La capacidad de encontrar un camino corto, el más directo desde el punto "A" hasta el punto "B", no parece una prueba impresionante de racionalidad en la actualidad. Sin embargo, según un nuevo informe
publicado en la revista Nature hace un tiempo, en el que los investigadores hablaron sobre su sistema de navegación de inteligencia artificial, la capacidad de explorar espacios simulados complejos y encontrar la ruta más corta a un objetivo coloca dichos sistemas en el mismo nivel que los humanos. y otros animales
Una clave inesperada para el rendimiento deseado fue que durante el entrenamiento, la red creció espontáneamente el equivalente de "celdas de cuadrícula", un conjunto de células cerebrales que permite que varios mamíferos rastreen su posición en el espacio.
Para los neurobiólogos, este trabajo probablemente le dirá un enlace de conexión importante para comprender cómo las neuronas reticulares en el cerebro vivo le permiten desarrollar habilidades de navegación. El trabajo también muestra cómo las redes neuronales pueden tener un gran impacto en futuras investigaciones. Neil Burgess, del University College London, que no participó en el estudio, sugirió que tales sistemas deberían "proporcionar un terreno fértil para comprender cómo y por qué funciona el cerebro de esta manera".
Mientras tanto, para los investigadores en el campo de la inteligencia artificial, la utilidad de este trabajo para mejorar los sistemas de navegación automatizados es obvia. Pero esto puede contribuir aún más a los principios generales de comprender la inteligencia y el desarrollo de sistemas inteligentes.
Según los investigadores Andrea Banino de DeepMind y Caswell Barry del University College London, que fueron los autores principales del artículo en Nature, el proyecto evolucionó a partir de una pregunta sobre la función de las neuronas reticulares que estudiaron. Las neuronas enrejadas a menudo se llaman el "GPS del cerebro" debido a su importante papel en la navegación de muchos animales. Edward Moser y May-Britt Moser recibieron el Premio Nobel en 2014, por su descubrimiento nueve años antes. Estos grupos de neuronas, organizados en matrices hexagonales, en total dan un resultado similar a los sistemas de navegación inercial de barcos, aviones y cohetes: dan una comprensión de los movimientos del cuerpo en el espacio, incluso en la oscuridad completa. "Relativamente hablando, actualizan su pronóstico de dónde está basado en cómo se mueve", agregó Barry.
Por esta razón, los neurocientíficos atribuyen a las neuronas reticulares la función de "integración de ruta", una forma de navegación subconsciente e intuitiva que no tiene en cuenta las señales externas: por ejemplo, "avance cinco pasos, gire 90 grados a la izquierda y avance 15 pasos más". Pero algunos experimentos dieron pistas de que estas neuronas también realizan otras funciones, incluso más allá de la navegación. Por ejemplo, algunos experimentos han demostrado la participación de este tipo de neuronas en tareas como medir el tiempo y la distancia durante el movimiento. Como señala Barry, si las neuronas reticulares proporcionan una referencia espacial de objetos y lugares, entonces "en principio, puede usarlas para calcular rutas directas entre estos puntos", es decir, lo que esencialmente se llama "navegación vectorial".
Para estudiar el papel de estas neuronas en los problemas de navegación, los investigadores decidieron usar redes neuronales profundamente entrenadas. Para comprender cómo funciona la búsqueda de rutas, primero crearon una red neuronal para un agente que se mueve en un pequeño espacio simulado. "Queríamos entender si podíamos crear una red neuronal para que comenzara a desarrollar una similitud de neuronas reticulares", dijo Barry.
La red neuronal hizo el trabajo y, según Barry, "es sorprendente lo bien que funcionó". En el proceso, surgieron espontáneamente "unidades de cuadrícula", que fueron sorprendentemente similares a lo que vemos en los cerebros de los animales, hasta el formato de cuadrícula hexagonal.
Estas imágenes muestran la activación de neuronas vivas y artificiales. Los módulos de red que surgen espontáneamente en la red neuronal para tareas de navegación son sorprendentemente similares a las neuronas de red en el cerebro, hasta su forma hexagonal.Luego, los investigadores agregaron capacidades de red neuronal al sistema, lo que ayudó a los agentes simulados a encontrar el camino correcto hacia la meta en un laberinto virtual. Un sistema con módulos de red era un orden de magnitud superior a un sistema similar sin ellos. Por ejemplo, el sistema podría entender si el pasaje previamente cerrado daba un camino más corto al objetivo y elegirlo. Según Banino, esta habilidad demostró que los módulos de red en la red neuronal proporcionaban navegación vectorial porque encontraron rutas más cortas y más directas basadas en la posición del objetivo.
"Creo que gracias a este trabajo, pudimos demostrar cómo se utilizan las neuronas reticulares para crear la búsqueda de ruta más corta", dijo Banino. Por lo tanto, los resultados confirman la teoría de que las neuronas reticulares en el cerebro son capaces de realizar tanto la tarea de integración de ruta como la tarea de navegación de vectores. La evidencia experimental comparable en el caso de los seres vivos será un orden de magnitud más difícil, agregó.
En una serie de experimentos de laberintos, todas las redes neuronales probadas pudieron alcanzar la meta. Pero si se eliminó una de las barreras, solo la red con neuronas reticulares lo reconoció y eligió este camino como el más preferible. Otros sistemas continuaron eligiendo cualquiera de las rutas disponibles."Un hallazgo interesante es que se puede utilizar un enfoque similar para otras tareas de neurociencia", dijo Barry. Por ejemplo, los investigadores reflexionan sobre la tarea de controlar las extremidades. Las redes neuronales podrían entrenarse para controlar un brazo robótico, del mismo modo que el cerebro controla un brazo vivo, y luego realizar una serie de experimentos que pueden proporcionar pistas importantes sobre cómo ocurren estos procesos en los sistemas vivos. "Este enfoque podría convertirse en una herramienta universal en el campo de la neurociencia".
"Este es un resultado bastante impresionante", resumió Stefan Loytgeb, profesor de neurociencia en la Universidad de California en San Diego. “Creo que encontraron un muy buen argumento a favor del hecho de que la navegación vectorial es una función de las neuronas reticulares. Durante mucho tiempo esto fue solo una suposición, pero creo que se acercaron lo más posible a la solución de un posible mecanismo ".
Al mismo tiempo, señaló que: “Cualquier enfoque computacional tiene sus limitaciones. Y el hecho de que pueda funcionar en un modelo no significa que funcione en organismos vivos de esta manera ".
Francesco Savelli, neurocientíficos de la Universidad Johns Hopkins, coautor de los comentarios que acompañan al artículo, tiene una perspectiva similar. Considera muy interesante que "de alguna manera se obtienen las neuronas reticulares sin programarlas directamente, pero aún aparecen como autoorganización". Pero al mismo tiempo, "dado que este no es un sistema biológico exacto, no puede estar completamente seguro de qué conclusión da".
"Si bien no se puede mirar dentro de esta caja negra y hacer que la red sea un poco más parecida a una biológica, en algún momento se encontrará con el límite en cuanto a la investigación neurobiológica", dijo.
Por otro lado, es alentador desde un punto de vista técnico que "estos sistemas de aprendizaje profundo pueden resolver problemas que son cada vez más similares a las funciones cognitivas superiores del cerebro", agregó Savelli. "Esta es una buena demostración de que el aprendizaje profundo puede extenderse a tareas como funciones cognitivas superiores".
Se puede suponer que los investigadores de DeepMind buscarán utilizar esta red de navegación para mejorar, por ejemplo, las capacidades de los robots de investigación o futuros drones. Pero según Banino, sus planes son menos centrados y más ambiciosos. "Creemos que la navegación es una de las propiedades fundamentales de la inteligencia", dijo. "Personalmente, no pensamos en otra aplicación que no sea crear un algoritmo universal".
"El cerebro es el único ejemplo de un algoritmo universal", agregó. "Entonces, ¿por qué no aprender de él?"