Las redes neuronales se están diseñando en base a nuestro conocimiento actual del cerebro humano; por ejemplo, he trabajado mucho con el Proyecto Cerebro Humano, donde hacerlo es uno de los principales objetivos.
Las grandes diferencias que uno ve son: 1) la forma en que funciona la ‘computadora’ es esencialmente analógica, se basa en la evaluación de ecuaciones diferenciales continuas en tiempo real, que puede hacerse digitalmente (usando computadoras comunes o chips de propósito especial como como SpiNNaker) o usando chips analógicos (como en el sistema BrainScaleS) 2) la comunicación interneural ocurre a través de picos, generalmente eventos discretos (aunque modelados de manera completa y precisa pueden ser funciones continuas pero que cambian bruscamente) que no tienen un “contenido” de datos de la misma manera que, por ejemplo, la transmisión de una activación lo haría Existe un gran debate sobre cómo se ‘codifican’ los picos, es decir, cómo la transmisión de varios picos constituye algún tipo de información inteligible, pero hasta ahora los resultados no son concluyentes. 3) ve estructuras mucho más especializadas, como microcolumnas que están conectadas de manera específica (y, en general, la conectividad de una red similar al cerebro es bastante más escasa que las redes de aprendizaje automático, aunque generalmente hay más conexiones totales y una mayor cantidad de neuronas ) Hay mucho más que podría decir sobre estructuras específicas en el cerebro que la gente usa a menudo para aplicaciones ‘prácticas’; si hay demanda, puedo poner una lista de referencia de documentos para perseguir.
Sin embargo, y como otros han señalado, al mirarlo desde la perspectiva pragmática de resultados en el aquí y ahora, notará un cambio importante, casi siempre una disminución, en el rendimiento. Muchas redes simplemente no funcionarían en absoluto. El estado del arte en las redes neuronales con picos biológicos no se acerca en nada al aprendizaje automático convencional y aunque las personas como yo estamos trabajando en el problema, con la convicción de que al menos en algunos dominios de aplicación es probable que la computación similar al cerebro conduzca a sistemas de mayor rendimiento, ese día aún no ha llegado. Entonces, si está buscando una red neuronal para resolver una necesidad real y presente, utilice el aprendizaje automático convencional, si está buscando posibles tecnologías futuras que puedan ser prometedoras, vale la pena explorar redes similares al cerebro.
El otro punto importante, y esto también se ha dicho, pero quiero enfatizar esto aún más fuertemente, actualmente sabemos muy poco sobre el cerebro humano. Esto no puede exagerarse, hay muchas teorías pero no hay un consenso claro sobre cómo computa el cerebro, y eso es lo que importa cuando se trata de crear redes neuronales que funcionen. Sabemos bastante sobre los mecanismos subyacentes, especialmente a nivel molecular, pero eso es un poco análogo a decir que comprende la física del dispositivo de un transistor pero que aún no tiene una arquitectura formal para un microprocesador. Entonces, la computación similar al cerebro es una disciplina en evolución, las computadoras y simuladores que construimos hoy podrían resultar ridículamente erróneos, y en ese sentido, la generación actual de redes neuronales con picos puede verse en el contexto histórico de la misma manera que los ANN convencionales . Cuando se diseñaron los ANN convencionales por primera vez, se pensó que podrían ser similares al cerebro; Ahora reconocemos que esto probablemente está mal, pero han demostrado ser útiles, por lo que todavía están en uso. Lo mismo podría decirse de las redes de picos: se están comenzando a encontrar aplicaciones útiles, eventualmente podrían superar a los ANN convencionales, y luego aún más tarde podrían ser completamente diferentes de cómo funciona ‘realmente’ el cerebro. ¡Esta pregunta podría aparecer dentro de 20 años con solo un ligero cambio en la redacción!
