Las redes neuronales artificiales podrían aprender de una manera mucho más parecida al cerebro humano. Investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron un modelo de inteligencia artificial capaz de organizar sus propias conexiones y construir mecanismos de aprendizaje sin recibir instrucciones detalladas sobre cómo hacerlo.
El avance podría contribuir al desarrollo de sistemas más adaptables, capaces de mejorar el procesamiento de información y la toma de decisiones mediante reglas sencillas. Además, ofrece nuevas herramientas para investigar cómo el cerebro reorganiza sus conexiones cuando adquiere conocimientos.
Redes neuronales que desarrollan su propio aprendizaje
La investigación, publicada el 9 de octubre en la revista científica Proceedings of the National Academy of Sciences (PNAS), plantea una diferencia fundamental entre las redes artificiales tradicionales y el funcionamiento del cerebro.
Actualmente, los ingenieros diseñan algoritmos que indican a los sistemas de inteligencia artificial cómo modificar sus conexiones durante el entrenamiento. Sin embargo, el cerebro humano no depende de un programador externo para aprender.
Para explorar esta diferencia, los científicos del McGovern Institute for Brain Research y del K. Lisa Yang ICoN Center construyeron una red con múltiples capas de unidades semejantes a neuronas, conectadas inicialmente de manera aleatoria.
Después, establecieron reglas básicas para modificar sus conexiones. Una de ellas reproduce un principio del aprendizaje biológico: cuando dos neuronas se activan simultáneamente, su conexión se fortalece.
A partir de estas interacciones, la red comenzó a desarrollar estructuras internas que le permitieron reconocer patrones y clasificar imágenes, sin que los investigadores diseñaran directamente todos sus mecanismos de aprendizaje.
Nuevas posibilidades para la toma de decisiones de la IA
Los científicos descubrieron que la red podía alcanzar un rendimiento comparable al de modelos entrenados mediante retropropagación, una técnica ampliamente utilizada en inteligencia artificial.
Este procedimiento ajusta las conexiones de una red a partir de sus errores. Aunque resulta eficaz, los neurocientíficos consideran poco probable que el cerebro humano utilice exactamente el mismo mecanismo.
Qianli Liao, investigador posdoctoral del MIT y coautor principal del trabajo, explicó que comprender la autoorganización neuronal resulta esencial para desarrollar modelos que reflejen mejor el aprendizaje biológico.
Por su parte, Tomaso Poggio, profesor del MIT, señaló que identificar mecanismos equivalentes entre las conexiones cerebrales y las redes artificiales podría representar un avance importante para ambas disciplinas.
Los investigadores también consideran que estos conocimientos podrían contribuir al desarrollo de interfaces cerebro-computadora, especialmente aquellas destinadas a recuperar capacidades de comunicación o controlar prótesis mediante señales neuronales.
Sin embargo, el equipo aclara que su modelo todavía no demuestra que las personas aprendan exactamente de esta manera.
El principal logro consiste en mostrar que una red puede construir parte de su propio sistema de aprendizaje mediante reglas simples. A largo plazo, esta capacidad podría favorecer modelos de inteligencia artificial más flexibles y mejorar sus procesos de toma de decisiones.
Así, el proyecto abre una nueva vía para estudiar el aprendizaje humano y desarrollar tecnologías que no dependan exclusivamente de mecanismos diseñados previamente por sus programadores.
