La combinación de IA y ciencia del cerebro promete beneficios para ambas áreas.
Cetan Pandarinah quiere dar a las personas con extremidades paralizadas la oportunidad de operar objetos con la ayuda de un brazo robótico tan naturalmente como con el suyo. Para lograr este objetivo, recopiló registros de actividad cerebral en personas con parálisis. Su esperanza, que muchos investigadores comparten, es que es posible establecer patrones de actividad eléctrica en las neuronas que controlan el movimiento de la mano para que estas instrucciones puedan enviarse a la prótesis. Esto es esencialmente una lectura de pensamiento.
"Resulta que estas señales cerebrales son muy difíciles de entender", dijo un ingeniero biomédico del Instituto de Tecnología de Georgia en Atlanta Pandarin. En busca de una solución al problema, recurrió a la IA. Utilizó sus grabaciones de actividad cerebral para entrenar una red neuronal artificial: arquitectura informática, cuya idea fue prestada del cerebro, y le propuso la tarea de reproducir datos.
Se hicieron registros en un pequeño grupo de neuronas en el cerebro, alrededor de 200 de cada 10-100 millones de neuronas que controlan el movimiento de las manos humanas. Para que una muestra tan pequeña tenga sentido, la computadora tuvo que encontrar patrones que los investigadores denominen factores ocultos que controlan el comportamiento general de la actividad cerebral registrada. Este estudio reveló la dinámica temporal de la actividad neuronal, generando un conjunto más preciso de instrucciones para el movimiento de la mano que los métodos anteriores. "Ahora podemos decir, al milisegundo más cercano, que el animal experimental está tratando de moverse en este ángulo exacto", explica Pandarinakh, "esto es exactamente lo que necesitamos saber para controlar el brazo robótico".
Su trabajo es solo un ejemplo de la creciente interacción entre la IA y la ciencia cognitiva. La IA, con su capacidad para identificar patrones en conjuntos de datos grandes y complejos, ha logrado un progreso notable en la última década, en particular emulando el proceso por el cual el cerebro realiza ciertos cálculos. Las ANN, similares a las redes de neuronas que componen el cerebro, le dieron a las computadoras la capacidad de distinguir la imagen de un gato de otras imágenes, identificar a los peatones con la precisión suficiente para conducir vehículos no tripulados, y también reconocer el habla y responder a ella. Ahora, la ciencia cognitiva está comenzando a beneficiarse del poder de la IA, como un modelo para desarrollar y probar ideas sobre cómo el cerebro realiza los cálculos, y como una herramienta para procesar conjuntos complejos de datos que se obtienen en estudios similares a los realizados por Pandarinakh. "La tecnología ha hecho una revolución completa en su desarrollo y ahora se está aplicando para comprender cómo funciona el cerebro", dice [
Pub Chethan Pandarinath. ] Es probable que este ciclo de amplificación mutua continúe. Dado que la IA permite a los neurocientíficos tener una idea de cómo el cerebro realiza los cálculos, su investigación adicional puede conducir a máquinas que puedan asumir más inteligencia humana.
Naturalmente, las dos disciplinas se combinan juntas, dice Manesh Sahani, un teórico neurocientífico e investigador de aprendizaje automático en el Departamento de Neurobiología Computacional de Gatsby, University College London. “Estudiamos lo mismo de manera efectiva. En un caso, preguntamos cómo resolver este problema de aprendizaje matemáticamente, para que pueda implementarse efectivamente en una máquina. En otro caso, estamos viendo la única evidencia de que un problema puede resolverse es el cerebro "[
Maneesh Sahani Pub. ]
Trabajar con datos
Los métodos de IA son útiles no solo para crear modelos y generar ideas, sino también como herramientas para procesar datos. "Los datos neuronales son muy complejos, por lo que a menudo utilizamos métodos de aprendizaje automático solo para encontrar estructura en ellos", dice Sahani. El poder principal del aprendizaje automático es reconocer patrones que pueden ser demasiado sutiles o demasiado ocultos en grandes conjuntos de datos para que las personas los detecten.
La resonancia magnética funcional, por ejemplo, genera imágenes de actividad en todo el cerebro con una resolución de 1-2 milímetros por segundo, aproximadamente, potencialmente durante horas. "La tarea de la neurobiología cognitiva es cómo encontrar una señal útil en imágenes que son muy, muy grandes", dice Nicholas Turk-Brown, neurocientífico cognitivo de la Universidad de Yale en New Haven, Connecticut. Turk-Brown lidera uno de varios proyectos que buscan nuevas ideas en la intersección de la ciencia de datos y la neurociencia [
Nicholas B Turk-Browne Pub. ]
Usar una máquina para analizar estos datos acelera la investigación. "Este es un gran cambio en la forma en que se realiza la investigación neurobiológica", dijo David Susillo, una calculadora neuronal para el equipo de Google Brain en San Francisco, California. “Los estudiantes graduados no necesitan hacer un trabajo rutinario innecesario, pueden enfocarse en temas más grandes. Puede automatizar mucho y obtener resultados más precisos ".
Reproducción de sentimientos
La creación de un sistema artificial que reprodujera datos cerebrales fue un enfoque adoptado por Daniel Yamins, neurocientífico computacional del Instituto de Neurociencia Wu Tsai de la Universidad de Stanford. En 2014, cuando Yamins, después de recibir su doctorado en el Instituto de Tecnología de Massachusetts en Cambridge, y sus colegas entrenaron a la red neuronal para predecir la actividad cerebral de un mono cuando reconoció ciertos objetos [
Yamins, DLK et al., 2014 ]. El sistema cerebral llamado
flujo visual ventral , que tiene dos características arquitectónicas principales, realiza el reconocimiento de objetos en humanos y monos. En primer lugar, es la
retinotopía , lo que significa que las vías de procesamiento visual en el cerebro están organizadas de tal manera que el ojo percibe información visual. En segundo lugar, el sistema es jerárquico; ciertas áreas de la corteza realizan tareas cada vez más complejas desde una capa que identifica solo los contornos de los objetos hasta una capa superior que reconoce un objeto completo, como un automóvil o una cara. Se desconocen los detalles de cómo funcionan las capas superiores, pero como resultado, el cerebro puede reconocer un objeto en varias posiciones, bajo diferentes condiciones de iluminación, cuando tiene un tamaño diferente debido a diferentes distancias, e incluso cuando está parcialmente oculto. Las computadoras a menudo no pueden hacer frente a tales dificultades.
Jamins y sus colegas construyeron su red neuronal de aprendizaje profundo de acuerdo con la misma arquitectura jerárquica retinotópica que en el cerebro, y le mostraron miles de imágenes de 64 objetos que diferían en características tales como tamaño y posición. Cuando la red aprendió a reconocer objetos, desarrolló varios patrones posibles de actividad neuronal. Luego, los investigadores compararon estos patrones de computadora con los patrones registrados en las neuronas de los monos en un momento en que realizaban una tarea similar. Resultó que las opciones de red que mejor reconocían los objetos tenían patrones de actividad que estaban más cerca de los patrones del cerebro del mono. "Descubrimos que la estructura neural se simula en la estructura de la red", dice Jamins. Los investigadores pudieron comparar áreas de su red con áreas del cerebro con casi un 70% de precisión.
Los resultados confirmaron que la arquitectura del flujo visual ventral es muy importante para el proceso de reconocimiento en el sistema visual del cerebro. En 2018, Jamins y sus colegas lograron un avance similar al explorar la corteza auditiva, para lo cual crearon una red neuronal de aprendizaje profundo que podría identificar palabras y géneros de música en clips de 2 segundos con la misma precisión que los humanos [
Kell, AJE et al. 2018 ]. Esto ayudó a los investigadores a determinar qué áreas de la corteza cerebral realizan el reconocimiento del habla y cuáles reconocen la música, un nuevo paso para comprender el sistema auditivo del cerebro.
Los neurocientíficos aún están lejos de comprender cómo el cerebro maneja una tarea como la distinción entre el jazz y la música rock, pero el aprendizaje automático les da la oportunidad de construir modelos con los que explorar estos temas. Si los investigadores pueden crear sistemas que funcionen de manera similar al cerebro, dice Jamins, su estructura puede sugerir ideas sobre cómo el cerebro resuelve tales problemas. Esto es importante porque los científicos a menudo no tienen una hipótesis de trabajo sobre cómo funciona el cerebro [
Daniel Yamins Pub. ]
Después de que los investigadores construyeron una hipótesis, el siguiente paso es probarla. Al cambiar los parámetros de los modelos de IA, puede hacerse una idea de la actividad del cerebro y ver qué factores pueden ser importantes para una tarea específica. Los investigadores están limitados por consideraciones éticas en términos de cuánto pueden interferir con los procesos en un cerebro humano sano. Por lo tanto, muchas grabaciones de actividad neuronal en humanos se realizan en los cerebros de aquellos que sufren de epilepsia y que necesitan extraer tejido cerebral. Esto se debe al hecho de que se permite la implantación de electrodos en el tejido cerebral, que se eliminará en cualquier caso. Los animales experimentales permiten a los investigadores utilizar procedimientos más invasivos, pero existen formas de comportamiento humano, en particular el habla, que otras especies no pueden reproducir. Los sistemas de IA que pueden imitar el comportamiento humano y estar sujetos a cualquier tipo de impacto sin causar problemas éticos proporcionarán a los científicos herramientas adicionales para estudiar cómo funciona el cerebro. Los investigadores, por ejemplo, pueden enseñarle a una red a reproducir el discurso y luego degradarlo para investigar cómo se relaciona esto con la exposición (otro ejemplo interesante de modelado de sentimientos en la red neuronal: los sentimientos de los números se dan en esta
publicación en Habré -
nota del traductor ).
Consideraciones generales
La informática y las ciencias cognitivas resuelven algunas preguntas importantes, y comprender cómo responderlas en cualquiera de estas áreas puede conducir al progreso en ambas áreas. Una de estas preguntas es ¿cómo va exactamente la capacitación? Las redes neuronales realizan principalmente el aprendizaje supervisado: capacitación con un maestro. Por ejemplo, para el reconocimiento de imágenes, se pueden entrenar utilizando imágenes obtenidas de la base de datos ImageNet, que consta de más de 14 millones de fotografías de objetos que han sido clasificados y anotados por personas. Durante el entrenamiento, la red crea una descripción estadística de lo que tienen en común las imágenes con la misma etiqueta, por ejemplo, "gato". Cuando las redes presentan una nueva imagen, se verifica la presencia de atributos numéricos similares, si hay una coincidencia, el gato declara la imagen.
Obviamente, no es así como aprenden los niños, dice Tomaso Poggio, especialista en cálculo neural en el Centro de Cerebro, Mente y Máquinas, que es parte del Instituto de Tecnología de Massachusetts. "Un niño ve alrededor de mil millones de imágenes en los primeros dos años de vida", dice. Pero solo algunas de estas imágenes están de alguna manera etiquetadas o nombradas. "Todavía no sabemos cómo lidiar con esto", dice Poggio, "y cómo crear máquinas que aprendan principalmente de datos sin etiquetar".
Su laboratorio se encuentra en la etapa inicial del proyecto, lo que permitirá que la red neuronal realice capacitación sin un maestro, para encontrar patrones en videos sin etiquetar. "Sabemos que los animales y los humanos pueden hacer esto", dice Poggio. - "La pregunta es, ¿cómo?"
Jamins aborda el tema del aprendizaje sin maestros desarrollando programas que se comportan como niños en un juego, entrevistan sus alrededores a través de interacciones aleatorias y gradualmente desarrollan una comprensión de cómo funciona el mundo. Esencialmente, programa la curiosidad para motivar a la computadora a explorar el entorno con la esperanza de que surjan nuevos patrones de comportamiento.
Otro problema no resuelto es si ciertos aspectos de la inteligencia son una evolución "establecida". Por ejemplo, las personas probablemente estén predispuestas a reconocer el rostro, los niños hacen esto desde las primeras horas de vida. Quizás, sugiere Poggio, nuestros genes codifican un mecanismo para el aprendizaje rápido y temprano de esta tarea. Descifrar si esta idea es correcta puede permitir a los científicos idear una forma de ayudar a las máquinas a aprender. Otros investigadores están estudiando los fundamentos neuronales de la moral. "La gente le tiene miedo a los autos 'malvados'", dice Poggio. "Probablemente necesitemos comprender mejor cómo surge nuestro comportamiento moral si queremos construir buenos autos, máquinas éticas". [
Tomaso Poggio Pub. ]
Jamins dice que es difícil entender cómo la neurociencia sola puede descubrir cómo funciona el aprendizaje sin un maestro. "Si no tiene una solución de IA, si no tiene nada que funcione artificialmente, no puede tener un modelo de cerebro", dice. Probablemente, él cree, los científicos de IA encontrarán una o más soluciones que los neurocientíficos puedan probar.
La respuesta a estos acertijos ayudará a crear máquinas más inteligentes que podrán aprender en su entorno y que pueden combinar la velocidad y el poder de procesamiento de las computadoras con las habilidades humanas. El procesamiento de datos y la capacidad de simular en las computadoras ya están dando resultados en las ciencias del cerebro, y esto solo progresará. "La IA tendrá un gran impacto en la neurociencia", dice Susillo, "y quiero involucrarme".
Comentario del traductor . Dados los detalles de la audiencia de Habr, que no requiere una explicación de temas tales como una red neuronal o aprendizaje profundo, la traducción se realizó con algunas abreviaturas que no son esenciales para comprender el artículo.