Cienciaes.com

Quilo de Ciencia podcast - cienciaes.com suscripción

Quilo de Ciencia

El quilo, con “q” es el líquido formado en el duodeno (intestino delgado) por bilis, jugo pancreático y lípidos emulsionados resultado de la digestión de los alimentos ingeridos. En el podcast Quilo de Ciencia, realizado por el profesor Jorge Laborda, intentamos “digerir” para el oyente los kilos de ciencia que se generan cada semana y que se publican en las revistas especializadas de mayor impacto científico. Los temas son, por consiguiente variados, pero esperamos que siempre resulten interesantes, amenos, y, en todo caso, nunca indigestos.

Ministerio de Ciencia e Innovación

Fundación Española para la Ciencia y la Tecnología

Universidad de Castilla - La Mancha

Hacia el Big Bang de la Inteligencia Artificial

Hacia el Big Bang de la Inteligencia Articificial - Quilo de Ciencia podcast - CienciaEs.com

El memristor recuerda sus experiencias en tanto que conductor de la electricidad.

Algunos creen que el mundo se acerca inexorablemente a lo que se ha dado en llamar la “singularidad tecnológica”. Este evento hipotético, realmente singular, se refiere al advenimiento de, quizá, un nuevo mesías, esta vez en forma de un ordenador o robot lo suficientemente inteligente como para mejorar el diseño de siguientes generaciones de robots. En ese tiempo futuro, más o menos próximo, las máquinas habrían alcanzado un estado capaz de la auto mejora continuada y pasarían a diseñarse y fabricarse a sí mismas con cada vez mejores capacidades. Se produciría una “explosión de inteligencia” (que quizá compensaría la explosión de estupidez en la que aún estamos inmersos desde el Big Bang). Surgirían brillantes mentes artificiales cada vez más poderosas a las que ni siquiera los mejores líderes políticos podrían engañar. Sería el fin de la civilización tal y como la conocemos; incluso el fin de la Historia, y el comienzo de una nueva era en la que el ser humano quedaría relegado a un segundo plano… por tonto.

No se preocupe, por el momento los ordenadores son todavía bastante estúpidos, más de lo que muchos creen. Mientras sus capacidades para realizar cálculos matemáticos son muy superiores a las nuestras, sus capacidades en otras áreas de la inteligencia son muy inferiores. Por ejemplo, mientras cualquiera puede reconocer a su suegra entre un millón de rostros diferentes, un robot tendría serias dificultades en diferenciar a su hipotética suegra de su mujer, lo que espero que a su marido nunca llegue a sucederle.

Desde hace ya varias décadas se ha avanzado en la comprensión de las razones de estas diferencias. Por supuesto, se deben en gran medida a la arquitectura y construcción de nuestro cerebro, que posee alrededor de mil billones de conexiones sinápticas, organizadas en las llamadas redes neuronales. La arquitectura de los circuitos que hoy se encuentran en los dispositivos informáticos poco o nada tiene que ver con la de nuestros cerebros, lo cual posibilita la realización de tareas de computación concretas a gran velocidad, pero dificulta o imposibilita la realización de otras tareas cognitivas.

Entre las empresas más difíciles para los ordenadores clásicos se encuentra el aprendizaje. Aprender a diferenciar las letras del alfabeto, algo que estamos haciendo ahora de manera automática y, además, asociando un significado a largos conjuntos de ellas, no resulta fácil para un ordenador tradicional. Esto es así porque en su constitución no se han implementado todavía circuitos electrónicos que imiten a las redes neuronales, las cuales sí son capaces de aprender con facilidad.

Aprendizaje eléctrico.

¿Cómo aprende una red neuronal? Vamos a intentar explicarlo con un ejemplo. Una red neuronal está constituida por “células” interconectadas, que pueden ser neuronas o dispositivos electrónicos. Existen varias capas de células conectadas entre sí por “sinapsis”. La primera capa recibe el input, y la última proporciona el output, es decir, la solución del problema. Supongamos que este sea diferenciar entre un lápiz y una estilográfica. Las células output podrían ser solo dos: una se iluminaría (por ejemplo con un LED verde) cuando el output sea “lápiz”, y la otra se iluminaría (LED rojo) cuando el output sea “estilográfica”. Que se ilumine una o la otra depende del camino que siga la señal eléctrica a través de las sinapsis desde el input hasta el output. Este camino, a su vez, depende de la resistencia eléctrica de las sinapsis entre las distintas células.

Pongamos que mostramos un lápiz como input, pero la red neuronal nos da la luz roja, es decir, se equivoca y “cree” que es una estilográfica. Esta información, este error, se utiliza para cambiar la resistencia de las sinapsis, de manera que la próxima vez que se muestre un lápiz sea más difícil que se encienda la luz roja y más fácil que se encienda la verde. Reiterando este procedimiento muchas veces con lápices y estilográficas diferentes como inputs, finalmente la red neuronal puede llegar a aprender a diferenciar entre ambos tipos de objetos. La red aprende así de sus propios errores y aciertos.

Las redes neuronales no son fáciles de implementar en el hardware de los ordenadores, entre otras cosas porque hasta hace muy poco se carecía de los elementos electrónicos capaces de generarlas. Esto, afortunadamente, ha dejado de ser así hace solo unos años, gracias al desarrollo de unos componentes electrónicos llamados memristors. Un memristor es un dispositivo cuya resistencia eléctrica actual depende de las corrientes eléctricas y dirección de las mismas que le han atravesado en el pasado, es decir, el memristor recuerda sus experiencias en tanto que conductor de la electricidad y cambia sus propiedades eléctricas de acuerdo a ellas. Es, sin duda, un dispositivo ideal para posibilitar el aprendizaje de las redes neuronales que posean sinapsis construidas con él.

En efecto, investigadores de la Universidad de California construyen una red neuronal basada en memristors de tan solo cien sinapsis y la entrenan con éxito para que sea capaz de diferenciar tres letras (“z” “v” y “n”). Estos estudios, publicados en la revista Nature, constituyen un paso importante hacia la generación de máquinas y robots más inteligentes, capaces de aprender y realizar tareas complejas y de mejorar sus capacidades, pero también nos acerca de manera importante a esa fatídica “singularidad tecnológica” de la que hablaba al principio. ¿Seremos los humanos tan listos y a la vez tan tontos como para alcanzarla?

Referencia: Training and operation of an integrated neuromorphic network based on metal-oxide memristors. M. Prezioso et al., Nature 521, 61–64 (07 May 2015). http://www.nature.com/nature/journal/v521/n7550/full/nature14441.html


Botón de donación
Apoya la labor divulgadora de CienciaEs apuntándote al Club de Amigos con una donación periódica (Mecenas) o puntual.
Colabore con CienciaEs.com - Ciencia para Escuchar
30.104.056 audios servidos.

Agradecemos la donación de:

Rick Fleeter
(Charlestown , RI, USA)

Vicente Cabeza Pérez
Mecenas

Andreu Salva Pages
Mecenas

Jesús Royo Arpón
Mecenas

Fernando vidal Agustina
Mecenas

Ramón Bernardo
Mecenas

Mario Cantu
“Muchas gracias por compartir la cultura.”

Darío Fernández Muñoz
Nuevo Mecenas

Javier Arratia Araujo

Robert Cook

Javier Calpe Maravilla
“Gracias por el buen trabajo”

Julia Dolores Martínez Vilela

Sonia Muñoz España
“Gracias por hacer tan ameno el mundo de la ciencia.”

Maximiliano Miglin

Marta Milagros Salesa Calvo
Mecenas

Luis Manuel Blasco Pérez

Steffen Gruenert
“¡Gracias por el zoo de los fósiles!”

Anónimo
“Saludos y nuestra gratitud a todo el equipo. Acepten por favor un abrazo desde México.”
Mecenas

Jorge Núñez Fernández
Mecenas

Josep Mitja Pau
“Felicidades por el buen trabajo. La vida de los científicos es lo que más me gusta”

Alondra Ariza
Mecenas

Javier Iglesias Frax
Nuevo Mecenas

———- O ———-
App CienciaEs Android
App CienciaEs
App de cienciaes en apple store YouTube CienciaEs
———- O ———-



feed completo
Suscribase a nuestros programas






Locations of visitors to this page