La inteligencia artificial (IA) ha generado una gran emoción en los últimos años, pero muchas veces se pasa por alto sus desventajas. Si queremos tener máquinas verdaderamente inteligentes que comprendan su entorno, aprendan de forma continua y nos ayuden en nuestra vida diaria, necesitamos aplicar la neurociencia a los modelos de IA basados en el aprendizaje profundo. Sin embargo, a excepción de algunos casos, estas dos disciplinas han permanecido sorprendentemente aisladas durante décadas.
Esto no siempre fue así. En la década de 1930, Donald Hebb y otros desarrollaron teorías sobre cómo las neuronas aprenden, inspirando los primeros modelos de aprendizaje profundo. Luego, en las décadas de 1950 y 1960, David Hubel y Torsten Wiesel ganaron el Premio Nobel por entender cómo funciona el sistema perceptivo del cerebro. Esto tuvo un gran impacto en las redes neuronales convolucionales, que son parte fundamental del aprendizaje profundo de la IA en la actualidad.
Los superpoderes del cerebro
Aunque la neurociencia ha experimentado un gran avance en los últimos 20 o 30 años, casi ninguno de estos avances recientes se refleja en los sistemas de IA actuales. Si le preguntas a los profesionales de IA promedio, no están al tanto de estos avances y no entienden cómo pueden tener algún impacto en la IA. Esto debe cambiar si queremos sistemas de IA que puedan empujar los límites de la ciencia y el conocimiento.
Por ejemplo, ahora sabemos que hay un circuito común en nuestro cerebro que se puede utilizar como plantilla para la IA.
El cerebro humano consume aproximadamente 20 vatios de energía para un adulto promedio, o menos de la mitad del consumo de una bombilla. En enero, ChatGPT consumió aproximadamente la misma cantidad de electricidad que 175,000 personas. Dado el rápido aumento de la adopción de ChatGPT, ahora está consumiendo tanta electricidad al mes como 1,000,000 de personas. Un estudio de la Universidad de Massachusetts Amherst afirma que entrenar un solo modelo de ia puede emitir la misma cantidad de carbono que cinco automóviles en toda su vida. Sin embargo, este análisis se refería a una sola ejecución de entrenamiento. Cuando el modelo se mejora mediante entrenamiento repetido, el uso de energía es mucho mayor.
Además del consumo de energía, los recursos computacionales necesarios para entrenar estos sistemas de IA se han duplicado cada 4 meses desde 201Hoy en día, con el increíble aumento en el uso de la IA, se estima que los costos de inferencia (y el consumo de energía) son al menos 10 veces más altos que los costos de entrenamiento. Es completamente insostenible.
El cerebro no solo utiliza una fracción mínima de la energía utilizada por los modelos de IA grandes, sino que también es verdaderamente inteligente. A diferencia de los sistemas de IA, el cerebro puede entender la estructura de su entorno para hacer predicciones complejas y llevar a cabo acciones inteligentes. Y a diferencia de los modelos de IA, los humanos aprenden de forma continua e incremental. Por el contrario, el código aún no aprende verdaderamente. Si un modelo de IA comete un error hoy, seguirá repitiendo ese error hasta que se vuelva a entrenar con nuevos datos.
Cómo la neurociencia puede potenciar el rendimiento de la IA
A pesar de la creciente necesidad de colaboración interdisciplinaria, las diferencias culturales entre los neurocientíficos y los profesionales de la IA dificultan la comunicación. En la neurociencia, los experimentos requieren una gran cantidad de detalles y cada descubrimiento puede llevar dos o tres años de grabaciones, medidas y análisis minuciosos. Cuando se publican los artículos de investigación, los detalles a menudo parecen incomprensibles para los profesionales de la IA y los científicos de la computación.
¿Cómo podemos cerrar esta brecha? En primer lugar, los neurocientíficos deben explicar sus conceptos desde un punto de vista general, para que sus descubrimientos tengan sentido para los profesionales de la IA. En segundo lugar, necesitamos más investigadores con roles híbridos de IA-neurociencia para ayudar a llenar la brecha entre los dos campos. A través de la colaboración interdisciplinaria, los investigadores de IA pueden comprender mejor cómo los descubrimientos neurocientíficos se pueden traducir en IA inspirada en el cerebro.
Los avances recientes demuestran que la aplicación de principios basados en el cerebro a los modelos de lenguaje grandes puede aumentar la eficiencia y la sostenibilidad en órdenes de magnitud. En la práctica, esto significa mapear la lógica basada en la neurociencia a los algoritmos, estructuras de datos y arquitecturas que ejecutan el modelo de IA, para que pueda aprender rápidamente con muy pocos datos de entrenamiento, al igual que nuestros cerebros.
Varias organizaciones están logrando avances en la aplicación de principios basados en el cerebro a la IA, incluyendo agencias gubernamentales, investigadores académicos, Intel, Google DeepMind y pequeñas empresas como Cortical.io (Cortical utiliza la tecnología de Numenta, y Numenta posee parte de Cortical como parte de nuestro acuerdo de licencia). Este trabajo es esencial si queremos expandir los esfuerzos de IA mientras protegemos el clima, ya que los sistemas de aprendizaje profundo de hoy se dirigen hacia modelos cada vez más grandes.
Desde la vacuna contra la viruela hasta la bombilla eléctrica, casi todos los grandes avances de la humanidad han surgido de múltiples contribuciones y colaboración interdisciplinaria. Esto también debe suceder con la IA y la neurociencia.
Necesitamos un futuro en el que los sistemas de IA sean capaces de interactuar verdaderamente con los científicos, ayudándoles a crear y llevar a cabo experimentos que empujen los límites del conocimiento humano. Necesitamos sistemas de IA que realmente mejoren las capacidades humanas, aprendiendo junto a todos nosotros y ayudándonos en todos los aspectos de nuestras vidas.
La IA está aquí, nos guste o no. Debemos hacerla sostenible y eficiente al cerrar la brecha entre la neurociencia y la IA. Solo así podremos aplicar la investigación y la comercialización interdisciplinaria adecuada, la educación, las políticas y las prácticas a la IA para mejorar la condición humana.
Fuente: Subutai Ahmad, CEO de Numenta.
Consultas habituales
- ¿Por qué es importante la colaboración entre la neurociencia y la IA?
- ¿Cómo puede la neurociencia mejorar el rendimiento de la IA?
- ¿Qué desafíos existen en la comunicación entre neurocientíficos y profesionales de la IA?
- ¿Qué organizaciones están trabajando en la aplicación de principios basados en el cerebro a la IA?
- ¿Cómo podemos hacer que la IA sea sostenible y eficiente?
Tabla comparativa: Cerebro vs. IA
| Cerebro | IA | |
|---|---|---|
| Consumo de energía | 20 vatios (consumo de un adulto promedio) | Consumo masivo de energía, comparable al de millones de personas |
| Inteligencia | Entiende la estructura del entorno, realiza predicciones complejas y acciones inteligentes | No entiende la estructura del entorno, aprende de forma limitada y repite errores |
| Aprendizaje | Continuo e incremental | Depende de entrenamiento con datos frescos |
La colaboración entre la neurociencia y la IA es esencial para aprovechar todo el potencial de la inteligencia artificial. La aplicación de principios basados en el cerebro a los modelos de IA puede mejorar su eficiencia y sostenibilidad, y permitir que aprendan rápidamente con pocos datos de entrenamiento. Para lograrlo, necesitamos una mayor colaboración interdisciplinaria y una mejor comunicación entre los neurocientíficos y los profesionales de la IA. Solo así podremos desarrollar sistemas de IA verdaderamente inteligentes que mejoren nuestras vidas y amplíen los límites del conocimiento humano.
Si quieres conocer otras notas parecidas a Neurofisiología y ia: optimizando la colaboración para un futuro inteligente puedes visitar la categoría Neurociencia.