A pesar de los miles de millones de dólares invertidos y de décadas de investigación, la computación en el cerebro humano sigue siendo en gran medida un misterio. Mientras tanto, hemos logrado grandes avances en el desarrollo de redes neuronales artificiales, diseñadas para imitar de forma aproximada cómo computan los cerebros. Hemos aprendido mucho sobre la naturaleza de la computación neuronal a partir de estos cerebros artificiales, y ha llegado el momento de aplicar lo aprendido a los cerebros biológicos.
Las enfermedades neurológicas están en aumento en todo el mundo, por lo que comprender mejor la computación en el cerebro es un problema apremiante. Dada la capacidad de las redes neuronales artificiales modernas para resolver problemas complejos, un marco para la neurociencia guiado por los conocimientos del aprendizaje automático podría desvelar valiosos secretos sobre nuestros propios cerebros y sobre cómo pueden funcionar mal.
Nuestros pensamientos y comportamientos son generados por computaciones que tienen lugar en nuestro cerebro. Para tratar eficazmente los trastornos neurológicos que alteran nuestros pensamientos y comportamientos, como la esquizofrenia o la depresión, probablemente tengamos que comprender cómo fallan las computaciones en el cerebro.
Sin embargo, comprender la computación neuronal ha demostrado ser un desafío inmensamente difícil. Cuando los neurocientíficos registran la actividad del cerebro, esta es a menudo indescifrable.
En un artículo publicado en Nature Neuroscience, mis coautores y yo sostenemos que las lecciones que hemos aprendido de las redes neuronales artificiales pueden guiarnos por el camino correcto para comprender el cerebro como un sistema computacional y no como un conjunto de células indescifrables.
Modelos de redes cerebrales
Las redes neuronales artificiales son modelos computacionales que imitan de forma aproximada las propiedades de integración y activación de las neuronas reales. Se han vuelto omnipresentes en el campo de la inteligencia artificial.
Para construir redes neuronales artificiales, primero se diseña la arquitectura de la red: cómo se conectan entre sí los distintos componentes de la red. Después, se define el objetivo de aprendizaje de la arquitectura, como «aprender a predecir lo que vas a ver a continuación». Luego, se define una regla que indica a la red cómo cambiar para alcanzar ese objetivo utilizando los datos que recibe.
Lo que no se hace es especificar cómo funcionará cada neurona de la red. Se deja en manos de la red determinar cómo debe funcionar cada neurona para cumplir mejor la tarea. Creo que el desarrollo del cerebro es probablemente el producto de un proceso similar, tanto en una escala temporal evolutiva como en la escala temporal del aprendizaje individual a lo largo de la vida.
Asignación de funciones a las neuronas
Esto pone en duda la utilidad de intentar determinar las funciones de las neuronas individuales del cerebro, cuando es posible que estas neuronas sean el resultado de un proceso de optimización muy parecido al que observamos con las redes neuronales artificiales.
Los distintos componentes de las redes neuronales artificiales suelen ser muy difíciles de comprender. No existe una descripción verbal o matemática sencilla que explique exactamente qué hacen.
En nuestro artículo proponemos que lo mismo ocurre con el cerebro, por lo que debemos alejarnos de intentar comprender el papel de cada neurona en el cerebro y, en cambio, fijarnos en la arquitectura del cerebro, es decir, su estructura de red; los objetivos de optimización, ya sea en la escala evolutiva o dentro de la vida de la persona; y las reglas mediante las que el cerebro se actualiza a sí mismo, ya sea a lo largo de generaciones o dentro de una vida, para alcanzar esos objetivos. Al definir estos tres componentes, podemos llegar a comprender mucho mejor cómo funciona el cerebro que intentando describir lo que hace cada neurona.
Marcos de optimización
Una aplicación exitosa de este enfoque ha demostrado que las neuronas liberadoras de dopamina del cerebro parecen codificar información sobre recompensas inesperadas, p. ej., la entrega inesperada de algún alimento. Este tipo de señal, denominada error de predicción de recompensa, se utiliza a menudo para entrenar redes neuronales artificiales para maximizar las recompensas que obtienen.
Por ejemplo, al programar una red neuronal artificial para interpretar los puntos obtenidos en un videojuego como recompensa, se pueden usar los errores de predicción de recompensa para entrenar a la red a jugar al videojuego. En el cerebro real, como en las redes neuronales artificiales, aunque no entendamos qué significa cada señal individual, podemos comprender el papel de estas neuronas y de las neuronas que reciben sus señales en relación con el objetivo de aprendizaje de maximizar las recompensas.
Aunque las teorías actuales de la neurociencia de sistemas son bellas y perspicaces, creo que un marco cohesivo basado en la forma en que la evolución y el aprendizaje moldean nuestro cerebro podría llenar muchos de los vacíos con los que hemos estado luchando.
Para avanzar en la neurociencia de sistemas será necesario tanto un trabajo descriptivo de abajo arriba, como rastrear las conexiones y los patrones de expresión génica de las células del cerebro, como un trabajo teórico de arriba abajo, que utilice redes neuronales artificiales para comprender los objetivos y las reglas de aprendizaje.
Dada la capacidad de las redes neuronales artificiales modernas para resolver problemas complejos, un marco para la neurociencia de sistemas guiado por los conocimientos del aprendizaje automático podría desvelar valiosos secretos sobre el cerebro humano.
