Simular las capacidades cognitivas del cerebro humano ha sido el objetivo de la inteligencia artificial (IA) desde sus inicios. No es sorprendente que las arquitecturas de IA más comunes estén inspiradas en neuronas interconectadas como sucede en nuestros cerebros. Las neuronas son los componentes básicos de la computación del cerebro; comprender cómo funcionan ha quitado el sueño a muchos neurocientíficos desde los días de la “Doctrina de la neurona” del Español Santiago Ramón y Cajal. En el mundo de la IA, las redes neuronales profundas (RNP) son la clase más común de arquitecturas inspiradas en las capacidades computacionales de las neuronas.
Uno de los aspectos más desafiantes para comprender las relaciones entre las RNP y el cerebro humano es recrear la correspondencia entre las neuronas en ambas estructuras. Sabemos que una neurona cerebral no es equivalente a una neurona RNP, pero ¿cuáles son las diferencias desde un punto de vista computacional? Una nueva y reciente investigación de la Universidad Hebrea de Jerusalén ofrece una respuesta bastante impactante.
Con el título "Las neuronas corticales individuales como redes neuronales artificiales profundas", es probable que el artículo se convierta en una de las publicaciones de inteligencia artificial más importantes de este año. El objetivo del trabajo se podría resumir en una sola pregunta:
¿Cuál es la RNP más simple que captura fielmente las propiedades de E / S de este modelo de neurona (humana) única más básica?
Los investigadores propusieron una técnica que mapea las capacidades de E / S de una neurona biológica a su estructura equivalente RNP. Para hacer eso, entrenaron una RNP en un conjunto de datos que contiene la entrada sináptica y la salida axonal respectiva del modelo biofísico. Resulta que la recreación de una sola neurona cortical requiere una estructura RNP de hasta siete capas ocultas. Este resultado sugiere claramente que una sola neurona es un complejo único computacional y nos lleva a imaginar la complejidad requerida para simular estructuras más complejas del cerebro.
