Las diferencias entre el cerebro humano y la Inteligencia Artificial

Partagez:

Cada vez más escuchamos hablar de sistemas de inteligencia artificial que imitan, y en muchos casos superan, las capacidades de nuestro cerebro para realizar ciertas tareas concretas. Ya sea en el ámbito de la medicina, la estrategia o la conducción autónoma, por poner algunos ejemplos, existen sistemas que realizan tareas análogas a las de un cerebro humano y que en algunos casos lo hacen mejor que nosotros, lo cual nos lleva a plantearnos, cómo de lejos estamos de conseguir un cerebro artificial totalmente funcional.

Contenido

Las diferencias entre el cerebro artificial y el biológico

Como bien sabrás, el cerebro está compuesto de neuronas, concretamente, en el caso del cerebro humano, más de 100.000.000.000, lo cual no está nada mal. Una simple hormiga, por ejemplo, posee unas 250.000 neuronas lo que ya le permite realizar tareas razonablemente complejas, como construir colonias, buscar comida, y comunicarse eficazmente.

En todos los casos, las neuronas están interconectadas entre sí, lo que les permite comunicarse entre ellas mediante impulsos eléctricos. Una sola neurona humana puede llegar a tener hasta 200.000 conexiones. La cantidad de conexiones varía según el tipo, la función de las neuronas y la región del cerebro donde se encuentren. Así, por ejemplo, las neuronas sensoriales en la corteza visual tienen una gran cantidad de conexiones, mientras que las neuronas en la corteza motora tienen menos conexiones.

Publicidad

Por su parte, los sistemas de inteligencia artificial, se componen de redes neuronales que están compuestas por neuronas artificiales. Un sistema moderno puede llegar a contener 175.000.000.000 neuronas o parámetros, es decir, incluso más neuronas que un cerebro humano, pero sin embargo el número de conexiones de cada neurona es de apenas unos pocos miles en el mejor de los casos.

El funcionamiento de ambos sistemas: digital y biológico, es similar. Un estímulo eléctrico llega a una o varias neuronas que a su vez transmiten la señal por una o varias de sus conexiones hacia otras neuronas. Esta transmisión en cadena es la que genera el procesamiento de la información y nos permite obtener un resultado en base a una señal de entrada.

En el caso del cerebro humano la recepción de señales de entrada proviene esencialmente de los sentidos y su procesamiento puede provocar movimientos corporales, por ejemplo. En las redes neuronales, las señales de entrada pueden provenir de imágenes digitalizadas, textos, sonidos, etc. Estas señales se transmiten a través de la red generando una respuesta de salida que se puede transformar en el movimiento de un brazo robot, la generación de una imagen, etc.

 

Las diferencias entre las neuronas humanas y las neuronas artificiales

Como hemos visto, una neurona humana es una célula especializada del sistema nervioso que se encarga de transmitir información a través de señales eléctricas y químicas. Cada neurona humana tiene un cuerpo celular y varias fibras nerviosas llamadas dendritas y axones que se extienden desde él. Los dendritas reciben señales de otras neuronas, mientras que los axones transmiten señales hacia otras células, incluyendo otras neuronas o células musculares.

En cambio, una neurona artificial, es un componente de una red neuronal artificial, que es un tipo de modelo matemático que se utiliza para realizar tareas de aprendizaje automático. Una neurona artificial se basa en el modelo matemático de una neurona biológica, pero es implementada en un ordenador en lugar de estar contenida en un organismo vivo. Al igual que en las neuronas humanas, las entradas a una neurona artificial son recibidas por sus dendritas digitales y la salida es enviada por su axón. Sin embargo, en lugar de señales eléctricas y químicas, las neuronas artificiales procesan y transmiten señales numéricas.

El concepto de neurona artificial resulta sencillo de comprender para cualquier matemático ya que se describe mediante una función matemática denominada: la función de activación. La función de activación es una función no lineal que permite a la neurona tomar decisiones y generar una salida. Para los más curiosos, esta es la función de activación típica de una neurona artificial:

\[ {f(x) = \frac{1}{1 + e^{-x}}} \]

En esta función, x es el valor neto de la neurona, el cual se calcula como la suma ponderada de las conexiones de entrada (x1,x2,x3, …, xn) multiplicadas por sus pesos correspondientes (w1,w2,w3, …, wn) más un término de sesgo (b):

\[ {x = \sum_{i=1}^{n} w_i x_i + b} \]

A pesar de que esta fórmula matemática nos pueda parecer alejada del funcionamiento real de una neurona biológica, hay que tener presente que esta es básicamente la función de una neurona real, que recibe unas señales de entrada, realiza un procesamiento con ellas y devuelve una o varias señales de salida.

Así, podemos concluir que las neuronas humanas y las neuronas artificiales procesan la información de manera similar, pero existen importantes diferencias en cómo están construidas y en cómo transmiten la información, ya que, mientras que las neuronas humanas son células vivas que se encuentran en el sistema nervioso de los seres humanos y otros organismos, las neuronas artificiales son componentes de un modelo matemático implementado en una computadora.

¿Es posible diseñar una neurona artificial que funcione exactamente igual que una neurona humana?

Aunque las neuronas artificiales se basan en el modelo matemático de las neuronas humanas y pueden realizar muchas de sus tareas, ya hemos visto que existen importantes diferencias en cómo están construidas y cómo se integran en sus respectivos sistemas.

Así, las neuronas humanas, que son células vivas en constante comunicación con otras células, están influenciadas por factores ambientales y hormonales mientras que las neuronas artificiales, son componentes de un modelo matemático y no están sujetas a estos mismos factores. Además, las neuronas humanas tienen una estructura compleja y única que incluye organelos y otras estructuras subcelulares, mientras que las neuronas artificiales son simplificaciones matemáticas de esta estructura.

A pesar de estas diferencias, las neuronas artificiales han demostrado ser muy útiles para realizar muchas tareas que son difíciles o imposibles para las computadoras tradicionales, como el reconocimiento de patrones y el aprendizaje automático. Sin embargo, es probable que nunca se logre crear una neurona artificial que tenga el mismo funcionamiento exacto que una neurona humana debido a la complejidad de la biología humana.

Conclusiones

Por todo lo visto, actualmente, los modelos matemáticos utilizados por la inteligencia artificial funcionan muy bien para resolver problemas puntuales que a los humanos nos pueden resultar complicados.

Por ejemplo, las redes neuronales tienen una mayor tasa de éxito que los humanos en tareas tan variopintas como la detección del cáncer de mama, ganar al juego del GO, predecir la probabilidad de desarrollar ciertas enfermedades o encontrar patrones al analizar grandes cantidades de datos.

En cambio, la comprensión del contexto en una conversación, la toma de decisiones éticas y la creatividad, por ejemplo, son tareas en las que los humanos ganamos por goleada a la inteligencia artificial.

Esto no quita que en el futuro, nuevos avances científicos en computación cuántica o biotecnología logren replicar al completo las capacidades del cerebro humano, pero hoy por hoy, con la tecnología y el conocimiento del que se dispone, esto no es posible y podemos decir que ambos se complementan.

(Visited 2 times, 1 visits today)
Partagez:

Articles Simulaires

Partager
Partager