Buscar
Tecnología

Lectura 5:00 min

Los sistemas biológicos son más eficientes que la Inteligencia Artificial: estudio

Los sistemas biológicos destacan por adaptarse con menos datos y energía que la IA, como lo demuestra un organoide que superó a algoritmos modernos en un videojuego clásico.

Foto EEArchvio

Los sistemas biológicos son más eficientes que los modelos de Inteligencia Artificial (IA) disponibles en la actualidad, de acuerdo con un reciente estudio liderado por Michael Timothy Bennett, de la Australian National University. 

Publicado en el Journal of The Royal Society Interface, el estudio plantea una pregunta provocadora: ¿son los sistemas biológicos intrínsecamente más inteligentes que la IA contemporánea? La respuesta, según el autor, radica en cómo estos sistemas se organizan, adaptan y aprenden de manera eficiente.

Inteligencia como adaptabilidad

El estudio define la inteligencia como "la capacidad de adaptarse con eficiencia, utilizando los mínimos recursos necesarios para identificar causas y efectos en entornos complejos".

Los sistemas biológicos destacan por su habilidad para adaptarse utilizando significativamente menos datos y energía que los sistemas de IA actuales.

Bennett advierte que un organoide (una pequeña colección de células cultivadas en laboratorio) supera en eficiencia a sistemas de aprendizaje por refuerzo al jugar el clásico videojuego Pong.

Aunque este organoide estaba cuidadosamente diseñado bajo condiciones impuestas por humanos, su adaptabilidad sigue siendo un ejemplo contundente de la eficiencia biológica.

En contraste, los algoritmos de aprendizaje de máquina contemporáneos necesitan cantidades masivas de datos y energía para realizar tareas que los humanos y otros organismos vivos pueden dominar con muy poca experiencia. Este contraste plantea interrogantes sobre la arquitectura subyacente de ambos tipos de sistemas.

El arte de delegar

Según el estudio, una característica clave de los sistemas biológicos es su "arquitectura de competencia multiescalar" (MCA). En esta estructura, "la adaptación ocurre en todos los niveles: desde las células hasta los ecosistemas".

Cada célula actúa como un agente autónomo con una "política" propia que le permite interactuar con otras células para formar órganos, y estos órganos, a su vez, contribuyen a la identidad funcional de un organismo.

Esta capacidad de delegar control a los niveles más bajos permite a los sistemas biológicos adaptarse de manera más eficiente. A diferencia de los sistemas computacionales convencionales, en los que las decisiones suelen ser centralizadas y top-down, los sistemas biológicos descentralizan las decisiones, permitiendo una adaptación más rápida y flexible.

"En un enjambre de drones, si un dron líder es dañado, la estructura jerárquica colapsa. Sin embargo, en un enjambre descentralizado, cada dron tiene suficiente autonomía para adaptarse y mantener la coherencia del grupo", escribió Bennett en el artículo.

Este principio también se observa en los sistemas biológicos, donde "la pérdida de una célula u órgano no necesariamente compromete la supervivencia del organismo completo".

Limitaciones de la IA

El estudio también destaca las limitaciones de los sistemas de IA actuales. Estos sistemas dependen de capas de abstracción estáticas que limitan su capacidad de adaptación.

"En un sistema computacional, el hardware y el software están separados por capas que no pueden cambiarse dinámicamente para mejorar la adaptabilidad", asegura.

Una vez diseñada una arquitectura, como un conjunto de instrucciones para un procesador, esta permanece fija, lo que restringe su capacidad para responder a nuevas circunstancias.

Los sistemas biológicos pueden ajustar su "ventana" de interacción con el entorno, redefiniendo las reglas a niveles más bajos de abstracción para facilitar la adaptación a niveles superiores.

"Este mecanismo dinámico de optimización es una de las razones por las que los sistemas biológicos suelen ser más eficientes", explica Bennett.

Cáncer como fallo de organización

El estudio también reconoce que los sistemas biológicos no son perfectos. Un ejemplo notable es el cáncer, que ocurre cuando las células pierden su conexión con la identidad colectiva del organismo y comienzan a perseguir metas individuales.

Este estado, conocido como "desorganización informacional", es comparable a lo que podría suceder en sistemas artificiales que están demasiado restringidos por reglas top-down.

"Cuando un sistema pierde su capacidad de adaptación debido a restricciones excesivas, puede fragmentarse, lo que resulta en fallos sistémicos similares al cáncer biológico", advierte el estudio.

Aplicaciones

El documento sugiere que los principios de delegación y adaptabilidad podrían aplicarse al diseño de sistemas ciberfísicos, como hardware especializado en aprendizaje más eficiente. También señala que estos principios podrían ser útiles en la regulación de la IA.

"Sistemas de IA rigurosamente regulados podrían enfrentar fallos similares al cáncer si las restricciones impiden la adaptación", advierte Bennett.

Un caso específico que menciona el estudio es el programa "Safeguarded AI" de la Agencia de Investigación e Invención Avanzada del Reino Unido, que busca desarrollar sistemas avanzados de IA general que sean seguros y adaptativos.

"Imponer demasiadas restricciones podría generar el mismo tipo de fallos que las regulaciones buscan evitar", dijo.

El estudio concluye que la inteligencia en los sistemas biológicos está intrínsecamente ligada a su capacidad para delegar control y adaptarse a diferentes niveles de abstracción. Este modelo de organización ofrece lecciones valiosas para diseñar sistemas artificiales más robustos y eficientes. Aunque los hallazgos son teóricos, establecen una base para investigaciones futuras que podrían revolucionar cómo entendemos y construimos sistemas inteligentes.

rodrigo.riquelme@eleconomista.mx

Reportero de Tecnología

Únete infórmate descubre

Suscríbete a nuestros
Newsletters

Ve a nuestros Newslettersregístrate aquí

Últimas noticias

Noticias Recomendadas

Suscríbete