¡Increíble: secciones de cerebro de personas fallecidas también pueden tocar el piano!
Recientemente, un equipo de investigación francés conectó directamente tejido cerebral post-mortem a una mano robótica, logrando que aprendiera a imitar a un humano tocando el piano.
Tomaron tejido cerebral que mantenía actividad de cerebros de personas fallecidas, lo colocaron en una placa de cultivo y lo conectaron a electrodos, un micrófono y una mano robótica biónica.
Después del entrenamiento, cuando un humano presiona una tecla, el tejido cerebral puede "escuchar" la nota y luego controlar la mano robótica para reproducir el mismo sonido.
Y además hay video como prueba.
Seamos claros, esta investigación originalmente abordaba un problema de IA bastante serio:
¿Es posible utilizar la capacidad de aprendizaje natural y la altísima eficiencia energética de las neuronas biológicas para crear un nuevo sistema de IA híbrida?
Pero al juntar palabras clave como "cerebro post-mortem", "sección cerebral", "prótesis robótica" e "IA híbrida", es difícil no pensar en el cyberpunk.
Tras su publicación, el estudio rápidamente generó debate.
Algunos blogueros analizaron específicamente el video del experimento, argumentando que aunque este tipo de trabajo conlleva naturalmente controversias éticas y una cierta "sensación escalofriante", la intersección entre neurociencia e IA también podría impulsar las ciencias cognitivas, las enfermedades neurológicas e incluso la investigación médica.
Muchos usuarios de internet ya han imaginado, basándose en este experimento, futuros superindividuos, cuerpos robóticos, e incluso han llegado a cuestiones filosóficas como de qué depende realmente la consciencia.
Sin embargo, no nos apresuremos a discutir sobre "el cerebro en una cubeta".
Porque lo realmente interesante de esta investigación quizás no es que un cerebro de una persona fallecida de repente empiece a tocar el piano.
Sino que los investigadores han logrado por primera vez colocar un tejido cerebral real de un adulto en un sistema de circuito cerrado capaz de percibir, actuar y volver a aprender.
Entonces, ¿cómo lo lograron exactamente?
El cerebro humano es intrínsecamente un sistema computacional más eficiente
Para comprender mejor qué hace específicamente este estudio, necesitamos un poco de contexto.
Como se mencionó, en comparación con el cerebro humano, las redes neuronales artificiales que funcionan con chips de IA actuales siguen siendo, en cierto sentido, un sistema de aprendizaje muy "ineficiente".
Lo más evidente es el consumo energético. Un cerebro humano adulto consume aproximadamente 20 vatios. En cambio, las supercomputadoras más potentes del mundo ya alcanzan consumos de decenas de megavatios.
Podríamos decir que, para producir la misma cantidad de 'tokens', el cerebro humano es mucho más económico que la IA.
Además, en términos de eficiencia de aprendizaje, el cerebro humano posee una capacidad que la IA no tiene: aprender a partir de pequeñas muestras y generalizar rápidamente.
Por ejemplo, AlphaGo necesitó entrenarse en más de 150,000 partidas de Go para derrotar a Lee Sedol.
Calculando 8 horas de práctica al día, esto equivale a que una persona practique continuamente durante más de 100 años, mucho más de lo que cualquier jugador humano real ha experimentado.
Mientras que modelos de lenguaje como GPT-3 requieren para su entrenamiento un volumen de datos equivalente a que un humano lea 5 libros electrónicos al día durante 250 años consecutivos.
Así que, aunque la IA actual es potente, muchas de sus capacidades dependen esencialmente de ser "forjadas" con cantidades masivas de datos y potencia de cálculo.
En contraste, los humanos a menudo necesitamos experiencias muy limitadas para aprender nuevos movimientos, conceptos y asociaciones.
Por eso, en los últimos años ha surgido una dirección que gana cada vez más atención:
Ya que las redes neuronales artificiales imitan al cerebro, ¿podríamos simplemente conectar neuronas reales a un sistema computacional?
Esto es lo que se conoce como sistemas de IA híbrida.
Anteriormente, los investigadores habían probado principalmente con neuronas cultivadas en 2D y organoides cerebrales, pero los primeros tienen dificultades para formar plasticidad neuronal estable, y los circuitos neuronales de los segundos son relativamente inmaduros y presentan grandes variaciones individuales.
Por lo tanto, el equipo francés optó por un material diferente: tejido cerebral adulto post-mortem explantado, es decir, OPAB.
Su mayor diferencia radica en que no es un modelo cerebral recreado a partir de células madre, sino que proviene realmente de cerebros adultos, conservando así tipos celulares maduros, estructura tisular y parte de las conexiones neuronales.
El equipo ya había demostrado previamente que este tipo de secciones cerebrales pueden mantener actividad neuronal in vitro si reciben oxígeno y glucosa.
Así que la verdadera pregunta era solo una: ¿Podría seguir aprendiendo una vez fuera del cuerpo humano?
Entonces, los investigadores decidieron equiparlo directamente con una "mano" y un "oído".
Equipar la sección cerebral con una "mano" y un "oído"
En general, el sistema de "sección cerebral que toca el piano" no es complejo.
En la configuración experimental, los investigadores primero colocaron el OPAB sobre una matriz de microelectrodos. Luego seleccionaron aleatoriamente tres electrodos como "electrodos motores", conectándolos respectivamente a tres dedos de la mano robótica.
Los tres dedos correspondían respectivamente a tres notas en el teclado electrónico: LA, SI y DO.
Una vez que se activaba un electrodo motor, el dedo correspondiente se flexionaba y presionaba la tecla. Hasta aquí, equivalía a conectar una "mano" a la sección cerebral.
El siguiente paso fue equiparla con un "oído". Después de que la mano robótica presionara una tecla, un micrófono cercano captaba el sonido.
Un decodificador de sonido identificaba si era LA, SI o DO, y luego estimulaba los tres "electrodos sensoriales" correspondientes en la sección cerebral.
Así se formó un circuito cerrado completo: la sección cerebral genera señales motoras → la mano robótica presiona la tecla → el micrófono capta el sonido → el sonido se convierte nuevamente en estimulación eléctrica → se transmite de vuelta a la sección cerebral.
Desde la perspectiva de la sección cerebral, esto se asemeja mucho a un bebé conociendo su propio cuerpo por primera vez.
Al nacer, un bebé no sabe qué sucederá después de contraer un músculo determinado. Mueve las manos y patea las piernas al azar, y luego observa los resultados de estas acciones a través de la visión, el tacto y la audición.
Este proceso tiene un nombre muy gráfico en robótica: Motor Babbling, o balbuceo motor.
Y lo que los investigadores hicieron fue trasladar este proceso a una placa de cultivo.
Plasticidad neuronal bidireccional
Específicamente, en la fase de entrenamiento, el sistema estimulaba aleatoriamente uno de los electrodos motores.
Tras la estimulación, un dedo de la mano robótica se flexionaba, presionando una tecla. Inmediatamente después, el micrófono captaba esta nota y la convertía en una estimulación que se enviaba al electrodo sensorial correspondiente.
Por ejemplo, se estimula el electrodo A. El dedo índice se flexiona, presiona LA. El micrófono escucha LA, y el electrodo sensorial correspondiente a LA es estimulado nuevamente.
Una acción, seguida inmediatamente por un resultado sensorial, repetido 300 veces al día durante tres días consecutivos, para que la sección cerebral forme memoria muscular.
Vale la pena destacar que en todo este proceso no había mensajes de "correcto" o "incorrecto", ni funciones de recompensa.
Los investigadores simplemente hacían que dos eventos ocurrieran de manera consecutiva en el tiempo. El resto se lo dejaban a las propias neuronas.
Y esto es posible gracias al mecanismo de aprendizaje más básico del cerebro:
La plasticidad neuronal.
En pocas palabras, las conexiones entre neuronas que se activan juntas con frecuencia se fortalecen gradualmente. Así, después del entrenamiento repetido, la sección cerebral comenzó lentamente a asociar:
"Este dedo" con "este sonido".
Pero lo más crucial es que esta conexión no es unidireccional. Es decir, la sección cerebral no solo puede aprender: "Si muevo este dedo, escucharé este sonido."
Sino que también puede hacer lo contrario: "Si escucho este sonido, activo este dedo."
Así, todo el asunto pasó de ser una simple asociación entre acción y sensación, a convertirse en una imitación activa por parte del sistema de aprendizaje.
Para verificar esta hipótesis, durante la prueba formal, el experimentador humano comenzó a tocar aleatoriamente LA, SI y DO.
Esta vez, no se estimulaban primero los electrodos motores. En su lugar, el micrófono enviaba directamente las notas tocadas por el humano a la sección cerebral.
Si realmente se había aprendido la asociación anterior, entonces, después de "escuchar" LA, la sección cerebral debería activar de manera inversa la región motora previamente asociada con LA, y la mano robótica presionaría LA, completando así una imitación.
Y el resultado... realmente sucedió.
El estudio utilizó en total 30 OPABs provenientes de 3 donantes, de los cuales 16 pasaron a la prueba principal.
El primer día de entrenamiento, la precisión promedio de imitación de este sistema era solo del 31.22%. Dado que solo había tres notas, la precisión de adivinar completamente al azar sería del 33.3%.
En otras palabras, al principio la sección cerebral no había aprendido nada.
Pero después de tres días de entrenamiento, para el día 4 la precisión promedio ya había aumentado al 58.5%. De las 16 muestras, 3 OPABs lograron imitar correctamente las tres notas con un 100% de precisión.
Otros 7 pudieron aprender de manera estable dos de ellas. Finalmente, el 62.5% de los OPABs lograron aprender al menos dos notas.
Aquí hay que destacar un detalle. Este 62.5% no es el mejor resultado obtenido después de que los investigadores seleccionaran cuidadosamente los electrodos.
Por el contrario, para demostrar que esta asociación no se debía simplemente a la utilización de conexiones preexistentes dentro de la sección cerebral, sino que era producto del entrenamiento posterior, los investigadores eligieron deliberadamente los electrodos motores y sensoriales de manera aleatoria.
Además, para descartar la influencia de los módulos de software y hardware, el equipo de investigación realizó varios experimentos de control.
Los resultados mostraron que al cambiar a electrodos no entrenados, la precisión volvía a caer al nivel aleatorio; al bloquear la transmisión sináptica con fármacos o al infectar con el virus Tahyna que altera la actividad neuronal, la capacidad de imitación ya formada también disminuía notablemente.
Es decir, lo que realmente sustentaba este conjunto de asociaciones sensoriales-motoras eran las conexiones neuronales modificadas en el propio tejido cerebral, no un programa externo.
Además, esta "memoria" podía mantenerse durante un tiempo considerablemente largo.
De los 5 OPABs sometidos a seguimiento a largo plazo, 4 aún conservaban los resultados del aprendizaje 17 días después de finalizado el entrenamiento, y dos de ellos seguían pudiendo imitar correctamente las tres notas con un 100% de precisión.
Por supuesto, aún estamos lejos de una "computadora cerebral humana".
Todo el experimento involucraba solo tres conjuntos de asociaciones dedo-nota, la sección cerebral tenía un diámetro de aproximadamente 5 mm, y el reconocimiento de sonido y el control de la mano robótica todavía dependían de módulos de IA tradicionales.
Por lo tanto, sería más preciso decir que esto no significa que un tejido cerebral post-mortem de repente "aprendió a tocar el piano", sino que un tejido cerebral adulto que aún mantenía actividad formó, dentro de un circuito cerrado sensorial-motor construido artificialmente, nuevas asociaciones que no existían previamente, y utilizó este conjunto de asociaciones para completar una imitación.
Verdaderamente, nunca se deja de aprender.
Enlace de referencia [1]https://www.researchsquare.com/article/rs-9638576/v1
Este artículo proviene del WeChat público "Quantum Bit", autor: Centrado en tecnología de vanguardia
