo del proyecto Microns es muy tecnológico (IARPA está financiando investigaciones que podrían conducir a herramientas de análisis de datos para agencias de inteligencia y otras, por supuesto), en paralelo con esto, los científicos recibirán datos sobre la función cerebral. Andreas Tolias, neurólogo del Baylor College of Medicine y uno de los principales miembros del equipo de Koch, compara nuestro conocimiento actual de la corteza con una fotografía borrosa. Espera que la escala sin precedentes del proyecto Microns ayude a agudizar esta perspectiva y descubrir reglas más complejas que gobiernan nuestros circuitos neuronales. Sin conocer todas las partes constituyentes, "puede que nos estemos perdiendo de la belleza de esta estructura".
Procesador cerebral
Los intrincados pliegues que cubren la superficie del cerebro y forman la corteza cerebral (corteza) están literalmente incrustados en nuestros cráneos. En muchos sentidos, es el microprocesador del cerebro. La capa intermedia de tres milímetros de grosor consta de una serie de módulos repetidos, o microcircuitos, como una serie de puertas lógicas en un chip de computadora. Cada módulo consta de aproximadamente 100.000 neuronas dispuestas en una compleja red de células interconectadas. Existe evidencia de que la estructura básica de estos módulos es aproximadamente la misma en toda la corteza. Sin embargo, los módulos en diferentes regiones del cerebro están especializados para propósitos específicos como la visión, el movimiento y la audición.
Los científicos solo tienen una idea aproximada de cómo se ven estos módulos y cómo funcionan. Se limitan en gran medida a estudiar el cerebro en la escala más pequeña: decenas o cientos de neuronas. Las nuevas tecnologías diseñadas para rastrear la forma, actividad y conectividad de miles de neuronas solo ahora permiten a los científicos comenzar a analizar cómo las células dentro de un módulo interactúan entre sí; cómo la actividad en una parte del sistema puede generar actividad en otra parte. “Por primera vez en la historia, pudimos sondear estos módulos en lugar de simplemente adivinar el contenido”, dice Vogelstein. "Los diferentes equipos tienen diferentes suposiciones sobre lo que hay dentro".
Los investigadores se centrarán en la parte de la corteza responsable de la visión. Este sistema de sentimientos ha sido estudiado activamente por neurofisiólogos, y los especialistas en modelos informáticos han estado tratando de emular durante mucho tiempo. “La visión parece simple, solo abre los ojos, pero enseñar a las computadoras a hacer lo mismo es muy difícil”, dice David Cox, un neurocientífico de la Universidad de Harvard que dirige uno de los equipos de IARPA.
Andreas Tolias (izquierda)
Cada equipo comienza con la misma idea básica de cómo funciona la visión: una vieja teoría conocida como análisis por síntesis. De acuerdo con esta idea, el cerebro hace predicciones sobre lo que sucederá en el futuro cercano y luego compara esas predicciones con lo que ve. La fortaleza de este enfoque reside en su eficiencia: requiere menos cálculo que la recreación continua de cada momento en el tiempo.
El cerebro puede realizar análisis mediante síntesis de muchas formas diferentes, por lo que los científicos están explorando otra posibilidad. El grupo de Cox ve en el cerebro una especie de motor de física que utiliza modelos físicos existentes para simular el mundo como debería verse. El equipo de Tai Sing Lee, junto con George Church, asume que el cerebro tiene una biblioteca incorporada de partes (piezas y piezas de objetos y personas) y enseña las reglas sobre cómo unir estas partes. Las hojas, por ejemplo, suelen aparecer en las ramas. El grupo de Tolias está trabajando en un enfoque más basado en datos, en el que el cerebro crea expectativas estadísticas para el mundo en el que vive. Su grupo probará diferentes hipótesis sobre cómo las diferentes partes del circuito aprenden a comunicarse.
Los tres grupos monitorearán la actividad neuronal de decenas de miles de neuronas en el cubo cerebral objetivo. Luego, se utilizan varios métodos para crear un diagrama de cableado para estas celdas. El equipo de Cox, por ejemplo, cortará tejido cerebral en capas más delgadas que un cabello humano y analizará cada rebanada usando microscopía electrónica. Luego, los científicos pegan cada sección transversal en una computadora para crear un mapa 3D densamente empaquetado de cómo millones de cables nerviosos se abren paso a través de la corteza.
Con el mapa y la tabla de actividades en la mano, cada equipo intentará comprender las reglas básicas que rigen el circuito. Luego, programan estas reglas en la simulación y miden qué tan bien la simulación coincide con el cerebro real.
Andreas Tolias y sus colegas mapearon las conexiones de pares de neuronas y registraron su actividad eléctrica. La compleja anatomía de cinco neuronas (arriba a la izquierda) se puede resumir en un diagrama esquemático simple (arriba a la derecha). Si pasa una corriente eléctrica a través de la neurona 2, se activa, lanzando una carga eléctrica en dos células a lo largo del curso, las neuronas 1 y 5 (abajo)
Tolias y sus colegas ya han probado este enfoque. En un artículo publicado en Science en noviembre, mapearon las conexiones de 11.000 pares de neuronas, revelando cinco nuevos tipos de neuronas. “Todavía no tenemos una lista completa de las partes que componen la corteza, el tipo de células individuales, sus conexiones”, dice Koch. “Ahí es donde empezó Tolias”.
Entre las miles de conexiones neuronales, el grupo de Tolias descubrió tres reglas generales que gobiernan la conexión de las células: algunas se comunican principalmente con neuronas de su propio tipo; otros evitan los de su propio tipo, tratando principalmente con otros tipos; el tercer grupo se comunica solo con algunas otras neuronas. (El grupo de Tolias definió sus células basándose en la anatomía neuronal, no en la función, a diferencia del grupo de Wei Li). Usando solo tres de estas reglas de comunicación, los científicos pudieron reproducir el circuito con bastante precisión. “El desafío ahora es descubrir qué significan estas reglas de comunicación algorítmicamente”, dice Tolias. "¿Qué tipo de cálculo están haciendo?"
Redes neuronales basadas en neuronas reales
La inteligencia artificial basada en el cerebro no es una idea nueva. Las llamadas redes neuronales que imitan la estructura básica del cerebro fueron extremadamente populares en la década de 1980. Pero en ese momento, los científicos en el campo carecían de la potencia computacional y los datos sobre cómo hacer que los algoritmos sean eficientes. Y todos estos millones de imágenes con gatos en Internet no lo eran. Y aunque las redes neuronales han experimentado un gran renacimiento (hoy en día ya es difícil imaginar la vida sin programas de reconocimiento de voz y rostro, y la computadora AlphaGo venció recientemente al mejor jugador de go del mundo), las reglas que usan las redes neuronales para cambiar sus conexiones son casi con certeza diferentes de aquellas. lo que usa el cerebro.
Las redes neuronales modernas "se basan en lo que sabíamos sobre el cerebro en la década de 1960", dice Terry Seinovski, neurocientífico computacional del Instituto Salk en San Diego que desarrolló los primeros algoritmos de redes neuronales con Jeffrey Hinton, un científico de la Universidad de Toronto. "Nuestro conocimiento de cómo está organizado el cerebro está a reventar".
Por ejemplo, las redes neuronales modernas consisten en una arquitectura de flujo directo, donde la información fluye de entrada a salida a través de una serie de capas. Cada capa está entrenada para reconocer ciertas características, como ojos o bigotes. Luego, el análisis continúa y cada capa realiza cálculos cada vez más complejos. Finalmente, el programa reconoce un gato en una serie de píxeles de colores.
Pero esta estructura prospectiva carece de un componente importante del sistema biológico: la retroalimentación, tanto dentro de las capas individuales como de las capas de un orden superior con una inferior. En un cerebro real, las neuronas de una capa de la corteza están conectadas a sus vecinas, así como a las neuronas de las capas superior e inferior, formando una compleja red de bucles. "La retroalimentación es una parte extremadamente importante de las redes corticales", dice Seinovski. "Hay tantas señales en la retroalimentación como conexiones feedforward".
Los neurocientíficos aún no comprenden completamente qué hacen los circuitos de retroalimentación, aunque saben que son esenciales para nuestra capacidad de concentración. Nos ayudan a escuchar la voz en el teléfono sin distraernos con los sonidos de la ciudad, por ejemplo. Parte de la popularidad de la teoría del análisis por síntesis radica en el hecho de que proporciona la base para todos estos compuestos repetitivos. Ayudan al cerebro a comparar sus predicciones con la realidad.
Los investigadores de Microns buscan descifrar las reglas que rigen los bucles de retroalimentación, por ejemplo, qué células conectan los bucles, cuáles activan su actividad y cómo esa actividad afecta la salida de datos del circuito, y luego traducir estas reglas en un algoritmo. “La máquina ahora carece de imaginación e introspección. Creo que el ciclo de retroalimentación nos permitirá imaginar y autoanalizarnos en muchos niveles diferentes”, dice Tai Sing Lee.
Quizás un ciclo de retroalimentación algún día dotará a las máquinas de características que consideramos exclusivas de los humanos. "Si pudieras implementar un ciclo de retroalimentación en una red profunda, podrías pasar de una red que solo es capaz de un impulso instintivo, proporcionando entrada y salida, a una red más reflexiva que comienza a entender sus entradas y probar hipótesis". dice Sejnowski.
La clave del misterio de la conciencia
Como todos los programas de IARPA, el proyecto Microns es de alto riesgo. Las tecnologías que los científicos necesitan para el mapeo a gran escala de la actividad neuronal y los entrelazamientos existen, pero nadie las ha aplicado a tal escala hasta ahora. Los científicos tienen que lidiar con grandes cantidades de datos: 1-2 petabytes de datos por milímetro cúbico de cerebro. Probablemente tendrá que desarrollar nuevas herramientas de aprendizaje automático para analizar todos estos datos, lo cual es bastante irónico.
Tampoco está claro si las lecciones aprendidas de la pequeña mordida del cerebro pueden insinuar talentos cerebrales más grandes. “El cerebro no es solo un trozo de corteza”, dice Sejnowski. "El cerebro está compuesto por cientos de sistemas especializados para diferentes funciones".
La corteza cerebral en sí está formada por enlaces repetidos que se ven más o menos iguales. Pero otras partes del cerebro pueden funcionar de formas muy diferentes. "Si desea una IA que vaya más allá del simple reconocimiento de patrones, necesitará muchas partes diferentes", dice Seinowski.
Sin embargo, si el proyecto tiene éxito, hará más que analizar datos de inteligencia. Un algoritmo exitoso revelará verdades importantes sobre cómo el cerebro da significado a este mundo. En particular, ayudará a confirmar si el cerebro realmente funciona mediante análisis a través de síntesis, que compara sus predicciones sobre el mundo con los datos que llegan de nuestros sentidos. Esto mostrará que un ingrediente clave en la receta de la conciencia es una mezcla siempre cambiante de imaginación y percepción. Al construir una máquina que pueda pensar, los científicos esperan descubrir los secretos del pensamiento mismo.
