El neurocientífico del Laboratorio Cold Spring Harbor (CSHL), Anthony Zador, ha demostrado que la evolución y los cerebros de los animales pueden usarse como inspiración para el aprendizaje automático. Puede ser beneficioso para ayudar a la IA a resolver muchos problemas diferentes.
Según el neurocientífico del CSHL, Anthony Zador, la inteligencia artificial (IA) puede mejorarse en gran medida observando los cerebros de los animales. Con este enfoque, los neurocientíficos y quienes trabajan en el campo de la IA tienen una nueva forma de resolver algunos de los problemas más apremiantes de la IA.
Anthony Zador, MD, Ph.D., ha dedicado gran parte de su carrera a explicar las complejas redes neuronales dentro del cerebro vivo. Él va todo el camino hasta la neurona individual. Al comienzo de su carrera, se centró en algo diferente. Estudió redes neuronales artificiales (ANN). Las ANN son sistemas informáticos que han sido la base de gran parte de nuestros desarrollos en el sector de la IA. Están modelados a partir de las redes en los cerebros de animales y humanos. Hasta ahora, aquí es donde se detuvo el concepto.
Un artículo de perspectiva reciente, escrito por Zador, fue publicado en Nature Communications. En ese artículo, Zador detalló cómo los algoritmos de aprendizaje nuevos y mejorados están ayudando a los sistemas de IA a desarrollarse hasta un punto en el que superan con creces a los humanos. Esto sucede en una variedad de tareas, problemas y juegos como el ajedrez y el póquer. Aunque algunas de estas computadoras pueden funcionar tan bien en una variedad de problemas complejos, a menudo se confunden con cosas que los humanos consideraríamos simples.
Si los que trabajan en este campo pudieran resolver este problema, los robots podrían llegar a un punto en el desarrollo en el que podrían aprender a hacer cosas extremadamente naturales y orgánicas, como acechar presas o construir un nido. Incluso podrían hacer algo como lavar los platos, lo que ha demostrado ser extremadamente difícil para los robots.
“Las cosas que encontramos difíciles, como el pensamiento abstracto o el ajedrez, en realidad no son difíciles para las máquinas. Las cosas que encontramos fáciles, como interactuar con el mundo físico, eso es lo difícil”, explicó Zador. “La razón por la que creemos que es fácil es que tenemos quinientos millones de años de evolución que han cableado nuestros circuitos para que podamos hacerlo sin esfuerzo”.
Zador piensa que si queremos que los robots logren un aprendizaje rápido, algo que cambiaría todo en el sector, quizás no queramos mirar solo un algoritmo de aprendizaje general perfeccionado. Lo que los científicos y otros deberían hacer es mirar hacia las redes neuronales biológicas que nos han sido dadas a través de la naturaleza y la evolución. Estos podrían usarse como base para desarrollar un aprendizaje rápido y fácil de tipos específicos de tareas, tareas que son importantes para la supervivencia.
Zador habla sobre lo que podemos aprender de las ardillas que viven en nuestros propios patios traseros si solo observamos la genética, las redes neuronales y la predisposición genética.
“Hay ardillas que pueden saltar de árbol en árbol unas pocas semanas después del nacimiento, pero no tenemos ratones que aprendan lo mismo. ¿Por qué no?” dijo Zador. “Es porque uno está genéticamente predeterminado para convertirse en una criatura que habita en los árboles”.
Zador cree que una cosa que podría provenir de la predisposición genética es el circuito innato que se encuentra dentro de un animal. Ayuda a ese animal y guía su aprendizaje temprano. Uno de los problemas de vincular esto al mundo de la IA es que las redes utilizadas en el aprendizaje automático, las que persiguen los expertos en IA, son mucho más generalizadas que las de la naturaleza.
Si somos capaces de llegar a un punto en el que las ANN alcancen un punto en el desarrollo en el que puedan modelarse según las cosas que vemos en la naturaleza, los robots podrían comenzar a realizar tareas que en un momento fueron extremadamente difíciles.