¿Qué tan similar es el funcionamiento de un caballo y un carro? 🙂
El punto es … depende de lo que entiendas por “similar” . Tanto un coche como un caballo son medios de transporte. Si lo desea, puede hacer una analogía muy suelta entre caballos y coches. Las patas de un caballo son como las ruedas de un auto. El heno que le das a un caballo es algo así como el combustible que pones en un auto. Y tal vez las herraduras son una especie de neumáticos de coche. Pero en algún punto, la analogía se rompe y las diferencias comienzan a superar las similitudes. Los caballos no tienen puertas y ventanas, por ejemplo. 🙂
Las redes neuronales artificiales están inspiradas en el cerebro y se parecen a redes neuronales biológicas en diferentes grados.
Siempre ha habido dos objetivos en la investigación de redes neuronales:
- ¿Es la ciencia cognitiva similar a la matemática / física matemática mientras que la neurociencia es similar a la física en la investigación sobre el universo cerebral?
- ¿Por qué a nuestros cerebros les gusta la música?
- ¿Es la curiosidad un rasgo innato o se desarrolla a través de una nutrición adecuada?
- ¿Es posible clasificar las ocupaciones de acuerdo con el modelo trino del cerebro?
- ¿Se puede definir, cuantificar y medir la inteligencia con un alto grado de precisión? Si es así, ¿cuál es la prueba científica de esto?
- Entendiendo el cerebro creando modelos de juguete de él.
- Emulando el cerebro mediante la creación de dispositivos y algoritmos derivados de la conectividad y la dinámica neuronal. Puede copiar algunos aspectos de lo que hace el cerebro incluso si su modelo es tan similar a un cerebro real como lo es un coche a un caballo. 🙂
El primer objetivo, la comprensión, está asociado con la neurociencia y es principalmente una investigación básica. El segundo objetivo, la emulación, está vinculado con la informática y la inteligencia artificial, y es principalmente la ciencia aplicada .
Las redes neuronales ocupan un vasto espectro entre lo biológicamente realista y lo totalmente artificial. La utilidad tecnológica de las redes neuronales se alinea razonablemente bien con el mismo espectro: los investigadores de inteligencia artificial y los científicos informáticos utilizan las redes neuronales artificiales altamente simplificadas, pero tienen poco uso para las redes neuronales complejas.
Las redes neuronales reales están formadas por unidades complejas que pueden realizar, por sí mismas, cálculos y funciones de memoria no triviales. Las redes neuronales artificiales usan neuronas artificiales que se abstraen de la realidad. (La lección de la física es que alejarse de la similitud diminuta con la realidad a menudo puede ayudar a entender la realidad). Pero las redes neuronales artificiales a menudo están conectadas de maneras que están inspiradas en la conectividad neural.
Otra cosa a destacar es que existen varias dimensiones para la comparación entre redes neuronales y cerebros reales ; una red neuronal puede ser más o menos similar a una red neuronal biológica en cualquiera de estas dimensiones:
- Dinámica neuronal individual: las neuronas utilizadas para construir una gama de redes neuronales desde neuronas artificiales binarias on-off hasta neuronas más realistas basadas en el modelo de Hodgkin-Huxley y los modelos compartimentales. (Vale la pena señalar que todos los modelos son aproximaciones de la realidad. “Todos los modelos son incorrectos, pero algunos son útiles”).
- Conectividad neuronal: las neuronas reales están conectadas de manera muy compleja, lo que implica conexiones basadas en feedforward y retroalimentación / recurrencia. Las redes neuronales artificiales utilizadas en la tecnología, a menudo usan solo conexiones de alimentación directa, con las que es más fácil trabajar.
- Regiones / modalidades del cerebro: no todas las redes neuronales están diseñadas para modelar todo el cerebro. La mayoría están dirigidas a fenómenos neuronales / psicológicos particulares y / o tareas de procesamiento de información. Cuantas más modalidades tenga, más parecido a su cerebro podría aparecer su red. Pero la similitud superficial podría enmascarar las debilidades conceptuales. (Consulte la sección sobre falacias en neurociencia computacional aquí: la página de inicio de Eric L Schwartz, Universidad de Boston).
- Estructura sináptica: los neurocientíficos aún están descubriendo cómo las neuronas influyen exactamente entre sí. Muchas técnicas experimentales arrojan muy poca luz sobre cómo las neuronas forman sinapsis. Así que, por el momento, los modeladores tienen cierta libertad para elegir cómo se conectan las neuronas y cómo estas conexiones influyen en la dinámica neuronal.
- Aprendizaje sináptico: las sinapsis entre las neuronas a menudo cambian. Hay una variedad de diferentes “leyes de aprendizaje” que se pueden utilizar para regular la evolución de las sinapsis en respuesta a la experiencia. Al igual que con la estructura de sinapsis, las leyes de aprendizaje están algo limitadas por el experimento en este momento, por lo que los modeladores tienen la libertad de elegir las leyes que se ajusten a sus propósitos.
Por lo tanto, algunas redes neuronales podrían ser muy similares a los cerebros reales en una o más de estas dimensiones. Pero como no sabemos cómo funciona el cerebro, ¡ni siquiera podemos evaluar con precisión cuán lejos estamos! ¡Nuestros mejores modelos pueden ser tan diferentes de los cerebros reales como los coches de los caballos!