El cerebro humano y la inteligencia artificial (IA) comparten sorprendentes similitudes en la forma en que procesan información y desarrollan una comprensión intuitiva del mundo que los rodea. Investigadores del Centro de Neurociencia Computacional Integrativa K. Lisa Yang (ICoN) en el Instituto Tecnológico de Massachusetts (MIT) han arrojado luz sobre estas similitudes al explorar cómo la IA, a través del aprendizaje supervisado, podría imitar algunos aspectos del funcionamiento cerebral.
Uno de los enfoques clave en esta investigación es el “aprendizaje auto-supervisado“. Este tipo de aprendizaje se desarrolló originalmente para crear modelos más eficientes para la visión por computadora, y permite que los modelos computacionales aprendan sobre escenas visuales basadas únicamente en las similitudes y diferencias entre ellas, sin etiquetas u otra información.
En dos estudios dirigidos por investigadores del MIT, se encontraron pruebas que respaldan la idea de que este enfoque de aprendizaje auto-supervisado podría tener similitudes sorprendentes con la forma en que el cerebro humano desarrolla su comprensión intuitiva del mundo. Al entrenar modelos conocidos como redes neuronales mediante este tipo de aprendizaje auto-supervisado, los investigadores observaron que los patrones de actividad generados por estos modelos eran muy similares a los patrones observados en el cerebro de animales que realizaban las mismas tareas que los modelos.
Esto sugiere que estos modelos pueden aprender representaciones del mundo físico que pueden utilizar para hacer predicciones precisas sobre lo que sucederá en ese mundo. Además, los investigadores creen que el cerebro de los mamíferos podría estar utilizando una estrategia similar para desarrollar su comprensión del mundo.
Uno de los estudios se centró en entrenar modelos de IA mediante el aprendizaje auto-supervisado para predecir el estado futuro de su entorno utilizando videos naturalistas que representan situaciones cotidianas. Luego, estos modelos se probaron en una tarea llamada “Mental-Pong“, que requiere estimar la trayectoria de una pelota que desaparece antes de golpear una paleta. Los resultados mostraron que los modelos podían rastrear la trayectoria de la pelota oculta con una precisión similar a la de las neuronas en el cerebro de mamíferos. Además, los patrones de activación neuronal en los modelos eran similares a los observados en el cerebro de animales mientras jugaban al juego.
El otro estudio se centró en investigar las similitudes entre las redes neuronales y las células de cuadrícula en el cerebro. Estas células de cuadrícula son cruciales para la navegación espacial y trabajan en conjunto con las células de lugar en el hipocampo. Los investigadores entrenaron modelos de IA mediante aprendizaje auto-supervisado para realizar una tarea de integración de trayectorias similar a la función de las células de cuadrícula. Los resultados mostraron que los modelos desarrollaron patrones de activación similares a los de las células de cuadrícula en el cerebro.
Estos hallazgos sugieren que la IA diseñada para construir mejores robots también puede servir como un marco para comprender mejor el cerebro. Esto podría tener implicaciones significativas en la comprensión de la inteligencia natural y la creación de sistemas de IA más avanzados y eficientes.
En resumen, la investigación del MIT sugiere que el aprendizaje auto-supervisado en la IA puede ser un reflejo de cómo el cerebro humano desarrolla una comprensión intuitiva del mundo a través de la observación y el análisis de similitudes y diferencias en los datos sensoriales. Estos descubrimientos resaltan las fascinantes convergencias entre la inteligencia artificial y el cerebro humano y podrían impulsar avances significativos en ambas áreas de estudio.