Desde ‘Terminator’ hasta ‘Yo, Robot’, los robots asesinos han sido un elemento básico en las superproducciones de ciencia ficción durante años.
Pero las pesadillas de que la IA supere a la humanidad podrían estar más lejos de lo que pensábamos, según los científicos.
Una nueva investigación de la Universidad de Oxford sugiere que el cerebro humano aprende información de una manera fundamentalmente diferente y más eficiente que las máquinas.
Esto permite a los humanos aprender algo después de verlo una vez, mientras que la IA necesita ser entrenada cientos de veces con la misma información.
A diferencia de la IA, los humanos también podemos aprender nueva información sin que interfiera con el conocimiento que ya tenemos.
Desde Terminator (en la foto) hasta Yo, robot, los robots asesinos han sido una característica básica en los éxitos de ciencia ficción durante años. Pero las pesadillas de que la IA supere a la humanidad podrían estar más lejos de lo que pensábamos, según los científicos
Los científicos han descubierto que el cerebro humano funciona de una manera fundamentalmente diferente y más eficiente que la IA (imagen de archivo)
Uno de los procesos fundamentales del aprendizaje es algo llamado «asignación de créditos».
Cuando cometemos un error, la asignación de crédito intenta descubrir en qué parte del proceso de procesamiento de la información se introdujo el error.
La mayoría de la IA moderna consta de redes neuronales artificiales, que son capas de «nodos» o neuronas similares a las que se pueden encontrar en el cerebro.
Cuando una IA comete un error, ajusta las conexiones entre estas neuronas, también llamado ajuste de ‘pesos’, para afinar sus procesos de toma de decisiones hasta obtener la respuesta correcta.
Este proceso se llama retropropagación porque los errores se propagan hacia atrás a través de la red neuronal de la IA.
Hasta hace poco, muchos investigadores también pensaban que así era como las redes neuronales biológicas, como el cerebro humano, aprendían de nuevas experiencias.
En su artículo, publicado en Nature Neuroscience, los autores escriben: «La retropropagación, como teoría de asignación de créditos simple pero eficaz, ha impulsado avances notables en la inteligencia artificial desde sus inicios y también ha ganado un lugar predominante en la comprensión del aprendizaje en el cerebro».
Las IA como ChatGPT utilizan un método de aprendizaje llamado retropropagación que ajusta las conexiones entre sus ‘neuronas’ cada vez que comete un error.
Sin embargo, también señalan que el cerebro es superior a las IA al utilizar la retropropagación en varios aspectos importantes.
Si bien la IA puede superar a los humanos en tareas que van desde el pensamiento creativo hasta la contratación de personal, le lleva mucho tiempo aprender a hacer esto.
Los humanos pueden aprender de una sola instancia de una nueva experiencia, mientras que la IA necesita estar expuesta a ejemplos cientos, si no miles, de veces.
Y, muy importante, cuando los humanos aprendemos algo nuevo, no interfiere con lo que ya sabemos, mientras que este es el caso de la IA.
Ante esta evidencia, los investigadores observaron los conjuntos de ecuaciones que describen cómo cambia el comportamiento de las neuronas en el cerebro.
Cuando simularon estos métodos de procesamiento de información, descubrieron que se trataba de una forma completamente diferente de aprender a retropropagación, a la que llaman configuración prospectiva.
A diferencia de la IA, que primero ajusta las conexiones entre las neuronas, la actividad de las neuronas cambia para que predigan mejor el resultado, luego los pesos se ajustan para que coincidan con este nuevo patrón.
Si bien esto puede no parecer una diferencia importante, los efectos pueden ser muy significativos.
Como ejemplo, los investigadores describen un oso que sale a cazar peces.
En un ejemplo, los investigadores explican cómo un oso seguirá prediciendo que debería poder oler el pescado incluso si no puede oír el río como lo hace normalmente.
Cuando el oso ve el río, su mente genera predicciones sobre cómo oír el agua y oler el salmón.
Cuando esto funciona bien, el oso puede inferir que debería poder oler el salmón en el río cuando lo ve y, por lo tanto, sabe dónde cazar.
Pero un día el oso viene a pescar y se ha lastimado la oreja y no puede oír el río en absoluto.
Si el oso estuviera usando un método de aprendizaje similar a la IA, la retropropagación enviaría este error (la falta de audición) para reducir la conexión entre ver y oír el río.
Pero esto también reduciría el peso entre ver el río y oler el pescado.
Entonces el oso no podría predecir que puede oler el pescado cuando llega al río y, por lo tanto, concluiría que no hay salmones en el río.
Sin embargo, obviamente no es así como funcionan las criaturas biológicas.
Los métodos de configuración prospectivos, por otro lado, garantizarían que el cambio en la información auditiva no afecte al resto del conocimiento del oso.
Este diagrama muestra cómo una IA (arriba) predeciría que no habría peces si se perdiera la audición, mientras que un cerebro biológico (abajo) hace la predicción correcta independientemente.
Pero, aunque la configuración prospectiva es una forma más eficaz de aprender, los científicos afirman que los ordenadores actuales no pueden utilizar este tipo de sistema.
El primer autor del estudio, el Dr. Yuhang Song, afirma: «La simulación de la configuración prospectiva en los ordenadores existentes es lenta porque funcionan de formas fundamentalmente diferentes a las del cerebro biológico».
Sin embargo, el Dr. Song dice que existe la posibilidad de desarrollar nuevos ordenadores que puedan utilizar este método.
Y añade: «Es necesario desarrollar un nuevo tipo de ordenador o hardware dedicado inspirado en el cerebro, que sea capaz de implementar configuraciones prospectivas rápidamente y con poco uso de energía».
El investigador principal, el profesor Rafal Bogacz, también señala que actualmente existe una gran brecha de conocimiento entre esta teoría y la realidad.
El profesor Bogacz afirma: «Actualmente existe una gran brecha entre los modelos abstractos que realizan configuraciones prospectivas y nuestro conocimiento detallado de la anatomía de las redes cerebrales».
Dice que las investigaciones futuras tendrán como objetivo cerrar la brecha entre los algoritmos y los cerebros reales.
CÓMO APRENDEN LAS INTELIGENCIAS ARTIFICIALES UTILIZANDO REDES NEURALES
Los sistemas de inteligencia artificial se basan en redes neuronales artificiales (RNA), que intentan simular la forma en que funciona el cerebro para aprender.
Las RNA se pueden entrenar para reconocer patrones en la información (incluidos el habla, los datos de texto o las imágenes visuales) y son la base de una gran cantidad de avances en IA en los últimos años.
La IA convencional utiliza información para «enseñar» a un algoritmo sobre un tema en particular alimentándolo con cantidades masivas de información.
Los sistemas de inteligencia artificial se basan en redes neuronales artificiales (RNA), que intentan simular la forma en que funciona el cerebro para aprender. Las RNA se pueden entrenar para reconocer patrones en la información, incluidos el habla, los datos de texto o las imágenes visuales.
Las aplicaciones prácticas incluyen los servicios de traducción de idiomas de Google, el software de reconocimiento facial de Facebook y los filtros en vivo de alteración de imágenes de Snapchat.
El proceso de ingresar estos datos puede llevar mucho tiempo y está limitado a un tipo de conocimiento.
Una nueva generación de ANN llamada Adversarial Neural Networks enfrenta el ingenio de dos robots de IA entre sí, lo que les permite aprender unos de otros.
Este enfoque está diseñado para acelerar el proceso de aprendizaje, así como para perfeccionar el resultado creado por los sistemas de IA.
