Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
Este artículo demuestra que un cuadrúpedo simulado puede mantenerse en pie, caminar hacia objetivos visuales y exhibir seguimiento de la mirada utilizando únicamente cableado cortical innato y plasticidad local basada en correlación, sin ninguna señal de recompensa global, gradientes o bucles de entrenamiento.
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 mayor parte de lo que consideramos "aprendizaje" en la inteligencia artificial implica que un sistema intenta millones de variaciones, falla y ajusta lentamente sus configuraciones internas hasta que finalmente obtiene la respuesta correcta. Es un proceso de ensayo y error, guiado por un objetivo global, como un estudiante que memoriza un libro de texto repitiendo capítulos hasta que las respuestas se fijan. Pero la naturaleza no parece funcionar de esta manera. Un animal recién nacido no comienza con una hoja en blanco; llega con un cuerpo que sabe cómo mantenerse en pie y ojos que saben cómo rastrear. Esto plantea una pregunta fundamental para los científicos que estudian cómo funcionan los cerebros: ¿cuánto de nuestro comportamiento es realmente aprendido y cuánto está simplemente integrado en el cableado desde el principio? La visión predominante en el aprendizaje automático moderno sugiere que el comportamiento complejo requiere una enorme cantidad de datos de entrenamiento y un bucle de retroalimentación constante para corregir errores. Sin embargo, una nueva línea de investigación se pregunta si un cerebro podría nacer con un mapa de conexiones predibujado, donde la única regla para el cambio sea una observación local y simple de qué neuronas se activan juntas, sin necesidad de un maestro o una puntuación global.
Un investigador llamado Zhiwen Li ha construido un cerebro digital para probar precisamente esta idea. En lugar de entrenar un sistema desde cero, construyó un cerebro simulado con casi 144.000 neuronas y más de 300.000 conexiones específicas que estaban presentes desde el primer momento de su existencia. Estas conexiones iniciales, que el autor llama una "tabla de instintos", no eran aleatorias; fueron cuidadosamente diseñadas para vincular las entradas sensoriales, como ver una forma roja o sentir el cuerpo tumbado, directamente con las salidas motoras, como los músculos necesarios para ponerse de pie o caminar. Crucialmente, este sistema no tenía una señal de recompensa, ni corrección de errores, ni un bucle de entrenamiento. Simplemente fue colocado en un mundo simulado con un cuerpo de robot de cuatro patas y se le ordenó sobrevivir. El resultado fue inmediato y sorprendente: cuando se colocaba sobre su vientre, el robot se ponía de pie por sí solo. Cuando se le mostraba un objeto rojo, caminaba hacia él. Estas acciones no fueron aprendidas mediante la repetición; fueron el resultado directo de las conexiones pre-cableadas disparándose en la secuencia correcta.
El experimento fue más allá para demostrar que estos comportos no eran accidentales. Cuando los investigadores eliminaron por completo la entrada sensorial, el robot colapsó, demostrando que el comportamiento dependía del procesamiento de información en tiempo real por parte del cerebro. Cuando borraron las conexiones de "instinto" específicas pero dejaron intacto el cableado de fondo aleatorio, el robot no pudo ni ponerse de pie ni caminar, confirmando que el comportamiento provenía del mapa preespecificado y no del azar. El estudio también mostró que partes específicas del cerebro eran responsables de acciones específicas. Al silenciar un gran grupo de neuronas en el área prefrontal —la parte del cerebro a menudo asociada con la planificación y la toma de decisiones—, los investigadores descubrieron que el robot aún podía reaccionar a una pantalla azul, pero perdía completamente la capacidad de caminar hacia un objeto rojo. Esto demostró que el "pensamiento" de caminar hacia el objeto rojo era un patrón específico de actividad en ese grupo de células, y sin él, el comportamiento desaparecía, incluso si los reflejos básicos permanecían.
Quizás el hallazgo más sorprendente fue que este sistema podía aprender una nueva habilidad durante su vida sin ningún maestro externo. Los investigadores añadieron un pequeño grupo de células que actuaban como una señal de recompensa. Cuando el robot estaba de pie y veía un objeto rojo mientras escuchaba un sonido específico, esta señal se activaba. En ese momento, la regla local de cambio del cerebro entró en juego: fortaleció la conexión entre las células que estaban activas justo antes del sonido y las células que estaban activas cuando el sonido ocurría. Después de este único evento, el robot aprendió a caminar hacia el objeto rojo con solo escuchar el sonido, incluso cuando el objeto no era visible. Esta nueva habilidad fue escrita en el cableado del cerebro en tiempo real, impulsada únicamente por la coincidencia de eventos y la presencia de la señal de recompensa, sin que ninguna función de objetivo global guiara el proceso.
Sin embargo, el estudio también reveló los límites de este enfoque. Si bien el robot podía aprender a caminar, le costaba mantenerse erguido durante períodos prolongados cuando la señal de recompensa estaba activa durante demasiado tiempo. Los bucles internos que permitían al cerebro mantener un pensamiento o un plan también causaron una acumulación excesiva de actividad, lo que eventualmente provocó que el robot se cayera. Esto sugiere que, si bien un cerebro pre-cableado con reglas locales simples puede generar comportamientos complejos e incluso aprender nuevas asociaciones, todavía necesita una forma de olvidar o reiniciar, un mecanismo del que el modelo actual carece. Los investigadores también señalaron que la propia tabla de "instintos" fue construida utilizando datos de un sistema de aprendizaje automático previamente entrenado, lo que significa que el repertorio inicial de movimientos fue destilado de una política aprendida antes de que el cerebro fuera siquiera creado. Esta admisión resalta que el sistema no inventó el caminar de la nada; heredó una biblioteca de movimientos y aprendió cómo activarlos en nuevos contextos.
El trabajo desafía la idea de que la inteligencia requiere un proceso de optimización masivo y descendente (top-down). En su lugar, sugiere que una parte significativa de lo que un organismo hace está determinada por la arquitectura específica con la que nace. El cerebro no es una computadora en blanco esperando un software; es una máquina con un sistema operativo pre-cableado que puede actualizarse localmente a medida que interactúa con el mundo. El estudio muestra que con las conexiones iniciales adecuadas, un sistema puede pararse, caminar y mirar sin que nunca se le diga cuál es la respuesta "correcta". No pretende haber resuelto el misterio de la inteligencia general, pero ofrece una demostración concreta de que el comportamiento complejo y dirigido a objetivos puede emerger de un conjunto fijo de reglas y un mecanismo de aprendizaje local y simple, siempre que el cableado inicial sea el correcto. Los hallazgos sugieren que la escasez en la inteligencia biológica puede no estar en la capacidad de aprender, sino en la estructura inicial que hace posible el aprendizaje en primer lugar.
¿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.