Un nuevo enfoque podría cambiar la Inteligencia Artificial

A pesar del gran éxito de ChatGPT y otros grandes modelos lingüísticos, las redes neuronales artificiales (RNA) que sustentan estos sistemas podrían estar en el camino equivocado.

Por un lado, las RNA son “hambrientas de superpoderes”, afirmó Cornelia Fermüller, científica informática de la Universidad de Maryland. "Y el otro problema es [su] falta de transparencia". Estos sistemas son tan complicados que nadie entiende realmente lo que están haciendo o por qué funcionan tan bien. Esto, a su vez, hace que sea casi imposible hacerlos razonar por analogía, que es lo que hacen los humanos: usar símbolos para objetos, ideas y las relaciones entre ellos.

Es probable que estas deficiencias se deriven de la estructura actual de las RNA y sus componentes básicos: neuronas artificiales individuales. Cada neurona recibe entradas, realiza cálculos y produce salidas. Las RNA modernas son redes elaboradas de estas unidades computacionales, entrenadas para realizar tareas específicas.

Sin embargo, las limitaciones de las RNA son obvias desde hace mucho tiempo. Consideremos, por ejemplo, una RNA que distingue círculos y cuadrados. Una forma de hacerlo es tener dos neuronas en su capa de salida, una que indique un círculo y otra que indique un cuadrado. Si desea que su ANN también distinga el color de la forma (azul o rojo), necesitará cuatro neuronas de salida: una para el círculo azul, una para el cuadrado azul, una para el círculo rojo y una para el cuadrado rojo. Más funciones significan aún más neuronas.

No puede ser así como nuestro cerebro percibe el mundo natural, con todas sus variaciones. "Hay que proponer que, bueno, tenemos una neurona para todas las combinaciones", dijo Bruno Olshausen, neurocientífico de la Universidad de California, Berkeley. “Entonces, tendrías en tu cerebro, [digamos], un detector de Volkswagen violeta”.

En cambio, Olshausen y otros sostienen que la información en el cerebro está representada por la actividad de numerosas neuronas. De modo que la percepción de un Volkswagen violeta no está codificada como las acciones de una sola neurona, sino como las de miles de neuronas. El mismo conjunto de neuronas, que se activan de manera diferente, podría representar un concepto completamente diferente (un Cadillac rosa, tal vez).

Este es el punto de partida de un enfoque de la computación radicalmente diferente conocido como computación hiperdimensional. La clave es que cada pieza de información, como la noción de automóvil, o su marca, modelo o color, o todo junto, se representa como una sola entidad: un vector hiperdimensional.

Un vector es simplemente una matriz ordenada de números. Un vector 3D, por ejemplo, consta de tres números: las coordenadas x, y, z de un punto en el espacio 3D. Un vector hiperdimensional, o hipervector, podría ser una matriz de 10.000 números, por ejemplo, que representan un punto en un espacio de 10.000 dimensiones. Estos objetos matemáticos y el álgebra para manipularlos son lo suficientemente flexibles y potentes como para llevar la informática moderna más allá de algunas de sus limitaciones actuales y fomentar un nuevo enfoque de la inteligencia artificial.

"Esto es lo que más me ha entusiasmado, prácticamente en toda mi carrera", dijo Olshausen. Para él y para muchos otros, la computación hiperdimensional promete un nuevo mundo en el que la computación es eficiente y robusta, y las decisiones tomadas por máquinas son completamente transparentes.

Fuente: quantamagazine.org