Estudios han arrojado luz sobre las diferencias y similitudes en cómo el cerebro humano y las redes neuronales artificiales aprenden y procesan información, revelando avances significativos y retos pendientes en la inteligencia artificial (IA).

Un estudio de la Universidad de Oxford ha propuesto un nuevo principio para explicar cómo el cerebro ajusta las conexiones entre neuronas durante el aprendizaje. Este principio, denominado "configuración prospectiva", sugiere que el cerebro humano prepara primero la actividad neuronal en una configuración óptima antes de ajustar las conexiones sinápticas. Esto contrasta con las redes neuronales artificiales (ANNs), donde un algoritmo externo modifica las conexiones para reducir errores.

La "configuración prospectiva" podría inspirar algoritmos de aprendizaje más rápidos y robustos para la IA, aprovechando la capacidad del cerebro para aprender nueva información eficientemente y con mínima interferencia con el conocimiento existente.

Otro estudio se centra en cómo el cerebro humano y los modelos computacionales basados en redes neuronales artificiales ensamblan el conocimiento. Los investigadores encontraron que, a medida que los participantes aprendían nueva información, la representación de los objetos en el cerebro se "reorganizaba". Al aplicar un proceso similar en un modelo computacional, lograron que éste ensamblara y reensamblara rápidamente el conocimiento adquirido, sugiriendo que entender este proceso de ensamblaje de conocimiento en humanos puede informar el desarrollo de técnicas computacionales que replican este "proceso de ensamblaje de conocimiento".

Un análisis exhaustivo de las redes neuronales artificiales y las redes neuronales de picos (SNNs) por el paper “Brain-inspired learning in artificial neural networks: a review” destaca los desafíos actuales y las oportunidades futuras. Aunque las ANNs han impulsado avances significativos en IA, enfrentan limitaciones como el alto consumo de energía y dificultades en el procesamiento de datos dinámicos y ruidosos. Las SNNs, inspiradas más estrechamente en la biología del cerebro humano, ofrecen ventajas potenciales como eficiencia energética mejorada y capacidad para procesar datos dinámicos. Sin embargo, las SNNs aún están en etapas tempranas de desarrollo y requieren soluciones innovadoras para optimizar sus pesos sinápticos y aprovechar plenamente su potencial.

Estos estudios subrayan tanto la inspiración que la neurociencia ofrece a la inteligencia artificial como los desafíos pendientes en hacer que las redes neuronales artificiales imiten más fielmente los procesos de aprendizaje y procesamiento del cerebro humano.