Las técnicas de Inteligencia Artificial como el “aprendizaje profundo” y las “redes neuronales convolucionales” han hecho avances impresionantes en el reconocimiento de imágenes, vehículos autónomos y otras tareas realmente complejas. Numerosas compañías de IA han aparecido de la nada para engancharse a la ola de entusiasmo a medida que se han acelerado las inversiones y las adquisiciones.

La limitación de la IA actual

Sin embargo, los principales investigadores de IA se dan cuenta de que algo no está yendo del todo bien. A pesar del impresionante progreso, las técnicas actuales de IA son muy limitadas. Por ejemplo, las redes de aprendizaje profundo normalmente requieren millones de ejemplos de entrenamiento antes de empezar a trabajar correctamente, mientras que un ser humano puede aprender algo nuevo con sólo unas cuantas explicaciones. Esto limita el tipo de aplicaciones donde se pueden aplicar el ‘Deep Learning’.

Y aunque su precisión media es alta, también pueden fallar espectacularmente. Por ejemplo, un cambio menor en una imagen puede hacer que un sistema de IA confunda un cepillo de dientes con un bate de béisbol. En algunas aplicaciones, este tipo de error podría causar un fallo catastrófica, causando muerte y lesiones.

Hay que cambiar de enfoque

Debido a estas y otras limitaciones, los expertos en IA sugieren que se necesita un enfoque diferente. Geoffrey Hinton (uno de los primeros investigadores en IA y el que demostró el uso del algoritmo de backpropagation para entrenar redes neuronales), dijo recientemente que necesitamos comenzar de nuevo cuando explicó que él es “profundamente sospechoso” de las técnicas actuales de IA.

“Mi visión es: tiradlo todo por la borda y empezad de nuevo”

François Chollet, uno de los principales profesionales en redes de aprendizaje profundo, enfatizaba:

“No se puede lograr una inteligencia general artificial simplemente ampliando las actuales técnicas de aprendizaje profundo”

Chollet sugiere que el aprendizaje profundo es fundamentalmente limitado, mientras que la inteligencia humana no lo es. De hecho, el cerebro humano es increíblemente flexible. Los humanos no sólo conducimos coches, también construimos rascacielos, gestionamos granjas y programamos computadoras. Incluso nuestra capacidad para recoger objetos simples, como una taza de café, y manipularlos hábilmente con los dedos, va mucho más allá de la capacidad de cualquier sistema de Inteligencia Artificial actual.

Cada uno de nosotros ha aprendido cientos de habilidades complejas que mezclamos y realizamos en rápida sucesión. Los sistemas de aprendizaje profundo, por otra parte, funcionan bien sólo en un conjunto relativamente pequeño de tareas, y sólo pueden hacer una cosa a la vez. Además, deben estar completamente capacitados para cada nueva tarea, a diferencia de nosotros. Los seres humanos somos máquinas de aprendizaje de propósito general; los sistemas IA actuales no lo son. El éxito continuo de la IA depende de superar las limitaciones actuales y hacer que la IA tenga un propósito más genérico y amplio.

Buscando la Inteligencia Artificial en el cerebro humano

Recientemente los científicos de IA han empezado a buscar inspiración en el cerebro humano. Demis Hassibis, cofundador del grupo DeepMind de Google, dijo recientemente:

“El cerebro humano es la única prueba que tenemos de que el tipo de inteligencia general que intentamos crear es posible, así que creemos que vale la pena intentar comprender cómo se consiguen estas capacidades”.

Jeff Hawkins dice estar de acuerdo. A continuación exponemos su visión.

He estado estudiando el cerebro durante más de treinta años. En 2004, escribí “Sobre la Inteligencia“, un libro que proponía cómo la teoría del cerebro iba a ser necesaria para los desarrollos en Inteligencia Artificial. Y en 2005 co-fundé Numenta, una empresa dedicada a la ingeniería inversa del neocórtex, la mayor parte del cerebro humano y la parte más asociada a la inteligencia.

Actualmente estamos buscando entender lo que es la inteligencia estudiando cómo las células de nuestra cabeza trabajan juntas para crear percepciones y comportamientos. Existen similitudes entre cómo funciona el cerebro y cómo funcionan las técnicas actuales de IA, lo que sugiere que la IA está en el camino correcto. Pero también hay diferencias significativas. Los cerebros no sólo son mucho más capaces que los sistemas actuales de IA, sino que la estructura física del cerebro es mucho más complicada que la estructura de las redes neuronales artificiales usadas en IA. Nuestro cerebro consigue hacer cosas que los sistemas actuales de inteligencia artificial no pueden ni aproximar.

La investigación de Numenta ha revelado varios principios importantes que utiliza el cerebro, principios que creemos que la IA tendrá que incorporar en última instancia. Por ejemplo, cada neurona en el cerebro tiene miles de sinapsis (conexiones entre neuronas). Lo que la mayoría de estas sinapsis hacen es un misterio. Descubrimos que las neuronas usan la mayoría de sus sinapsis para hacer predicciones. Estas predicciones ocurren dentro de la célula y juegan un papel esencial en cómo anticipamos el futuro.

Las neuronas artificiales usadas en la IA no tienen esta característica y no pueden hacer predicciones tan ricas como lo hacen los cerebros. También descubrimos por qué el aprendizaje en el cerebro se logra principalmente formando nuevas sinapsis. Resulta que esta es una forma más poderosa de aprender que modificar las conexiones existentes como, se hace actualmente en el aprendizaje profundo. Todo esto explica cómo aprendemos cosas nuevas rápidamente, sin afectar al aprendizaje previo.

El cerebro humano, una máquina de comprensión tridimensional

Aunque hay otros descubrimientos que hemos hecho que son esenciales para la inteligencia, quiero describir nuestro más reciente, y quizás el más importante. Estábamos estudiando cómo reconocemos los objetos por contacto. De esto se dedujo una nueva propiedad del neocórtex que se aplica no sólo al tacto, sino a la visión, y a todo lo demás que hace el neocórtex. A veces me refiero a él como “el ingrediente que faltaba“, o como dice el título de mi ensayo,”el secreto de la IA fuerte“.

Mira la imagen de arriba. Obviamente es una taza… Pero, por supuesto, no es una taza, sino una colección de líneas en una superficie plana.

Sorprendentemente, es difícil ver esta imagen por lo que es en realidad, una colección de líneas en una superficie plana y no como una taza tridimensional. Una creencia común entre los científicos del cerebro es que el neocórtex toma la imagen de los ojos y, a través de una serie de pasos, extrae características cada vez más complejas hasta que puede reconocer la imagen. Así es como funcionan también las redes de aprendizaje profundo. Este proceso se llama reconocimiento de patrones, y las redes de aprendizaje profundo son muy buenas en ello.

Después de entrenar a una red neuronal con muchas imágenes, se le puede dar una nueva imagen y la red decidirá lo que es. Pero no entienden el objeto más allá de su “etiqueta”. En contraste, cuando una persona ve una imagen, percibe inmediatamente su forma tridimensional. Puede imaginarse cómo se vería desde diferentes ángulos, que podría contener líquido e incluso qué se sentiría si lo tocas. Una red de aprendizaje profundo es buena para poner una etiqueta en una imagen sin entender lo que es, mientras que el neocórtex entiende la estructura de un objeto y cómo se comporta.

Hasta hace poco, nadie entendía cómo el neocórtex transforma una imagen plana en una representación mental del objeto real. Descubrimos cómo el cerebro hace esta magia. Dedujimos que todas las entradas del neocórtex están emparejadas con una señal que representa una “ubicación”. Cuando se mira la imagen del vaso, a cada parte de la imagen, cada segmento de línea, se le asigna una ubicación relativa a la copa tridimensional. Es similar a cómo las computadoras crean modelos CAD de objetos.

Nuestra teoría explica por qué percibes la taza en tres dimensiones, y por qué puedes imaginarte cómo sería si la giraras y qué sentirías si la tocas. También explica por qué la percepción de la copa es estable incluso cuando sus ojos se mueven y se fijan en diferentes lugares de la imagen. Mientras que las características de entrada se asignen a las ubicaciones correctas relativas a la copa, no importa dónde aparezca la imagen relativa a la retina.

“Si no lo veo, no lo creo”. Nuestro cerebro funciona gracias a los objetos físicos que nos rodean

Hemos estado explorando las implicaciones de este descubrimiento y creemos que puede resolver muchos misterios de cómo funciona el cerebro. Aunque hemos deducido esta propiedad estudiando el tacto y luego la visión, las estructuras neuronales que determinan la señal de localización existen en cada parte del neocórtex. Esto provocativamente sugiere que todo el procesamiento en el neocórtex está asociado con las localizaciones, incluso si esas localidades no corresponden a las localizaciones físicas en el mundo.

Sugiere que manipulamos conceptos abstractos usando los mismos mecanismos neuronales que usamos para manipular objetos físicos. Por supuesto, y aquí lo importante, manipular conceptos es una característica central de la inteligencia general que queremos conseguir en la Inteligencia Artificial.

Cuánto necesita la IA imitar el cerebro humano ha sido debatido durante décadas. El reciente éxito del aprendizaje profundo, que sólo está vagamente relacionado con los cerebros, ha reforzado el argumento de que la IA puede avanzar sin parecerse al cerebro. Pero ese éxito también ha puesto de manifiesto los límites del aprendizaje profundo, haciendo más evidente la necesidad de nuevos enfoques. Nuestro propio cerebro es el lugar obvio para buscar nuevas ideas. Como Jeff Bezos, CEO de Amazon, dijo recientemente:

“Los humanos están haciendo algo fundamentalmente diferente a la forma actual en que hacemos el aprendizaje automático y la inteligencia de máquinas”.

Cuando se trata de construir Inteligencia Artificial de propósito general, no necesitamos imitar todo lo que el cerebro hace. Pero algunos de los principios utilizados por el cerebro no pueden ser ignorados; son esenciales para cualquier sistema que muestre inteligencia de propósito general.

A través de nuestra investigación hemos descubierto varios de estos principios esenciales. Creo que nuestro descubrimiento más reciente será el más importante. Cambia completamente la forma en que pensamos que se procesa la entrada sensorial al cerebro y cómo el cerebro representa el conocimiento del mundo.

Con suerte, a medida que más estudiantes y expertos en IA reconozcan los límites a las técnicas actuales, también reconocerán que una hoja de ruta para la IA general se está desarrollando rápidamente en el mundo de la teoría del cerebro. Puede llevarnos varios años para que los descubrimientos en la teoría del cerebro se integren completamente en la IA, pero para mí, la hoja de ruta para llegar allí es clara.

 

Escrito original de Jeff Hawkins, Co-Fundador de Numenta, publicado en Medium, traducido y ampliado por Puentes Digitales.