Así es como tu cerebro aprende a moverse en el metro

El cerebro es una máquina fantástica pero finita.

Esto quiere decir que el cerebro puede colapsar como cualquier computadora cuando se le lleva al límite. Pero una buena parte de lo que hace maravilloso al cerebro es cómo maneja esos límites, por ejemplo, cómo problemas neurocomputacionales aparentemente intratables se vuelven razonables a través de invenciones de nuevos algoritmos sobre la marcha. El resultado de estos algoritmos son usualmente planos de acciones futuras donde los pantanos de complejidad prohibitiva son sorteados con éxito y eficientemente.

Dar sentido a una red de transporte subterráneo (metro) es uno de esos ejemplos. Planear un viaje a través de una vasta red de estaciones y líneas es una tarea computacionalmente compleja que explota rápidamente a medida de que más líneas y estaciones se agregan. Entender cómo es que el cerebro resuelve esto sin freírse como una laptop en un microondas será de gran interés para los investigadores de inteligencia artificial y aprendizaje de máquinas.

Un estudio conducido por Google Deepmind y que fue publicado esta semana en Neuron ofrece una nueva y clara mirada a la actividad neuronal detrás de este aprendizaje, hallando que el cerebro es capaz de representar problemas de planeación jerárquica (como navegar en viajes de metro) a través de sus propias y eficientes representaciones jerárquicas. Optimización del cómputo a través de la evolución, en pocas palabras.

"La cognición humana ha evolucionado para enfrentar este desafío, como ejemplifica nuestra habilidad para formar y seguir planes a través de múltiples escalas de tiempo, por ejemplo, cuando encontramos una ruta eficiente para ejecutar una serie de tareas o visualizamos un plan de carrera a futuro y tomamos pasos hacia su cumplimiento", escriben los investigadores de Deepmind. "Aunque hemos sabido por décadas que la planeación involucra a la corteza prefrontal, a la fecha se había revelado poco sobre los mecanismos computacionales que se despliegan en estas regiones durante la formación de planes y su ejecución".

El acercamiento típico a la planeación, computacionalmente hablando, puede ser visto como una búsqueda de todos los posibles estados futuros. La meta es encontrar y evaluar todos los resultados posibles, así que empezamos a dar pasos a través de lo que equivale a una red de posibilidades. Una acción abre un número de nuevas acciones, y todas abren nuevas acciones en retorno. Y así sigue. Así es como las computadoras resuelven los juegos de ajedrez o Go: calculando todo lo que podría suceder dado un movimiento particular y luego escoger la mejor opción. Pero el ajedrez y Go representan mundos idealizados.

"Debido a que el número de secuencias de acciones posibles crece de forma exponencial con cada paso adicional en el horizonte de planeación, este acercamiento es computacionalmente intratable en muchos ambientes naturales", señala el documento. "Por ejemplo, un visitante podría probablemente no planear un viaje a Londres visualizando cada paso único que ocurre en ruta al destino, pero puede imaginarse ateniéndose solamente a un subconjunto de estados clave, como llegar a un aeropuerto u otro centro de transportación".

Este subconjunto consiste de contextos, y esto es lo que permite al cerebro lograr planeación compleja. En lugar de imaginar un viaje a Las Vegas, es una tarea más sencilla considerar cambiar contextos a simplemente Nevada. En el sentido del subterráneo, nuestros cerebros pueden intentar y computar un viaje de una estación en particular a otra estación en particular, pero parece funcionar mejor cuando es posible imaginar el viaje como un proceso de cambio de contexto, ejemplo, cambiar de un recorrido de regiones geográficas a regiones geográficas o de línea de metro a línea de metro. Esta clase de planeación es facilitada por la presencia de una jerarquía construida dentro de una red.

"A diferencia de planear un ambiente 'plano' (no jerárquico), los planes creados en un ambiente jerárquico no necesitan especificar cada uno de los estados vinculados a la posición actual y la meta", explica el grupo Deepmind. "Más bien, es suficiente identificar el contexto actual y las condiciones que permiten que el siguiente contexto sea alcanzado; por ejemplo, cuando planeas un viaje de Marble Arch a King's Cross en el Underground de Londres, uno debería 'tomar la Línea Central a Oxford Circus, y de ahí, cambiar a la Línea Victoria'".

Los investigadores pudieron verificar esto al observar actividad cerebral eléctrica en sujetos con la tarea asignada de navegar una red de metro ficticia. El hallazgo clave fue que la actividad neuronal se elevó en respuesta a cambios en líneas de metro y estaciones cuello de botella que conectaban con distintas líneas, más que cuando se incrementaba o disminuía el número de estaciones. La implicación es la siguiente: el cerebro está haciendo el cómputo de su plan de acuerdo a contextos en lugar de búsquedas exhaustivas de rutas posibles entre estaciones.

"Queremos ver cómo el cerebro humano implementa cosas como las estructuras jerárquicas con el fin de diseñar algoritmos más inteligentes", señala Jan Balaguer, coautor del estudio y miembro de Deepmind. "En el aprendizaje de máquinas, tener una representación jerárquica para la toma de decisiones podría ser de ayuda o dañina dependiendo de si se escoge la jerarquía correcta a implementar en primer lugar".