Este es uno de los temas en la interfaz entre la computación y la biología que verdaderamente me interesan y me emocionan a partes iguales: la posibilidad de introducir en los modelos de computación esquemas inspirados en la sinapsis neuronal, una de las cuestiones más intrigantes en la transmisión de información en un organismo vivo.
La sinapsis neuronal es, en sí, un mecanismo sumamente interesante: dos neuronas, a la hora de transmitir información entre ellas, liberan un neurotransmisor en el llamado espacio sináptico, que al alcanzar la otra neurona, provoca su inervación. Por qué esas neuronas no están directamente conectadas, por qué nuestros circuitos neuronales están, en realidad, formados por células aisladas entre sí, y por qué es preciso un mecanismo tan complejo que genera una especie de conexión difusa es algo que se desconoce, pero que está en la base de mecanismos como la memoria, el aprendizaje y la transmisión de impulsos de todo tipo.
Tradicionalmente, la diferencia entre un organismo vivo y un ordenador ha sido esa: los mecanismos vivos transmiten información mediante este modelo difuso, mientras que las conexiones entre los componentes de un ordenador son directas. A partir de ahí, plantear el desarrollo de neuronas artificiales que simulen el mecanismo de una sinapsis es algo que, por el momento, se reduce al planteamiento de funciones matemáticas capaces de modelizar esas conexiones mediante, precisamente, redes neuronales: la neurona artificial recibe una o más entradas que representan potenciales postsinápticos excitadores y potenciales postsinápticos inhibidores en sus dendritas, y los suma para producir una salida o activación que representa el potencial de acción de una neurona que se transmite a lo largo de su axón.
A partir de eso, hablamos de computación o ingeniería neuromórfica como una aproximación a la computación que simula el funcionamiento del cerebro sobre silicio, y de un chip neuromórfico como uno que se basa en esas neuronas artificiales para llevar a cabo la computación, tratando de obtener resultados que, en función de ese mecanismo diferente de actuación, puedan resultar más adecuados para el planteamiento de determinadas operaciones o resoluciones de problemas. Un tema para mí hasta ahora profundamente especulativo del que he hablado en algunas ocasiones, la primera allá por el año 2004.
Una serie de documentos demuestran que Sam Altman comprometió a su compañía, OpenAI, para la adquisición por valor de cincuenta y un millones de dólares en chips fabricados por una startup, Rain AI, en la que él mismo participa, y que había tenido que vender, por presiones del gobierno norteamericano, la participación que tenía en ella Saudi Aramco a través del fondo Prosperity7 Ventures.
Independientemente de la estética de la operación y de su posible implicación en la decisión del anterior consejo de administración de OpenAI de cesar a Sam Altman por pérdida de confianza, hablamos de una cuestión que podría ser, hipotéticamente, capaz de modificar los modelos de computación que conocemos, y de aportar posibilidades nuevas que podrían ser mucho más eficientes para determinados tipos de cálculo. Pero podríamos incluso hipotetizar que esa eficiencia no se limite simplemente a llevar a cabo cálculos más rápidos o con menor uso de energía, sino que pueda llegar a suponer modelos más versátiles basados en la imitación de esas conexiones difusas o multi-entrada que, por el momento, la computación no había sido capaz de plantear, limitándose a esquemas de conexiones directas mucho más simples y con, potencialmente, menos grados de libertad. Con el número adecuado de conexiones sinápticas, podríamos incluso empezar a hablar de algo que se puede llegar a parecer a un cerebro biológico.
Como mínimo, para alguien con una base de conocimientos que se reparte entre la biología que estudió cuando era joven y la tecnología que estudió cuando era ya algo menos joven, algo interesante e inspirador.
* Enrique Dans es profesor de Innovación y Tecnología en IE Business School desde el año 1990 y escritor.
Fuente: Enrique Dans
