Un proyecto innovador realizado por expertos de la Universidad de Surrey ha demostrado que emular la estructura del cerebro humano puede mejorar significativamente el rendimiento y la eficiencia de la inteligencia artificial.
Publicado en la revista Neurocomputing, el estudio explica cómo este enfoque optimiza redes neuronales artificiales al reducir el consumo de energía y aumentar la precisión, sin comprometer la eficiencia ni la sostenibilidad.
El núcleo del proyecto consiste en desarrollar técnicas que imitan la forma en que las neuronas establecen conexiones en el cerebro humano. La técnica llamada “mapeo topográfico disperso” organiza las conexiones de cada neurona solamente con aquellas cercanas o funcionalmente relacionadas, siguiendo un patrón eficiente similar al orden natural del cerebro.
Este modelo difiere del enfoque clásico, que utiliza una multiplicidad excesiva de conexiones en las redes neuronales tradicionales, muchas de las cuales son innecesarias.
El Dr. Roman Bauer, profesor titular y principal responsable de la investigación, declaró: “Nuestro trabajo demuestra que es posible construir sistemas inteligentes de manera mucho más eficiente, disminuyendo el consumo energético sin sacrificar el rendimiento”.
Gracias a este método, los investigadores lograron reducir la carga energética durante el funcionamiento y entrenamiento de modelos de IA avanzados como ChatGPT, además de perfeccionar la estructura interna de estas tecnologías.
La investigación pone sobre la mesa el impacto ambiental y operacional de los grandes modelos de IA actuales. El Dr. Bauer señala que “el entrenamiento de muchos modelos populares consume más de un millón de kilovatios-hora de electricidad, lo cual no es sostenible dada la velocidad de expansión del sector”.
Al eliminar conexiones innecesarias, el diseño basado en el mapeo topográfico disperso mejora considerablemente la eficiencia eléctrica, un aspecto crucial ante el crecimiento exponencial de la IA.
A diferencia de los sistemas tradicionales que construyen redes con conexiones masivas para potenciar el cálculo, este modelo emula la organización neuronal biológica, logrando mantener la precisión y reducir el consumo energético, lo cual lo hace más sostenible.
Además, el equipo desarrolló una versión avanzada llamada Mapeo Topográfico Disperso Mejorado, que incluye un proceso de “poda” inspirado en el cerebro humano. Este método elimina conexiones poco útiles durante el aprendizaje, asemejándose a la manera en que el cerebro refina sus enlaces sinápticos a medida que adquiere nuevas habilidades.
Este proceso de poda incrementa la eficiencia y la capacidad de adaptación de las redes neuronales artificiales, permitiéndoles evolucionar a medida que procesan nueva información.
Con esta investigación, la Universidad de Surrey abre nuevas posibilidades en campos donde la bioinspiración puede marcar la diferencia, como en las computadoras neuromórficas, diseñadas para simular tanto la estructura como la función del cerebro humano.
Este enfoque, que combina observación biológica y tecnología avanzada, surge como una solución ante los desafíos de consumo de energía y escalabilidad en la inteligencia artificial moderna.
