Pensando en silicio

Imagínese a una persona leyendo estas palabras en una computadora portátil en una cafetería. La máquina hecha de metal, plástico y silicio consume alrededor de 50 vatios de potencia ya que traduce bits de información, una larga cadena de 1 arena 0 s — en un patrón de puntos en una pantalla. Mientras tanto, dentro del cráneo de esa persona, un grupo pegajoso de proteínas, sal y agua usa una fracción de ese poder no solo para reconocer esos patrones como letras, palabras y oraciones, sino también para reconocer la canción que suena en la radio.

Este chip de computadora, fabricado por IBM en 2011, cuenta con componentes que sirven como 256 neuronas y 262.144 sinapsis.

Las computadoras son increíblemente ineficientes en muchas tareas que son fáciles incluso para los cerebros más simples, como reconocer imágenes y navegar en espacios desconocidos. Las máquinas que se encuentran en laboratorios de investigación o grandes centros de datos pueden realizar tales tareas, pero son enormes y consumen mucha energía, y necesitan una programación especializada. Recientemente, Google llegó a los titulares con un software que puede reconocer de manera confiable rostros humanos y gatos en videoclips, pero este logro requirió no menos de 16,000 procesadores potentes.

Esta historia fue parte de nuestro número de enero de 2014

• Ver el resto del número
• Suscribir

Una nueva generación de chips de computadora que operan más como el cerebro puede estar a punto de reducir la brecha entre la computación artificial y la natural, entre circuitos que procesan operaciones lógicas a una velocidad vertiginosa y un mecanismo perfeccionado por la evolución para procesar y actuar sobre la entrada sensorial de la mundo real. Los avances en neurociencia y tecnología de chips han hecho que sea práctico construir dispositivos que, al menos a pequeña escala, procesan datos de la misma manera que lo hace el cerebro de un mamífero. Estos chips neuromórficos pueden ser la pieza faltante de muchos proyectos prometedores pero inconclusos en inteligencia artificial, como los automóviles que se conducen solos de manera confiable en todas las condiciones y los teléfonos inteligentes que actúan como asistentes de conversación competentes.

Las computadoras modernas se heredan de las calculadoras, buenas para procesar números, dice Dharmendra Modha, investigadora principal de IBM Research en Almaden, California. Los cerebros evolucionaron en el mundo real. Modha lidera uno de los dos grupos que han construido chips de computadora con una arquitectura básica copiada del cerebro de los mamíferos bajo un proyecto de $ 100 millones llamado Sinapsis , financiado por la Agencia de Proyectos de Investigación Avanzada de Defensa del Pentágono.

Los prototipos ya han mostrado las primeras chispas de inteligencia, procesando imágenes de manera muy eficiente y adquiriendo nuevas habilidades de una manera que se asemeja al aprendizaje biológico. IBM ha creado herramientas para permitir que los ingenieros de software programen estos chips inspirados en el cerebro; el otro prototipo, en HRL Laboratories en Malibu, California, pronto se instalará dentro de una diminuta aeronave robótica, a partir de la cual aprenderá a reconocer su entorno.

La evolución de los chips inspirados en el cerebro comenzó a principios de la década de 1980 con Carver Mead, profesor del Instituto de Tecnología de California y uno de los padres de la informática moderna. Mead se había hecho un nombre al ayudar a desarrollar una forma de diseñar chips de computadora llamada integración a muy gran escala, o VLSI, que permitía a los fabricantes crear microprocesadores mucho más complejos. Esto desencadenó un crecimiento explosivo en el poder de la computación: las computadoras parecían estar listas para convertirse en la corriente principal, incluso ubicua. Pero la industria parecía feliz de construirlos alrededor de un plano, que data de 1945. La arquitectura de von Neumann, que lleva el nombre del matemático de origen húngaro John von Neumann, está diseñada para ejecutar secuencias lineales de instrucciones. Todas las computadoras actuales, desde teléfonos inteligentes hasta supercomputadoras, tienen solo dos componentes principales: una unidad central de procesamiento, o CPU, para manipular datos, y un bloque de memoria de acceso aleatorio, o RAM, para almacenar los datos y las instrucciones sobre cómo manipularlos. . La CPU comienza obteniendo su primera instrucción de la memoria, seguida de los datos necesarios para ejecutarla; una vez realizada la instrucción, el resultado se envía de vuelta a la memoria y el ciclo se repite. Incluso los chips multinúcleo que manejan datos en paralelo están limitados a unos pocos procesos lineales simultáneos.

Ese enfoque se desarrolló naturalmente a partir de la lógica y las matemáticas teóricas, donde los problemas se resuelven con cadenas lineales de razonamiento. Sin embargo, no era adecuado para procesar y aprender a partir de grandes cantidades de datos, especialmente información sensorial como imágenes o sonido. También venía con limitaciones integradas: para hacer que las computadoras fueran más poderosas, la industria se había encargado de construir chips cada vez más complejos capaces de realizar operaciones secuenciales cada vez más rápido, pero esto puso a los ingenieros en camino hacia problemas importantes de eficiencia y enfriamiento, porque eran más rápidos. los chips producen más calor residual. Mead, ahora de 79 años y profesor emérito, intuyó incluso entonces que podría haber una mejor manera. Cuanto más lo pensaba, más incómodo me sentía, dice, sentado en la oficina que conserva en Caltech. Empezó a soñar con chips que procesaran muchas instrucciones, tal vez millones, en paralelo. Tal chip podría realizar nuevas tareas, manejando de manera eficiente grandes cantidades de información no estructurada como video o sonido. Podría ser más compacto y utilizar la energía de manera más eficiente, incluso si estuviera más especializado para tipos particulares de tareas. La evidencia de que esto era posible se podía encontrar volando, correteando y caminando por todos lados. Los únicos ejemplos que teníamos de algo enormemente paralelo estaban en el cerebro de los animales, dice Mead.

Los cerebros calculan en paralelo a medida que las células eléctricamente activas dentro de ellos, llamadas neuronas, operan simultánea e incesantemente. Vinculadas en intrincadas redes por apéndices en forma de hilos, las neuronas influyen en los pulsos eléctricos de las demás a través de conexiones llamadas sinapsis. Cuando la información fluye a través de un cerebro, procesa los datos como una descarga de picos que se propagan a través de sus neuronas y sinapsis. Reconoce las palabras de este párrafo, por ejemplo, gracias a un patrón particular de actividad eléctrica en su cerebro desencadenada por la información de sus ojos. Fundamentalmente, el hardware neuronal también es flexible: una nueva entrada puede hacer que las sinapsis se ajusten para dar a algunas neuronas más o menos influencia sobre otras, un proceso que sustenta el aprendizaje. En términos informáticos, es un sistema enormemente paralelo que puede reprogramarse a sí mismo.

Irónicamente, aunque inspiró los diseños convencionales que perduran en la actualidad, von Neumann también había sentido el potencial de la computación inspirada en el cerebro. En el libro inacabado La computadora y el cerebro , publicado un año después de su muerte en 1957, se maravilló del tamaño, la eficiencia y el poder de los cerebros en comparación con las computadoras. Un estudio matemático más profundo del sistema nervioso ... puede alterar la forma en que vemos las matemáticas y la lógica, argumentó. Cuando Mead llegó a la misma conclusión más de dos décadas después, descubrió que nadie había intentado hacer una computadora inspirada en el cerebro. Nadie en ese momento estaba pensando, '¿Cómo puedo construir uno?', Dice Mead. No teníamos ni idea de cómo funcionaba.

Mead finalmente construyó sus primeros chips neuromórficos, como bautizó a sus dispositivos inspirados en el cerebro, a mediados de la década de 1980, después de colaborar con neurocientíficos para estudiar cómo procesan los datos las neuronas. Al operar transistores ordinarios a voltajes inusualmente bajos, pudo organizarlos en redes de retroalimentación que se veían muy diferentes de las colecciones de neuronas pero que funcionaban de manera similar. Usó ese truco para emular los circuitos de procesamiento de datos en la retina y la cóclea, construyendo chips que realizaban trucos como detectar los bordes de objetos y características en una señal de audio. Pero era difícil trabajar con los chips y el esfuerzo estaba limitado por la tecnología de fabricación de chips. Con la computación neuromórfica siendo solo una curiosidad, Mead pasó a otros proyectos. Fue más difícil de lo que pensaba entrar, reflexiona. El cerebro de una mosca no parece tan complicado, pero hace cosas que hasta el día de hoy no podemos hacer. Eso te está diciendo algo.

Neuronas en el interior

El laboratorio de IBM en Almaden, cerca de San José, se encuentra cerca de Silicon Valley, pero aparte de él, quizás la ubicación ideal desde la que repensar los cimientos de la industria de la computación. Llegar allí implica conducir hasta una calle bordeada de magnolias en el borde de la ciudad y subir dos millas de curvas. El laboratorio se encuentra en medio de 2,317 acres protegidos de colinas onduladas. En el interior, los investigadores recorren pasillos largos, amplios y silenciosos y reflexionan sobre los problemas. Aquí, Modha lidera el mayor de los dos equipos que DARPA reclutó para romper la dependencia de von Neumann de la industria de la computación. El enfoque básico es similar al de Mead: construir chips de silicio con elementos que operan como neuronas. Pero tiene el beneficio de los avances en neurociencia y fabricación de chips. Tiempo lo es todo; No era del todo correcto para Carver, dice Modha, quien tiene la costumbre de cerrar los ojos para pensar, respirar y reflexionar antes de hablar.

IBM fabrica chips neuromórficos utilizando colecciones de 6.000 transistores para emular el comportamiento de picos eléctricos de una neurona y luego conectando esas neuronas de silicio. La estrategia de Modha para combinarlos para construir un sistema similar al cerebro está inspirada en estudios sobre la corteza cerebral, la capa exterior arrugada. Aunque diferentes partes de la corteza tienen diferentes funciones, como controlar el lenguaje o el movimiento, todas están formadas por las llamadas microcolumnas, agrupaciones repetidas de 100 a 250 neuronas. Modha dio a conocer su versión de una microcolumna en 2011. Una mota de silicio poco más grande que la cabeza de un alfiler, contenía 256 neuronas de silicio y un bloque de memoria que define las propiedades de hasta 262.000 conexiones sinápticas entre ellas. Programar esas sinapsis correctamente puede crear una red que procesa y reacciona a la información de forma muy similar a como lo hacen las neuronas de un cerebro real.

Configurar ese chip para que funcione en un problema implica programar una simulación del chip en una computadora convencional y luego transferir la configuración al chip real. En un experimento, el chip podía reconocer dígitos escritos a mano del 0 al 9, e incluso predecía qué número estaba empezando a trazar alguien con un lápiz digital. En otro, la red del chip estaba programada para reproducir una versión del videojuego Pong. En un tercero, ordenó a un pequeño vehículo aéreo no tripulado que siguiera la doble línea amarilla en la carretera que se acercaba al laboratorio de IBM. Ninguna de estas hazañas está más allá del alcance del software convencional, pero se lograron utilizando una fracción del código, la potencia y el hardware que normalmente se requerirían.

Modha está probando las primeras versiones de un chip más complejo, hecho de una rejilla de núcleos neurosinápticos en mosaico en una especie de corteza rudimentaria, más de un millón de neuronas en total. El verano pasado, IBM también anunció una arquitectura de programación neuromórfica basada en bloques modulares de código llamados corelets. La intención es que los programadores combinen y modifiquen corelets de un menú preexistente, para evitar que luchen con sinapsis y neuronas de silicio. Ya se han diseñado más de 150 corelets, para tareas que van desde reconocer personas en videos hasta distinguir la música de Beethoven y Bach.

Máquinas de aprendizaje

En otra ladera de California a 300 millas al sur, la otra parte del proyecto de DARPA tiene como objetivo hacer chips que imiten los cerebros aún más de cerca. HRL, que mira a Malibú desde las estribaciones de las montañas de Santa Mónica, fue fundada por Hughes Aircraft y ahora opera como una empresa conjunta de General Motors y Boeing. Con un estanque de koi, palmeras y plantas de plátano, la entrada se asemeja a un hotel de la época dorada de Hollywood. También cuenta con una placa que conmemora el primer láser en funcionamiento, construido en 1960 en lo que entonces se llamaba Hughes Research Labs.

Un microchip desarrollado en HRL aprende como un cerebro biológico fortaleciendo o debilitando conexiones similares a sinapsis.

En un banco de un laboratorio sin ventanas, el chip de Narayan Srinivasa se encuentra en el centro de una maraña de cables. La actividad de sus 576 neuronas artificiales aparece en la pantalla de una computadora como un desfile de picos, un EEG para un cerebro de silicio. El chip HRL tiene neuronas y sinapsis muy parecidas a las de IBM. Pero al igual que las neuronas de su propio cerebro, las del chip HRL ajustan sus conexiones sinápticas cuando se exponen a nuevos datos. En otras palabras, el chip aprende a través de la experiencia.

El chip HRL imita dos fenómenos de aprendizaje en el cerebro. Una es que las neuronas se vuelven más o menos sensibles a las señales de otra neurona dependiendo de la frecuencia con la que llegan esas señales. El otro es más complejo: un proceso que se cree apoya el aprendizaje y la memoria, conocido como plasticidad dependiente del tiempo de picos. Esto hace que las neuronas respondan mejor a otras neuronas que han tendido a coincidir estrechamente con su propia actividad de señalización en el pasado. Si los grupos de neuronas trabajan juntos de manera constructiva, las conexiones entre ellos se fortalecen, mientras que las conexiones menos útiles quedan inactivas.

Los resultados de los experimentos con versiones simuladas del chip son impresionantes. El chip jugaba un juego virtual de Pong, al igual que lo hacía el chip de IBM. Pero a diferencia del chip de IBM, el HRL no estaba programado para jugar, solo para mover su paleta, sentir la pelota y recibir retroalimentación que recompensaba un tiro exitoso o castigaba un error. Un sistema de 120 neuronas comenzó a agitarse, pero en unas cinco rondas se había convertido en un jugador habilidoso. No lo programes, dice Srinivasa. Simplemente dices 'Buen trabajo', 'Mal trabajo' y se da cuenta de lo que debería estar haciendo. Si se agregan pelotas, paletas u oponentes adicionales, la red se adapta rápidamente a los cambios.

Este enfoque podría eventualmente permitir a los ingenieros crear un robot que atraviesa una especie de infancia, descubriendo cómo moverse y navegar. No puede capturar la riqueza de todas las cosas que suceden en el entorno del mundo real, por lo que debe hacer que el sistema se ocupe de ello directamente, dice Srinivasa. Entonces, máquinas idénticas podrían incorporar lo que haya aprendido la original. Pero dejar a los robots cierta capacidad para aprender después de ese punto también podría ser útil. De esa manera, podrían adaptarse si se dañaran o ajustar su forma de andar a diferentes tipos de terreno.

La primera prueba real de esta visión para la computación neuromórfica llegará el próximo verano, cuando el chip HRL esté programado para escapar de su banco de laboratorio y tomar vuelo en un avión del tamaño de una palma con alas batientes, llamado Snipe. Mientras un humano pilota remotamente la nave a través de una serie de habitaciones, el chip tomará datos de la cámara de la nave y otros sensores. En algún momento, el chip recibirá una señal que significa Preste atención aquí. La próxima vez que Snipe visite esa habitación, el chip debe encender una luz para indicar que recuerda. Realizar este tipo de reconocimiento normalmente requeriría demasiada potencia eléctrica y de cómputo para una nave tan pequeña.

Inteligencia alienígena

A pesar de los éxitos modestos pero significativos de los chips Synapse, todavía no está claro si la ampliación de estos chips producirá máquinas con facultades cerebrales más sofisticadas. Y algunos críticos dudan que los ingenieros alguna vez puedan copiar la biología lo suficientemente cerca como para capturar estas habilidades.

IBM utilizó esta simulación de vías neuronales de largo alcance en un mono macaco para guiar el diseño de chips neuromórficos.

El neurocientífico Henry Markram, que descubrió la plasticidad dependiente del tiempo de los picos, ha atacado el trabajo de Modha en redes de neuronas simuladas, diciendo que su comportamiento es demasiado simplista. Él cree que emular con éxito las facultades del cerebro requiere copiar sinapsis hasta la escala molecular; el comportamiento de las neuronas está influenciado por las interacciones de docenas de canales iónicos y miles de proteínas, señala, y existen numerosos tipos de sinapsis, todas las cuales se comportan de manera no lineal o caótica. En opinión de Markram, capturar las capacidades de un cerebro real requeriría que los científicos incorporaran todas esas características.

Los equipos de DARPA responden que no tienen que capturar toda la complejidad del cerebro para hacer cosas útiles, y que se puede esperar que las generaciones sucesivas de sus chips se acerquen más a representar la biología. HRL espera mejorar sus chips al permitir que las neuronas de silicio regulen su propia tasa de activación como lo hacen las del cerebro, e IBM está conectando las conexiones entre los núcleos en su último chip neuromórfico de una nueva manera, utilizando información de simulaciones de las conexiones entre diferentes regiones de la corteza de un macaco.

Modha cree que estas conexiones podrían ser importantes para el funcionamiento cerebral de alto nivel. Sin embargo, incluso después de tales mejoras, estos chips seguirán estando lejos de la complicada y desordenada realidad de los cerebros. Parece poco probable que los microchips alguna vez coincidan con los cerebros al ajustar 10 mil millones de conexiones sinápticas en un solo centímetro cuadrado, a pesar de que HRL está experimentando con una forma más densa de memoria basada en dispositivos exóticos conocidos como memristors.

Al mismo tiempo, los diseños neuromórficos todavía están muy lejos de la mayoría de las computadoras que tenemos hoy. Quizás sea mejor reconocer estos chips como algo completamente diferente: una nueva forma de inteligencia alienígena.

El enfoque tradicional es agregar más capacidad computacional y algoritmos más fuertes, pero eso ya no escala.

Puede que sean extraños, pero el jefe de estrategia de investigación de IBM, Zachary Lemnios, predice que querremos familiarizarnos con ellos lo suficientemente pronto. Muchas grandes empresas ya sienten la necesidad de un nuevo tipo de inteligencia computacional, dice: el enfoque tradicional es agregar más capacidad computacional y algoritmos más fuertes, pero eso simplemente no escala, y lo estamos viendo. Como ejemplos, cita al asistente personal Siri de Apple y los coches autónomos de Google. Estas tecnologías no son muy sofisticadas en la forma en que entienden el mundo que las rodea, dice Lemnios; Los automóviles de Google dependen en gran medida de los datos de mapas precargados para navegar, mientras que Siri aprovecha los servidores de la nube distantes para el reconocimiento de voz y el procesamiento del idioma, lo que provoca retrasos notables.

Hoy en día, la vanguardia del software de inteligencia artificial es una disciplina conocida como aprendizaje profundo, adoptada por Google y Facebook, entre otros. Implica el uso de software para simular redes de neuronas muy básicas en la arquitectura normal de una computadora (ver 10 tecnologías innovadoras: aprendizaje profundo, mayo / junio de 2013). Pero ese enfoque, que produjo el software de detección de gatos de Google, se basa en grandes grupos de computadoras para ejecutar las redes neuronales simuladas y proporcionarles datos. Las máquinas neuromórficas deberían permitir que tales facultades se empaqueten en dispositivos compactos y eficientes para situaciones en las que no es práctico conectarse a un centro de datos distante. IBM ya está hablando con clientes interesados ​​en utilizar sistemas neuromórficos. El procesamiento de video de seguridad y la predicción de fraudes financieros están a la vanguardia, ya que ambos requieren un aprendizaje complejo y un reconocimiento de patrones en tiempo real.

Siempre que y como sea que se utilicen finalmente chips neuromórficos, lo más probable es que sea en colaboración con máquinas de von Neumann. Aún será necesario procesar los números, e incluso en los sistemas que enfrentan problemas como el análisis de imágenes, será más fácil y más eficiente tener una computadora convencional al mando. Los chips neuromórficos podrían usarse para tareas particulares, al igual que un cerebro se basa en diferentes regiones especializadas para realizar diferentes trabajos.

Como ha sido el caso a lo largo de la historia de la informática, los primeros sistemas de este tipo probablemente se implementarán al servicio del ejército de los EE. UU. No es místico ni mágico, dice Gill Pratt, quien administra el proyecto Synapse en DARPA, sobre la computación neuromórfica. Es una diferencia arquitectónica que conduce a una compensación diferente entre energía y rendimiento. Pratt dice que los UAV, en particular, podrían usar el enfoque. Los chips neuromórficos podrían reconocer puntos de referencia u objetivos sin las voluminosas transferencias de datos y las potentes computadoras convencionales que ahora se necesitan para procesar imágenes. En lugar de enviar un video de un grupo de muchachos, diría: 'Hay una persona en cada una de estas posiciones, parece que están postulando', dice.

Esta visión de un nuevo tipo de chip de computadora es una que seguramente reconocerían tanto Mead como von Neumann.

esconder