El cerebro humano, naturalmente, hace su mejor suposición al tomar una decisión, y estudiar esas suposiciones puede ser muy revelador sobre el funcionamiento interno del cerebro. Pero los neurocientíficos de la Universidad de Rice y el Colegio de Medicina Baylor dijeron que una comprensión completa de la complejidad del cerebro humanorequerirá nuevas estrategias de investigación que simulen mejor las condiciones del mundo real.
Xaq Pitkow y Dora Angelaki, ambos miembros de la facultad en el Departamento de Neurociencia de Baylor y el Departamento de Ingeniería Eléctrica e Informática de Rice, dijeron que la capacidad del cerebro para realizar "inferencia probabilística aproximada" no puede estudiarse realmente con tareas simples que son "inadecuadas paraexponer los cálculos inferenciales que hacen que el cerebro sea especial "
Un nuevo artículo de los investigadores sugiere que el cerebro usa la transmisión no lineal de mensajes entre poblaciones conectadas y redundantes de neuronas que se basan en un modelo probabilístico del mundo. Ese modelo, transmitido en forma aproximada a través de la evolución y refinado a través del aprendizaje, simplifica la toma de decisionesbasado en conceptos generales y sus prejuicios particulares.
El artículo, que presenta una amplia agenda de investigación para la neurociencia, se presenta este mes en una edición especial de neurona , una revista publicada por Cell Press. La edición presenta ideas que aparecieron por primera vez como parte de un taller en la Universidad de Copenhague en septiembre pasado titulado "¿Cómo funciona el cerebro?"
"La evolución nos ha dado lo que llamamos un buen sesgo de modelo", dijo Pitkow. "Se sabe desde hace un par de décadas que las redes neuronales muy simples pueden calcular cualquier función, pero esas redes universales pueden ser enormes, lo que requiere un tiempo extraordinario yrecursos
"En contraste, si tiene el tipo correcto de modelo, no es un modelo completamente general que podría aprender algo, sino un modelo más limitado que puede aprender cosas específicas, especialmente el tipo de cosas que a menudo suceden en el mundo real,- entonces tienes un modelo sesgado. En este sentido, el sesgo puede ser un rasgo positivo. Lo usamos para ser sensible a las cosas correctas en el mundo que habitamos. Por supuesto, la otra cara es que cuando el sesgo de nuestro cerebro esno coincide con la realidad, puede conducir a problemas graves "
Los investigadores dijeron que las pruebas simples de procesos cerebrales, como aquellas en las que los sujetos eligen entre dos opciones, solo proporcionan resultados simples. "Antes de que tuviéramos acceso a grandes cantidades de datos, la neurociencia hizo grandes avances al usar tareas simples, ysiguen siendo muy útiles ", dijo Pitkow." Pero para los cálculos que creemos que son más importantes sobre el cerebro, hay cosas que simplemente no se pueden revelar con algunas de esas tareas ". Pitkow y Angelaki escribieron que las tareas deberían incorporar más diversidad:como variables molestas e incertidumbre, para simular mejor las condiciones del mundo real que el cerebro evolucionó para manejar.
Sugirieron que el cerebro infiere soluciones basadas en la diafonía estadística entre códigos de población redundantes. Los códigos de población son respuestas de conjuntos de neuronas que son sensibles a ciertas entradas, como la forma o el movimiento de un objeto. Pitkow y Angelaki piensan que para entenderlo mejorPara el cerebro, puede ser más útil describir lo que calculan estas poblaciones, en lugar de cómo lo hace cada neurona individualmente. Pitkow dijo que esto significa pensar "en el nivel de representación" en lugar del "nivel mecanicista", como lo describe la visión influyentecientífico David Marr.
La investigación tiene implicaciones para la inteligencia artificial, otro interés de ambos investigadores.
"Mucha inteligencia artificial ha hecho un trabajo impresionante últimamente, pero aún falla de manera espectacular", dijo Pitkow. "Pueden jugar el antiguo juego de Go y vencer al mejor jugador humano del mundo, como lo hizo recientementeAlphaGo de DeepMind aproximadamente una década antes de lo que nadie esperaba. Pero AlphaGo no sabe cómo recoger las piezas de Go. Incluso los mejores algoritmos son extremadamente especializados. Su capacidad de generalizar a menudo es bastante pobre. Nuestros cerebros tienen un modelo mucho mejormundo; podemos aprender más de menos datos. Las teorías de la neurociencia sugieren formas de traducir los experimentos en algoritmos más inteligentes que podrían conducir a una mayor comprensión de la inteligencia general ".
Fuente de la historia :
Materiales proporcionado por Universidad de Rice . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :