Los sistemas modernos de inteligencia artificial dependen de la multiplicación de datos de entrada por pesos entrenados, realizando miles de millones de operaciones para generar respuestas o recomendaciones. Lizy K. John, profesora de ingeniería eléctrica e informática en la Universidad de Texas en Austin, cree que este enfoque requiere más esfuerzo del necesario para resolver tareas.
Durante los últimos cinco años, la profesora John ha trabajado en el desarrollo de una clase de modelos conocidos como redes neuronales sin pesos. Este trabajo tiene como objetivo revisar el principio fundamental de funcionamiento de las redes neuronales para eliminar la supuesta redundancia en los procesos computacionales.
La iniciativa de la investigadora cuestiona el estándar actual de la industria, donde la escala de las operaciones de multiplicación se considera inevitable. El enfoque alternativo propuesto teóricamente podría simplificar la arquitectura de los modelos, aunque los detalles de implementación y la eficiencia comparativa siguen siendo objeto de estudio.
comentario editorial
Por qué importa
En el corto plazo, cabe esperar la publicación de detalles técnicos o la demostración de prototipos que confirmen la viabilidad del método. La principal incertidumbre radica en la capacidad de tales redes para resolver tareas complejas con una precisión comparable a las arquitecturas tradicionales. La implementación de la idea requerirá tiempo para verificar las hipótesis en condiciones reales.