La rápida evolución de la inteligencia artificial (IA) ha pasado de modelos estáticos y basados en datos a sistemas dinámicos capaces de percibir e interactuar con entornos del mundo real. A pesar de los avances en el reconocimiento de patrones y el razonamiento simbólico, los sistemas actuales de IA, como los grandes modelos de lenguaje, siguen siendo desincorporados, incapaces de involucrarse físicamente con el mundo. Esta limitación ha impulsado el auge de la IA corpórea, donde agentes autónomos, como robots humanoides, deben navegar y manipular entornos no estructurados con una adaptabilidad similar a la humana. En el núcleo de este desafío está el concepto de Cerebro Neural, un sistema de inteligencia central diseñado para impulsar agentes corpóreos con adaptabilidad humana. Un Cerebro Neural debe integrar sin fisuras la detección multimodal y la percepción con capacidades cognitivas. Lograr esto también requiere un sistema de memoria adaptable y un co-diseño eficiente en energía de hardware y software, que permita la acción en tiempo real en entornos dinámicos. Este artículo presenta un marco unificado para el Cerebro Neural de agentes corpóreos, abordando dos desafíos fundamentales: (1) definir los componentes centrales del Cerebro Neural y (2) cerrar la brecha entre los modelos estáticos de IA y la adaptabilidad dinámica requerida para el despliegue en el mundo real. Para ello, proponemos una arquitectura inspirada biológicamente que integra detección activa multimodal, función percepción-cognición-acción, almacenamiento y actualización de memoria basada en neuroplasticidad, y optimización de hardware/software neuromórfico. Además, revisamos la investigación más reciente sobre agentes corpóreos en estos cuatro aspectos y analizamos la brecha entre los sistemas actuales de IA y la inteligencia humana. Al sintetizar conocimientos de la neurociencia, delineamos una hoja de ruta hacia el desarrollo de agentes autónomos generalizables capaces de inteligencia a nivel humano en escenarios reales.
Building similarity graph...
Analyzing shared references across papers
Loading...
Jian Liu
X.Y. Shi
Cong Tu Nguyen
Building similarity graph...
Analyzing shared references across papers
Loading...
Liu et al. (Mon,) estudiaron esta cuestión.
www.synapsesocial.com/papers/69473b64db9c958d0dfca967 — DOI: https://doi.org/10.48550/arxiv.2505.07634
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: