{"id":110742,"date":"2021-09-09T11:23:56","date_gmt":"2021-09-09T14:23:56","guid":{"rendered":"https:\/\/www.radiojai.com\/?p=110742"},"modified":"2021-09-09T14:24:07","modified_gmt":"2021-09-09T17:24:07","slug":"las-neuronas-son-mucho-mas-inteligentes-de-lo-que-pensamos","status":"publish","type":"post","link":"https:\/\/www.radiojai.com\/index.php\/2021\/09\/09\/110742\/las-neuronas-son-mucho-mas-inteligentes-de-lo-que-pensamos\/","title":{"rendered":"Las neuronas son mucho m\u00e1s inteligentes de lo que pensamos"},"content":{"rendered":"<p>Estamos en medio de una revoluci\u00f3n cient\u00edfica y tecnol\u00f3gica. Las computadoras de hoy usan inteligencia artificial para aprender del ejemplo y ejecutar funciones sofisticadas que, hasta hace poco, se pensaba que eran imposibles. <strong>Estos algoritmos inteligentes pueden reconocer rostros e incluso conducir veh\u00edculos aut\u00f3nomos. Las redes de aprendizaje profundo, responsables de muchos de estos avances tecnol\u00f3gicos, se basan en los mismos principios que forman la estructura de nuestro cerebro: est\u00e1n compuestas por c\u00e9lulas nerviosas artificiales que est\u00e1n conectadas entre s\u00ed mediante sinapsis artificiales; estas c\u00e9lulas se env\u00edan se\u00f1ales entre s\u00ed a trav\u00e9s de estas sinapsis.<\/strong><\/p>\n<p>Nuestra comprensi\u00f3n b\u00e1sica de la funci\u00f3n neuronal se remonta a la d\u00e9cada de 1950.<\/p>\n<p>Con base en esta comprensi\u00f3n elemental, las neuronas artificiales actuales que se utilizan en el aprendizaje profundo operan sumando sus entradas sin\u00e1pticas linealmente y generando en respuesta uno de dos estados de salida: \u201c0\u201d (APAGADO) y \u201c1\u201d (ENCENDIDO).<\/p>\n<ul>\n<li><a href=\"https:\/\/www.radiojai.com\/index.php\/2021\/06\/06\/103026\/como-hace-el-para-cerebro-procesar-multiples-conversaciones-a-la-vez\/\">C\u00f3mo hace el cerebro para procesar m\u00faltiples conversaciones a la vez?<\/a><\/li>\n<\/ul>\n<p>En las \u00faltimas d\u00e9cadas, sin embargo, <strong>el campo de la neurociencia<\/strong> ha descubierto que las neuronas individuales se construyen a partir de un complejo sistema de ramificaci\u00f3n que contiene muchas subregiones funcionales.<\/p>\n<p>De hecho, la estructura ramificada de las neuronas y las muchas sinapsis que la contactan sobre su superficie distribuida implica que las neuronas individuales podr\u00edan comportarse como una red extensa en la que cada subregi\u00f3n tiene su propia funci\u00f3n de entrada-salida local, es decir, no lineal.<\/p>\n<p><strong>Una nueva investigaci\u00f3n israel\u00ed busca comprender la potencia inform\u00e1tica de una neurona de manera sistem\u00e1tica.<\/strong><\/p>\n<p>Si se mapea la entrada-salida de una neurona para muchas entradas sin\u00e1pticas (muchos ejemplos), entonces se puede examinar qu\u00e9 tan \u201cprofunda\u201d deber\u00eda ser una red an\u00e1loga para replicar las caracter\u00edsticas de E \/ S de la neurona.<\/p>\n<p>David Beniaguev, junto con los profesores Michael London e Idan Segev, han asumido este desaf\u00edo y han publicado sus hallazgos en la prestigiosa revista Neuron.<\/p>\n<p>El objetivo del estudio es comprender c\u00f3mo las c\u00e9lulas nerviosas individuales, los componentes b\u00e1sicos del cerebro, traducen las entradas sin\u00e1pticas en su salida el\u00e9ctrica.<\/p>\n<p>Al hacerlo, los investigadores buscan crear un nuevo tipo de infraestructura artificial de aprendizaje profundo, que actuar\u00e1 m\u00e1s como el cerebro humano y producir\u00e1 capacidades igualmente impresionantes como lo hace el cerebro.<\/p>\n<p><strong>\u201cLa nueva red de aprendizaje profundo que proponemos se construye a partir de neuronas artificiales en las que cada una de ellas ya tiene entre 5 y 7 capas de profundidad&#8221;.<\/strong><\/p>\n<p>Estas unidades est\u00e1n conectadas, a trav\u00e9s de sin\u00e1psis artificiales, a las capas superiores e inferiores\u201d, explic\u00f3 Segev.\u00a0 En el estado actual de las redes neuronales profundas, cada neurona artificial responde a los datos de entrada (sin\u00e1psis) con un \u201c0\u201d o un \u201c1\u201d, seg\u00fan la fuerza sin\u00e1ptica que recibe de la capa anterior.<\/p>\n<ul>\n<li><a href=\"https:\/\/www.radiojai.com\/index.php\/2021\/05\/04\/100430\/la-era-de-la-inteligencia-artificial-demandara-menos-profesionales-y-mas-tecnicos\/\">La era de la inteligencia artificial demandar\u00e1 menos profesionales y m\u00e1s t\u00e9cnicos<\/a><\/li>\n<\/ul>\n<p>Con base en esa fuerza, la sin\u00e1psis env\u00eda (excita), o retiene (inhibe), una se\u00f1al a las neuronas de la siguiente capa.\u00a0 Las neuronas en la segunda capa luego procesan los datos que recibieron y transfieren la salida a las c\u00e9lulas en el siguiente nivel, etc.<\/p>\n<p>Por ejemplo, en una red que se supone que responde a gatos (pero no a otros animales), esta red deber\u00eda responda para un gato con un \u201c1\u201d en la \u00faltima neurona de salida (m\u00e1s profunda) y con un \u201c0\u201d en caso contrario.<\/p>\n<p>Las redes neuronales profundas del estado actual demostraron que pueden aprender esta tarea y realizarla extremadamente bien.<\/p>\n<p>Este enfoque permite que las computadoras en autom\u00f3viles sin conductor, por ejemplo, aprendan cu\u00e1ndo han llegado a un sem\u00e1foro o un paso de peatones, incluso si la computadora nunca antes ha visto ese cruce de peatones espec\u00edfico.<\/p>\n<p>\u201cA pesar de los \u00e9xitos notables que se definen como un \u2018cambio de juego\u2019 para nuestro mundo, todav\u00eda no apreciamos completamente c\u00f3mo el aprendizaje profundo es capaz de hacer lo que hace y muchas personas en todo el mundo est\u00e1n tratando de resolverlo\u201d.<\/p>\n<p>La capacidad de cada red de aprendizaje profundo tambi\u00e9n se limita a la tarea espec\u00edfica que se le pide que realice.<\/p>\n<p>Un sistema que se ense\u00f1\u00f3 a identificar gatos no es capaz de identificar perros.<\/p>\n<p>Adem\u00e1s, es necesario que exista un sistema dedicado para detectar la conexi\u00f3n entre el maullido y los gatos.<\/p>\n<p>Si bien el \u00e9xito del aprendizaje profundo es sorprendente para tareas espec\u00edficas, estos sistemas est\u00e1n muy por detr\u00e1s del cerebro humano en su capacidad para realizar m\u00faltiples tareas.<\/p>\n<p><strong>\u201cAlcanza un accidente automovil\u00edstico (sin conductor) para darnos cuenta de los peligros inherentes a estas limitaciones\u201d, brome\u00f3 Segev.<\/strong><\/p>\n<p>Actualmente, se est\u00e1 centrando una investigaci\u00f3n significativa en proporcionar un aprendizaje profundo artificial con habilidades m\u00e1s inteligentes y abarcativas, como la capacidad de procesar y correlacionar entre diferentes est\u00edmulos y relacionarse con diferentes aspectos del gato (vista, o\u00eddo, tacto, etc. ) y aprender a traducir esos diversos aspectos en significado.<\/p>\n<p>Estas son capacidades en las que sobresale el cerebro humano y aquellas que el aprendizaje profundo a\u00fan no ha podido lograr.<\/p>\n<p>\u201cNuestro enfoque es utilizar capacidades de aprendizaje profundo para crear un modelo computarizado que reproduzca mejor las propiedades de E \/ S de neuronas individuales en el cerebro\u201d, explic\u00f3 Beniaguev.<\/p>\n<p>Para hacerlo, los investigadores se basaron en el modelado matem\u00e1tico de neuronas individuales, un conjunto de ecuaciones diferenciales que fue desarrollado por Segev y London.<\/p>\n<p>Esto les permite simular con precisi\u00f3n los procesos el\u00e9ctricos detallados que tienen lugar en diferentes regiones de la neurona simulada y mapear mejor la transformaci\u00f3n compleja para el aluvi\u00f3n de entradas sin\u00e1pticas y la corriente el\u00e9ctrica que producen a trav\u00e9s de la estructura en forma de \u00e1rbol (\u00e1rbol dendr\u00edtico) de la c\u00e9lula nerviosa.<\/p>\n<p>Los investigadores utilizaron este modelo para buscar una red neuronal profunda (DNN) que replicara la E \/ S de la neurona simulada. Descubrieron que esta tarea se logra con un DNN de 5-7 capas de profundidad.<\/p>\n<p>El equipo espera que la construcci\u00f3n de redes de aprendizaje profundo basadas estrechamente en neuronas reales que, como han demostrado, ya son bastante profundas por s\u00ed mismas, les permita realizar procesos de aprendizaje m\u00e1s complejos y eficientes, m\u00e1s similares al cerebro humano.<\/p>\n<p>\u201cUna ilustraci\u00f3n de esto ser\u00eda que la red artificial reconociera a un gato con menos ejemplos y realizara funciones como internalizar el significado del lenguaje.<\/p>\n<p>Sin embargo, estos son procesos que a\u00fan tenemos que demostrar que son posibles mediante nuestras DNN sugeridas con investigaci\u00f3n continua\u201d, enfatiz\u00f3 Segev.<\/p>\n<p>Tal sistema no solo significar\u00eda cambiar la representaci\u00f3n de neuronas individuales en la red neuronal artificial respectiva, sino tambi\u00e9n combinar en la red artificial las caracter\u00edsticas de diferentes tipos de neuronas, como es el caso del cerebro humano.<\/p>\n<p>\u201cEl objetivo final ser\u00eda crear una r\u00e9plica computarizada que imite la funcionalidad, la capacidad y la diversidad del cerebro, para crear, en todos los sentidos, verdadera inteligencia artificial\u201d, agreg\u00f3 Segev.<\/p>\n<p>Este estudio tambi\u00e9n ofreci\u00f3 la primera oportunidad de mapear y comparar el poder de procesamiento de los diferentes tipos de neuronas.<\/p>\n<ul>\n<li><a href=\"https:\/\/www.radiojai.com\/index.php\/2020\/08\/30\/68190\/chips-en-el-cerebro-para-curar-enfermedades-estamos-cerca-de-hacerlo-real\/\">Chips en el cerebro para curar enfermedades \u00bfEstamos cerca de hacerlo real?<\/a><\/li>\n<\/ul>\n<p>\u201cPor ejemplo, para simular la neurona A, necesitamos mapear siete niveles diferentes de aprendizaje profundo de neuronas espec\u00edficas, mientras que la neurona B puede necesitar nueve de esas capas\u201d, explic\u00f3 Segev.<\/p>\n<p>\u201cDe esta manera, podemos comparar cuantitativamente el poder de procesamiento de la c\u00e9lula nerviosa de un rat\u00f3n con una c\u00e9lula comparable en un cerebro humano, o entre dos tipos diferentes de neuronas en el cerebro humano\u201d.<\/p>\n<p>En un nivel a\u00fan m\u00e1s b\u00e1sico, es probable que el desarrollo de un modelo inform\u00e1tico basado en un enfoque de aprendizaje autom\u00e1tico que simule con tanta precisi\u00f3n la funci\u00f3n cerebral proporcione una nueva comprensi\u00f3n del propio cerebro.<\/p>\n<p><strong>\u201cNuestro cerebro desarroll\u00f3 m\u00e9todos para construir redes artificiales que replican sus propias capacidades de aprendizaje y esto a cambio nos permite comprender mejor el cerebro y nosotros mismos\u201d, concluy\u00f3 Beniaguev.<\/strong><\/p>\n<p>&nbsp;<\/p>\n<p>Fuente: LatamIsrael<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Estamos en medio de una revoluci\u00f3n cient\u00edfica y tecnol\u00f3gica. Las computadoras de hoy usan inteligencia artificial para aprender del ejemplo y ejecutar funciones sofisticadas que, hasta hace poco, se pensaba que eran imposibles. Estos algoritmos inteligentes pueden reconocer rostros e incluso conducir veh\u00edculos aut\u00f3nomos. Las redes de aprendizaje profundo, responsables de muchos de estos avances tecnol\u00f3gicos, se basan en los mismos principios que forman la estructura de nuestro cerebro: est\u00e1n compuestas por c\u00e9lulas nerviosas artificiales que est\u00e1n conectadas entre s\u00ed mediante sinapsis artificiales; estas c\u00e9lulas se env\u00edan se\u00f1ales entre s\u00ed a trav\u00e9s de estas sinapsis. Nuestra comprensi\u00f3n b\u00e1sica de la funci\u00f3n neuronal se remonta a la d\u00e9cada de 1950. Con base en esta comprensi\u00f3n elemental, las neuronas artificiales actuales que se utilizan en el aprendizaje profundo operan sumando sus entradas sin\u00e1pticas linealmente y generando en respuesta uno de dos estados de salida: \u201c0\u201d (APAGADO) y \u201c1\u201d (ENCENDIDO). C\u00f3mo hace el cerebro para procesar m\u00faltiples conversaciones a la vez? En las \u00faltimas d\u00e9cadas, sin embargo, el campo de la neurociencia ha descubierto que las neuronas individuales se construyen a partir de un complejo sistema de ramificaci\u00f3n que contiene muchas subregiones funcionales. De hecho, la estructura ramificada de las neuronas y las &hellip;<\/p>\n","protected":false},"author":7,"featured_media":110743,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[3],"tags":[947,5180,3231,124,1445,5176,5177,5178,5179,5181],"class_list":["post-110742","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-salud","tag-salud","tag-aprendizaje","tag-cerebro","tag-ciencia","tag-inteligencia-artificial","tag-neurociencia","tag-neuronas","tag-redes-de-aprendizaje","tag-sinapsis","tag-sinapsis-artificial"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/posts\/110742","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/comments?post=110742"}],"version-history":[{"count":0,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/posts\/110742\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/media\/110743"}],"wp:attachment":[{"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/media?parent=110742"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/categories?post=110742"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.radiojai.com\/index.php\/wp-json\/wp\/v2\/tags?post=110742"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}