Una nueva investigación de la Universidad Johns Hopkins revela que los sistemas de inteligencia artificial (IA) diseñados con inspiración biológica pueden comenzar a asemejarse a la actividad cerebral humana incluso antes de ser entrenados con datos. El estudio sugiere que la estructura de la IA podría ser tan importante como la cantidad de datos que procesa.
Los hallazgos, publicados en Nature Machine Intelligence, desafían la estrategia dominante en el desarrollo de la IA. En lugar de depender de meses de entrenamiento, conjuntos de datos enormes y una vasta potencia computacional, la investigación destaca el valor de comenzar con una base arquitectónica similar al cerebro.
Repensando el Enfoque Basado en Datos en la IA
“La dirección que está tomando el campo de la IA actualmente es arrojar una gran cantidad de datos a los modelos y construir recursos computacionales del tamaño de pequeñas ciudades. Esto requiere gastar cientos de miles de millones de dólares. Mientras tanto, los humanos aprenden a ver utilizando muy pocos datos”, afirmó Mick Bonner, autor principal y profesor asistente de ciencias cognitivas en la Universidad Johns Hopkins. “La evolución puede haber convergido en este diseño por una buena razón. Nuestro trabajo sugiere que los diseños arquitectónicos más similares al cerebro colocan a los sistemas de IA en un punto de partida muy ventajoso.”
Bonner y sus colegas se propusieron probar si la arquitectura por sí sola podría proporcionar a los sistemas de IA un punto de partida más similar al humano, sin depender de un entrenamiento a gran escala.
Comparando Arquitecturas de IA Populares
El equipo de investigación se centró en tres tipos principales de diseños de redes neuronales comúnmente utilizados en los sistemas de IA modernos: transformadores, redes totalmente conectadas y redes neuronales convolucionales.
Ajustaron repetidamente estos diseños para crear docenas de diferentes redes neuronales artificiales. Ninguno de los modelos fue entrenado previamente. Luego, los investigadores mostraron a los sistemas no entrenados imágenes de objetos, personas y animales, y compararon su actividad interna con las respuestas cerebrales de humanos y primates no humanos que observaban las mismas imágenes.
Por Qué las Redes Convolucionales Destacaron
Aumentar el número de neuronas artificiales en los transformadores y las redes totalmente conectadas produjo poco cambio significativo. Sin embargo, ajustes similares a las redes neuronales convolucionales condujeron a patrones de actividad que coincidían más estrechamente con los observados en el cerebro humano.
Según los investigadores, estos modelos convolucionales no entrenados tuvieron un rendimiento similar al de los sistemas de IA tradicionales que normalmente requieren exposición a millones o incluso miles de millones de imágenes. Los resultados sugieren que la arquitectura juega un papel más importante en la configuración del comportamiento similar al cerebro de lo que se creía anteriormente.
Un Camino Más Rápido Hacia una IA Más Inteligente
“Si el entrenamiento con datos masivos es realmente el factor crucial, entonces no debería haber forma de llegar a sistemas de IA similares al cerebro a través de modificaciones arquitectónicas por sí solas”, dijo Bonner. “Esto significa que, al comenzar con el plano correcto y, quizás, incorporando otras ideas de la biología, podemos acelerar drásticamente el aprendizaje en los sistemas de IA.”
El equipo ahora está explorando métodos de aprendizaje simples inspirados en la biología que podrían conducir a una nueva generación de marcos de aprendizaje profundo, lo que podría hacer que los sistemas de IA sean más rápidos, más eficientes y menos dependientes de conjuntos de datos masivos.
