IA al estilo cerebro: ¿fin de las matrices?

Investigadores están reevaluando la dependencia de las redes neuronales artificiales en las matemáticas matriciales, inspirándose en cómo funciona el cerebro humano. El artículo explora cómo el cerebro procesa la información a través de una combinación de percepción de arriba hacia abajo (predicción) y de abajo hacia arriba (datos sensoriales), un proceso que difiere significativamente de la arquitectura tradicional de las redes neuronales basadas en backpropagation. El cerebro utiliza 'Spike-Timing-Dependent Plasticity' (STDP), un aprendizaje local basado en el tiempo de los impulsos neuronales, y la dopamina, que actúa como una señal de error de predicción temporal (TD Error), un concepto que los ingenieros de IA ya habían desarrollado para el aprendizaje por refuerzo. La limitación actual reside en que los procesadores de GPU, optimizados para cálculos matriciales, son ineficientes para simular la naturaleza discreta y temporal del cerebro. Se están desarrollando chips neuromórficos, como los de Intel y SpiNNaker, para abordar esta limitación y permitir la creación de sistemas de IA más biológicamente realistas. Investigaciones adicionales buscan replicar el proceso de backpropagation a través de reglas locales, como la propagación de objetivos y la alineación de retroalimentación, para superar las limitaciones de las redes profundas.