Avance en la IA: Redes neuronales artificiales «evolucionan» inspirándose en la naturaleza

Este avance, basado en un modelo inspirado en la compresión del «genoma» humano, promete revolucionar la forma en que la inteligencia artificial (IA) aborda la resolución de problemas.

Crédito: MysteryPlanet.com.ar.

En la naturaleza, los animales heredan habilidades instintivas a través de su ADN, permitiéndoles realizar tareas complejas como nadar, volar o construir estructuras desde una edad temprana. Sin embargo, el genoma humano tiene una capacidad de almacenamiento limitada, lo que plantea el enigma de cómo se transmite tanta información en un espacio tan reducido.

Recientemente, un equipo del Cold Spring Harbor Laboratory (CSHL) en Nueva York, liderado por los profesores Anthony Zador y Alex Koulakov, adoptó este principio para desarrollar una red neuronal artificial (ANN, por sus siglas en inglés) que utiliza un «genoma comprimido» para establecer reglas simples de conectividad. Estas reglas replican la forma en que los animales integran instintos con aprendizaje, permitiendo a la IA operar de manera efectiva desde su inicio.

¿Cómo funciona el «genoma comprimido»?

Las redes neuronales artificiales suelen requerir grandes cantidades de datos y tiempo para entrenarse. En este modelo, las conexiones neuronales no se diseñan explícitamente, sino que se generan siguiendo reglas básicas, como «conectarse con los vecinos más cercanos». Este enfoque imita cómo los cerebros biológicos construyen estructuras complejas a partir de principios simples.

El resultado es una red más eficiente y optimizada desde el inicio, que evoluciona siguiendo un proceso similar a la selección natural. Según los investigadores, este «cuello de botella genómico» obliga al sistema a priorizar soluciones compactas y efectivas, transformando las limitaciones en ventajas.

«¿Y si la capacidad limitada del genoma es precisamente lo que nos hace tan inteligentes?», se preguntó Koulakov. «¿Y si es una característica, no un defecto?».

Resultados prometedores y futuro

Las pruebas iniciales revelaron que las redes neuronales desarrolladas con este método lograron un rendimiento comparable al de redes completamente entrenadas, incluso antes de someterse a un entrenamiento intensivo. Esto resalta el potencial de optimizar las redes desde la etapa de inicialización, un aspecto tradicionalmente subestimado en el desarrollo de IA.

Y si bien persisten desafíos, como la transmisión de comportamientos específicos más allá de reglas generales, este avance no solo redefine la eficiencia en las redes neuronales, sino que también abre nuevas posibilidades para desarrollar sistemas de IA que emulen el aprendizaje y la adaptabilidad de los seres vivos.

A largo plazo, esta tecnología podría sentar las bases para una IA más intuitiva y versátil, capaz de resolver problemas complejos con menos dependencia de grandes volúmenes de datos.

El estudio, titulado Encoding Innate Ability Through a Genomic Bottleneck, fue publicado en la revista Proceedings of the National Academy of Sciences.

Fuente: PNAS. Edición: MP.