Se lee. Habla. Combina montañas de datos y recomienda decisiones comerciales. La inteligencia artificial actual puede parecer más humana que nunca. Sin embargo, la IA todavía tiene varias deficiencias importantes.
“Por muy impresionantes que sean ChatGPT y todas estas tecnologías de IA existentes, en términos de interacción con el mundo físico, todavía son muy limitadas. Incluso en las cosas que hacen, como resolver problemas matemáticos. Y para escribir artículos, se necesitan miles de millones y miles de millones de ejemplos de entrenamiento antes de que puedan hacerlos bien”, explica Kyle Daruwalla, experto en neuroAI del Cold Spring Harbor Laboratory (CSHL).
Daruwala está explorando formas nuevas y no convencionales de diseñar IA que puedan superar esas limitaciones computacionales. Y tal vez haya encontrado uno.
La clave fue mover los datos. Hoy en día, la mayor parte del consumo de energía de la informática moderna proviene del rebote de datos. En las redes neuronales artificiales, que contienen miles de millones de conexiones, los datos tienen que viajar distancias muy largas. Entonces, para encontrar una solución, Daruwala buscó inspiración en una de las máquinas más poderosas desde el punto de vista computacional y más eficiente energéticamente que existen: el cerebro humano.
Daruwalla diseñó una nueva forma para que los algoritmos de IA muevan y procesen datos de manera más eficiente, basándose en cómo nuestros cerebros procesan nueva información. Este diseño permite que las “neuronas” individuales de IA reciban retroalimentación y se ajusten sobre la marcha en lugar de esperar a que todo el circuito se actualice simultáneamente. Así, los datos no tienen que viajar muy lejos y se procesan en tiempo real.
“En nuestro cerebro, nuestras conexiones cambian y se ajustan todo el tiempo”, dice Daruwala. “No es como si detuvieras todo, te adaptaras y luego volvieras a ser tú mismo”.
Un nuevo modelo de aprendizaje automático proporciona evidencia de una teoría aún no probada que vincula la memoria de trabajo con el aprendizaje y el rendimiento académico. La memoria de trabajo es el sistema cognitivo que nos permite permanecer concentrados recordando conocimientos y experiencias almacenados.
Existen teorías en neurociencia sobre cómo los circuitos de memoria en funcionamiento pueden respaldar el aprendizaje. Pero, por regla general, no hay nada concreto que realmente los conecte. La teoría condujo a un principio en el que cada sinapsis necesitaba tener esa memoria de trabajo junto a ella”, dice Daruwala.
El diseño de Daruwala podría ayudar a marcar el comienzo de una nueva generación de IA que aprende como nosotros. Esto no sólo hará que la IA sea más eficiente y accesible, sino que también será una especie de momento de cierre del círculo para la neuroAI. La neurociencia ha estado proporcionando a la IA datos valiosos mucho antes de que ChatGPT pronunciara su primera sílaba digital. Pronto parece que la IA podrá devolverle el favor.
