El concepto de inteligencia en la ciencia cognitiva (II Parte).

Francisco Varela (1946-2001)

En un artículo de 1977, publicado en la revista Artificial Intelligence, David Marr, un importante teórico de la ciencia cognitiva, concibe de un modo bien particular a la inteligencia artificial, al señalar que trata de “el estudio de problemas complejos de procesamiento de la información que a menudo tienen sus raíces en algún aspecto del procesamiento biológico de la información.”[1]

Para Marr, los problemas que intenta resolver la inteligencia artificial pueden ser de dos tipos. Hay problemas para los cuales se puede saber con claridad qué debe hacer el algoritmo que se elabora para su implementación y resolución. Esta información puede ser captada por el enfoque computacional clásico y, en este caso, el problema tiene una teoría tipo 1, como él la denomina. Sin embargo, no todos los problemas, especialmente en el ámbito de la biología, corresponden a los que tienen una teoría tipo 1. Hay problemas que para resolverlos se requiere la acción simultánea de muchos procesos, “cuya interacción es su propia descripción más sencilla”. Estos problemas, según Marr, tienen una teoría del tipo 2. Un ejemplo de este tipo de problema sería predecir cómo se pliega una proteína y las consecuencias de este tipo de problemas, Marr las ilustra de la siguiente manera:

“Hay muchas cosas que influyen en una cadena polipeptídica larga cuando se sacude y agita en un medio. En cada momento sólo unas cuantas interacciones posibles serán importantes, pero su importancia es decisiva. Los intentos para construir una teoría simplificada deben ignorar algunas interacciones; pero si la mayoría de ellas son cruciales en cierta etapa del plegamiento, una teoría simplificada resultará inadecuada. (. . . )

La principal dificultad en la IA es que nunca se tiene la suficiente seguridad de que el problema tiene una teoría del tipo 1. Si se encuentra una, cuánto mejor, pero no encontrarla no significa que no exista.”[2]

La pregunta que surge de estos planteamientos es que si los problemas de la vida cotidiana que enfrenta un organismo o agente corresponden fundamentalmente a situaciones complejas donde simultáneamente actúan muchos procesos, de índole física, química, biológica, psicológica y social, ¿pueden ser efectivamente abordados y explicados exclusivamente por el enfoque computacional de la inteligencia artificial?, y de no ser así, ¿puede la arquitectura simbólica o serial dar cuenta, por sí sola, de una conducta propiamente inteligente?.

Francisco Varela, comenta el giro que tuvo la investigación en la ciencia cognitiva y en la inteligencia artificial luego de que se hicieron evidentes las falencias del modelo computacional.

“La culminación de la experiencia de las dos primeras décadas de predominio cognitivista se puede expresar señalando una convicción que cobró progresivo arraigo en la comunidad de investigadores: es preciso invertir al experto y al niño en la escala de desempeños. Los primeros intentos procuraban resolver los problemas más generales, (. . .). Se consideraba que estos intentos, que procuraban emular la inteligencia de un experto dotado de gran capacitación, abordaban los problemas difíciles e interesantes. A medida que los intentos se volvieron más modestos y localizados, resultó evidente que la inteligencia más profunda y fundamental es la del bebé que puede adquirir el lenguaje a partir de manifestaciones cotidianas dispersas, y puede constituir objetos significativos a partir de lo que parece un mar de luces.”[3]

“Existen fuertes indicaciones de que el conjunto de ciencias que tratan del conocimiento y de la cognición –las ciencias cognitivas- lentamente han ido cobrando conciencia de que las cosas han sido planteadas al revés y han comenzado un radical viraje paradigmático o epistémico. El núcleo de esta visión emergente es la convicción de que las verdaderas unidades de conocimiento son de naturaleza eminentemente concreta, incorporadas, encarnadas, vividas; que el conocimiento se refiere a una situacionalidad; y que lo que caracteriza al conocimiento –su historicidad y su contexto- no es un ‘ruido’ que oscurece la pureza de un esquema que ha de ser captado en su verdadera esencia, una configuración abstracta.”[4]

La capacidad que tienen los sistemas conexionistas de aprender a través de la experiencia, mediante ciclos recursivos de retroalimentación, les permite contar con una autonomía y flexibilidad de la que adolecen los sistemas que operan bajo un procesamiento serial. Estas características, hacen posible que estos sistemas presenten conductas inteligentes como resultado de su dinámica organizacional, es decir, la inteligencia emerge de la forma de operar que tiene este sistema.

“En este enfoque, cada componente opera sólo en un ámbito local, de modo que ningún agente externo hace girar el eje del sistema. Pero como el sistema está constituido como red, hay una cooperación global que emerge espontáneamente cuando los estados de todas las ‘neuronas’ participantes alcanzan un estado mutuamente satisfactorio. En dicho sistema, pues, no se requiere una unidad procesadora central que guíe la operación. Este tránsito desde las reglas locales hacia la coherencia global es el corazón de aquello que en la era cibernética se llamaba autoorganización. Hoy se prefiere hablar de propiedades emergentes o globales, dinámica de red, redes no lineales, sistemas complejos e incluso sinergia.”[5]

El enfoque conexionista y los sistemas basados en este tipo de arquitectura, si bien presentan propiedades que los aproximan significativamente a los sistemas biológicos, no deben considerarse, necesariamente, como la superación final de los sistemas seriales o simbólicos. De hecho, autores como W. Daniel Hillis, entre otros, a pesar de adoptar un enfoque conexionista, se resisten a la idea de refutar de plano a los sistemas más clásicos. Este autor señala: “El sistema emergente que puedo imaginar con más facilidad sería una implementación del pensamiento simbólico antes que una refutación de él. El pensamiento simbólico sería una propiedad emergente del sistema.”[6]

Para Andy Clark, destacado teórico de la ciencia cognitiva y director del Philosophy-Neuroscience-Psychology Program de la Universidad de Washington, las redes neuronales artificiales presentan tanto ventajas como inconvenientes.

“Son capaces de tolerar datos ‘ruidosos’, imperfectos o incompletos. Son resistentes a daños locales. Son rápidas. Y sobresalen en tareas que suponen la integración simultánea de muchas pequeñas señales o elementos de información, una capacidad que es esencial para el reconocimiento perceptivo y el control motor en tiempo real. Estas ventajas se derivan del hecho de que estos sistemas se dedican a completar patrones con un procesamiento en paralelo masivo. (. . .) Incluso algunos fallos de estos sistemas son atrayentes en el plano psicológico. Pueden sufrir ‘interferencias’ cuando unas codificaciones similares se obstaculizan mutuamente (de manera similar a cuando aprendemos un número de teléfono que se parece a otro que ya sabemos y enseguida los confundimos, olvidándonos de los dos). Y no son intrínsecamente adecuados para la resolución de problemas secuencial y gradual típica de la lógica y la planificación. (. . .) Los sistemas clásicos, con sus direcciones de memoria ordenadas y bien definidas, son inmunes a estas interferencias y ofrecen un rendimiento excelente en la resolución de problemas lógicos y secuenciales, pero rinden mucho peor en tareas de control en tiempo real.”[7]

Clark, aclara que estas desventajas o inconvenientes de los sistemas conexionistas no son necesariamente malos, pues si aspiramos a modelar la cognición humana, “se deben favorecer aquellos fundamentos computacionales que produzcan una pauta de puntos fuertes y débiles parecida a la nuestra. Y en general somos mejores al fútbol que en lógica.”[8]

George Reeke y Gerald Edelman, Premio Nobel de Medicina en 1972, plantearon hace más de una década, que la inteligencia artificial necesitaba integrar los conocimientos de la neurobiología para seguir avanzando, debía observar con mayor atención a los sistemas biológicos que son los que realmente presentan conductas inteligentes, abandonando la noción de inteligencia como una actividad solamente abstracta de procesamiento de la información y adoptando un enfoque que respete la complejidad de los organismos y de los sistemas biológicos.

“Una confrontación del número de niveles interactivos en un organismo real capaz de conducta inteligente revela una estremecedora complejidad de interacciones no lineales. Si se agrega la transmisión social a través del lenguaje, la complejidad se incrementa aún más. A la vista de esta complejidad, parece ser el colmo de la arrogancia pensar que todos los problemas que confrontan las criaturas inteligentes se pueden comprender ponderándolos en abstracto. En vez de eso, se debe comenzar a analizar esos sitemas en términos de las estructuras y funciones básicas necesarias y sus modos de origen, su desarrollo tanto como su evolución. (. . .) Creemos que la IA finalmente sólo se alcanzará en sistemas no-von Neumann en los que variantes especializadas de hardware, basadas en el tema común de la selección y el pensamiento de la población, trabajarán sin programas para adaptarse a los ambientes particulares en los que se encuentren, tal como lo hacen los organismos biológicos.”[9]

Hubert y Stuart Dreyfus, cuestionan también que la inteligencia artificial, en su corriente conexionista, pueda presentar significativos avances si no abandona el concepto abstracto y descontextualizado que maneja de la inteligencia, de manera que la red o el sistema pueda hacer generalizaciones adecuadas del conocimiento que ha adquirido mediante su experiencia. Ellos señalan:

“Todos los diseñadores de redes neurales concuerdan en que para que una red sea inteligente debe ser capaz de generalizar; es decir, dados suficientes ejemplos de entradas asociadas a una salida particular, la red debería asociar más entradas del mismo tipo con el mismo tipo de salida. (. . .)

El problema aquí es que el diseñador ha determinado, mediante la arquitectura de la red, que nunca se encuentren ciertas generalizaciones posibles. Todo eso está bien y es aceptable para problemas de juguete en los que no se cuestiona qué constituye una generalización razonable, pero en situaciones del mundo real gran parte de la inteligencia humana consiste en generalizar de manera adecuada al contexto. (. . .)

Si ha de aprender a partir de sus propias ‘experiencias’ para realizar asociaciones semejantes a las humanas y no aprender las asociaciones que su entrenador ha especificado, una red también debe compartir nuestro sentido de adecuación a la salida de datos, y esto significa que debe compartir nuestras necesidades, deseos y emociones y tener, además, un cuerpo semejante al humano con movimientos físicos apropiados, así como habilidades y vulnerabilidad a las lesiones.

(. . .) La inteligencia tiene que motivarse mediante propósitos en el organismo y a través de las metas que éste seleccione a partir de una cultura en curso. Si la mínima unidad de análisis es la de todo un organismo adaptado a todo un mundo cultural, las redes neurales y las computadoras de programación simbólica todavía tienen un largo camino por recorrer.”[10]

Sin lugar a dudas, en los últimos años se han ido gestando importantes, e incluso revolucionarios, cambios paradigmáticos y epistemológicos en la forma que tenemos de entender al ser humano y la conducta inteligente. El avance que en materia de inteligencia artificial hemos tenido ha sido vertiginoso y los resultados alcanzados parecen indicar que se está actuando en forma inteligente. Quisiera terminar con las palabras de John Briggs y F. David Peat, quienes me parece resumen de muy buena forma lo hasta aquí tratado.

“Aún está por verse si la ruta conexionista hacia la IA puede triunfar. No obstante, es significativo que ahora los científicos cifren sus esperanzas en los aspectos no reduccionistas de la complejidad para resolver el problema de crear una máquina capaz de pensar. Sin duda la ciencia ha recorrido un largo camino desde esos días en que se creía que los aspectos previsibles y racionales de las máquinas eran la imagen del universo.”[11]

---

[1] Marr, D. “La inteligencia artificial: un punto de vista personal” en Boden, M. (1994), Filosofía de la Inteligencia Artificial, FCE, México, p. 153.

[2] Ibíd., p. 155.

[3] Varela, F. et al.(1997), De Cuerpo Presente: Las ciencias cognitivas y la experiencia humana. Ed. Gedisa, Barcelona, pp. 112-113.

[4] Varela, F. (1996) Ética y Acción, Dolmen Ediciones, Santiago, pp. 13-14.

[5] Varela, F. et al.(1997). op. cit. pp. 114-115.

[6] Hillis, W.D., “La inteligencia como conducta emergente, o la canción del Edén” en Graubard, S. (1993) El nuevo debate sobre la inteligencia artificial, Ed. Gedisa, Barcelona, p. 203.

[7] Clark, A. (1997) Estar ahí: cerebro, cuerpo y mundo en la nueva ciencia cognitiva, Ed. Paidós, Barcelona, pp. 100-101.

[8] Ibíd., p. 101.

[9]Reeke, G. y Edelman, G. “Cerebros reales e inteligencia artificial” en Graubard, S. (1993) El nuevo debate sobre la inteligencia artificial, Ed. Gedisa, Barcelona, p. 198.

[10] Dreyfus, H. y Dreyfus, S. “La construcción de una mente versus el modelaje del cerebro: la inteligencia artificial regresa a un punto de ramificación” en Boden, M. (1994), “Filosofía de la Inteligencia Artificial”, FCE, México, pp. 369-370.

[11] Briggs, J. y Peat, F. (1990) Espejo y Reflejo: Del caos al orden, Ed. Gedisa, Barcelona, p. 174.

Humberto Maturana y la pregunta por el Observador.

En algunos de los cursos que imparto, suelo comenzar, a modo de introducción, comentando una cita de Humberto Maturana, en la cual nos invita a realizar un ejercicio tan necesario y tan poco practicado, aparentemente, como lo es la reflexión, el mirar dónde estamos y en qué estamos.

“La reflexión implica un acto de mirar donde se está y ese es un acto de la emoción; implica el soltar la certidumbre del confort de estar moviéndose adecuadamente en el dominio donde se está, es admitir una posibilidad de preguntarse sobre esta legitimidad. Creo que la reflexión es un acto de emoción en el cual se suelta lo que se tiene, se abre la mano, por así decirlo, para verlo.” Humberto Maturana.

A principios de este año, tuve la suerte de que me invitaran a dar un curso en la ciudad de Lima, Perú, y debo reconocer que de alguna manera me siento en deuda con mis alumnas peruanas, se trataba de profesoras, pues al termino de éste, varias me señalaron que faltó tiempo para abordar con un poco más de detalle las ideas de Maturana. Por otra parte, mis alumnos y alumnas acá en Chile, me cuentan que llegan a soñar con el profesor Maturana, dadas las constantes referencias que hago a su obra y los textos que suelo utilizar como bibliografía en las asignaturas que imparto. Para todos y todas ellas, este breve video con una parte de la entrevista que Cristian Warnken le hiciera en su programa La Belleza del Pensar.

Al finalizar, les sugiero revisen los videos de Francisco Varela, quien fue alumno de Humberto Maturana y, a mi juicio, uno de los mejores intelectuales y hombres de esta tierra. Además, es otro de los personajes con quienes mis alumnas y alumnos suelen soñar.

El concepto de inteligencia en la ciencia cognitiva (I Parte).

Allan Newell (izq.) y Herbert Simon.

En relación al enfoque simbólico o serial en la ciencia cognitiva, Francisco Varela, señala que para los fundadores de este modelo, “la inteligencia (incluida la inteligencia humana) se parece tanto a un ordenador o computador, en sus características esenciales, que la cognición se puede definir como la computación de representaciones simbólicas.”[1] Esta definición, la explica el mismo Varela cuando se pregunta:

“¿Qué significa exactamente decir que la cognición se puede definir como computación? Una computación es una operación que se lleva a cabo sobre símbolos, es decir, sobre elementos que representan aquello que designan. La noción clave es la de representación o ‘intencionalidad’, el término filosófico para aludir al ‘acerca de’. El argumento cognitivista es que la conducta inteligente presupone la aptitud para representar el mundo como si fuera de ciertas maneras. Por lo tanto no podemos explicar la conducta cognitiva a menos que demos por sentado que un agente actúa representando rasgos relevantes de la situación en que se halla. En la medida en que esta representación de una situación sea precisa, la conducta del agente tendrá éxito (siempre que todo lo demás permanezca igual).

La noción de representación es –al menos desde el ocaso del conductismo- relativamente poco controvertida. Lo controvertido es el paso siguiente. Nos referimos a la afirmación cognitivista de que la única manera de explicar la inteligencia y la intencionalidad es plantear la hipótesis de que la cognición consiste en actuar a partir de representaciones que se realizan físicamente en forma de un código simbólico dentro del cerebro o de una máquina.”[2]

Allan Newell y Herbert Simon, fundadores del enfoque computacional, señalan, en un clásico artículo publicado en 1976, que:

“Los símbolos descansan en la raíz de la acción inteligente que es, desde luego, el tema principal de la inteligencia artificial. En cuanto a eso, es una cuestión central para toda la ciencia de la computación, ya que toda la información se procesa en computadoras en función de fines y medimos la inteligencia de un sistema por su capacidad para alcanzar objetivos establecidos frente a variaciones, dificultades y complejidades planteadas por el ámbito de la tarea que hay que realizar.”[3]

En cuanto a la naturaleza de la inteligencia plantean:

“Nuestro entendimiento de los requisitos del sistema para realizar actos inteligentes surge lentamente. Es compuesto, pues no hay una sola cosa elemental que explique la inteligencia en todas sus manifestaciones. No existe un ‘principio de la inteligencia’ como tampoco hay un ‘principio vital’ que por su propia naturaleza transmita la esencia de la vida. Sin embargo, la ausencia de un simple deus ex machina no implica que no existan requisitos estructurales para la inteligencia. Uno de estos requisitos es la capacidad de almacenar y manipular símbolos.”[4]

El trabajo de Newell y Simon, así como el de otros teóricos de la inteligencia artificial, los llevó a proponer sistemas que fueran capaces de resolver problemas, pues, como ellos mismos explicitaron, “la capacidad de resolver problemas se considera en general como un primer indicador de que el sistema tiene inteligencia.”[5] Un sistema de resolución de problemas para ser considerado inteligente, no sólo necesita ser eficaz, es decir, llegar a una o varias soluciones posibles, sino también necesita ser eficiente, esto es, alcanzar dichas soluciones utilizando la menor cantidad de recursos posibles, como el tiempo, o dicho de otra manera, maximizando todo lo posible los recursos de que dispone, tales como la información, que suelen ser limitados.

El enfoque serial o computacional, hacia fines de la década de los ’60, predominó sobre el enfoque conexionista o de redes neuronales, a pesar de los importantes aportes que éste había realizado. Hubert y Stuart Dreyfus, en un artículo publicado en 1988 en la revista Artificial Intelligence, se explican esta situación por el “prejuicio filosófico cuasirreligioso contra el holismo”[6], que tenían los estudiosos de la inteligencia artificial y la comunidad científica en general. En la tradición racionalista que imperó durante el siglo XX y que perdura hasta nuestros días, la inteligencia no podía basarse en supuestos holistas, como los que subyacen al enfoque conexionista. De esta manera, se impuso la idea de que “cualquier campo debe poderse formalizar, la manera de hacer IA en cualquier área es obviamente encontrar los elementos y principios exentos de contexto y basar una representación simbólica formal en este análisis teórico.”[7]

Para estos autores, el hecho de que este reduccionismo analítico no aparezca fundamentado por los teóricos del enfoque simbólico, indica que éstos “suponen implícitamente que la abstracción de los elementos a partir de su contexto cotidiano, que define a la filosofía y que funciona en las ciencias naturales, también debe funcionar en la IA.”[8] Sin embargo, a poco andar, esta forma de concebir la inteligencia comenzó a ser severamente cuestionada, al advertirse que el enfoque computacional no lograba dar cuenta de la conducta inteligente que manifiesta un ser humano común y corriente, al aplicar lo que se conoce como “sentido común” para resolver los problemas cotidianos con los que se enfrenta. Más aún, ni siquiera podía explicar claramente, la conducta inteligente que se advierte en animales aparentemente tan simples como lo son los insectos. Esto llevó al resurgimiento del enfoque conexionista hacia fines de la década del ‘70, que se vio también apoyado por el desarrollo que estaba teniendo en esos años la neurobiología.

“Quizás tengamos que desechar la intuición básica, fundamento de la filosofía, de que debe existir una teoría de cualquier aspecto de la realidad, es decir, que debe haber elementos y principios en términos de los cuales podamos explicar la inteligibilidad de cualquier ámbito. Las redes neurales pueden mostrar que Heidegger, el Wittgenstein de la época posterior y Rosenblatt tenían razón al pensar que nos comportamos de manera inteligente en el mundo sin tener una teoría de ese mundo. Si no es necesaria una teoría para explicar el comportamiento inteligente, tenemos que estar preparados para formular la pregunta de si esta explicación teórica es siquiera posible en ámbitos cotidianos.”[9]

---

[1] Varela, Francisco. Connaître: Les Sciences Cognitives, tendences et perspectives. Editions du Seuil, Paris. 1988. Edición en español, Conocer. Editorial Gedisa, Barcelona. 1996. p. 37.

[2] Varela, F., Thompson, E., Rosch, E. The Embodied Mind: Cognitive Science and Human Experience. MIT Press, Cambridge, Mass. 1991. Edición en español, De Cuerpo Presente: Las ciencias cognitivas y la experiencia humana, Ed. Gedisa, Barcelona. 1997. pp. 64-65.

[3] Newell, Allan. y Simon, Herbert. La ciencia de la computación como investigación empírica: símbolos y búsqueda. En Boden, Margaret. Filosofía de la Inteligencia Artificial. FCE, México. 1994. p. 124.

[4] Ibíd., pp. 124-125.

[5] Ibíd., p. 138.

[6] Dreyfus, H. y Dreyfus, S. “La construcción de una mente versus el modelaje del cerebro: la inteligencia artificial regresa a un punto de ramificación” en Boden, M. (1994), Filosofía de la Inteligencia Artificial, FCE, México, p. 353.

[7] Ibíd., p. 356.

[8] Ibíd., p. 356.

[9] Ibíd., p. 366.

La Primera Revolución Cognitiva (II Parte): El desarrollo del enfoque conexionista.

La arquitectura conexionista o de redes neuronales, tuvo éxito precisamente en aquellas tareas que no pudo abordar el enfoque simbólico, como los patrones de reconocimiento, la comprensión del habla, la capacidad de aprendizaje y el desarrollo de una mayor autonomía en la ejecución de las tareas. Estas actividades, que aparentemente resultan sencillas de ejecutar para un ser humano, eran muy difíciles de implementar en un sistema computacional clásico, lo cual indicaba que los cerebros operan de una manera distinta a las máquinas von Neumann. Paulatinamente, se fueron replanteando algunas ideas convencionales, haciéndose evidente, como señala Varela, que la conducta inteligente más compleja y sofisticada no es la del experto, sino “la del bebé que puede adquirir el lenguaje a partir de manifestaciones cotidianas dispersas, y puede constituir objetos significativos a partir de lo que parece un mar de luces.”[1]

A diferencia del modelo centralizado y serial de GOFAI, el conexionismo opera en forma distribuida y en paralelo, pues se basa en una red de procesadores simples similares a las neuronas, llamados nodos o unidades, los cuales están interconectados dinámicamente entre sí. Cuando un nodo o unidad está encendido, manda señales de output a los nodos vecinos, las cuales varían en fuerza o intensidad dependiendo del grado de activación que presente ese sector de la red. La fuerza de la conexión entre los nodos se denomina peso, el que al aumentar disminuye la resistencia de las conexiones, fortaleciendo la transmisión y recepción de las señales. Los pesos varían en función de la experiencia, lo que significa que como resultado de su operar la red cambia su estructura, modificando la fuerza de sus conexiones, lo cual permite construir sistemas capaces de aprender de maneras naturales.[2]

La idea de que el aprendizaje es mediado por variaciones estructurales en las sinapsis es tradicionalmente atribuida a Donald Hebb, quien en el año 1949, publicó un libro titulado “La Organización de la Conducta”, donde señala:

“Cuando un axón de la célula A está lo suficientemente próximo como para excitar una célula B y de forma repetida o persistente interviene en la descarga de ésta, se produce algún proceso de crecimiento o cambio metabólico en una o ambas células, de tal forma que aumenta la eficiencia de A como una de las neuronas que provocan la descarga de B.”[3]

Esta conjetura, conocida como sinápsis de Hebb o hipótesis del aprendizaje neuronal de Hebb, si bien no pudo ser comprobada en ese entonces en el tejido neuronal, contribuyó significativamente al desarrollo del conexionismo y, en la actualidad, ha podido ser corroborada gracias al desarrollo de la tecnología utilizada por la neurociencia.

En una red conexionista, el aprendizaje opera en base a un proceso de retroalimentación que ajusta los pesos entre las unidades de acuerdo a un algoritmo de aprendizaje o de retropropagación, que le permite al sistema corregir paulatinamente sus errores hasta llegar a un estado de ejecución aceptable. La red cambia los pesos de las conexiones, sus estados internos, haciendo el cálculo de probabilidades necesario para que la salida resultante se aproxime lo más posible a la salida correcta u óptima. Este proceso recursivo de cambios estructurales, supone la existencia de un cierto tipo de memoria, que le permite al sistema, teniendo como base su experiencia, recordar cómo procesar un determinado input o entrada. Sin embargo, esta capacidad de la red que se puede distinguir como memoria, no corresponde a un almacén o dispositivo de memoria similar al que utilizan las máquinas von Neumann, sino más bien a un patrón de interacciones recursivas que el sistema es capaz de utilizar.

El operar característico de las redes conexionistas, les permite contar con una autonomía y flexibilidad de la que adolecen los modelos que operan bajo un procesamiento serial, haciendo posible que estos sistemas presenten conductas inteligentes como resultado de su dinámica organizacional, es decir, la inteligencia se presenta como un fenómeno que emerge de la forma de operar que tiene el sistema. Estas propiedades emergentes que presentan las redes neuronales, son una característica que las diferencia claramente de las arquitecturas clásicas, pues lo que un observador distingue en el operar de estas redes como un actuar integrado y significativo, inteligente, es resultado de una compleja integración de agentes sencillos que presentan propiedades elementales, prenderse o apagarse, sin la necesidad de contar con una unidad de supervisión central.

---

[1] Varela, F., Thompson, E., Rosch, E. The Embodied Mind: Cognitive Science and Human Experience. MIT Press, Cambridge, Mass. 1991. Edición en español, De Cuerpo Presente: Las ciencias cognitivas y la experiencia humana, Ed. Gedisa, Barcelona. 1997. p. 113.

[2] Tienson, John. An introduction to connectionism. The Southern Journal of Philosophy 126. 1987. En Rabossi, Eduardo (comp.). Filosofía de la mente y ciencia cognitiva. Ed. Paidós. Barcelona. 1995.

[3] Hebb, Donald. The Organization of Behavior. Wiley&Sons. New York. 1949. Cit. en Kolb, Bryan, Whishaw, Ian. An Introduction to Brain and Behavior. Worth Publishers. New York. 2000. Edición en español, Cerebro y Conducta: Una Introducción. Ed. McGraw-Hill, Madrid. 2002. p. 173.

La Primera Revolución Cognitiva: El desarrollo de la Inteligencia Artificial.

John von Neumann (1903-1957) junto a ENIAC

El desarrollo conceptual impulsado por la cibernética, los trabajos de McCulloch y Pitts en el ámbito de las redes neuronales artificiales, los esfuerzos hechos por Alan Turing y su equipo para diseñar un mecanismo que basado en circuitos electrónicos pudiera descifrar el código utilizado por los militares alemanes para comunicarse y el diseño que posteriormente hiciera John von Neumann para ENIAC (Electronic Numerical Integrator and Calculator), conocido como arquitectura von Neumann, basado en procesos de retroalimentación, permitieron el desarrollo de los computadores digitales hacia fines de la década de 1940.

Siguiendo las ideas propuestas por el filósofo alemán Gottfried Leibniz (1646-1716) y por el matemático inglés George Boole en el siglo XIX, quien sugirió que las leyes que gobiernan el cálculo proposicional pueden ser consideradas como leyes del pensamiento, los computadores digitales comenzaron a ser considerados máquinas capaces de simular el razonamiento humano y, por tanto, capaces también de presentar conducta inteligente. De esta manera, el desarrollo de la computación, les permitió a los psicólogos que advertían la inviabilidad del conductismo radical, contar con una alternativa real y confiable para estudiar los procesos mentales, basada en la tradición y en el quehacer de la ciencia y no en la especulación introspeccionista.

En el desarrollo de los sistemas de inteligencia artificial (I.A.), es importante distinguir, para evitar confusiones teóricas y epistemológicas, los dos paradigmas, conocidos como arquitecturas o enfoques, que surgieron a mediados del siglo pasado. Uno de ellos, fue la llamada arquitectura simbólica o serial, que pasaría posteriormente a denominarse clásica y que constituiría el enfoque hegemónico, basada en el operar serial de los computadores y, el otro modelo, la arquitectura conexionista o de redes neuronales, llamada también de procesamiento distribuido en paralelo (PDP), que se basó en la forma de operar que tiene el sistema nervioso en los organismos vivos dotados de éste. Estas arquitecturas se fundamentan en epistemologías claramente distintas, la primera, en una epistemología analítica, lineal-causal, característica del método científico tradicional, según el cual, los fenómenos se pueden descomponer en sus elementos constituyentes más simples para ser estudiados; la segunda, en una epistemología holista, no lineal o recursiva, según la cual, al conocer un fenómeno debe considerarse éste como una totalidad complejamente organizada, que no se puede descomponer sin alterar las características que le son propias.

De esta manera, estos enfoques encarnaron, en el seno de la inteligencia artificial, dos viejas tradiciones de pensamiento: el mecanicismo asociacionista, representado por la arquitectura computacional y que en el ámbito de la psicología cognitiva dio lugar al enfoque del procesamiento de la información; y el estructuralismo organicista, que se materializó en la arquitectura conexionista y que anteriormente había inspirado a la psicología cognitiva europea que se desarrolló en la primera mitad del siglo XX. Estas diversas formas que tiene la inteligencia artificial de conceptuar la cognición, se advierten en la distinción que hace Sherry Turkle, profesora asociada del MIT, al señalar que:

“La IA no es una empresa unitaria. La computación es la sustancia de la que están hechas muchas teorías. Es verdad decir que no hay una IA sino muchas. Y ayuda mucho decir que son esencialmente dos. La primera es el procesamiento de la información, con sus raíces en la lógica, en la manipulación de proposiciones para obtener nuevas proposiciones, en la combinación de conceptos para obtener nuevos conceptos. La segunda se origina en un estilo de trabajo muy distinto (. . .). Esta segunda es la ‘IA emergente’.

La IA emergente no se ha inspirado en el ordenado terreno de la lógica. Las ideas sobre la inteligencia de la máquina que desarrolla tienen que ver menos con enseñar a la computadora que con dejarla que aprenda. Esta IA no sugiere que se den a la computadora reglas a seguir, sino que trata de configurar un sistema de elementos independientes dentro de la computadora, elementos de cuya interacción se espera que surja la inteligencia. Desde esta perspectiva, una regla no es algo que usted da a una computadora, sino un patrón que usted infiere cuando observa la conducta de la máquina, en forma parecida a la de la observación de la conducta de una persona. Sus imágenes sustentadoras no han sido tomadas de la lógica, sino de lo biológico.”[1]

El enfoque clásico o serial, que concibe a la cognición como la manipulación de símbolos que pueden representar adecuadamente cualquier aspecto del mundo, basada en reglas formales explícitas, comenzó a ser sistemáticamente cuestionado en la década de los ’70, dada su incapacidad de cumplir con las promesas con las que originalmente se había comprometido, pues no lograba dar cuenta de la conducta inteligente que manifiesta un ser humano al aplicar lo que se conoce como “sentido común” para resolver los problemas cotidianos con los que se enfrenta. Más aún, ni siquiera podía explicar claramente, la conducta inteligente que se advierte en animales aparentemente tan simples, como lo son los insectos. De esta situación da cuenta Andy Clark, al preguntarse:

“¿Dónde están las mentes artificiales prometidas por la ciencia ficción de los años cincuenta y el periodismo científico de los sesenta? ¿Por qué incluso nuestros mejores artefactos ‘inteligentes’ son aún tan insoportable y mortalmente tontos? Una posibilidad es que, sencillamente, hemos malinterpretado la naturaleza de la inteligencia misma. Concebíamos la mente como una especie de dispositivo de razonamiento lógico asociado a un almacén de datos explícitos: una especie de combinación entre una máquina lógica y un archivador. Al adoptar esta perspectiva, desatendíamos el hecho de que las mentes han evolucionado para hacer que ocurran cosas. (. . .) Las mentes hacen movimientos y los deben hacer con rapidez: antes de que el depredador nos pille o de que nuestra presa consiga escapar. Las mentes no son dispositivos incorpóreos de razonamiento lógico.”[2]

A pesar de las críticas, el enfoque clásico computacional, que en el ámbito de la inteligencia artificial ha pasado a denominarse GOFAI (Good Old Fashioned Artificial Intelligence), se ha mantenido como el paradigma predominante de concebir los procesos cognitivos. Sin embargo, el resurgimiento a principios de los ’80 del enfoque conexionista, la reconsideración de la psicología cognitiva europea de entreguerras, el desarrollo de la antropología, de la psicolingüística, de la robótica y de la neurociencia cognitiva, han estado promoviendo una manera muy diferente de entender los fenómenos mentales, que coloca, según Clark, al modelo computacional en su lugar, “como complemento secundario de la dinámica y los complejos bucles de respuesta que unen entre sí cerebros, cuerpos y entornos reales.”[3]

---

[1] Turkle, S., “Inteligencia artificial y psicoanálisis: una nueva alianza” en Graubard, Stephen. The artificial intelligence debate: False starts, real foundations. MIT Press: Cambridge, MA. 1988. Edición en español, El nuevo debate sobre la inteligencia artificial: Sistemas simbólicos y redes neuronales. Ed. Gedisa. Barcelona. 1993. p. 281.

[2] Clark, Andy. Being there: Putting Brain, Body and World together again. MIT Press, Cambridge, MA. 1997. Edición en español, (1999) Estar ahí: cerebro, cuerpo y mundo en la nueva ciencia cognitiva. Ed. Paidós, Barcelona. p. 39.

[3] Ibíd.., p. 40.