Por qué la IA puede necesitar pensar más como la otra mitad del cerebro

Durante más de un siglo, la neurociencia ha presentado una narrativa sencilla sobre la memoria. Las neuronas se disparan, se conectan y, en esas conexiones, llamadas sinapsis, se forman recuerdos. Las neuronas se consideraban los motores del pensamiento, y se creía que la memoria residía en la fuerza de sus conexiones. Pero un nuevo modelo de los investigadores de IBM sugiere que esta visión puede ser incompleta. También plantea la posibilidad de que la biología detrás de la memoria humana pueda ayudar a guiar el desarrollo de la próxima generación de inteligencia artificial.

La teoría sitúa a los astrocitos, células gliales no neuronales que comprenden aproximadamente la mitad del cerebro, en el centro de un sistema de memoria previamente no reconocido. Consideradas durante mucho tiempo como células de soporte pasivas, los astrocitos pueden desempeñar un papel activo en el almacenamiento y recuperación de información. El modelo describe una forma de memoria asociativa que comparte características clave con los sistemas avanzados de IA, incluidos los transformadores.

“Hay una montaña de evidencia que muestra que los astrocitos están involucrados en la cognición”, dijo Leo Kozachkov, investigador de IBM y coautor de un reciente artículo sobre la teoría, a IBM Think en una entrevista. Nos preguntábamos si podrían implementar potentes sistemas de memoria, y todo apuntaba a que sí.

Este modelo se basa en una larga historia de investigación en neurociencia sobre la “sinapsis tripartita”, donde un astrocito envuelve la conexión entre dos neuronas. En la formulación del equipo de IBM, los astrocitos no son observadores pasivos. En cambio, participan en el procesamiento y distribución de información en todo el cerebro de maneras que se asemejan a las capacidades de manejo de memoria de algunos de los sistemas de IA más sofisticados que se utilizan en la actualidad.

La búsqueda de dónde vive la memoria en el cerebro ha definido la neurociencia durante décadas. El modelo dominante ha acreditado la plasticidad sináptica, el fortalecimiento o debilitamiento de las conexiones entre neuronas, como sustrato de la memoria. Esta idea subyace tanto a las teorías biológicas como a muchos de los supuestos centrales en inteligencia artificial.

Pero la realidad es más complicada. Estudios experimentales han encontrado que los astrocitos modulan la fuerza sináptica, responden a neurotransmisores y neuromoduladores, y parecen desempeñar un papel en la formación y recuperación de recuerdos a largo plazo. Estos hallazgos no siempre han encajado perfectamente en los modelos computacionales estándar, y sus implicaciones siguen siendo difíciles de integrar en una infraestructura coherente.

Este es el contexto en el que entra el modelo del equipo de IBM. Propone un sistema en el que las neuronas, las sinapsis y los procesos de astrocitos interactúan a través de una red dinámica compartida. Cada elemento se rige por ecuaciones derivadas de principios matemáticos basados en la energía. El sistema resultante evoluciona hacia estados atractores estables que corresponden a memorias almacenadas.

El insight central es que los astrocitos pueden ampliar la capacidad de memoria del sistema. Sus redes internas de señalización de calcio permiten la integración y propagación de información a través de grandes regiones espaciales. Esta arquitectura admite un tipo de almacenamiento de memoria más distribuido y flexible que el que es posible en redes de solo neuronas.

Kozachkov explicó cómo se desarrolló la idea. "Primero, escuchamos a neurocientíficos experimentales que estudian los astrocitos", señaló. “Tienen una montaña cada vez mayor de evidencia que sugiere que los astrocitos están involucrados en la cognición, la memoria y el comportamiento. Pero solo hay una pequeña colección de teorías formales específicas sobre cómo las neuronas y los astrocitos se computan juntos".

También había un ángulo computacional. El equipo estuvo trabajando con Dar Associative Memory, un tipo avanzado de red que se basa y amplía el modelo original de Hopfield. Estos sistemas son reconocidos por su sólida capacidad de memoria y sus excepcionales capacidades de recuperación de patrones.

"Desafortunadamente, lo que estas redes de memoria asociativa densa ganan en capacidad de memoria, lo pierden en plausibilidad biológica", dijo Kozachkov. "Por lo tanto, naturalmente nos preguntamos si estas redes podrían implementarse en hardware biológico".

Una vez que el equipo comenzó a pensar en la implementación biológica, los astrocitos surgieron rápidamente como el candidato más probable. Su estructura anatómica, su organización espacial y su dinámica bioquímica apuntaban a un papel potencial en la memoria.

Dependiendo de cómo se ajuste el sistema, el modelo puede comportarse como una memoria asociativa densa o adoptar las características de un transformador. Esta flexibilidad hace que sea más que una comparación vaga con la IA. Ofrece un enfoque práctico para considerar cómo el cerebro y los sistemas modernos de machine learning podrían resolver problemas similares.

“Si nuestra teoría es correcta, incluso en concepto, si no en detalle específico, tiene implicaciones de gran alcance sobre cómo pensamos sobre la memoria en el cerebro”, dijo Kozachkov. “Nuestra teoría sugiere que los recuerdos pueden codificarse dentro de las vías de señalización intracelular de un solo astrocito. Los pesos sinápticos emergen de las interacciones dentro de estas vías, así como de las interacciones entre astrocitos y sinapsis”.

Las implicaciones de la teoría para la IA son igualmente provocativas. Los sistemas actuales de machine learning luchan con la memoria. Neural networks tienen una capacidad limitada para retener información a largo plazo, y normalmente se utilizan arquitecturas como capas de atención o unidades de memoria externas para superar esto. Estos componentes aumentan el costo computacional y la complejidad.

Entre las predicciones que hace el modelo se encuentran que la interrupción de la señalización intracelular en los astrocitos debería afectar la recuperación de la memoria, y que la interferencia selectiva con las redes astrocíticas podría afectar ciertos tipos de aprendizaje. Estas ideas son comprobables, aunque técnicamente desafiantes, y podrían guiar el trabajo futuro tanto en neurociencia básica como en computación inspirada en el cerebro.

Por supuesto, el modelo sigue siendo teórico. Los investigadores tienen claro que su propuesta es un marco, no una conclusión.

"En primer lugar, sería genial que los experimentadores hicieran un esfuerzo serio para refutar nuestro modelo", dijo Kozachkov. "Es decir, intentar demostrar que está equivocado. Me encantaría colaborar en ese esfuerzo”.

Por ahora, la teoría invita a una reconsideración más amplia de cómo se estructura la inteligencia.

“Estamos al comienzo de una explosión cámbrica de inteligencia”, afirmó Kozachkov. “Por primera vez, sabemos cómo construir entidades no animales que sean inteligentes. Esto tiene enormes implicaciones para la neurociencia, que son difíciles de exagerar”.

Agregó que cree que la neurociencia todavía tiene mucho más que ofrecer al machine learning. “No creo que hayamos llegado siquiera a agotar las ideas que podemos tomar del cerebro para construir sistemas más inteligentes. No por mucho tiempo”.