Curiosity shapes brain-like architectures and functions
Este artículo demuestra que combinar la curiosidad propia de un lactante con restricciones biofísicas similares a las del cerebro es suficiente para impulsar la emergencia de arquitecturas neuronales complejas y capacidades cognitivas, tales como la generalización composicional, en las redes neuronales artificiales.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
La mente humana es un lugar de infinitas posibilidades. A partir de un puñado de simples bloques de construcción, podemos construir pensamientos infinitos, planificar futuros distantes y dar sentido a un mundo que nunca deja de cambiar. Durante más de un siglo, los científicos han mapeado los comportamientos y los circuitos cerebrales que permiten esto, pero un misterio fundamental permanece: ¿cómo es que un sistema compuesto por partes simples se convierte en una mente capaz de una complejidad tan profunda? Una idea de larga data sugiere que el cerebro no viene preconfigurado con cada respuesta. En cambio, podría autoorganizarse, dándose forma a través de la interacción de los límites biológicos y las experiencias que acumula con el tiempo. Sin embargo, probar esta teoría en un cerebro humano vivo es imposible; no podemos despojar a un niño de su curiosidad ni reorganizar el cableado de su cerebro para ver qué sucede. Para resolver este rompecabezas, los investigadores han recurrido a un tipo diferente de laboratorio: la simulación por computadora. Al construir cerebros artificiales que siguen reglas específicas, los científicos pueden observar cómo la complejidad emerge de la simplicidad, ofreciendo una ventana a cómo nuestras propias mentes podrían haber tomado forma.
En un nuevo estudio, los investigadores se propusieron ver si dos ingredientes específicos eran suficientes para construir una máquina con rasgos mentales. Tomaron una población de redes neuronales artificiales —programas informáticos diseñados para imitar la forma en que se conectan las neuronas— y les otorgaron dos rasgos humanos. El primero fue una forma de curiosidad, modelada según la manera en que los infantes exploran el mundo. El segundo fue un conjunto de restricciones físicas, que imitan los costos biológicos que enfrentan los cerebros reales, como la energía requerida para construir conexiones largas entre partes distantes del cerebro. Los investigadores querían saber si estos dos factores, trabajando juntos, podrían causar que las redes artificiales desarrollaran las mismas estructuras y capacidades observadas en los cereهِ humanos.
Para capturar la esencia de la curiosidad, el equipo primero estudió a 275 infantes, de ocho a quince meses de edad. Observaron cómo los bebés miraban patrones visuales en una pantalla, notando exactamente cuándo decidían dejar de mirar. Los investigadores descubrieron que los bebés no miraban de forma aleatoria. En cambio, se comportaban como recolectores buscando comida, pero su "comida" era la nueva información. Los bebés permanecían comprometidos con un patrón mientras este les enseñara algo nuevo. En el momento en que el patrón dejaba de ofrecer perspectivas frescas, y su aprendizaje se ralentizaba, se desenganchaban y pasaban a otra cosa. Este comportamiento se ajusta a un principio de la ecología conocido como el teorema del valor marginal, que predice que un agente debe abandonar un recurso cuando su retorno local cae por debajo del retorno promedio disponible en el entorno. Los investigadores tradujeron esta regla a un algoritmo informático, permitiendo que sus redes artificiales decidieran cuándo cambiar de tarea basándose en cuánto estaban aprendiendo en ese momento.
El segundo ingrediente involucraba la disposición física de las redes. Los cerebros reales no son solo una bolsa de neuronas; están empaquetados en un cráneo donde las conexiones largas son costosas de construir y mantener. Para imitar esto, los investigadores colocaron sus redes artificiales en un espacio virtual que coincidía con la geometría real del cerebro humano. Penalizaron a las redes por crear conexiones de larga distancia, obligándolas a ser eficientes, tal como la evolución ha obligado al cerebro humano a serlo. Luego, entrenaron estas redes en una batería de veinte tareas cognitivas diferentes, que iban desde juegos sencillos de emparejamiento hasta desafíos complejos de toma de decisiones. Las redes eran libres de elegir qué tarea practicar a continuación, guiadas por su algoritmo de curiosidad, mientras estaban limitadas por sus costos de cableado físico.
Los resultados fueron sorprendentes. Las redes que combinaron la curiosidad con las restricciones físicas no solo aprendieron las tareas, sino que desarrollaron estructuras internas que se parecían notablemente al cerebro humano. Sus conexiones se organizaron en módulos distintos, muy parecidos a las regiones especializadas del cerebro humano, y formaron un "club rico" de centros altamente conectados, una característica crítica para la comunicación eficiente en la mente humana. Estas redes también siguieron un camino de desarrollo que reflejaba el crecimiento humano. Así como los cerebros humanos experimentan una explosión rápida de conexiones en la infancia temprana seguida de una fase de poda lenta y cuidadosa que continúa hasta la edad adulta, estas redes artificiales mostraron un aumento y una disminución similares en su densidad de conexiones. Las redes que mejor coincidían con la estructura cerebral humana también mostraron el patrón de rendimiento cognitivo más humano, mejorando a medida que "envejecían" y luego declinando gradualmente, tal como las capacidades humanas lo hacen a lo largo de la vida.
Quizás lo más importante es que estas redes con rasgos humanos exhibieron un sello distintivo del pensamiento humano complejo: la capacidad de recombinar lo que habían aprendido. Los investigadores probaron esto congelando las conexiones internas de las redes y pidiéndoles que resolvieran nuevos problemas que eran mezclas de las tareas anteriores. Por ejemplo, si una red había aprendido a evitar una distracción y aprendió a tomar una decisión, ¿podría resolver instantáneamente una nueva tarea que requiriera ambas cosas? Las redes impulsadas por la curiosidad y las restricciones físicas resolvieron estas nuevas combinaciones rápidamente. No necesitaban reaprender lo básico; simplemente recombinaban las herramientas internas que ya habían construido. En contraste, las redes que aprendieron sin curiosidad, o sin las restricciones físicas, tuvieron dificultades para realizar estas conexiones.
El estudio sugiere que la curiosidad no es simplemente un subproducto de tener un cerebro complejo; es un motor que ayuda a construir esa complejidad. Al buscar activamente nueva información y detenerse cuando esta ya no es útil, un agente moldea su propia arquitectura interna. Cuando esta curiosidad se combina con los límites físicos de un sistema biológico, el resultado es una estructura capaz de un pensamiento flexible y de tipo humano. Los hallazgos ofrecen una nueva perspectiva sobre cómo surge la mente, sugiriendo que el camino hacia la cognición compleja no consiste en construir sistemas más grandes o más poderosos, sino en permitir que las restricciones simples y la exploración activa se desarrollen con el tiempo. Este enfoque proporciona un marco comprobable para comprender cómo la interacción entre la biología y la experiencia crea el rango ilimitado de pensamientos que definen la experiencia humana.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.