IX. COMPUTADORAS NEURONALES

EN CAP�TULOS anteriores mencionamos que la computaci�n ha tomado un nuevo rumbo, y que se ha empezado a trabajar en la creaci�n de computadoras con habilidades para la soluci�n de los problemas complejos. En este cap�tulo tenemos tres objetivos: primero, quisi�ramos explicar las bases de los modelos de f�sica estad�stica, que se han introducido con el objeto de describir y entender algunas de las propiedades colectivas de un arreglo de neuronas interconectadas; en segundo lugar, quisi�ramos revisar, desde esta nueva perspectiva, algunas caracter�sticas de las memorias asociativas, y por �ltimo quisi�ramos comentar acerca de algunos progresos que se han hecho en la construcci�n de redes neuronales artificiales.

MODELO DE VIDRIO DE ESP�N

PARA REDES NEURONALES

Denominaremos red neuronal a un conjunto compuesto por un n�mero muy grande de neuronas interconectadas. Ahora contamos con las herramientas matem�ticas y los conceptos f�sicos necesarios para introducir el modelo de vidrio de esp�n para redes neuronales, el cual nos permitir� estudiar algunas de sus propiedades colectivas. �nicamente se requiere hacer algunas simplificaciones, que a continuaci�n mencionamos, a prop�sito de las neuronas y de sus conexiones.

Aunque existe una gran variedad de formas y especializaciones entre las neuronas, b�sicamente su funci�n puede resumirse en la generaci�n y env�o de se�ales el�ctricas (Figura 48); por lo anterior, tomaremos a cada una de las neuronas como entes con dos estados posibles, ya que pueden estar activas o inactivas. Estas neuronas est�n en contacto, unas con otras, de manera que reciben se�ales provenientes de otras neuronas a trav�s de las sinapsis. La interacci�n entre las neuronas podr� ser excitadora, si incita a la neurona a la actividad, o inhibidora, si tiende a mantenerla en reposo. Finalmente, la red neuronal recibe se�ales del exterior a trav�s de las c�lulas receptoras. De esta manera, cada neurona, promediar� las se�ales que recibe, y si la se�al resultante tiene una magnitud mayor que un cierto umbral caracter�stico, entonces ajustar� su estado emitiendo una se�al de respuesta (Figura 49). En caso contrario permanecer� en reposo, esto es, no emitir� ninguna se�al de respuesta.

Si aceptamos estas simplificaciones,³⁰ entonces podemos decir que una red de neuronas interconectadas podr�a ser descrita por el mismo hamiltoniano introducido en el cap�tulo anterior, si se escoge el conjunto apropiado de interacciones Jij. De esta manera, sabemos que todas las caracter�sticas que este hamiltoniano predice para los vidrios de esp�n tienen una contraparte en este modelo para las redes neuronales; en particular, la existencia de un espacio de configuraciones con un gran n�mero de m�nimos locales. Y como explicaremos a continuaci�n, esta caracter�stica es precisamente que permite que un sistema tan simple como el que hemos descrito sea capaz de almacenar informaci�n. La figura 50 muestra un cuadro en el que se establece la analog�a entre una red neuronal y un vidrio de esp�n, y se incluye la traducci�n entre los t�rminos matem�ticos utilizados en la descripci�n de ambos tipos de sistemas.

Figura 48. Aunque existe una gran variedad de formas y especializaciones entre las neuronas, b�sicamente su funci�n pueda resumirse con generaci�n y env�o de se�ales el�ctricas.

Figura 49. Las hileras de libros de esta figura muestran que los impulsos nerviosos son un evento del tipo todo o nada. Un est�mulo si es demasiado d�bil, no producir� ning�n efecto; pero si su "fuerza" est� por encima de cierto umbral, entonces se generar� un impulso nervioso. Si ahora hacemos el est�mulo dos veces m�s intenso, tendr� el mismo efecto que el anterior.

F�sicamente, el hecho de que para una red de neuronas se prediga una energ�a" con muchos m�nimos, se debe a que cada neurona recibe se�ales provenientes de un n�mero muy grande de otras neuronas, algunas de las cuales pueden ser excitadoras y otras inhibidoras. Sin embargo, la neurona no puede excitarse e inhibirse simult�neamente, por lo que "suma" las se�ales de entrada. Si la se�al total es m�s fuerte que un cierto umbral, entonces la neurona se excita y emite una se�al de respuesta; en caso contrario, la neurona permanece inactiva. De esta manera, podemos decir que siempre habr� un gran n�mero de ''pares frustrados'' de neuronas, debido a que dichos pares no contribuyen a reducir la energ�a total de la red.³¹

La frustraci�n existente en la red ocasiona que haya muchos estados "naturales o de energ�a m�nima. En un momento dado, la evoluci�n hacia uno y otro de estos estados naturales depender�, en gran medida, del estado neurofisiol�gico previo (conjunto de los est�mulos recibidos, tanto del interior como del exterior del organismo), de la misma manera que nuestro caminante arribar� a uno u otro valle dependiendo del lugar donde inici� su caminata.

Seg�n este esquema, los procesos de reconocimiento y aprendizaje consisten en lo siguiente. Continuamente nuestro cerebro recibe una gran cantidad de informaci�n. Esta informaci�n es adquirida a trav�s de las neuronas receptoras (v�a nervio �ptico, neuronas sensoriales, terminales olfativas, etc�tera), y su funci�n es llevar al cerebro a un cierto estado al que llamaremos "estado inicial" (estos est�mulos act�an como el helic�ptero que traslada al caminante de una regi�n a otra). A partir de ese momento se lleva a cabo un proceso de "relajamiento", por medio del cual el estado del cerebro evoluciona hacia estados cada vez "m�s naturales", hasta llegar a alg�n estado cercano de energ�a m�nima;³² esto es, reconocemos. De esta manera, ciertas im�genes visuales, sensaciones t�ctiles, sonidos, olores, nos evocan personas, hechos, situaciones; conocimientos adquiridos anteriormente y relacionados de alguna manera con la se�al que los "provoc�". Mientras esto sucede, las "monta�as", "collados", "valles", de nuestro espacio de estados se modifican a trav�s de un proceso continuo de aprendizaje y de ajuste a las condiciones externas, ya que en todo momento estamos interactuando con el medio ambiente y somos retroalimentados por �ste. Esto es, el aprendizaje consiste en el proceso por medio del cual las interacciones sin�pticas se modifican, de manera que un estado en particular se convierte en un estado de energ�a m�nima, y por lo tanto, en un estado "atractivo".

Figura 50. Esta tabla resume la analog�a matem�tica entre una red de neuronas interconectadas y un vidrio de esp�n.

Este modelo nos permite tener una visi�n cualitativa acerca del car�cter de los mecanismos relacionados, a nivel global, en los procesos de aprendizaje y remembranza. Sin embargo, aunque en principio es aplicable al cerebro o al sistema nervioso como un todo, en la pr�ctica, si deseamos hacer c�lculos matem�ticos, es imposible considerar expl�citamente las diferencias existentes en la arquitectura de las conexiones neuronales, en una y otra regi�n del sistema nervioso. Por lo anterior, nos encontramos con que para poder tratar matem�ticamente este modelo es necesario introducir una especie de "anatom�a promedio" con la cual se desprecian estas diferencias.³³ Por otro lado, este modelo puede ser aplicable a regiones grandes de tejido nervioso, por ejemplo a la corteza cerebral. En este caso entender�amos por est�mulos externos, cualquier est�mulo proveniente de neuronas ajenas a esta regi�n.

Como explicamos previamente, en los materiales magn�ticos el valor de las interacciones no var�a como funci�n del tiempo y depende del material mismo. Por el contrario, en el caso de la red neuronal, las interacciones sin�pticas dependen de varios factores. A saber: la herencia, el medio ambiente y el aprendizaje. Una parte importante de la investigaci�n a realizar consiste en encontrar de qu� manera se determinan estas interacciones, y expresarla matem�ticamente en forma de una regla de aprendizaje. Han sido propuestos varios modelos matem�ticos para las reglas de aprendizaje, la mayor parte de los cuales son variantes de una regla propuesta por Hebb en 1949. Esta regla nos dice que el cambio en la interacci�n sin�ptica entre dos neuronas es proporcional a la correlaci�n entre la actividad de las neuronas pre y postsin�ptica.

La concepci�n de la memoria como una propiedad colectiva de una red de neuronas interconectadas, que tiene origen en la frustraci�n, nos proporciona la mejor explicaci�n que tenemos hasta este momento acerca de los procesos de aprendizaje y remembranza, en seres vivos. Por otro lado, ha sido de gran utilidad en la construcci�n de memoria artificial.

MECANISMOS DE RECONOCIMIENTO

Y APRENDIZAJE

Hasta este momento, hemos logrado ya exponer nuestra tesis acerca de cu�l es el mecanismo probable por medio del cual se almacena la informaci�n en el cerebro humano (y en general, en el sistema nervioso). Podr�amos resumir esta tesis de la siguiente manera: 1) Cada percepci�n o evocaci�n mental est� relacionada con un estado neurofisiol�gico, en el cual participan, colectivamente, un gran n�mero de neuronas; por lo cual basta con repetir el estado neurofisiol�gico para evocar la percepci�n correspondiente. 2) El proceso de evocaci�n mental o remembranza consiste en un proceso de relajamiento, regido por las leyes de la f�sica, en el cual el estado del cerebro evoluciona hacia estados de "energ�a libre" cada vez menor. 3) La geograf�a del espacio de estados est� determinada por el conjunto de las interacciones sin�pticas, y los estados memorizados corresponden a estados de energ�a m�nima. Es por lo anterior que al cerebro "le gusta" encontrarse en dichos estados. 4) El proceso de aprendizaje consiste en el establecimiento de nuevas conexiones sin�pticas entre las neuronas, y la modificaci�n funcional o estructural de las ya existentes. De manera que la "geograf�a" del espacio de estados cambia, con lo cual se crean nuevos m�nimos o var�a el tama�o de sus cuencas. Esto es, se adquiere nueva informaci�n o se refuerza u olvida la ya almacenada. 5) Las conductas no aprendidas, esto es, innatas, reflejas o instintivas, corresponden a conexiones determinadas por la herencia. 6) Las sensaciones son un veh�culo utilizado para "colocar" al cerebro en un estado neurofisiol�gico, a partir del cual se inicia el proceso de relajamiento que lleva a recordar. 7) La estructura del espacio de estados se modifica constantemente, debido a la continua interacci�n con el medio y a los procesos de ajuste a �ste.

Por supuesto que este conjunto de suposiciones no proporciona una explicaci�n a todas las caracter�sticas del funcionamiento de la mente, sino que, m�s bien, nos proporciona el marco conceptual en el que deber� llevarse a cabo la investigaci�n posterior. Por ejemplo, no nos da explicaci�n alguna acerca del proceso de inferencia, de la diferencia entre las actividades conscientes e inconscientes, del procesamiento expl�cito de la informaci�n que transforma a las sensaciones en percepciones, etc�tera. Sin embargo, nos ofrece una explicaci�n cualitativa acerca del tipo de mecanismos que intervienen en los procesos de aprendizaje y remembranza.

VOLVIENDO A LA

MEMORIA HUMANA

Aunque a�n quedan muchas dudas por responder, estas ideas son consistentes con la forma en que recordamos. Esto es, con el hecho de que almacenamos informaci�n por contenido, y que recordamos y reconocemos mediante el uso de asociaciones de ideas. Para ilustrar lo anterior, podemos divagar y tratar de interpretar algunas situaciones de la vida diaria en t�rminos de estas nuevas ideas.³⁴ Seguramente al lector se le ocurrir�n algunos otros ejemplos importantes.

A veces tenemos recuerdos pasajeros que de pronto "se nos escapan", y pasamos alg�n tiempo tratando de recordar sin conseguirlo. Esto lo podr�amos interpretar como informaci�n almacenada en un valle poco profundo, de manera que cualquier otro est�mulo funciona como una perturbaci�n que distrae y hace que la idea se pierda (v�ase la figura 51(a)); lo cual equivale a dar un empuj�n al caminante lo suficientemente fuerte como para que �ste salga del peque�o agujero en el que se encontraba. Un procedimiento que utilizamos a menudo para volver a recordar tales ideas que se nos "acaban de escapar, consiste en tratar de reproducir el ambiente y sensaciones presentes en el momento en que se origin� la idea (conversaci�n, posici�n, etc.), con el objeto de volver a llegar a ella. Lo cual corresponde a tratar de reproducir la "condici�n inicial" que nos provoc� el recuerdo.

En cap�tulos anteriores mencionamos que el trabajo de recordar expl�citamente "todos y cada uno" de los recuerdos que tenemos, es una actividad incompatible con la manera en que almacenamos informaci�n. Ahora podemos justificar esta opini�n: los seres vivos no almacenamos informaci�n de una manera expl�cita. Lo que hacemos es modificar las interacciones entre las neuronas de manera que ciertos estados neurofisiol�gicos se vuelven predilectos, con lo que se logra una tendencia natural del organismo a evolucionar hacia ellos. Estos estados se recordarán si la informaci�n que llega al cerebro en un momento dado es tal que lo sit�a en un estado lo suficientemente cercano a ellos. Por tanto, aunque cualquier informaci�n particular almacenada puede ser recuperada, es imposible recordar todo, ya que no hay manera de garantizar que el estado neurofisiol�gico del cerebro pasar� lo suficientemente cerca de todos y cada uno de los recuerdos, como para ser "atra�do" por �stos (habr� recuerdos con cuencas muy peque�as o de dif�cil acceso).

Figura 51. Representaci�n esquem�tica de varios tipos de ideas. a) Una idea que " se escapa" a causa de una perturbaci�n (distracci�n), debido a que se trata de un valle poco profundo; b) una obsesi�n estar�a caracterizada por tener una cuenca de atracci�n muy amplia; c) una idea dif�cil de recordar, debido a que no muchos estados iniciales conducen a ella.

Cualquier informaci�n particular "almacenada" en nuestra memoria es en principio recuperable; aunque en muchas ocasiones sea dif�cil encontrar una ruta de acceso a ella. Cuando no podemos recordar dicha informaci�n, el olvido no es un olvido real, sino una falla temporal debida a la incapacidad de encontrar la informaci�n en un momento dado. Esto es, no encontramos una "ruta de acceso" a �sta. A veces pasamos un largo periodo tratando de recordar alg�n dato; tiempo despu�s, la informaci�n es recordada s�bitamente debido a que continu�bamos busc�ndola a nivel inconsciente.

De igual manera, muchas veces "olvidamos" hechos importantes de nuestra vida, debido a que nos hacen da�o. Esto lo hacemos como un mecanismo de defensa ante las frustraciones y situaciones dolorosas. Sin embargo, lo que hacemos no es olvidarlos realmente, sino que perdemos el acceso a dichos recuerdos. Algunas veces es tan dif�cil el acceso a ellos, que se hace necesario recurrir a t�cnicas, como el psicoan�lisis o la hipnosis, para poder recordarlos. Es por eso que uno de los objetivos del psicoan�lisis consiste en recordar, analizar y racionalizar hechos y situaciones que nos causan da�o, con el objeto de que sean asimilados a nivel consciente por el individuo, y dejen as� de producir ansiedad.

Cuando deseamos aprender alg�n dato "de memoria", si no existe una correlaci�n natural entre el dato a aprender y nuestros conocimientos, entonces debemos recurrir al uso de reglas mnemot�cnicas. Estas reglas consisten en establecer relaciones entre diversas ideas, de manera que se logra una ruta, f�cil y conocida, de acceso a cierta informaci�n.

En los ancianos se observa la p�rdida de la habilidad para memorizar nueva informaci�n; sin embargo la memoria antigua, la cual se encuentra bien consolidada, se mantiene intacta. Este fen�meno encuentra una explicaci�n en el hecho de que, debido a la edad, se dificulta la modificaci�n de las eficiencias sin�pticas.

Las propiedades de la percepci�n han sido utilizadas por los psic�logos para explorar la personalidad de los pacientes. Por ejemplo, en el test de Rorschach se presenta al paciente una serie de manchas de tinta, sin significado alguno, y se le pide interpretarlas. Como las manchas carecen de sentido, los individuos se ven obligados a imaginar posibles interpretaciones, y al hacerlo revelan sus conflictos y motivaciones m�s profundas. Por ejemplo, para el que tiene miedo una sombra puede ser confundida con un hombre al acecho, y para una persona obsesionada por el sexo cualquier forma imprecisa puede cobrar un significado er�tico. De igual manera, la libre asociaci�n de ideas constituye una herramienta muy importante en la interpretaci�n de los sue�os. En ambos casos, la explicaci�n de estos fen�menos se encuentra en que nuestras obsesiones est�n relacionadas con muchos aspectos de nuestra vida. Podr�amos ver las obsesiones como recuerdos con cuencas de atracci�n muy amplias, las cuales cubren una gran proporci�n de los estados posibles, de manera que un gran n�mero de est�mulos sensoriales conducen a ellas (v�ase la figura 51(b)). Esto hace que las obsesiones sean ideas dif�ciles de apartar de nuestra mente.

Tambi�n podr�amos tratar de reinterpretar con base en estas ideas algunas enfermedades, como la esquizofrenia. En los casos en que se produce un desdoblamiento de la personalidad, esto corresponder�a, tal vez, a una separaci�n del "espacio de estados", originada por la presencia de una gran barrera; de manera que el acceso de una a otra regi�n sea muy improbable. Esto propicia que sea dif�cil pasar de una regi�n a otra, y que haya ciertas situaciones concretas que propicien este paso. Asimismo, puesto que algunas drogas modifican temporalmente la transmisi�n sin�ptica, tienen como efecto la alteraci�n de la percepci�n del individuo.

REDES NEURONALES ARTIFICIALES

Algunas personas califican a los modelos de f�sica estad�stica para redes neuronales de meras met�foras. Sin embargo creemos que se trata de m�s que una met�fora, ya que se ha demostrado que la frustraci�n puede actuar como un mecanismo que permite el almacenamiento de informaci�n en una red constituida por elementos simples, con dos estados posibles, que interact�an entre s�. La prueba m�s palpable de que esto sucede la constituyen los logros recientes en la construcci�n de redes neuronales artificiales, acerca de los cuales hablaremos a continuaci�n.

Existen muchas variantes de redes neuronales, tambi�n llamadas "modelos conexionistas". Sin embargo, todas tienen una estructura similar: est�n formadas por un gran n�mero de procesadores simples, ya sea con dos estados posibles o con varios niveles de actividad.³⁵ Estos elementos est�n agrupados, de manera que los elementos en un grupo se encuentran interconectados entre s�; por otro lado existen conexiones entre diferentes grupos, o capas. Todas estas conexiones son modificables, con el objeto de que la red presente el comportamiento deseado.

La operaci�n de las redes neuronales consiste de dos etapas, que pueden presentarse solas o combinadas. Estas son: i) la etapa de aprendizaje,³⁶ durante la cual el valor de las interacciones es variado de acuerdo con la experiencia o "entrenamiento" proporcionado, con base en alguna regla de aprendizaje; y ii) una vez que las conexiones est�n establecidas, la red debe ser "estimulada" de manera que lleve a cabo el trabajo que uno desea, esto se logra alimentando a la red con un estado inicial, a partir del cual la red procede a encontrar la informaci�n deseada.

Adem�s del tipo de computadoras con arquitectura "neuronal", existe la posibilidad de "simular" estas redes mediante el uso de programas que operan en computadoras convencionales. Esto es, se hace un programa en el que se definen los elementos base tipo neurona, y se supone una regla de aprendizaje; esta regla da un valor para las interacciones entre las neuronas, como funci�n de los datos administrados a la m�quina. La rapidez de operaci�n y capacidad obtenidas mediante el uso de estos programas son mucho menores que las que se lograr�an mediante el uso de una computadora neuronal (red neuronal implementada en circuiter�a). Sin embargo, aunque estos programas son lentos, dan resultados m�s satisfactorios que los logrados con algoritmos complicados. Por otro lado, constituyen una opci�n econ�mica con respecto a las computadoras con arquitectura neuronal, ya que no es necesario comprar una nueva computadora de uso espec�fico.

Un ejemplo concreto de la eficiencia de las redes neuronales nos lo dan los programas cuyo prop�sito es la conversi�n de texto escrito a ingl�s hablado (con ayuda de un sintetizador de voz). En este sentido el idioma ingl�s presenta un gran reto, ya que aunque cuenta con muchas reglas fon�ticas, estas reglas tienen un gran n�mero de excepciones y casos particulares. Por otro lado, lo ideal ser�a que la computadora "leyese de corrido", lo cual hace que se requiera gran rapidez en el procesamiento de la informaci�n. A lo largo de varios a�os, fue desarrollado un paquete de software (para computadora tradicional) denominado DECtalk. Este sistema, aunque de una gran complejidad, fue capaz de llevar a cabo esta tarea de manera satisfactoria, esto es, con peque�os y ocasionales errores de pronunciaci�n. Recientemente, se cre� un nuevo sistema,³⁷ llamado NETtalk, con el mismo objetivo. En este caso, a sus creadores les tom� menos de tres meses desarrollar, a partir de cero, un sistema que efectuara la misma tarea con una eficiencia similar. Resulta curioso, aunque predecible, que durante la etapa de entrenamiento del sistema �ste comet�a el mismo tipo de errores que los ni�os peque�os.

Con respecto a las arquitecturas neuronales, ya han sido patentados varios modelos de �stas. En estas computadoras, cada "neurona" artificial constituye un elemento procesador que funciona independiente y simult�neamente a los dem�s. Las diferencias principales entre las computadoras tradicionales y las computadoras neuronales se resumen en la figura 52.

EL FUTURO

Como mencionamos en la introducci�n, la evoluci�n de la ciencia y la t�cnica en los pa�ses capitalistas se ha llevado a cabo bajo las presiones de intereses pol�ticos y econ�micos, principalmente. Dentro de este contexto, la creaci�n de m�quinas pensantes es de primordial importancia, debido a su potencial de comercializaci�n y a su uso con objetivos militares. Podr�amos decir que su rango de aplicaciones ser�a pr�cticamcnte ilimitado.

		Computadoras Tradicionales	Computadoras Neuronales
		Útiles para seguir instrucciones precisas.	Útiles para resolver problemas en lo que no es posible dar una receta precisa
		Excelente para efectuar cálculos matemáticos	No muy confiables para efectuar cálculos matemáticos.
		Se alimentan con programas; se requiere del uso de algoritmos.	Se alimentan con datos; no se requiere del uso de algoritmos.
		No "aprenden "; su desempeño es siempre el mismo.	"Aprenden" mediante la inspección de datos; su desempeño mejora con la cantidad de información recibida.
		No toleran errores.	Toleran errores.
		No se "equivocan" (si acaso, el que se equivoca es el programador).	Pueden equivocarse.
		No usan los datos guardados en su memoria, a menos que éstos sean explícitamente "llamados" por el programa.	Usa activamente, toda la información guardada en la memoria.
		Su funcionamiento depende del buen funcionamiento de TODOS sus componentes.	Su funcionamiento no se ve alterado por la falla de un pequeño número de sus componentes.

Figura 52. Esta tabla compara las caracter�sticas de las computadoras convencionales y las computadoras neuronales.

Lo anterior ha sido advertido por los gobiernos de los pa�ses poderosos, quienes apoyan de manera substancial proyectos institucionales y regionales cuyo prop�sito es la planeaci�n de la investigaci�n en este campo. Como muestra de lo anterior tenemos que Alemania (oeste) tiene un presupuesto gubernamental de 100 millones de d�lares destinados exclusivamente al desarrollo de esta �rea; Jap�n tiene un programa llamado fronteras humanas, y la Comunidad Econ�mica Europea ha creado un programa llamado BRAIN (investigaci�n b�sica en inteligencia adaptativa y neurocomputaci�n). Por otro lado, a finales de 1988 la oficina de tecnolog�a t�ctica del gobierno de Estados Unidos de Am�rica recomend� una inversi�n federal de casi 400 millones de d�lares para investigaci�n y desarrollo de redes neuronales. De igual manera, en estos pa�ses se han venido formando asociaciones cient�ficas de investigadores activos y estudiantes interesados en estos proyectos. Estas asociaciones agrupan personas con diversas formaciones profesionales, que incluyen psic�logos, neurobi�logos, matem�ticos, comput�logos, f�sicos e ingenieros.

Tambi�n la iniciativa privada ha dedicado fuertes sumas de dinero para el desarrollo de sus propios proyectos de redes neuronales. Se calcula que para finales de 1988 hab�a ya m�s de 200 compa��as privadas en los Estados Unidos dedicadas a la fabricaci�n de redes neuronales; por otro lado, cualquier revista de computaci�n contiene una larga lista de anuncios relacionados con esta nueva tecnolog�a que evoluciona d�a a d�a. Los cambios peque�os en las m�quinas se dan mediante un proceso similar al de selecci�n natural. Un fabricante introduce variaciones en su producto que lo hacen m�s �til o, al menos, m�s atractivo para el consumidor. Como resultado, el producto gana mercado a los productos elaborados por sus competidores. Estos �ltimos, para poder subsistir y recuperar mercados, deben innovar su producto introduciendo caracter�sticas an�logas o superiores a las de los productos de los otros fabricantes. En este proceso muchas peque�as compa��as, incapaces de incorporar todos los avances tecnol�gicos, desaparecen. Otras compa��as se consolidan y adquieren un lugar importante.

Creemos que bajo toda esta presi�n, las redes neuronales tendr�n un gran impulso en los a�os que se avecinan (Figura 53), y que esto repercutir�, a�n m�s, en todos los aspectos de nuestra vida. Estas computadoras no substituir�n a las computadoras convencionales, sino que las complementar�n. De manera que podremos contar con computadoras h�bridas, que utilicen uno u otro tipo de computaci�n, dependiendo del problema, o de la parte del problema a resolver. Pero, �qu� tan lejos nos encontramos de construir m�quinas tan poderosas como el cerebro humano?

Figura 53. Se avecina la era de las computadoras neuronales.

El cerebro humano tiene un n�mero de conexiones del orden de 10¹⁵, transmite 10¹⁶ impulsos el�ctricos por segundo; por otro lado, el cerebro de una mosca trabaja enviando 10⁹ se�ales por segundo. En comparaci�n, la neurocomputadora TRW Mark V tiene 10⁷ interconexiones y env�a 1.6 X10⁷ se�ales por segundo; y los programas de redes neuronales escritos para computadoras personales funcionan t�picamente con 30 000 interconexiones que env�an 25 000 se�ales por segundo. Como podemos ver a partir de estas cifras, existe un abismo entre el cerebro humano y las neurocomputadoras.

Aunque la tecnolog�a de este nuevo tipo de computadoras est� a�n en su infancia, existe un gran entusiasmo y optimismo acerca de su futuro. Sin embargo, se considera muy remota la posibilidad de construir algo equiparable al cerebro humano. Seg�n B. Widrow, director de la Sociedad Internacional de Redes Neuronales e inventor de un dispositivo tipo red neuronal utilizado para l�neas de tel�fonos de larga distancia, pasar�n "m�s de mil a�os" antes de que se puedan construir cerebros sintéticos. Y usted, �qu� cree?