Hablar contigo mismo puede parecer exclusivamente humano, pero resulta que esta práctica también puede ayudar a que las máquinas aprendan. El diálogo interno ayuda a las personas a organizar ideas, sopesar elecciones y dar sentido a las emociones. Una nueva investigación muestra que un proceso similar podría mejorar la forma en que la inteligencia artificial aprende y se adapta. En un estudio publicado por el Dr. Computación neuronalInvestigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) descubrieron que los sistemas de inteligencia artificial funcionan mejor en una variedad de tareas cuando se entrenan para usar la memoria a corto plazo y el habla interna.
Los resultados sugieren que el aprendizaje está determinado no sólo por la estructura de un sistema de IA, sino también por cómo interactúa consigo mismo durante el entrenamiento. “Este estudio destaca la importancia de las autointeracciones en la forma en que aprendemos”, explica el primer autor, el Dr. Jeffrey Queiser, científico de la Unidad de Investigación de Neurobótica Cognitiva de la OIST. “Al estructurar nuestros datos de entrenamiento de una manera que enseña al sistema a hablar consigo mismo, demostramos que el aprendizaje no se forma solo por interacciones entre sistemas de IA que interactúan dentro de nuestra arquitectura. Nuestros métodos de entrenamiento”.
Cómo la IA de diálogo interno mejora el rendimiento
Para probar esta idea, los investigadores combinaron el habla interna autodirigida, descrita como un “murmullo” silencioso, con un sistema de memoria de trabajo especializado. Este enfoque permite que sus modelos de IA aprendan de manera más eficiente, se ajusten a situaciones desconocidas y manejen múltiples tareas simultáneamente. Los resultados mostraron claras ganancias en flexibilidad y rendimiento general en comparación con los sistemas que dependen únicamente de la memoria.
Construyendo una IA que pueda generalizarse
Un objetivo central del trabajo en equipo es el procesamiento de información independiente del contenido. Se refiere a la capacidad de aplicar las habilidades aprendidas fuera de las situaciones exactas encontradas durante el entrenamiento, utilizando reglas generales en lugar de ejemplos memorizados.
“Hacer cambios rápidos de tareas y resolver problemas desconocidos es algo que los humanos hacemos fácilmente todos los días. Pero para la IA, es mucho más desafiante”, dijo el Dr. Kuiser. “Por eso adoptamos un enfoque interdisciplinario, combinando la neurociencia y la psicología del desarrollo con el aprendizaje automático y la robótica, entre otros campos, para encontrar nuevas formas de pensar sobre el aprendizaje e informar el futuro de la IA”.
¿Por qué es importante la memoria de trabajo?
Los investigadores comenzaron examinando el diseño de la memoria en modelos de IA, centrándose en la memoria de trabajo y su papel en la generalización. La memoria de trabajo es la capacidad a corto plazo de retener y utilizar información, ya sea siguiendo instrucciones o realizando cálculos mentales rápidos. Al probar tareas con diferentes niveles de dificultad, el equipo comparó diferentes estructuras de memoria.
Descubrieron que los modelos con múltiples ranuras de memoria de trabajo (contenedores temporales para piezas de información) funcionaban mejor en problemas desafiantes, como invertir secuencias o recrear patrones. Estas tareas requieren mantener múltiples datos a la vez y manejarlos en el orden correcto.
Cuando el equipo añadió objetivos que animaban al sistema a hablar consigo mismo un determinado número de veces, el rendimiento mejoró. Las mayores ganancias se observaron durante la multitarea y las tareas que requerían muchos pasos.
“Nuestro sistema combinado es particularmente interesante porque puede trabajar con datos escasos en lugar de los grandes conjuntos de datos que normalmente se requieren para entrenar tales modelos para la generalización. Proporciona una alternativa complementaria y liviana”, dijo el Dr. Queser.
Aprender a aprender en el mundo real
Los investigadores ahora planean ir más allá de experimentos limpios y controlados y explorar condiciones más realistas. “En el mundo real, tomamos decisiones y resolvemos problemas en entornos complejos, ruidosos y dinámicos. Para reflejar mejor el aprendizaje del desarrollo humano, debemos tener en cuenta estos factores externos”, afirmó el Dr. Queiser.
Este aspecto respalda el objetivo más amplio del equipo de comprender cómo funciona el aprendizaje humano a nivel neuronal. “Al explorar fenómenos como el habla interna y comprender los mecanismos detrás de dichos procesos, obtenemos nuevos conocimientos fundamentales sobre la biología y el comportamiento humanos”, concluyó el Dr. Queser. “También podemos aplicar este conocimiento, por ejemplo, para construir robots domésticos o agrícolas que puedan operar en nuestro mundo complejo y dinámico”.
