La cuestión de intentar copiar sistemas biológicos es que existe la posibilidad de pasar por alto o perderse algo. El atractivo de los modelos de redes neuronales significa que una gran cantidad de trabajo de investigación hoy en día está fuertemente enfocado en la dirección de la bioimimetría y en realidad es una dirección muy válida porque el cerebro humano o el cerebro de los mamíferos son extraordinariamente adaptativos y es importante mirarlos y ver qué tipo de cosas los hace funcionar. Podemos intentar descifrar teorías que luego podamos adaptar a nuestros algoritmos de aprendizaje automático.
Aunque esta imitación tiene un precio de simplificación excesiva, no es posible implementar cada una de las teorías de la neurociencia en un programa de computadora sin complicar demasiado las cosas. Así, en realidad, las redes neuronales artificiales son muy simples en comparación con sus contrapartes biológicas.
Pero no debemos ser felices y empujar demasiado en la dirección de la mímica porque podemos terminar haciendo simulaciones y las simulaciones son computacionalmente intensivas, esto es lo que veo con el aprendizaje profundo. Pero no es del todo malo hacer simulaciones porque a veces es una forma de crear sistemas altamente optimizados. La IA no debería ser solo una simulación porque hay mucho que sucede en los sistemas inteligentes, tanto que estos sistemas deberían ser eficientes, no solo confiar en cálculos paralelos de fuerza bruta, de nuevo veo esto en el aprendizaje profundo.
Por lo tanto, el cerebro biológico tiene más de lo que parece, intentar copiar el hardware biológico puede llevar a un callejón sin salida, pero tratar de copiar los algoritmos en sí mismos puede conducir a una verdadera IA. Por lo tanto, un sistema biológicamente motivado no necesita parecerse estructuralmente a un sistema biológico, sino que debe hacerlo algorítmicamente. Esto se puede explicar aún más al comparar los aviones con las aves, los aviones no aletean las alas, pero la física detrás de un avión y un pájaro son iguales o casi iguales, todo es aerodinámica en el trabajo. Lo mismo se aplica a la IA, de alguna manera hay muchas formas de lograr la IA, pero no todas necesitan “batir las alas”.
Es como diferentes sistemas de hardware que ejecutan el mismo algoritmo, el resultado es el mismo, pero algunos de esos sistemas de hardware son muy adecuados para implementar algoritmos particulares. Esto significa que la eficiencia puede estar en juego si nos equivocamos. La IA no se trata solo de resolver un problema, sino también de qué tan eficientemente se resuelve el problema. Personalmente, siento que el cerebro tiene muchas formas de asegurarse de que sus actividades neuronales sean lo más escasas posible. Por ejemplo, si se observa una cara solo ciertas regiones del cerebro se disparan mientras otras permanecen inactivas, ¿cómo sucede eso? el cerebro implementa de alguna manera algoritmos eficientes en lugar de algunos algoritmos de fuerza bruta.
El cerebro tiene alguna forma de canalizar la señal sensorial entrante a las regiones correctas para la conservación adecuada de la energía. La energía es un recurso escaso en el medio ambiente, por lo que es absolutamente importante que los algoritmos del cerebro sean eficientes por el uso adecuado de la energía.
Dicho esto, ahora está claro que siento firmemente que las redes neuronales no son el único juego real en la ciudad. Hay muchas formas en que un solo algoritmo puede implementarse estructuralmente, esto se debe a que la estructura puede no ser el factor limitante sino el algoritmo. Las neuronas biológicas pueden contar, las computadoras digitales también pueden contar, ese es el mismo algoritmo que se ejecuta en sistemas estructuralmente diferentes. Por lo tanto, la inteligencia es solo un algoritmo que puede ejecutarse en diferentes sistemas de hardware biológicos o no.
Los cerebros biológicos son inteligentes, por lo que las máquinas también pueden ser inteligentes, pero no necesitan ser estructuralmente similares.
Espero que esto ayude.