Neurocientíficos afirman que comprender plenamente la complejidad del cerebro humano requerirá nuevas estrategias de investigación que simulen mejor las condiciones del mundo real.
Los autores de un nuevo artículo afirman que la capacidad del cerebro para realizar «inferencias probabilísticas aproximadas» no puede estudiarse de verdad con tareas sencillas, «poco adecuadas para sacar a la luz los cálculos inferenciales que hacen especial al cerebro».
El artículo plantea que el cerebro utiliza un intercambio no lineal de mensajes entre poblaciones de neuronas conectadas y redundantes, que recurren a un modelo probabilístico del mundo. Ese modelo, transmitido de forma rudimentaria a través de la evolución y perfeccionado mediante el aprendizaje, simplifica la toma de decisiones basadas en conceptos generales y sus sesgos particulares.
El artículo, que presenta un amplio programa de investigación en neurociencia, se publicó en la revista Neuron.
«La evolución nos ha proporcionado lo que llamamos un buen sesgo de modelo», afirma Xaq Pitkow, profesor adjunto del Departamento de Neurociencia y codirector del Centro de Neurociencia e Inteligencia Artificial de la Universidad de Baylor, además de profesor adjunto de Ingeniería Eléctrica e Informática en la Universidad Rice.
«Desde hace un par de décadas se sabe que redes neuronales muy sencillas pueden calcular cualquier función, pero esas redes universales pueden ser enormes y requerir una cantidad extraordinaria de tiempo y recursos.
«En cambio, si se cuenta con el tipo de modelo adecuado —no uno completamente general que pueda aprender cualquier cosa, sino uno más limitado, capaz de aprender cosas específicas, sobre todo las que suelen darse en el mundo real—, se tiene un modelo sesgado. En este sentido, el sesgo puede ser una característica positiva. Lo usamos para ser sensibles a las cosas adecuadas del mundo que habitamos. Por supuesto, la otra cara de la moneda es que, cuando el sesgo de nuestro cerebro no se corresponde con la realidad, puede dar lugar a problemas graves».
Los investigadores afirman que las pruebas sencillas de los procesos cerebrales, como aquellas en las que los participantes eligen entre dos opciones, solo ofrecen resultados sencillos.
«Antes de tener acceso a grandes cantidades de datos, la neurociencia avanzó muchísimo gracias al uso de tareas sencillas, que seguirán siendo muy útiles», afirma Pitkow. «Pero hay aspectos de los cálculos que consideramos más importantes del cerebro que algunas de esas tareas simplemente no pueden revelar».
Pitkow y su coautora escriben que las tareas deberían incorporar más diversidad —como variables irrelevantes e incertidumbre— para simular mejor las condiciones del mundo real a las que el cerebro evolucionó para hacer frente.
Sugieren que el cerebro infiere soluciones a partir del intercambio estadístico de información entre códigos poblacionales redundantes. Los códigos poblacionales son respuestas de conjuntos de neuronas sensibles a ciertos estímulos, como la forma o el movimiento de un objeto. Pitkow y su coautora consideran que, para comprender mejor el cerebro, puede ser más útil describir qué cálculos realizan estas poblaciones que precisar cómo los realiza cada neurona individual. Pitkow afirma que esto supone pensar «en el nivel representacional» en lugar de hacerlo «en el nivel mecanicista», tal como lo describió el influyente científico de la visión David Marr.
La investigación tiene implicaciones para la inteligencia artificial, otro ámbito de interés para ambos investigadores.
«La inteligencia artificial ha logrado avances impresionantes últimamente, pero todavía falla de formas espectaculares», afirma Pitkow.
«Pueden jugar al antiguo juego del Go y vencer al mejor jugador humano del mundo, como hizo recientemente AlphaGo, de DeepMind, casi una década antes de lo que nadie esperaba. Pero AlphaGo no sabe cómo recoger las fichas del Go. Incluso los mejores algoritmos son extremadamente especializados. Su capacidad para generalizar sigue siendo bastante limitada», afirma.
«Nuestros cerebros tienen un modelo del mundo mucho mejor; podemos aprender más con menos datos. Las teorías de la neurociencia sugieren formas de traducir los experimentos en algoritmos más inteligentes que podrían conducir a una mayor comprensión de la inteligencia general».
La investigación contó con el apoyo de la Fundación McNair, la Fundación Nacional de Ciencias, Britton Sanderford, la Actividad de Proyectos de Investigación Avanzada de Inteligencia a través del Departamento del Interior/Centro de Negocios del Interior, la Colaboración Simons sobre el Cerebro Global y los Institutos Nacionales de Salud.
