¿Cómo ocurre el aprendizaje en nuestro cerebro?

Las redes neuronales de impulsos constituyen una de las aproximaciones más fieles, dentro de la inteligencia artificial, a la lógica de funcionamiento del sistema nervioso biológico. A diferencia de los modelos computacionales tradicionales, procesan información emulando la dinámica de las neuronas reales. Sin embargo, su aplicación en robótica ha sido hasta ahora limitada. En este contexto, Gabriel Torre y Juan I. Giribet, investigadores del Laboratorio de Inteligencia Artificial y Robótica de la Universidad de San Andrés, junto con Sergio E. Lew, de la Universidad de Buenos Aires, desarrollaron un sistema en el que una red neuronal de impulsos genera y controla, en tiempo real, la marcha de un robot cuadrúpedo físico.

En el modelo propuesto, presentado en la IEEE International Conference on Advanced Robotics, los investigadores simularon una red de neuronas basada en mediciones cerebrales reales y modulada por una señal de dopamina. En el cerebro, la dopamina actúa como un neurotransmisor capaz de facilitar o inhibir el disparo neuronal, incidiendo en procesos como el movimiento, la motivación y la recompensa. En la simulación, la dopamina genera oscilaciones coordinadas que se traducen en formas de locomoción específicas, como trote o ambladura (un tipo de marcha característica de ciertos animales cuadrúpedos en la que mueven simultáneamente la mano y la pata del mismo lado), que luego fueron implementadas directamente en un robot cuadrúpedo físico. El resultado es un sistema en el que los patrones de movimiento no están programados de manera explícita ni obtenidos mediante entrenamiento convencional, sino que emergen de la propia estructura de la red neuronal y de su modulación dopaminérgica. Además, el modelo incorpora una señal de retroalimentación basada en la marcha del robot, que ajusta los niveles de dopamina según el desempeño observado, introduciendo así un mecanismo adaptativo.

“El objetivo no es replicar en detalle los circuitos biológicos, sino capturar su lógica funcional de cómo poblaciones neuronales coordinan la acción”, sostienen los investigadores. En este sentido, las implicancias del trabajo son dobles. Por un lado, abre la posibilidad de mejorar el control de robots con patas—cuadrúpedos, bípedos o prótesis—mediante principios inspirados en la biología. Por otro lado, plantea interrogantes fundamentales sobre el aprendizaje, tanto en humanos como en máquinas. “En computación, el aprendizaje suele depender de ajustes iterativos orientados a una tarea objetivo: se entrenan todos los parámetros de una red para maximizar la probabilidad de hacer bien esa tarea. En el cerebro, en cambio, no hay evidencia clara de mecanismos globales equivalentes que reconfiguren simultáneamente todas las neuronas, y aún así somos capaces de aprender y, sobre todo, de transferir lo aprendido”, explica Torre, argumentando que la transferencia de aprendizaje se vuelve un punto crítico. “Si un robot que sabe caminar sufre una alteración en una pata, ¿puede reutilizar su conocimiento previo y adaptarse rápidamente? En los humanos, la adaptación entre contextos es casi inmediata: se aprende poco y se transfiere mucho conocimiento previo. En las máquinas, en cambio, aunque aprender una tarea específica puede ser altamente eficiente, adaptarse y transferir aprendizaje continúa siendo un desafío”, agrega el investigador de UdeSA.