Los recientes sistemas de inteligencia artificial, incluyendo las redes neuronales artificiales ampliamente inspiradas en las neuronas y las conexiones del sistema nervioso funcionan de forma espectacular en tareas con restricciones conocidas. También tienden a requerir mucha potencia computacional y grandes cantidades de datos para su entrenamiento. Todo esto permite que la inteligencia artificial sea buena participando en actividades como el ajedrez, para detectar si hay un auto en una imagen determinada, para diferenciar entre representaciones de perros y gatos. “Sin embargo son bastante patéticos al componer música o escribir cuentos”, dijo Konrad Kording, neurocientífico computacional de la Universidad de Pensilvania. “Tienen grandes problemas para razonar de manera significativa en el mundo”.

Por lo que, con el objetivo de superar estas limitaciones, algunos grupos de investigación vuelven al cerebro en busca de nuevas ideas. No obstante, varios de ellos están eligiendo lo que a primera vista puede parecer un punto de partida poco probable: el olfato. Los científicos que intentan obtener una mejor comprensión de cómo los organismos procesan la información química han descubierto estrategias de codificación que parecen especialmente relevantes para los problemas en la Inteligencia Artificial. Además, los circuitos olfatorios tienen sorprendentes similitudes con las regiones cerebrales más complejas que han sido de interés en la búsqueda de construir mejores máquinas.

Recientemente los científicos informáticos han comenzado a sondear esos hallazgos en contextos de aprendizaje automático.

Es relevante destacar que las técnicas de aprendizaje automático que se utilizan en la actualidad se construyeron al menos en parte para imitar la estructura del sistema visual, que se basa en la extracción jerárquica de la información. Cuando la corteza visual recibe datos sensoriales, primero selecciona características pequeñas y bien definidas: bordes, texturas, colores, lo que implica un mapeo espacial. Los neurocientíficos David Hubel y Torsten Wiesel descubrieron en las décadas de 1950 y 1960 que las neuronas específicas en el sistema visual corresponden al equivalente de ubicaciones específicas de píxeles en la retina, un hallazgo por el cual ganaron un Premio Nobel.

A medida que la información visual pasa a través de capas de neuronas corticales, los detalles sobre bordes y texturas y colores se unen para formar representaciones cada vez más abstractas de la entrada: que el objeto es un rostro humano, y que la identidad del rostro es Jane, por ejemplo. Cada capa en la red ayuda al organismo a alcanzar ese objetivo.

Las redes neuronales profundas se construyeron para funcionar de forma similarmente jerárquica, lo que condujo a una revolución en el aprendizaje automático y la investigación en inteligencia artificial. Para enseñar a estas redes a reconocer objetos como caras, se les alimenta con miles de imágenes de muestra. El sistema fortalece o debilita las conexiones entre sus neuronas artificiales para determinar con mayor precisión que una colección dada de píxeles forma el patrón más abstracto de una cara. Con suficientes muestras, puede reconocer caras en nuevas imágenes y en contextos que no ha visto antes.

Charles Delahunt y Nathan Katz

Los investigadores han tenido un gran éxito con estas redes, no solo en la clasificación de imágenes, sino también en reconocimiento de voz, traducción de idiomas y otras aplicaciones de aprendizaje automático. Aun así, “me gusta pensar en las redes profundas como los trenes de mercancías”, dijo Charles Delahunt, investigador del Centro de Neurociencia Computacional de la Universidad de Washington. “Son muy poderosos, siempre y cuando tengas un terreno razonablemente plano, donde puedas establecer pistas y tener una gran infraestructura. Pero sabemos que los sistemas biológicos no necesitan todo eso, que pueden manejar problemas difíciles que las redes profundas no pueden en este momento”.

Otro tema relevante es en cuanto a los autos sin conductor. A medida que un automóvil se desplaza en un entorno nuevo en tiempo real, este se enfrentara a un sinfín de cambios, lleno de ambigüedad y de ruido, por lo que las técnicas de aprendizaje profundo inspiradas en el sistema visual pueden producir grandes fallos. Esto llevó a pensar a los investigadores que tal vez los métodos basados ​​en la visión, entonces, no son el camino correcto a seguir. Esa visión era una fuente de conocimiento tan dominante en parte como algo accidental: “un golpe de suerte histórico”, dijo Adam Marblestone, un biofísico del Instituto de Tecnología de Massachusetts. Era el sistema que los científicos entendían mejor, con aplicaciones claras para tareas de aprendizaje automático basadas en imágenes.

Pero “cada tipo de estímulo no se procesa de la misma manera”, dijo Saket Navlakha, científico informático del Instituto Salk de Estudios Biológicos en California. “La visión y el olfato son tipos muy diferentes de señales, por ejemplo. Entonces puede haber diferentes estrategias para tratar con diferentes tipos de datos. Creo que podría haber muchas más lecciones además de estudiar cómo funciona el sistema visual”.

Diversos científicos han empezado a mostrar que los circuitos olfativos de los insectos pueden contener algunas de esas lecciones. La investigación de la olfacción no despegó hasta la década de 1990, cuando los biólogos Linda Buck y Richard Axel, ambos en la Universidad de Columbia en ese momento, descubrieron los genes de los receptores de olor.

“Trabajamos en olfacción porque es un sistema finito que puedes caracterizar de forma relativamente completa”, dijo Delahunt. “Tienes una oportunidad de luchar”.

“La gente ya puede hacer cosas fantásticas con la visión”, agregó Michael Schmuker, neurocientífico computacional de la Universidad de Hertfordshire en Inglaterra. “Quizás podamos hacer cosas fantásticas con olfato también”.

No obstante, la olfacción difiere de la visión en muchos frentes, evidentemente los olores no están estructurados. No son objetos que se puedan agrupar en el espacio. Son mezclas de diferentes composiciones y concentraciones, y son difíciles de categorizar como similares o diferentes entre sí. Por lo tanto, no siempre está claro qué características deberían llamar la atención.

Mientras las redes profundas tradicionales (una vez más tomando sus señales del sistema visual) cambian constantemente la fuerza de sus conexiones mientras “aprenden”, el sistema olfativo en general no parece entrenarse ajustando las conexiones entre sus neuronas de proyección.

Desde el 2000, se ha desarrollado un algoritmo para determinar cómo la incrustación y la dispersión al azar en dimensiones más altas ayudaron a la eficiencia. Thomas Nowotny de la Universidad de Sussex en Inglaterra y Ramón Huerta de la Universidad de California en San Diego, incluso establecieron conexiones con otro tipo de modelo de aprendizaje automático, denominado máquina de vectores de soporte. Sostuvieron que las formas en que los sistemas naturales y artificiales procesaban la información, utilizando la organización aleatoria y la expansión de dimensionalidad para representar datos complejos de manera eficiente, eran formalmente equivalentes. AI y la evolución convergieron, independientemente, en la misma solución.

Intrigado por esa conexión, Nowotny y sus colegas continúan explorando la interfaz entre el olfato y el aprendizaje automático, buscando un vínculo más profundo entre los dos.

No obstante, durante un tiempo, no se trabajó mucho para dar seguimiento a estos hallazgos, hasta hace muy poco, cuando algunos científicos comenzaron a revisar la estructura biológica del olfato para obtener ideas sobre cómo mejorar los problemas de aprendizaje automático más específicos.

La olfacción parece funcionar mejor cuando se trata de la velocidad de aprendizaje porque, en ese caso, el “aprendizaje” ya no se trata de buscar características y representaciones que sean óptimas para la tarea particular en cuestión. En cambio, se reduce a reconocer cuál de una serie de características aleatorias son útiles y cuáles no. “Si puedes entrenar con un solo clic, eso sería mucho más hermoso, ¿no?”, enfatizó Fei Peng, biólogo de la Universidad Médica del Sur en China.

En efecto, la estrategia de olfato es casi como preparar algunos conceptos básicos y primitivos en el modelo, al igual que una comprensión general del mundo parece estar conectada a nuestro cerebro. La estructura en sí es capaz de algunas tareas simples e innatas sin instrucción.

Algunos investigadores ahora esperan usar también estudios en olfacción para descubrir cómo múltiples formas de aprendizaje pueden coordinarse en redes más profundas. “Pero en este momento, hemos cubierto solo un poco de eso”, manifestó Peng. “No estoy muy seguro de cómo mejorar los sistemas de aprendizaje profundo en este momento”.

En este momento, gran parte de este tema permanece en lo teórico. Lo que les da esperanzas a los investigadores es el asombroso parecido que la estructura del sistema olfativo tiene con otras regiones del cerebro en muchas especies, particularmente el hipocampo, que está implicado en la memoria y la navegación, y el cerebelo, que es el responsable del control motor

El circuito olfatorio podría actuar como una puerta de entrada para comprender los algoritmos y cálculos de aprendizaje más complejos utilizados por el hipocampo y el cerebelo, y para descubrir cómo aplicar tales conocimientos a la inteligencia artificial. Los investigadores ya han comenzado a recurrir a procesos cognitivos como la atención y varias formas de memoria, con la esperanza de que puedan ofrecer formas de mejorar las arquitecturas y mecanismos actuales de aprendizaje automático. Pero olfacción podría ofrecer una manera más simple de comenzar a forjar esas conexiones. “Es un punto interesante de nexo”, expresó Marblestone. “Un punto de entrada para pensar en las redes neuronales de próxima generación”.