Los sistemas de inteligencia artificial de hoy pueden derrotar a las personas campeonas en juegos desafiantes como el ajedrez, el go y el
Texas Hold'em . En simuladores de vuelo, pueden derribar a los mejores pilotos. Son superiores a los médicos humanos en la creación de suturas quirúrgicas precisas y en el diagnóstico del cáncer. Pero en algunos casos, un niño de tres años proporcionará fácilmente la mejor IA del mundo: cuando la competencia está relacionada con el entrenamiento tan rutinario que la gente ni siquiera sospecha de ello.
Este pensamiento se le ocurrió a David Cox, un neurocientífico de Harvard, un experto en inteligencia artificial, el orgulloso padre de una hija de tres años, cuando notó un esqueleto de piernas largas en el Museo de Historia Nacional, lo señaló y dijo: "¡Camello!" Su único encuentro con un camello tuvo lugar varios meses antes cuando su padre le mostró un camello dibujado en un libro ilustrado.
Los investigadores de IA llaman a esta capacidad para identificar un objeto de un solo ejemplo "aprender a la vez", y están terriblemente celosos de las habilidades de los pequeños. Los sistemas de inteligencia artificial de hoy aprenden de una manera completamente diferente. Según un sistema de capacitación autónomo llamado "aprendizaje profundo", el programa recibe una serie de datos de los cuales sacar conclusiones. Para entrenar a la IA que reconoce a los camellos, el sistema debe digerir miles de imágenes de camellos (dibujos, diagramas anatómicos, fotografías de camellos de una joroba y dos jorobas), todas las imágenes etiquetadas como "camello". AI también necesitará miles de otras imágenes marcadas como "no un camello". Y cuando haya vivido todos estos datos y haya determinado las características distintivas del animal, se convertirá en un excelente identificador para los camellos. Pero la hija de Cox para entonces tendrá tiempo de cambiarse a jirafas y ornitorrincos.
Cox mencionó a su hija, explicando un programa del gobierno de EE. UU. Llamado Machine Intelligence de Cortical Networks, Microns. Su ambicioso objetivo es aplicar ingeniería inversa a la inteligencia humana para que los programadores puedan crear una IA mejorada. Primero, los neurocientíficos necesitan descubrir qué estrategias computacionales van a la materia gris del cerebro; entonces el equipo que trabaja con los datos los traducirá en algoritmos. Una de las principales tareas de la IA final será entrenar a la vez. "La gente tiene una excelente oportunidad para sacar conclusiones y generalizar", dice Cox, "y eso es lo que estamos tratando de comprender".
El programa de cinco años, que recibió $ 100 millones en fondos de
la Agencia de Inteligencia de Inteligencia (IARPA), se enfoca en la corteza visual, la parte del cerebro que procesa la información visual. Trabajando con ratones y ratas, los tres equipos de Micrones planean diseñar las neuronas en un milímetro cúbico de tejido cerebral. Puede que esto no suene tan impresionante, pero este cubo contiene alrededor de 50,000 neuronas conectadas entre sí a través de 500 millones de conexiones, sinapsis. Los investigadores esperan que una comprensión clara de todas las conexiones les permita identificar los "circuitos" neuronales que se activan durante el trabajo de la corteza visual. El proyecto requiere un sistema especial de neuroimagen, que muestra neuronas individuales con una resolución a nivel de nanómetros, que aún no se ha logrado para una parte del cerebro de este tamaño.
Aunque los representantes de varios institutos trabajan en cada equipo de Microns, la mayoría de los miembros del equipo, liderados por Cox, profesor asistente de biología molecular y celular e informática en Harvard, trabajan en el mismo edificio en el territorio de Harvard. Durante un paseo por el laboratorio, puede observar roedores ocupados con tareas en el "club de juego" para ratas; una máquina que corta el cerebro como el mejor cortador automático de salchichas; uno de los microscopios más rápidos y potentes del planeta. Con tal equipo funcionando al máximo, y con enormes inversiones de fuerza humana, Cox cree que tienen todas las posibilidades de descifrar el código de este lamentable milímetro cúbico.
Intenta imaginar este enorme poder del cerebro humano. Para procesar información sobre el mundo y mantener el funcionamiento del cuerpo, los impulsos eléctricos pasan a través de 86 mil millones de neuronas comprimidas en los tejidos esponjosos dentro de su cráneo. Cada neurona tiene un
axón largo que se enrolla a través de este tejido y le permite conectarse a miles de otras neuronas, lo que genera billones de conexiones. Los dibujos de impulsos eléctricos se correlacionan con todos los sentidos y sensaciones de una persona: movimiento de los dedos, digestión del almuerzo, enamoramiento o reconocimiento de un camello.
Microscopio láser de dos fotones. Un láser infrarrojo escanea el tejido cerebral de un animal vivo que realiza una tarea específica. Cuando dos fotones golpean simultáneamente una neurona, una etiqueta fluorescente emite un fotón con una longitud de onda diferente. El microscopio graba video con estos flashes (arriba). "Se puede ver cómo piensa la rata", dice David Cox.Los programadores han estado tratando de emular la función cerebral desde la década de 1940, cuando idearon por primera vez estructuras de software llamadas redes neuronales artificiales. La mayoría de las mejores IA modernas utilizan alguna forma moderna de esta arquitectura: redes neuronales profundas, redes neuronales convolucionales, redes neuronales de retroalimentación, etc. Estas redes, creadas en base a la estructura del cerebro, consisten en muchos nodos computacionales, neuronas artificiales que realizan pequeñas tareas específicas y están conectadas entre sí para que todo el sistema pueda realizar cosas impresionantes.
Las redes neuronales no podrían copiar el cerebro anatómico con mayor precisión, ya que la ciencia todavía no tiene información básica sobre el diseño del sistema nervioso. Jacob Vogelstein, gerente de proyectos de Microns en IARPA, dice que los investigadores generalmente trabajaron en microescala o macroescala. "Utilizamos herramientas que rastrearon neuronas individuales o recolectaron señales de grandes áreas del cerebro", dice. "Existe una gran brecha en la comprensión de las operaciones a nivel de circuito: cómo miles de neuronas trabajan juntas para procesar la información".
La situación ha cambiado gracias a los recientes avances tecnológicos que han permitido a los neurocientíficos construir mapas de "
conectoma " que revelan muchas conexiones entre las neuronas. Pero los micrones necesitan más que un simple diagrama de conexión estática. El equipo debe demostrar cómo se activan estas conexiones cuando el roedor ve, aprende y recuerda. "Es muy similar a cómo una persona trata de entender el funcionamiento de un circuito electrónico", dice Vogelstein. "El chip se puede examinar en detalle, pero no entenderás lo que debe hacer hasta que veas cómo funciona".
Para IARPA, se obtendrá un resultado real si los investigadores pueden rastrear el patrón de neuronas involucradas en el reconocimiento y traducirlo en una arquitectura más parecida al cerebro de las redes neuronales artificiales. "Esperemos que las estrategias computacionales del cerebro puedan reproducirse en términos de matemáticas y algoritmos", dice Vogelstein. El gobierno cree que los sistemas de IA que funcionan de manera similar al cerebro podrán hacer frente mejor a las tareas reales que sus predecesores. Por supuesto, comprender cómo funciona el cerebro es una tarea noble, pero las agencias de inteligencia quieren que la IA aprenda rápidamente a reconocer no solo un camello, sino también una cara medio oculta en el marco granulado de una cámara de vigilancia.
Un "club de juegos" para las ratas Cox es una pequeña habitación en la que se apilan unas cuatro cajas negras del tamaño de un microondas una encima de la otra. En cada caja hay una cara de rata en la pantalla, y frente a su nariz hay dos toques.
En el Laboratorio Nacional de Argonne, el sincrotrón APS acelera electrones y se estrella contra un hilo de metal, produciendo rayos X extremadamente brillantes que se enfocan en un pequeño pedazo de tejido cerebral. Las imágenes de rayos X tomadas desde muchos ángulos se combinan para crear una imagen tridimensional que muestra cada neurona dentro de una pieza.
Neuronas en el tejido cerebral.En el experimento actual, las ratas están tratando de hacer frente a una tarea difícil. La pantalla muestra imágenes tridimensionales creadas por una computadora. Estos no son algunos objetos del mundo exterior, solo formas abstractas grumosas. Cuando la rata ve el Objeto A, debe lamer el grifo izquierdo para obtener una gota de jugo dulce. Cuando vea el objeto B, el jugo estará en el grifo derecho. Pero los objetos se muestran desde diferentes ángulos, por lo que la rata deberá girar cada objeto en su mente y decidir si se refiere a A o B.
Las sesiones de entrenamiento se diluyen con la toma de fotografías para las cuales se transportan ratas por el pasillo hasta otro laboratorio, donde hay un gran microscopio, cubierto con tela negra, y que parece un equipo fotográfico antiguo. El equipo utiliza un microscopio láser de dos fotones para estudiar la corteza visual de un animal cuando mira una pantalla donde se muestran dos objetos familiares A y B desde diferentes ángulos. El microscopio registra destellos y resplandores que ocurren cuando el láser golpea las neuronas activas, y un video tridimensional muestra imágenes que parecen luciérnagas verdes parpadeando en una noche de verano. Cox quiere saber cómo cambian estos patrones cuando un animal se convierte en un experto en esta tarea.
La resolución del microscopio no es lo suficientemente buena como para ver axones que conectan neuronas entre sí. Sin esta información, los científicos no pueden determinar cómo una neurona activa la siguiente para crear un circuito de procesamiento de información. Para hacer esto, el animal debe ser sacrificado y el cerebro debe estudiarse más de cerca.
Los investigadores tallaron un cubo pequeño de la corteza visual que FedEx entrega al Laboratorio Nacional de Argonne. Allí, el acelerador de partículas utiliza una potente radiación de rayos X para construir un mapa tridimensional que muestra neuronas individuales, otros tipos de células cerebrales y vasos sanguíneos. Los axiones conectados en el cubo tampoco son visibles en este mapa, pero ayuda más tarde cuando los investigadores comparan imágenes de un microscopio de dos fotones con imágenes obtenidas de microscopios electrónicos. "Para nosotros, una radiografía es una
piedra de Rosetta ", dice Cox.
Luego, una parte del cerebro regresa al laboratorio de Harvard de Jeff Lichtman, profesor de biología molecular y celular, un experto líder en conectividad cerebral. El equipo de Lichtman toma este milímetro cúbico del cerebro y lo corta con una máquina en 33,000 piezas de 30 nm de espesor. Estas láminas más delgadas se recogen en tiras de película y se colocan sobre un sustrato de silicio. Luego, los investigadores utilizan uno de los microscopios electrónicos más rápidos del mundo, que envía 61 haces de electrones a cada muestra de tejido y mide la dispersión de electrones. Una máquina del tamaño de un refrigerador funciona las 24 horas y produce imágenes de cada rebanada con una resolución de 4 nm.
Cada imagen se asemeja a una sección de un cubo de espagueti apretado. Un sistema de procesamiento de imágenes de software recopila cortes en orden y rastrea cada hilo de espagueti que va de un corte a otro, haciendo bocetos de la longitud total del axón de cada una de las neuronas junto con sus miles de conexiones con otras neuronas. Pero el software a veces pierde un hilo o confunde uno con otro. La gente es mejor en las computadoras que en las computadoras, dice Cox. "Desafortunadamente, el procesamiento de tantos datos no es suficiente para las personas en toda la Tierra". Los programadores de Harvard y el MIT están trabajando en la tarea de seguimiento que necesitan resolver para construir un diagrama preciso de la estructura del cerebro.
Al superponer este diagrama en un mapa de actividad cerebral obtenido con un microscopio de dos fotones, se pueden detectar estructuras cerebrales computacionales. Por ejemplo, tal combinación debería mostrar cuál de las neuronas en el circuito, se enciende cuando la rata ve un objeto extraño, mentalmente lo pone boca abajo y decide que se parece más al objeto A.
Otro problema difícil que enfrenta el equipo de Cox es la velocidad. En la primera fase del proyecto, que finalizó en mayo, cada equipo necesitaba mostrar los resultados de un estudio de una pieza de tejido cerebral que mide 100 micrómetros cúbicos de tamaño. Con un corte tan reducido, el equipo de Cox completó la etapa con microscopía electrónica y reconstrucción en dos semanas. En la segunda fase, los equipos deben aprender cómo procesar piezas del mismo tamaño en unas pocas horas. El escalado de 100 μm
3 a 1 mm
3 da como resultado un aumento de mil veces en el volumen. Por lo tanto, Coca-Cola está obsesionada con automatizar cada paso del proceso, desde entrenar ratas con video hasta rastrear conectomas. "Estos proyectos de IARPA hacen que la ciencia parezca ingenieros", dice. "Necesitamos girar la manivela muy rápidamente".
Acelerar los experimentos le permite al equipo de Cox probar más teorías relacionadas con la estructura del cerebro, lo que ayudará a los investigadores de IA. En el aprendizaje automático, el programador define la arquitectura general de la red neuronal, y el programa mismo decide cómo vincular los cálculos en una secuencia. Por lo tanto, los investigadores planean entrenar ratas y redes neuronales en la misma tarea visual y comparar patrones de comunicación y resultados. "Si notamos algunos patrones en las conexiones cerebrales y no los notamos en los modelos, puede ser una pista de que estamos haciendo algo mal", dice Cox.
Un área de investigación incluye reglas de entrenamiento cerebral. Se cree que el reconocimiento de objetos ocurre a través del procesamiento jerárquico, en el que el primer conjunto de neuronas recibe los colores y la forma primarios, el siguiente conjunto encuentra los bordes para separar el objeto del fondo, y así sucesivamente. Cuando un animal aprende a enfrentar mejor la tarea de reconocimiento, los investigadores pueden preguntar: ¿cuál de los conjuntos de neuronas en la jerarquía cambia más su actividad? Y cuando la IA comienza a afrontar mejor la misma tarea, ¿cambia su red neuronal de la misma manera que la red neuronal de la rata?
IARPA espera que los descubrimientos sean aplicables no solo a la visión por computadora, sino también al aprendizaje automático en general. "Todos estamos actuando al azar, pero nuestra suerte está respaldada por evidencia", dice Cox. Señala que la corteza cerebral, la capa externa de tejido nervioso en la que se produce el reconocimiento de alto nivel, tiene una estructura "sospechosamente idéntica" en todo el volumen. Esta uniformidad obliga a los neurocientíficos y expertos en IA a creer que al procesar información en el cerebro, se puede usar un esquema de conexión fundamental, que planean detectar. La definición de tal proto-esquema puede ser un paso adelante para la IA de propósito general.
Mientras tanto, el equipo de Cox gira la manivela, tratando de hacer que los procedimientos probados funcionen más rápido, otro investigador de Microns está trabajando en una idea radical. Si funciona, dice George Church, profesor del Instituto de Tecnología Biológica de Harvard. Wyssa, ella puede revolucionar la ciencia del cerebro.
Church lidera el equipo de Microns con Tai Sing Lee de la Universidad Carnegie Malon en Pittsburgh. Church es responsable de marcar la conexión, y su enfoque es notablemente diferente de otros equipos. No usa un microscopio electrónico para rastrear las conexiones axónicas. Él cree que esta tecnología es demasiado lenta y produce demasiados errores. Él dice que cuando intentas rastrear axones en un milímetro cúbico de tejido, los errores se acumularán y contaminarán los datos de conexión.
El método de Church no depende de la longitud del axón ni del tamaño de la parte estudiada del cerebro. Utiliza ratones genéticamente modificados y una tecnología llamada "
código de barras de ADN " que marca cada neurona con un identificador genético único que puede leerse tanto desde la periferia de sus dendritas como desde el extremo de su axón largo. "No importa cuán grande sea tu axón", dice. "Con el código de barras, encuentras dos extremos, y no importa cómo se confunde todo en el medio". Su equipo usa rebanadas de tejido cerebral más gruesas que el equipo de Cox, 20 μm en lugar de 30 nm, porque no necesitan preocuparse por perder la ruta exacta del paso del axón entre las rebanadas. Las máquinas de secuenciación de ADN registran todos los códigos de barras presentes en un segmento determinado, y luego el programa procesa listas de información genética y crea un mapa que muestra qué neuronas están asociadas con cada una.
Church y su colega Anthony Zador, profesor de neurociencia en el Laboratorio Cold Spring Harbor en Nueva York, han demostrado en experimentos previos que las tecnologías de código de barras y secuenciación funcionan, pero aún no han recopilado datos en un mapa de conectividad completo necesario para trabajar en el proyecto Microns . Si el equipo logra hacer esto, Church dice que Microns solo será el comienzo de sus intentos de construir un mapa cerebral: entonces quiere construir un diagrama de todas las conexiones en todo el cerebro del mouse, en el que puede encontrar 70 millones de neuronas y 70 mil millones de conexiones. "Trabajar con un milímetro cúbico significa ser extremadamente miope", dice Church. "Mis planes no terminan ahí".
Un mapa de la región del cerebro basado en el código de barras de ARN
Máquina de secuenciaciónTales mapas a gran escala pueden contribuir a la aparición de nuevas ideas para el desarrollo de IA que emulen completamente el cerebro biológico. , , : , , . « , », – . , , , .
Church estima que el proyecto de ingeniería inversa del cerebro de Micron puede no tener éxito. Él dice que el cerebro es tan complicado que incluso si los investigadores son capaces de construir tales máquinas, es posible que no comprendan todos los secretos del cerebro, y esto no da miedo. "Creo que la comprensión es un fetiche de los científicos", dice Church. "Puede suceder que crear un cerebro sea más fácil que comprenderlo".