Foto: IBM diseñó un chip para coger prestados los principios que se observan en el funcionamiento del cerebro y ahora trabaja en una versión que podría hacer más inteligentes a los dispositivos móviles.
En agosto del año pasado, IBM desveló un chip diseñado para operar de forma parecida a las neuronas y sinapsis del cerebro (ver Un nuevo chip inspirado en el cerebro ultrarrápido y de bajo consumo). Ahora la empresa ha empezado a trabajar en la próxima generación dirigida a mejorar la capacidad de los dispositivos móviles de realizar tareas que resultan fáciles para los cerebros pero difíciles para los ordenadores, como el reconocimiento de voz y la interpretación de imágenes.
"Trabajamos en una próxima generación del chip, pero lo más importante ahora son los socios comerciales", dice John Kelly, un vicepresidente ejecutivo de IBM que dirige IBM Research y varias unidades de negocio, incluidas dos que se dedican al paquete de software de inteligencia de máquinas Watson. "Las empresas podrían incorporarlo a todo tipo de dispositivos móviles, maquinaria y automóviles, por mencionar algunos".
Añadir chips inspirados en el cerebro humano a productos como los móviles podría hacer que sean capaces de reconocer cualquier cosa que digan sus propietarios y rastrear lo que pasa a su alrededor, dice Kelly. En lo único que se acercan los dispositivos actuales a estas prestaciones es la captación de ciertas palabras clave. El último iPhone de Apple se puede activar al decir, "Eh, Siri", y algunos teléfonos que utilizan el software de Google se pueden activar con la frase, "OK, Google".
La arquitectura de chip TrueNorth de IBM fue desarrollada mediante un programa financiado por DARPA con la intención de posibilitar que los ordenadores móviles ejecuten un avanzado software de inteligencia de máquinas como el reconocimiento de voz o imágenes sin tener que conectarse con una infraestructura computacional de la nube, y con un bajo consumo energético (ver Los chips neuromórficos tendrán una inteligencia alienígena).
Kelly dice que IBM está en conversaciones con los principales fabricantes de sistemas informáticos acerca de cómo los diseños de TrueNorth podrían ayudarles, pero rehúsa nombrar ninguno. "Estamos hablando con los líderes del espacio móvil y del espacio de inte et de las cosas", dice. Un chip TrueNorth se añadiría a los diseños de dispositivos como un "coprocesador" que funciona en conjunto con el procesador convencional y que nunca se apaga, dice Kelly.
El chip TrueNorth tiene el tamaño aproximado de un sello y un millón de "neuronas" de silicio con 256 millones de conexiones entre ellas que son análogas a las sinapsis que conectan las neuronas reales. El chip consume más de 1.000 veces menos energía que un procesador convencional de un tamaño parecido. IBM ha demostrado cómo su red de neuronas puede ser programada para ejecutar tareas como el reconocimiento de distintos vehículos en una grabación de vídeo en tiempo real.
Sin embargo, puesto que la arquitectura de los chips TrueNorth difiere mucho de los que se encuentran en los ordenadores existentes, requiere nuevos enfoques para la programación del software. Y sus falsas neuronas trabajan de manera distinta a las artificiales redes neurales basadas en software que las empresas como Google, Facebook y Microsoft han utilizado recientemente para lograr avances en el reconocimiento de voz e imágenes utilizando un método conocido como el aprendizaje profundo (ver Aprendizaje profundo).
Las neuronas de la arquitectura TrueNorth de IBM codifican los datos mediante "picos" electrónicos de encendido-apagado que intentan imitar las señales de las neuronas biológicas. Las neuronas simuladas utilizadas en el aprendizaje profundo no utilizan picos.
Las redes neurales artificiales que utilizan este sistema – incluidas las de IBM – no han demostrado ser capaces de igualar el rendimiento alcanzado con el uso del aprendizaje profundo en tareas como el reconocimiento de voz o el procesamiento de imágenes. Yann LeCun, que lidera el laboratorio de investigaciones de inteligencia artificial de Facebook y fue uno de los pioneros del aprendizaje profundo, ha expresado cierto escepticismo acerca de que resulte práctico.
Dharmendra Modha, que lidera el desarrollo de los chips inspirados en el cerebro de IBM, contesta que el sistema de picos es imprescindible si las redes neuronales se van a ejecutar en un chip con una alta eficiencia energética. Su equipo ha empezado a crear herramientas que posibilitaran la transferencia de redes neuronales entrenadas de aprendizaje profundo a un chip TrueNorth, dice.
"Este chip se concibió como un sustrato sobre el que una gran variedad de redes neuronales se puedan mapear para aplicaciones de ultrabajo consumo energético, ultrabajo volúmen en tiempo real", dice.
Terrence Sejnowski, el líder del laboratorio computacional de neurobiología del Instituto Salk para los Estudios Biológicos, está de acuerdo en que los chips con sistemas como el de IBM son importantes si los ordenadores compactos van a volverse capaces de hacer cosas inteligentes sin un alto consumo energético ni conectarse a la nube. Surgieron en la naturaleza por un motivo, dice.
Nuevas investigaciones de otro pionero del aprendizaje profundo, Yoshua Bengio de la Universidad de Montreal (Canadá), sugiere que la precisión de la técnica podría resultar más fácil de transferir de lo que se creía anteriormente, dice Sejnowski. Bengio, que colabora con IBM en el software del lenguaje, publicó un trabajo preliminar en inte et la semana pasada que demuestra que modificar las neuronas simuladas empleadas en el aprendizaje profundo de una manera que las hace parecerse más a las neuronas de IBM no tuvo un efecto negativo sobre el procesamiento de imágenes.
Aunque llegue a reconciliarse la arquitectura de chips cerebrales de IBM con las técnicas del aprendizaje profundo, tendrá competencia. Google ya está desarrollando maneras de encoger las redes neurales artificiales para ejecutarse en los dispositivos móviles existentes. Varias empresas, incluido el líder del diseño de procesadores móviles Qualcomm, están trabajando en diseños de chip que ejecutarían software existente de aprendizaje profundo en ordenadores móviles como los smartphones o en los coches (ver El reconocimiento de imágenes está a un paso de llegar a tu 'smartphone').