Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans

Este artículo presenta un modelo generativo basado en redes neuronales predictivas que crea ilusiones de movimiento efectivas en humanos, respaldando la hipótesis de que estas ilusiones surgen de las predicciones cerebrales y destacando el valor de estudiar las "fallos motivados" en la inteligencia artificial.

Lo esencial

¡Claro que sí! Imagina que el cerebro humano es como un chef experto que cocina todo el tiempo, pero no solo con ingredientes reales, sino también con sus propias recetas imaginarias.

Aquí tienes la explicación de este fascinante artículo, traducida a un lenguaje sencillo y con algunas analogías para que lo entiendas perfectamente:

🧠 La Gran Idea: ¿Por qué vemos movimiento donde no lo hay?

¿Alguna vez has mirado una foto estática (que no se mueve) y has sentido que las formas giran o se expanden? Eso es una ilusión óptica de movimiento.

Los científicos se preguntaron: ¿Por qué ocurre esto?
La teoría ganadora en este artículo es que nuestro cerebro es un máquina de adivinanzas. En lugar de solo "ver" lo que hay, el cerebro intenta predecir lo que va a pasar a continuación.

• La analogía del conductor: Imagina que conduces un coche a toda velocidad. No esperas a ver el obstáculo para frenar; tu cerebro predice que va a haber uno y ya está pisando el freno.
• El problema: A veces, el cerebro es tan bueno adivinando que "alucina" un movimiento que no existe. Cuando ve un patrón que parece una pista de movimiento (como las serpientes giratorias), el cerebro dice: "¡Seguro que esto se mueve!" y te hace ver movimiento aunque la foto esté quieta.

🤖 El Experimento: ¿Podemos engañar a una IA igual que a un humano?

Los autores (Lana y Eiji) querían probar si las máquinas pueden tener el mismo "defecto" que los humanos. Si una máquina de Inteligencia Artificial (IA) falla de la misma manera que nosotros, significa que funciona de manera muy similar a nuestro cerebro.

El "Robot Chef" (EIGen):
Crearon un sistema llamado EIGen (Evolutionary Illusion GENerator). Funciona así:

1. El Entrenado: Tienen una IA que ha visto miles de videos de gente paseando por un parque. Esta IA es experta en predecir qué pasará en el siguiente segundo del video.
2. El Generador: Tienen otro programa (como un artista evolutivo) que crea miles de imágenes al azar.
3. La Prueba: Le muestran una imagen estática a la IA de predicción. Si la IA dice "¡Esto se mueve hacia la derecha!" cuando la imagen está quieta, ¡es una ilusión!
4. La Evolución: El sistema crea miles de imágenes, descarta las que no funcionan y mejora las que sí hacen "alucinar" a la IA, hasta encontrar las mejores.

🎨 El Resultado: ¡La IA crea arte que nos engaña!

Lo increíble es que el sistema EIGen no le dijeron cómo hacer ilusiones. Simplemente le dijeron: "Crea imágenes que hagan que mi IA de predicción se equivoque y vea movimiento".

• El hallazgo: La IA generó imágenes que, al mostrarlas a personas reales, ¡también les hacían ver movimiento!
• El "Redescubrimiento": La IA llegó por su cuenta a crear imágenes muy parecidas a ilusiones famosas creadas por humanos (como la de las "Serpientes Giratorias" o el "Medaka").
• La prueba definitiva: Si la IA falla (alucina movimiento) y el humano falla (alucina movimiento) con la misma imagen, es una señal de que ambos usan el mismo mecanismo interno: la predicción.

🧩 ¿Qué significa esto para el futuro?

El artículo tiene un mensaje filosófico muy bonito: A veces, fallar es bueno.

En el mundo de la Inteligencia Artificial, normalmente queremos que las máquinas sean perfectas. Pero aquí, los autores dicen que si queremos entender el cerebro humano, debemos buscar dónde fallan las máquinas igual que fallamos nosotros.

• Analogía final: Imagina que dos relojes son diferentes. Si ambos se detienen exactamente a la misma hora por la misma razón, es probable que tengan el mismo mecanismo interno, aunque por fuera parezcan distintos.
• Conclusión: Al crear una IA que "alucina" movimiento igual que nosotros, los científicos nos dicen que el cerebro humano no es una cámara de fotos pasiva, sino un proyector activo que a veces proyecta sus propias predicciones en lugar de la realidad.

En resumen:
Crearon un "robot artista" que aprendió a pintar trampas visuales. Cuando mostraron esas trampas a humanos, funcionaron. Esto nos confirma que nuestro cerebro y la inteligencia artificial comparten un secreto: ambos viven más en sus predicciones que en la realidad pura.

Resumen técnico

Resumen Técnico: Ilusiones de Movimiento Generadas por Redes Neuronales Predictivas

1. El Problema

La percepción de movimiento en imágenes estáticas (ilusiones de movimiento, como la famosa "Serpiente Giratoria") es un fenómeno bien documentado pero cuya causa subyacente carece de una explicación definitiva. Aunque existen diversas teorías (movimientos oculares, sensibilidad asincrónica al luminancia, etc.), la hipótesis de la codificación predictiva sugiere que estas ilusiones son un efecto secundario de la capacidad del cerebro para predecir el entorno. Según esta teoría, el cerebro suprime la entrada sensorial real cuando sus predicciones internas son fuertes; si un patrón estático comparte características con patrones que "usualmente predicen movimiento", el cerebro predice y percibe movimiento donde no lo hay.

El desafío principal es validar si las redes neuronales artificiales (RNA) comparten los mismos principios de funcionamiento que el cerebro humano. La mayoría de los modelos de IA fallan de manera diferente a los humanos (ej. imágenes adversarias), lo que sugiere que no son modelos cognitivos profundos. Este trabajo busca demostrar que, al replicar las "fallas" biológicas (ilusiones) en un sistema artificial, se puede validar que ambos sistemas operan bajo principios comunes.

2. Metodología: Enfoque de "Percepción Artificial"

Los autores proponen un marco de cuatro pasos para validar sistemas artificiales como "cognitivamente miméticos":

1. Documentar una falla en el sistema biológico (percepción de movimiento ilusorio).
2. Replicar la transición de falla a éxito en un sistema artificial.
3. Documentar nuevas fallas en el sistema artificial (generar nuevas ilusiones).
4. Verificar que estas nuevas fallas se repliquen en el sistema biológico (humanos).

Para lograr esto, desarrollaron EIGen (Evolutionary Illusion GENerator), un modelo generativo compuesto por dos módulos principales:

• Módulo Evaluador (PredNet): Utiliza una red neuronal predictiva preentrenada (PredNet) basada en el principio de codificación predictiva. Esta red fue entrenada con el conjunto de datos First Person Interaction (FPSI) para predecir el siguiente fotograma de un video.

  • Funcionamiento: Se presenta una secuencia de 20 fotogramas idénticos (una imagen estática repetida). Si la red predice un movimiento (rotación, expansión) en la salida, se interpreta como una "ilusión" generada por el modelo.
  • Se calcula el flujo óptico (método Lucas-Kanade) entre la entrada y la predicción para cuantificar la dirección y magnitud del movimiento ilusorio.

• Módulo Generador (Evolución): Utiliza Redes de Producción de Patrones Composicionales (CPPN) optimizadas mediante el algoritmo evolutivo NEAT (NeuroEvolution of Augmenting Topologies).

  • Estructura: Las imágenes generadas son círculos con bandas concéntricas de patrones repetitivos, donde las bandas adyacentes tienen orientaciones invertidas (horario/antihorario).
  • Función de Aptitud (Fitness Function): El algoritmo evoluciona las imágenes maximizando una puntuación basada en cuatro condiciones heurísticas derivadas de ilusiones humanas conocidas:
    1. Muchos vectores de movimiento (fuentes múltiples).
    2. Vectores grandes (movimiento fuerte).
    3. Orientación y sentido alineados con los vecinos (coherencia).
    4. Vectores con dirección opuesta a los vecinos (contraste).

3. Contribuciones Clave

• EIGen: La primera arquitectura capaz de generar nuevas ilusiones de movimiento estáticas mediante la evolución de patrones basados en la predicción de una red neuronal.
• Validación de la Codificación Predictiva: Al demostrar que una red entrenada exclusivamente para predecir videos reales es engañada por imágenes estáticas generadas evolutivamente, se proporciona evidencia fuerte de que la codificación predictiva es un mecanismo causal en la percepción de ilusiones.
• Redescubrimiento de Ilusiones: El sistema EIGen logró "redescubrir" automáticamente ilusiones humanas clásicas, como la ilusión de Fraser-Wilcox y la ilusión de "Medaka" (escuela de peces), sin haber sido programado con ellas explícitamente.
• Enfoque de "Fallas Motivadas": El artículo aboga por utilizar los fallos compartidos entre humanos y máquinas como una vía para el desarrollo de IA y vida artificial más biológicamente plausibles.

4. Resultados

Se realizó una encuesta psicométrica con 293 participantes humanos para evaluar las ilusiones generadas por EIGen y compararlas con ilusiones humanas conocidas (Serpiente Giratoria, Fraser-Wilcox).

• Eficacia en Humanos:
  • Las ilusiones generadas por EIGen (especialmente las versiones en escala de grises con movimiento rotatorio) fueron percibidas como movimiento por una proporción significativa de participantes (aprox. 1/3 a la mitad de los encuestados reportaron movimiento en las imágenes generadas).
  • Las ilusiones en color generadas por el modelo fueron menos efectivas que las de escala de grises.
  • La "Serpiente Giratoria" (creada por humanos) sigue siendo la ilusión más potente, superando a las generadas por IA, lo que indica que la función de aptitud actual de EIGen no captura toda la complejidad de la percepción humana.
• Correlación Modelo-Humano:
  • Hubo una coincidencia notable: las imágenes que el modelo predijo que tenían movimiento rotatorio fueron percibidas como rotatorias por los humanos.
  • En casos donde el modelo predijo movimiento radial (expansión/contracción), los humanos a menudo aún percibían rotación, sugiriendo que el modelo no es perfecto, pero comparte principios funcionales.
• Redescubrimiento: EIGen convergió hacia soluciones visualmente similares a las ilusiones de Kitaoka (Fraser-Wilcox y Medaka) cuando se le forzaba a usar salidas binarias, validando que el espacio de soluciones evolutivas incluye las ilusiones humanas.

5. Significado e Implicaciones

• Validación de Modelos Cognitivos: El estudio demuestra que las redes neuronales predictivas no solo son herramientas de procesamiento de datos, sino que pueden actuar como modelos funcionales de la percepción humana. El hecho de que "fallen" de la misma manera que los humanos (viendo movimiento donde no lo hay) sugiere que comparten mecanismos internos profundos.
• Nuevas Herramientas para la Investigación: EIGen ofrece un método para generar ilusiones personalizadas y explorar el espacio de parámetros que induce ilusiones, algo difícil de hacer manualmente.
• Futuro de la IA: El trabajo sugiere que para crear sistemas de IA más robustos y similares a la biología, no solo debemos buscar el éxito (precisión), sino también replicar y estudiar los "fallos" biológicos. Esto abre una nueva vía para la investigación en Inteligencia Artificial y Vida Artificial, enfocándose en sistemas "cognitivamente miméticos".

En conclusión, el paper proporciona evidencia empírica sólida de que la percepción de ilusiones de movimiento es un subproducto de la codificación predictiva, y que los sistemas artificiales diseñados bajo este principio pueden replicar y generar estas ilusiones, engañando a los ojos humanos de manera similar a como lo hacen las ilusiones creadas por artistas.