Las computadoras transformaron el trabajo y el entretenimiento, el transporte y la medicina, los juegos y los deportes. Y con toda su potencia, estas máquinas aún no pueden realizar las tareas más simples que un niño puede manejar, por ejemplo, moverse en una habitación desconocida o usar un lápiz.
Finalmente, una solución a este problema está disponible. Aparecerá en la intersección de dos áreas de investigación: el desarrollo inverso del cerebro y el campo floreciente exuberante de la inteligencia artificial. En los próximos 20 años, estas dos áreas se fusionarán y lanzarán una nueva era de máquinas inteligentes.
¿Por qué necesitamos entender cómo funciona el cerebro para construir autos inteligentes? Aunque las técnicas de aprendizaje automático, como las redes neuronales profundas, han mostrado resultados impresionantes recientemente, todavía están muy lejos de ser inteligentes, de ser capaces de comprender y actuar en el mundo que nos rodea de la manera en que lo hacemos. El único ejemplo de inteligencia, la capacidad de aprender, planificar y ejecutar un plan es el cerebro. Por lo tanto, debemos comprender los principios que subyacen a la inteligencia humana y usarlos en el desarrollo de máquinas verdaderamente inteligentes.
Nuestra empresa
Numenta , ubicada en Redwood City, pc. En California, estudiamos la
neocorteza (la nueva corteza), el componente más grande del cerebro y el principal responsable de la inteligencia. Nuestro objetivo es comprender cómo funciona e identificar los principios que subyacen en la conciencia humana. En los últimos años, hemos logrado un gran éxito en nuestro trabajo al definir varias propiedades de la inteligencia biológica que creemos que deberían incorporarse en las máquinas de pensamiento futuras.
Para comprender estas propiedades, debe comenzar con los conceptos básicos de la biología. El cerebro humano es similar al cerebro de los reptiles. Tienen una médula espinal que controla los reflejos; un tronco encefálico que controla el comportamiento autónomo, como la respiración y la frecuencia cardíaca; cerebro medio, control de emociones y comportamiento simple. Pero los humanos, y todos los mamíferos, tienen algo que los reptiles no tienen: una neocorteza.
Neocortex es una hoja plegada de 2 mm de espesor. Si pudiera estirarse, sería del tamaño de una servilleta grande. En humanos, ocupa el 75% del cerebro. Es esta parte de ella la que nos hace inteligentes.
Al nacer, la neocorteza no sabe casi nada; aprende a través de la experiencia. Todo lo que aprendemos sobre el mundo (conducir un automóvil, preparar café en una máquina expendedora y miles de otras cosas con las que interactuamos todos los días) se almacena en la neocorteza. Aprende qué son estos objetos, dónde están y cómo se comportan. El neocortex genera comandos para la motilidad, por lo que cuando cocina alimentos o escribe un programa, es el neocortex el que controla este comportamiento. Un lenguaje también es creado y entendido por la neocorteza.
La neocorteza, como todo el cerebro y el sistema nervioso, consta de células llamadas neuronas. Por lo tanto, para comprender cómo funciona el cerebro, necesitamos comenzar con las
neuronas . Su neocorteza contiene alrededor de 30 mil millones de neuronas. Una neurona típica tiene un
axón en forma de cola y varias extensiones en forma de árbol: las
dendritas . Si imagina que una neurona es un determinado sistema de señal, entonces un axón es un transmisor y las dendritas son receptores. En las ramas de las dendritas hay 5,000 - 10,000 sinapsis, cada una de las cuales se conecta a las mismas sinapsis de otras neuronas. En total, hay más de
100 billones de conexiones sinápticas en el cerebro.
Su experiencia con el mundo exterior, que reconoce la cara de su amigo, disfruta de la música, sostiene el jabón en la mano, apareció como resultado del aporte de los ojos, oídos y otros sentidos que pasaron a su neocórtex y grupos forzados de neuronas. para hacer ejercicio Cuando se dispara una neurona, su explosión electroquímica viaja a lo largo del axón y pasa a través de las sinapsis a otras neuronas. Si la neurona receptora recibe suficientes pulsos de entrada, puede activarse en respuesta y activar otras neuronas. De los 30 mil millones de neuronas contenidas en la neocorteza, el 1-2% funciona en cualquier momento, lo que significa que millones de neuronas están activas en un momento dado. El conjunto de neuronas activas cambia cuando te mueves e interactúas con el mundo. Su sensación de paz, lo que puede considerar una experiencia razonable, está determinada por el patrón siempre cambiante de las neuronas activas.
En la neocorteza, estos dibujos se almacenan debido a la formación de nuevas sinapsis. Su almacenamiento le permite reconocer caras y lugares cuando los vuelve a ver, y recuperarlos de la memoria. Por ejemplo, cuando piensas en la cara de tu amigo, aparece un patrón de neuronas desencadenadas en la neocorteza, similar al patrón que aparece cuando realmente ves su cara.
Es sorprendente cómo la neocorteza es simple y compleja. Es complejo porque está dividido en docenas de sitios, cada uno de los cuales es responsable de diferentes funciones conscientes. En cada región hay muchas capas de neuronas, así como docenas de tipos de neuronas, y estas neuronas están conectadas en complejos complejos.
Neocortex puede llamarse simple, ya que los detalles de cada sitio son casi los mismos. En el proceso de evolución, ha aparecido un algoritmo único que se aplica a todo lo que hace la neocorteza. La existencia de un algoritmo tan universal es un hecho emocionante, porque si podemos descifrarlo, podemos llegar a la esencia del concepto de "inteligencia" e introducir este conocimiento en futuras máquinas.
¿Pero no es eso lo que hace la IA? ¿No están todas las IA construidas en "
redes neuronales " similares a las que existen en el cerebro? En realidad no Las tecnologías de IA se refieren a la neurobiología, pero utilizan un modelo de neurona simplificado en exceso que pierde los aspectos principales de las neuronas reales, y no están conectadas de la misma manera que en la arquitectura cerebral real y compleja. Hay muchas diferencias, y son importantes. Es por eso que las IA de hoy hacen un buen trabajo con el marcado de imágenes o el reconocimiento de voz, pero no pueden razonar, planificar y actuar creativamente.
Los avances recientes en la comprensión del funcionamiento de la neocorteza nos llevan a especular sobre cómo se pueden organizar las máquinas pensantes del futuro. Trataré de describir estos aspectos de la inteligencia biológica que son necesarios, pero ausentes en la IA moderna. Se trata de capacitación de reensamblaje, representaciones distribuidas e implementación relacionadas con el uso del movimiento para enseñar las realidades del mundo.
Aprendizaje por reconexión: el cerebro exhibe sorprendentes propiedades relacionadas con el aprendizaje. Primero, aprendemos rápido. En segundo lugar, el entrenamiento es gradual. Podemos aprender algo nuevo sin entrenar el cerebro desde cero y sin olvidar lo que ya nos han enseñado. En tercer lugar, el cerebro está aprendiendo constantemente. Moviéndonos por el mundo, planificando y actuando, no dejamos de aprender. La capacitación rápida, incremental y continua son ingredientes indispensables que permiten que los sistemas inteligentes se adapten a un mundo cambiante. Las neuronas son responsables del aprendizaje, y la complejidad de las neuronas reales las convierte en una poderosa máquina de aprendizaje.
En los últimos años, los neurocientíficos han aprendido algunos datos interesantes sobre las dendritas. Cada una de sus ramas funciona como un conjunto de reconocimiento de patrones. Resulta que 15-20 sinapsis activas en la rama son suficientes para reconocer un patrón de actividad en un gran conjunto de neuronas. Por lo tanto, una sola neurona puede reconocer cientos de patrones diferentes. Algunos lo hacen funcionar, mientras que otros cambian el estado interno de la célula y funcionan como predicciones de acciones futuras.
Hubo un tiempo en que los neurocientíficos creían que el aprendizaje ocurre únicamente al modificar la efectividad de las sinapsis existentes para que cuando llegue una señal entrante, la probabilidad de que una neurona se active por una sinapsis disminuya o aumente. Pero ahora ya sabemos que la mayor parte del entrenamiento se debe al cultivo de nuevas sinapsis entre las células: hay un "reensamblaje" del cerebro. Hasta el 40% de las sinapsis neuronales se reemplazan diariamente por otras nuevas. Nuevas sinapsis conducen a la aparición de nuevos esquemas de comunicación entre neuronas y, en consecuencia, a nuevos recuerdos. Dado que las ramas de las dendritas son casi independientes, cuando una neurona aprende a reconocer un nuevo patrón en una de las dendritas, no impide que la neurona ya aprenda con otras dendritas.
Es por eso que podemos aprender cosas nuevas sin romper viejos recuerdos, y no necesitamos entrenar nuestro cerebro desde cero cada vez que aprendemos algo nuevo. Las redes neuronales de hoy no tienen tales capacidades.
Las máquinas inteligentes no tienen que simular toda la complejidad de las neuronas biológicas, pero las oportunidades disponibles a través de las dendritas y el entrenamiento a través del reensamblaje son imprescindibles. Estas capacidades deberían estar en los futuros sistemas de IA.
Vistas distribuidas: el cerebro y la computadora presentan información de diferentes maneras. Cualquier combinación de ceros y unos es potencialmente posible en la memoria de la computadora, por lo que si cambia un bit, puede conducir a un cambio completo en el significado, al igual que reemplazar las letras "o" con "y" en la palabra "gato" producirá algo no relacionado con él La palabra "ballena". Esta vista no es confiable.
El cerebro usa el llamado
representaciones distribuidas dispersas (SDR). Se les llama dispersos porque en cualquier momento la actividad es relativamente pocas neuronas. La actividad de las neuronas cambia constantemente cuando te mueves o piensas, pero su porcentaje siempre es pequeño. Si imaginamos que cada neurona es un bit, entonces el cerebro usa miles de bits para representar información (mucho más que una representación de 8 bits o 64 bits en una computadora), pero solo una pequeña parte de los bits en cualquier momento es 1; todos los demás son 0.
Suponga que desea introducir el concepto de un gato usando SDR. Puede usar 10,000 neuronas, de las cuales 100 estarán activas. Cada una de las neuronas activas representa un cierto aspecto del gato, por ejemplo, "mascota", "esponjoso", "con garras". Si mueren varias neuronas, o se unen varias nuevas, entonces el nuevo SDR seguirá siendo una buena idea sobre el gato, ya que en su mayor parte las neuronas activas serán las mismas. Por lo tanto, en lugar de una representación poco confiable, el SDR es resistente a errores y ruido. Cuando construimos versiones de silicio del cerebro, serán inherentes a la tolerancia al error.
Quiero mencionar dos características de SDR. En primer lugar, la superposición facilita la comparación de dos cosas y le permite comprender cómo son similares y cómo difieren. Supongamos que un SDR representa un gato y el otro un pájaro. En ambos SDR, los mismos grupos de neuronas estarán activos, representando "mascota" y "agarrada", pero no "esponjosa". El ejemplo está simplificado, pero la propiedad de superposición es importante, porque gracias a ella, el cerebro comprende de inmediato la similitud y la diferencia de los objetos. Esta propiedad le da la capacidad de generalizar lo que le falta a las computadoras.
La segunda propiedad, la asociación, permite que el cerebro represente simultáneamente varias ideas. Imagine que veo un animal corriendo entre los arbustos, pero solo pude verlo brevemente, así que no estoy seguro de lo que vi. Podría ser un gato, un perro o un mono. Dado que el SDR se distribuye, un conjunto de neuronas puede activar los tres SDR al mismo tiempo, y no confundirlos entre sí, ya que los SDR no interfieren entre sí. La capacidad de las neuronas para formar constantemente grupos de SDR las convierte en una buena herramienta para manejar las incertidumbres.
Estas propiedades SDR son fundamentales para comprender, pensar y planificar en el cerebro. No podemos crear máquinas inteligentes sin usar el SDR.
Realización: El neocórtex recibe información de los sentidos. Cada vez que movemos nuestros ojos, extremidades o torso, cambia la información de los sentidos. Esta entrada siempre cambiante es el mecanismo principal utilizado por el cerebro para el aprendizaje. Imagina darte un objeto que no has visto antes. Deja que sea una engrapadora. ¿Cómo lo estudiarás? Puedes evitarlo mirándolo desde diferentes ángulos. Puede levantar, sostener con los dedos, girar en las manos. Puedes empujar y tirar para ver cómo se comporta. En este proceso interactivo, estudias la forma de la engrapadora, tus sentimientos al respecto, cómo se ve y cómo se comporta. Haces movimientos, sientes el cambio en la entrada, haces uno más, sientes el cambio nuevamente, y así sucesivamente. Aprender a través del movimiento es la forma principal de aprender el cerebro. Este será el componente central de cualquier sistema verdaderamente inteligente.
No quiero decir que una máquina inteligente necesita un cuerpo físico, solo que puede cambiar las sensaciones a través del movimiento. Por ejemplo, una IA virtual puede "moverse" a través de la web, siguiendo enlaces y abriendo archivos. Puede estudiar la estructura del mundo virtual a través de movimientos virtuales, similar a cómo caminamos alrededor de un edificio.
Esto nos lleva al importante descubrimiento realizado en Numenta el año pasado. En la neocorteza, los datos de sensaciones se procesan mediante una jerarquía de tramas. Cuando los datos pasan de un nivel de la jerarquía a otro, se extraen características cada vez más complejas de ellos, hasta que en algún momento no es posible reconocer el objeto. Las redes de aprendizaje profundo también usan jerarquía, pero a menudo requieren 100 niveles de procesamiento para el reconocimiento de imágenes, y una neocorteza para lograr el mismo resultado cuesta solo cuatro. Las redes de aprendizaje profundo también requieren millones de ejemplos de entrenamiento, y la neocorteza puede aprender nuevos objetos con solo unos pocos movimientos y sensaciones. El cerebro hace algo fundamentalmente diferente de lo que hace una red neuronal artificial típica, pero ¿qué?
German Helmholtz , un físico alemán del siglo XIX, fue uno de los primeros en ofrecer una respuesta a esta pregunta. Vio que aunque nuestros ojos se mueven tres o cuatro veces por segundo, nuestra percepción visual se mantiene estable. Calculó que el cerebro tiene en cuenta los movimientos oculares, de lo contrario nos parecería que el mundo entero está saltando aquí y allá. Del mismo modo, si tocas algo, estarías desconcertado si tu cerebro solo manejara sensaciones táctiles y no supiera que tus dedos se movían. Este principio de combinar movimientos con cambios en las sensaciones se llama
integración sensoriomotora . Cómo y dónde se produce la integración sensoriomotora en el cerebro era un misterio.
Descubrimos que la integración sensoriomotora ocurre en todas las partes de la neocorteza. Este no es un paso separado, sino una parte integral del procesamiento de sensaciones. La integración sensomotora es una parte clave del "algoritmo inteligente" de la neocorteza. Tenemos una teoría y un modelo de cómo las neuronas pueden hacer esto, y se superpone bien con la anatomía compleja de la región de la neocorteza.
¿Cuáles son las implicaciones de este descubrimiento para la inteligencia artificial? Considere dos tipos de archivos que puede encontrar en una computadora. Una es la imagen tomada por la cámara y la otra es un diseño desarrollado en una computadora, por ejemplo, un archivo de Autodesk. Una imagen es una matriz bidimensional de detalles visuales. Un archivo CAD también es un conjunto de partes, pero cada una de ellas está asociada a una disposición en un espacio tridimensional. Un archivo CAD simula objetos tridimensionales, y no cómo se ve el objeto desde una determinada perspectiva. Con un archivo CAD, puede predecir cómo se verá un objeto desde cualquier punto de vista y determinar cómo interactuará con otros objetos tridimensionales. No puedes hacer esto con una imagen. Descubrimos que cada sección de la neocorteza aprende modelos tridimensionales de objetos de la misma manera que un programa CAD. Cada vez que su cuerpo se mueve, el neocórtex percibe el comando de motilidad actual, lo convierte en una posición en el sistema de coordenadas del objeto y combina esta posición con los datos obtenidos de los sentidos para construir modelos tridimensionales del mundo.
En retrospectiva, esta observación tiene sentido. Los sistemas inteligentes necesitan aprender modelos multidimensionales del mundo. La integración sensomotora no se produce en varias partes del cerebro; este es el principio principal de su funcionamiento, parte del algoritmo de inteligencia. Las máquinas inteligentes deben hacer exactamente eso.
Estos tres aspectos principales de la neocorteza (capacitación de reensamblaje, vistas distribuidas e integración sensoriomotora) serán los pilares de la inteligencia artificial. Las máquinas pensantes del futuro pueden ignorar muchos aspectos de la biología, pero no estos tres. Sin duda, nos esperan otros descubrimientos en el campo de la neurobiología, arrojando luz sobre otras características de la conciencia que deberán incluirse en tales máquinas en el futuro, pero puede comenzar con lo que sabemos hoy.
Desde los primeros días de la IA, los críticos descartaron la idea de tratar de emular el cerebro humano, generalmente argumentando que "los aviones no agitan sus alas". De hecho,
Wilbur y Orville Wright estudiaron las aves en detalle. Para crear elevación, estudiaron la forma de las alas de las aves y las probaron en un túnel de viento. Como fuerza motriz, recurrieron a un área distinta de la aviación: una hélice y un motor. Para controlar el vuelo, vieron a las aves girar sus alas para crear un rollo y usar sus colas para mantener la altitud. Eso es lo que han hecho. Hasta ahora, los aviones usan este método, aunque solo giramos un borde en las alas. En resumen, los hermanos Wright estudiaron las aves y luego decidieron qué elementos del vuelo son necesarios para el vuelo de las personas y cuáles se pueden ignorar. Esto es exactamente lo que haremos, creando máquinas pensantes.
Pensando en el futuro, me preocupa el hecho de que nuestros objetivos no son lo suficientemente ambiciosos. Es genial para las computadoras de hoy clasificar imágenes y reconocer el habla, pero no estamos cerca de crear máquinas verdaderamente inteligentes. Creo que es vital para nosotros hacer esto. Los éxitos futuros e incluso la supervivencia de la humanidad pueden depender de esto. Por ejemplo, si vamos a poblar otros planetas, necesitaremos máquinas que operen a nuestro favor para vuelos en el espacio, construcción de instalaciones, extracción de recursos y solución independiente de problemas complejos en un entorno en el que las personas no pueden sobrevivir. En la Tierra, nos enfrentamos a los problemas de enfermedades, clima y falta de energía. Los autos inteligentes nos pueden ayudar. Por ejemplo, es posible hacer máquinas inteligentes que sean sensibles y capaces de funcionar a escala molecular.Podrían hablar sobre el plegamiento de proteínas y la expresión génica de la misma manera que hablamos sobre computadoras y engrapadoras. Podrían pensar y actuar un millón de veces más rápido que los humanos. Tales máquinas podrían tratar enfermedades y mantener nuestro mundo en un estado habitable.En la década de 1940, los pioneros de la era de las computadoras sintieron que las computadoras llegarían lejos y serían muy útiles, y que probablemente transformarían la sociedad humana. Pero no pudieron predecir con precisión cómo las computadoras cambiarán nuestras vidas. Del mismo modo, podemos estar seguros de que las máquinas verdaderamente inteligentes transformarán nuestro mundo para mejor, incluso si hoy no podemos predecir exactamente cómo. Después de 20 años, miramos hacia atrás y nos damos cuenta de que en nuestro tiempo, los avances en la teoría del cerebro y el aprendizaje automático comenzaron la era de la inteligencia artificial real.