La curiosidad puede contribuir a organizar la complejidad cerebral, según un estudio de la Universidad de Cambridge

Una investigación basada en miles de modelos computacionales plantea que la curiosidad puede contribuir a organizar la complejidad del cerebro, y no ser únicamente una consecuencia de ella. Los resultados indican que los sistemas artificiales que buscan activamente nueva información desarrollan capacidades más flexibles y estructuras semejantes a ciertos rasgos del cerebro humano.

El trabajo, recogido por New Scientist, fue dirigido por Francesco Poli, de la Universidad de Cambridge, y combina observaciones sobre el comportamiento de bebés con simulaciones de redes neuronales artificiales. La hipótesis parte de una pregunta sobre la evolución cognitiva: si la curiosidad permite aprender de manera más eficiente, también podría influir en la forma en que se organizan los circuitos neuronales.

Los bebés dejan de mirar cuando el aprendizaje pierde ritmo

Para estudiar esa conducta, el equipo analizó registros de seguimiento ocular de 275 bebés de entre 8 y 15 meses. Los participantes observaban en una pantalla secuencias de figuras de colores cuyas posiciones seguían patrones que podían aprenderse.

Los estímulos no aparecían al azar. Cada figura estaba asociada con una sucesión de ubicaciones que ofrecía pistas sobre dónde se mostraría el siguiente elemento. Así, los investigadores pudieron medir cuánto interés despertaban escenarios con distintos niveles de información.

Los datos mostraron que los bebés eran sensibles a esa diferencia. Cuando su ritmo de aprendizaje caía por debajo de su promedio, dejaban de prestar atención y buscaban otro estímulo, según explicó Poli. El patrón sugiere que la exploración infantil no responde solo a una distracción aleatoria, sino a una tendencia a buscar situaciones que todavía ofrezcan algo posible de aprender.

Las redes más curiosas resolvieron mejor las tareas desconocidas

A partir de ese principio, los investigadores construyeron redes neuronales artificiales con diferentes niveles de curiosidad intrínseca. Luego las entrenaron con 20 tareas.

Los modelos definidos como más curiosos cambiaban de actividad cuando detectaban que el aprendizaje había caído por debajo de un umbral determinado. En cambio, las redes con menor curiosidad pasaban de una tarea a otra de forma aleatoria.

Todos los sistemas lograron dominar los ejercicios usados durante el entrenamiento. La diferencia surgió después, cuando fueron evaluados con desafíos que no habían visto antes. Las redes curiosas obtuvieron mejores resultados en pruebas nuevas, una señal de que podían combinar conocimientos previos de un modo más flexible.

Esa capacidad de aplicar lo aprendido en contextos diferentes suele considerarse una característica central de la cognición humana compleja. Para Poli, el resultado no implica que una red artificial reproduzca la mente humana, pero sí muestra que la forma de seleccionar experiencias puede modificar el tipo de aprendizaje que desarrolla un sistema.

La curiosidad generó módulos y conexiones similares a las del cerebro

El equipo también examinó cómo se organizaban las redes. Para ello, ubicó los modelos en un espacio virtual tridimensional inspirado en la anatomía cerebral humana y aplicó una penalización a las conexiones de larga distancia. El objetivo fue imitar el costo biológico que supone conectar neuronas alejadas entre sí.

Esa restricción por sí sola no produjo una arquitectura particularmente compleja. Sin embargo, al combinarla con curiosidad, aparecieron varios rasgos similares a los observados en cerebros biológicos. Las redes desarrollaron una estructura jerárquica y modular, con áreas de conexiones internas densas que, a su vez, mantenían vínculos entre ellas.

Además, los sistemas más curiosos atravesaron un proceso de crecimiento y reducción de conexiones. La densidad de sus enlaces primero aumentó y luego disminuyó, una trayectoria comparable con el desarrollo temprano del cerebro humano.

Durante el primer año de vida, la cantidad de sinapsis (las uniones por las que se comunican las neuronas) crece con rapidez. Más adelante ocurre una etapa de poda, en la que se eliminan conexiones menos útiles. Poli planteó que la búsqueda de información podría estar relacionada con ese mecanismo de selección entre lo que conviene conservar y lo que se descarta.

Los modelos más parecidos al cerebro humano llegaron a una edad virtual de 20 años

Para estimar el grado de desarrollo de cada red, los autores compararon el aumento y la caída de su densidad de conexiones con un perfil típico de maduración humana. De acuerdo con ese cálculo, los modelos que reunían curiosidad y una organización eficiente alcanzaban una edad biológica simulada cercana a 20 años.

En contraste, los sistemas que no tenían esa combinación permanecían en una fase equivalente a alrededor de 9 años. El hallazgo llamó la atención de Alireza Modirshanechi, de la Universidad de Gotinga, en Alemania, quien consideró esperable que la curiosidad optimice el aprendizaje al evitar tareas demasiado fáciles o demasiado difíciles.

Sin embargo, el investigador advirtió que todavía debe comprobarse si los modelos sin curiosidad podrían desarrollar rasgos similares con mucho más tiempo de entrenamiento. Poli sostuvo que esa explicación parece menos probable, ya que ambos grupos rindieron de modo comparable en las tareas básicas y la diferencia estuvo en la flexibilidad posterior.

El estudio reabre el debate sobre educación e inteligencia artificial

Los resultados también pueden aportar elementos para la educación. Poli señaló que obligar a los niños a permanecer demasiado tiempo en una única actividad podría resultar contraproducente durante las primeras etapas del desarrollo, si el objetivo es fomentar la exploración y la capacidad de adaptación.

La investigación abre, además, una discusión sobre el diseño de la inteligencia artificial. Una parte importante del sector apuesta por modelos cada vez más grandes, entrenados con más datos y recursos. El enfoque de este estudio propone que las restricciones y la búsqueda selectiva de información también podrían favorecer habilidades cognitivas complejas.

Modirshanechi no cree que estos resultados obliguen a abandonar la ampliación de los grandes modelos de lenguaje. Aun así, consideró que incorporar principios de curiosidad podría ayudar a crear sistemas más compatibles con las personas, capaces de formular las preguntas necesarias antes de ofrecer respuestas extensas.