Un reciente estudio del Instituto Tecnológico de Massachusetts (MIT) revela que el cerebro humano puede ofrecer retroalimentación específica a neuronas individuales durante el proceso de aprendizaje, un hallazgo que recuerda a los mecanismos utilizados en la inteligencia artificial. Este descubrimiento sugiere que, al igual que los sistemas de IA ajustan sus conexiones internas mediante señales de error, el cerebro también podría emplear un tipo de retroalimentación personalizada para optimizar su funcionamiento.
El equipo de investigación, liderado por Mark Harnett, investigador del McGovern Institute for Brain Research y profesor asociado en el Departamento de Ciencias Cognitivas y del Cerebro del MIT, llevó a cabo experimentos con ratones entrenados para controlar la actividad neuronal a través de una interfaz cerebro-computadora (BCI). Esta metodología no solo abre nuevas vías para comprender mejor el aprendizaje biológico, sino que también promete mejorar el desarrollo de inteligencia artificial inspirada en el cerebro.
La plasticidad cerebral y su relación con el aprendizaje
El cerebro humano es un órgano dinámico que se adapta constantemente a las experiencias y aprendizajes. Según Harnett, "sabemos mucho sobre cómo cambiar la fuerza de las conexiones entre neuronas, pero lo que realmente falta es entender cómo se orquestan esos cambios para producir un aprendizaje eficiente".
Las acciones y las conexiones neuronales asociadas suelen reforzarse mediante la liberación de neuromoduladores como la dopamina o la norepinefrina. Sin embargo, estas señales tienden a ser generales y afectan a grandes grupos de neuronas sin considerar las contribuciones específicas de cada célula al éxito o fracaso. Harnett señala: "El aprendizaje por refuerzo a través de neuromoduladores funciona, pero es ineficiente porque todas las neuronas reciben solo una señal".
A diferencia del enfoque tradicional del aprendizaje en el cerebro, donde las señales son amplias y poco específicas, los sistemas de inteligencia artificial utilizan métodos como la retropropagación para ajustar individualmente sus conexiones basándose en errores específicos. Este método ha demostrado ser altamente efectivo y computacionalmente eficiente.
Desentrañando los secretos neuronales
Para abordar la cuestión de cómo se envían estas señales personalizadas a las neuronas, el equipo desarrolló una tarea BCI que vinculaba directamente la actividad neuronal con los resultados obtenidos. En este experimento, ciertos grupos neuronales debían aumentar su actividad mientras otros debían disminuirla para lograr recompensas.
Los investigadores configuraron una BCI que conectaba directamente la actividad neuronal —de solo ocho a diez neuronas entre millones en el cerebro del ratón— con una representación visual que proporcionaba retroalimentación sensorial sobre el desempeño. Con esta técnica, los ratones aprendieron rápidamente qué neuronas activar para obtener más recompensas.
Durante este proceso, Francioni monitorizó diariamente las neuronas objetivo utilizando un microscopio avanzado para visualizar indicadores fluorescentes de actividad neuronal. Al mismo tiempo, rastreó la actividad en los cuerpos celulares principales de esas neuronas. Los datos obtenidos permitieron examinar cómo las señales recibidas influían en la actividad neuronal y cómo cambiaban según si los ratones eran recompensados o no.
Señales neuronales vectorizadas: un avance significativo
Los hallazgos indicaron que los dos grupos neuronales involucrados en controlar la BCI recibían señales opuestas durante el aprendizaje; algunos eran instruidos para aumentar su actividad mientras otros debían reducirla. Además, cuando se manipulaban estas dendritas para inhibir las señales instructivas, los ratones no lograban aprender la tarea. Harnett afirma: "Esta es la primera evidencia biológica de que existe un aprendizaje instructivo basado en señales vectorizadas específicas para cada neurona".
Este descubrimiento tiene implicaciones significativas tanto para la neurociencia como para el campo del aprendizaje automático. Vincent Tang, postdoctorado en el equipo, destaca: "Esto proporciona un incentivo adicional para que la comunidad de aprendizaje automático continúe desarrollando modelos y proponiendo nuevas hipótesis".
A medida que avanzan sus investigaciones, Harnett expresa entusiasmo por aplicar su enfoque a futuros experimentos: "Ahora podemos investigar cómo aprende la corteza cerebral y otras regiones del cerebro. ¿Qué similitudes o diferencias existen con respecto a algoritmos específicos? ¿Podemos construir modelos más inspirados en el cerebro basándonos en lo aprendido?". Este avance representa un nuevo comienzo prometedor en la comprensión del aprendizaje tanto biológico como artificial.
Si (
No(
