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.

Ay, ay, ay, lo que nos dice la AI sobre los cerebros de hombres y mujeres

IA y cerebros - Quilo de Ciencia podcast - Cienciaes.com

Me vas a perdonar que comience este podcast con una historia algo personal. Se trata de cómo y cuándo aprendí sobre la existencia de las redes neuronales y su funcionamiento. Corría el año 1990. Vivía entonces en Kensington, en el estado de Maryland, USA, y solía visitar con frecuencia las fabulosas librerías y bibliotecas del área metropolitana de Washington DC. En una de esas visitas encontré un libro publicado en 1988 (segunda edición) cuyo autor es el filósofo canadiense Paul M. Churchland. El título del libro es Materia y Consciencia y, aunque el tema parece filosófico, el autor lo reviste de una gruesa capa de ciencia. Hacia el final del libro, ahí estaba la explicación más sencilla que he encontrado nunca del funcionamiento y entrenamiento de una red neuronal artificial y de cómo un proceso material podía adquirir conceptos abstractos sobre los objetos del mundo.

Las redes neuronales artificiales son en parte las que hacen posible la inteligencia artificial, esta que está revolucionando el mundo en muchos niveles. Sin embargo, como sucedía con las vacunas de ARN durante la pandemia, que estaban basadas en investigación científica iniciada en los años 90 del siglo pasado, las redes neuronales no son cosa de hace solo unos años, y llevan desarrollándose en universidades y centros de investigación durante décadas.

En su libro, Paul Churchland ya explica que se había desarrollado por aquel entonces, a mitad de los años 80 del pasado siglo, una red neuronal de solo tres capas de neuronas capaz de pasar texto en inglés a voz hablada. Se trataba del sistema NETtalk. En otras palabras, ya se había desarrollado en los años 80 del siglo XX una red neuronal capaz de leer inglés con una cierta calidad y tan solo con un entrenamiento de unas pocas horas, una tarea cognitiva que ningún ser humano era capaz de llevar a cabo con tanta rapidez.

Pero lo más interesante es la explicación que Paul Churchland realiza en su libro acerca del funcionamiento de las redes neuronales. Para explicarlas, nos introduce en un problema cognitivo en el ámbito militar. Un submarino debe realizar una peligrosa misión y torpedear un buque rival infiltrándose para ello en el puerto enemigo en el que este se encuentra, puerto que está minado. La posición de las minas debe ser detectada para evitar pasar cerca de ellas a toda costa, o de otro modo el submarino podría ser destruido por la explosión de alguna de ellas, explosión que se desencadena por proximidad. Desgraciadamente, el puerto tiene también numerosas rocas que no suponen un peligro, y que no deben ser confundidas con las minas o, de otro modo, el submarino no podrá avanzar con seguridad hasta alcanzar su objetivo. El sónar del submarino puede generar ecos de las minas y de las rocas, pero las características del eco que llega hasta el submarino no permiten a un operador, ni siquiera experimentado, distinguir si el eco proviene de una moderna mina o de una antigua roca. ¿Cómo podría ayudar a resolver este problema una red neuronal?

Paul Churchland indica que el sonido del eco del sónar podría ser analizado y el espectro completo de frecuencias dividido en, por ejemplo, trece fragmentos correspondientes cada uno de ellos a un rango de frecuencias determinado, cada uno de los cuales tendría, además, una intensidad sonora dada. Estas trece intensidades sonoras correspondientes a las diferentes frecuencias del espectro sonoro contendrían información sobre la naturaleza del objeto que ha emitido el eco: una roca o una mina.

Puesto que descomponemos el sonido de los ecos en trece rangos de frecuencia, cada uno con su intensidad sonora, cada uno de estos fragmentos puede ser alimentado a una “neurona” de entrada o input de la red neuronal. Tenemos así una primera capa de neuronas formada por trece de ellas. Las “neuronas” se activarán si la intensidad de la frecuencia sonora que cada una se encarga de detectar supera un umbral, si no lo hace, no se activarán.

Cada una de estas trece neuronas se conecta a su vez a una capa de, en el ejemplo que Paul Churchland emplea, siete neuronas intermedias. Podrían ser más, podrían ser menos, lo que seguramente afectará a la capacidad del sistema para resolver el problema de distinguir entre minas y rocas, pero siete puede ser un buen número para empezar. La activación de cada una de estas siete neuronas depende ahora de la intensidad de la señal que les llega de las trece neuronas de la primera capa, señal que no solo depende de que las primeras neuronas se activen o no, sino que también depende de la fortaleza de las conexiones que las conectan con ellas. Por último, las siete neuronas intermedias están conectadas a su vez a dos neuronas finales: las neuronas output o de salida. La activación de una de ellas supondría que el sistema decide que ha detectado una mina, y la activación de la otra, que ha detectado una roca.

Con esta estructura de red neuronal, ahora el sistema debe ser entrenado para identificar, si es posible, diferencias en los ecos sonoros emitidos por rocas o por minas que permitan distinguir entre ambas. Para ello, necesitamos tener recolectados datos fiables de esos ecos sonoros de los que previamente sabemos son ecos procedentes de rocas o procedentes de minas de diversas clases, y colocadas en diferentes posiciones y profundidades. Este entrenamiento se realiza pues con datos previos recolectados en experimentos o ensayos, en este caso, con distintas minas y distintas rocas, cuantas más, mejor.

El entrenamiento consiste en alimentar pues al sistema con ecos conocidos y comprobar qué neurona final se activa y si la activación es acertada o errónea. A cada ronda de entrenamiento, si el sistema comete un error, mediante una regla matemática sencilla, el error cometido se realimenta en el sistema de modo que la intensidad de las conexiones entre las neuronas input y las neuronas intermedias y entre estas y as neuronas finales cambie. Es de esperar que este cambio en la intensidad en las conexiones a cada ciclo de entrenamiento conduzca al sistema a reajustar sus conexiones de modo que cometa cada vez menos errores, hasta que, al final, las conexiones interneuronales, similares a las sinapsis de nuestras neuronas biológicas, adquieran la intensidad ideal que le permita identificar correctamente a minas y a rocas solamente en base a los ecos sonoros que estas emiten al ser analizadas con el sónar del submarino.

Obviamente, y esto es fundamental, la discriminación entre minas y rocas es únicamente posible si los ecos sonoros emitidos por estos dos objetos poseen alguna diferencia intrínseca, algunas características diferentes que, aunque tal vez no resulten evidentes a un operador humano, el sistema sí puede identificar y basarse en ellas para decidir si lo que oye corresponde a una mina o a una roca. En caso de que los ecos de rocas y de minas fueran virtualmente idénticos, ni este ni otro sistema basado en redes neuronales podría distinguirlas.

Diferentes redes neuronales de diferente complejidad y con diferentes capas de neuronas intermedias pueden ser construidas por ordenador y entrenadas para distinguir entre patrones complejos del mundo real que posean alguna diferencia. Es posible acceder por Internet a programas que codifican algunas de ellas. Por ejemplo, una de estas redes es capaz de aprender a distinguir los números del 0 al 9 escritos a mano por diferentes personas, que, como sabemos, pueden ser muy distintos de acuerdo con la caligrafía de cada uno. No obstante, estos sistemas son capaces de extraer las características comunes de cada dígito y aprender cuáles de ellas corresponden, por ejemplo, a un tres y cuáles corresponden, por ejemplo, a un ocho.

Por supuesto, es posible generar redes neuronales para que sean capaces de aprender cosas más interesantes. Una de ellas ha pretendido averiguar si es posible distinguir entre los cerebros de hombres y de mujeres. Para ello, investigadores de la Facultad de Medicina de la Universidad de Standford, en California, USA, dirigidos por el Dr. Vinod Menon desarrollan una red neuronal para el aprendizaje profundo de las estructuras cerebrales. Para entrenarla, utilizan los datos de resonancia magnética, una especie de sónar para el cerebro, recolectados de cientos de voluntarios sanos por el proyecto Conectoma Humano. Este proyecto persigue analizar todas las conexiones neuronales que suceden en el cerebro humano y cuya anomalía puede estar asociada con el desarrollo de importantes enfermedades neurológicas, de las que hombres y mujeres sufren incidencias diferentes.

Los datos recolectados de esos cientos de cerebros en funcionamiento son utilizados para entrenar a la red neuronal, indicándole cuáles de las imágenes de resonancia corresponden a cerebros de hombres y cuáles corresponden a cerebros de mujeres. Los investigadores no indicaron nada más al sistema, es decir, no se enfocaron en el análisis de ninguna estructura cerebral particular que pudiera ser importante, sino que dejaron que el sistema decidiera por sí solo cómo diferenciar entre los cerebros masculino y femenino, si es que identificar alguna diferencia en su estructura o en su actividad era posible, por supuesto.

Tras ser entrenado con las numerosas imágenes de resonancia magnética, se mostraba al sistema una imagen nueva de resonancia de un cerebro y se le pedía que determinara si era masculino o femenino. El sistema fue capaz de identificar correctamente la procedencia de la imagen nueve de cada diez veces. Una precisión del 90 por ciento. Este porcentaje es similar al porcentaje de discriminación que muestran redes neutrones similares entrenadas, en este caso, para distinguir las diferencias entre los rostros de hombres y de mujeres. En otras palabras, la inteligencia artificial nos revela ahora que las diferencias entre los cerebros de hombres y de mujeres pueden ser tan importantes y significativas como las diferencias entre sus rostros, diferencias de las que, en general, todos estaremos de acuerdo, son suficientemente significativas como para suponer un importante factor de atracción o repulsión sexual.

¿Qué hacemos ahora con este trozo de ciencia tan políticamente incorrecta, tan en contra de los deseos de tantos hombres y mujeres que luchan por la igualdad absoluta entre ambos sexos? Bueno, al margen de que la realidad pueda gustarnos más o menos, me temo que tendremos que acabar por aceptarla. Eso sería lo primero que deberíamos intentar hacer en lugar de revelarnos contra ella, lo que es siempre una batalla perdida. Los autores del estudio ya aceptan esa realidad al indicar que es importante comprender estas diferencias para tratar diversas enfermedades mentales adecuadamente en hombres y en mujeres.

Referencias:

Matter and Consciousness, third edition. by Paul M. Churchland (Author) Publisher: The MIT Press (August 16, 2013).

Ryali S, Zhang Y, de Los Angeles C, Supekar K, Menon V. Deep learning models reveal replicable, generalizable, and behaviorally relevant sex differences in human functional brain organization. Proc Natl Acad Sci U S A. 2024 Feb 27;121(9):e2310012121. doi: 10.1073/pnas.2310012121. Epub 2024 Feb 20. PMID: 38377194; PMCID: PMC10907309. https://www.pnas.org/doi/abs/10.1073/pnas.2310012121

But what is a neural network? YouTube video (en inglés) https://www.youtube.com/watch?v=aircAruvnKk

Jorge Laborda. 14 de marzo de 2024.

Obras de Jorge Laborda.

¡ESTAMOS RODEADOS!

¡ESTAMOS RODEADOS!

Tus defensas frente al coronavirus

Tus defensas frente al coronavirus

Inmunología desinflamada: Una introducción al sistema inmunitario y sus patologías

Inmunología desinflamada: Una introducción al sistema inmunitario y sus patologías
Inmunología desinflamada: Una introducción al sistema inmunitario y sus patologías

Quilo de Ciencia Volumen XII eBook
Quilo de Ciencia Volumen XII Papel
Quilo de Ciencia Volumen I. Jorge Laborda
Quilo de Ciencia Volumen II. Jorge Laborda
Quilo de Ciencia Volumen III. Jorge Laborda
Quilo de Ciencia Volumen IV. Jorge Laborda
Quilo de Ciencia Volumen V. Jorge Laborda
Quilo de Ciencia Volumen VI. Jorge Laborda
Quilo de Ciencia Volumen VII. Jorge Laborda
Quilo de Ciencia Volumen VIII. Jorge Laborda
Quilo de Ciencia Volumen IX. Jorge Laborda
Quilo de Ciencia Volumen X. Jorge Laborda
Quilo de Ciencia Volumen XI. Jorge Laborda

Matrix de la homeopatía

Circunstancias encadenadas. Ed. Lulu

Circunstancias encadenadas. Amazon

Una Luna, una civilización. Por qué la Luna nos dice que estamos solos en el Universo

Una Luna, una civilización. Por qué la Luna nos dice que estamos solos en el Universo

One Moon one civilization why the Moon tells us we are alone in the universe

Las mil y una bases del ADN y otras historias científicas

Adenio Fidelio

El embudo de la inteligencia y otros ensayos

Se han clonado los dioses


Botón de donación
Apoya a CienciaEs haciéndote MECENAS con una donación periódica o puntual.
Colabore con CienciaEs.com - Ciencia para Escuchar
40,8 millones de audios servidos desde 2009

Agradecemos la donación de:

Maria Tuixen Benet
“Nos encanta Hablando con Científicos y el Zoo de Fósiles. Gracias.”

Daniel Dominguez Morales
“Muchas gracias por su dedicación.”

Anónimo

Jorge Andres-Martin

Daniel Cesar Roman
“Mecenas”

José Manuel Illescas Villa
“Gracias por vuestra gran labor”

Ulrich Menzefrike
“Donación porque me gustan sus podcasts”

Francisco Ramos

Emilio Rubio Rigo

Vicente Manuel CerezaClemente
“Linfocito Tcd8”

Enrique González González
“Gracias por vuestro trabajo.”

Andreu Salva Pages

Emilio Pérez Mayuet
“Muchas gracias por vuestro trabajo”

Daniel Navarro Pons
“Por estos programas tan intersantes”

Luis Sánchez Marín

Jesús Royo Arpón
“Soy de letras, sigo reciclándome”

Fernando Alejandro Medina Vivanco
“Ayuda”

Anónimo

Fernando Vidal

José V González F
“A nombre de mi hijo León Emiliano hacemos esta pequeña aportación. Escuchar ciencia juntos nos hace muy felices. Gracias.”

Javier Galán Cantero
“Por los grandes programas, gracias”

———- 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