Crean un modelo de IA inspirado en el cerebro humano y usando neuronas de monos

Un equipo de científicos estadounidenses ha desarrollado un modelo de IA diminuto, capaz de ser enviado como archivo adjunto por correo electrónico, y basado en los mecanismos de procesamiento visual de los primates.

Este avance, liderado por el Laboratorio Cold Spring Harbor (CSHL) junto a las universidades Carnegie Mellon y Princeton, representa un salto notable frente a los sistemas actuales que requieren grandes infraestructuras computacionales y consumen enormes cantidades de energía.

El reto de imitar al cerebro humano ha sido una aspiración constante en el campo de la inteligencia artificial. Aunque las redes neuronales artificiales han alcanzado logros impresionantes, como el reconocimiento de imágenes y el procesamiento de lenguaje, su eficiencia energética dista mucho de la del cerebro biológico.

El cerebro humano realiza tareas complejas utilizando menos energía que una bombilla, una marca que los sistemas de IA comerciales aún no han podido igualar.

Cuál fue la inspiración en el cerebro y motivación del proyecto

La motivación de los investigadores partió de la observación de que el cerebro humano, y en particular el de los primates, realiza proezas de percepción visual utilizando muy poca energía y recursos. Mientras que los modelos de IA tradicionales requieren potentes chips de silicio y un alto consumo de energía y agua, el cerebro ha optimizado sus circuitos durante millones de años para procesar información visual de forma eficiente.

El equipo no se propuso inicialmente crear un modelo de IA compacto. Su objetivo principal era comprender cómo el cerebro interpreta el mundo visual, especialmente a través del sistema visual de los primates. Los científicos se centraron en el área V4 del cerebro, fundamental en la codificación de colores, texturas, curvas y otros patrones visuales.

Para ello, utilizaron datos provenientes de neuronas de monos macacos, cuyas respuestas neuronales fueron registradas mientras los animales observaban imágenes naturales cuidadosamente seleccionadas. Este enfoque permitió a los investigadores construir un puente entre la actividad cerebral y la representación digital de la visión.

Así fue la construcción del modelo de inteligencia artificial

El proceso comenzó con la creación de un modelo de IA de gran tamaño, entrenado para predecir con precisión la respuesta de neuronas individuales a cada imagen presentada. Este modelo inicial contaba con cerca de 60 millones de parámetros, lo que le permitía superar en rendimiento a los sistemas de visión artificial más avanzados, logrando predecir la actividad neuronal con más de 30% de mejora respecto a los modelos previos.

Sin embargo, el verdadero avance llegó con la compresión drástica del modelo. Mediante técnicas especializadas, el equipo redujo el modelo hasta alcanzar alrededor de 10.000 parámetros por cada red compacta, una disminución de aproximadamente 1/5.000 respecto al original.

Este tamaño minúsculo hace posible enviar el modelo completo como archivo adjunto por correo electrónico, algo impensable para las arquitecturas actuales.

La compresión no solo redujo el tamaño, sino que permitió visualizar y analizar el funcionamiento interno del sistema. Cada red compacta se entrenó para predecir el comportamiento de una única neurona registrada, lo cual facilitó rastrear de forma precisa qué características visuales activaban cada célula.

La miniaturización del modelo no implicó una pérdida significativa de precisión. Por el contrario, permitió a los investigadores observar directamente qué patrones o características de las imágenes provocaban la activación de las neuronas.

Se descubrió que las primeras capas del modelo funcionaban como filtros para detectar bordes y colores, mientras que las capas posteriores consolidaban esta información y generaban una preferencia especializada para cada célula.

En qué podría usarse este nuevo modelo de IA

El impacto potencial de este avance va más allá del campo de la visión artificial. La posibilidad de entender y replicar la dinámica de comunicación entre neuronas abre nuevas vías para abordar enfermedades neurodegenerativas como el Alzheimer.

Según el profesor Cowley, si se logran identificar las imágenes que estimulan la comunicación entre neuronas, en el futuro podría ser posible reconstruir sinapsis perdidas en patologías donde la pérdida de conexiones neuronales precede al deterioro cognitivo.

Este tipo de modelos también podría revolucionar aplicaciones tecnológicas, como los sistemas de propulsión de vehículos autónomos, dotándolos de una visión más precisa y a la vez mucho más eficiente en términos energéticos.

Además, contribuyen a desmitificar la llamada “caja negra” de la inteligencia artificial, permitiendo que cada paso del procesamiento sea entendible y rastreable, en contraste con los modelos gigantescos y opacos que dominan la industria.

El descubrimiento de que la predicción cerebral puede realizarse con sistemas diminutos y transparentes cuestiona la necesidad de arquitecturas cada vez más complejas y costosas.