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.

Ludwig von Bertalanffy y el desarrollo del enfoque sistémico.

Aunque es poco citado en el ámbito de la ciencia cognitiva, hay que señalar que en la misma época en que se desarrollaron los conceptos de retroalimentación y de cibernética, el biólogo Ludwig von Bertalanffy plantea la Teoría General de Sistemas, cuyo propósito explícito era producir una reorientación del pensamiento, un cambio de paradigma, en términos de Kuhn, introduciendo nuevos esquemas conceptuales en la tradición científica. Para von Bertalanffy, la idea fundamental era superar el problema de las limitaciones que impone a la ciencia el procedimiento analítico clásico, el cual no es aplicable al estudio de los fenómenos complejos de carácter sistémico.

“La aplicación del procedimiento analítico depende de dos condiciones. La primera es que no existan interacciones entre ‘partes’, o que sean tan débiles que puedan dejarse a un lado en ciertas investigaciones. Sólo con esta condición es posible ‘deslindar’ las partes –real, lógica y matemáticamente- y luego volverlas a ‘juntar’. La segunda condición es que las relaciones que describan el comportamiento de partes sean lineales; sólo entonces queda satisfecha la condición de aditividad, o sea que una ecuación que describa la conducta total tiene la misma forma que las ecuaciones que describen la conducta de las partes; los procesos parciales pueden ser superpuestos para obtener el proceso total, etc.
Semejantes condiciones no las cumplen las entidades llamadas sistemas, o sea consistentes en partes ‘en interacción’. El prototipo de su descripción es un conjunto de ecuaciones diferenciales simultáneas, que son no lineales en el caso general.”[1]

La aspiración de von Bertalanffy, era establecer una teoría cuya aplicación resultara útil a las diversas disciplinas científicas, una teoría basada en principios universales que se pudiera aplicar a los sistemas en general. La existencia de estos principios generales explicaría la aparición de similitudes estructurales o isomorfismos en diversos ámbitos del conocimiento.

El desarrollo de la teoría de sistemas, al igual que el de la cibernética, si bien tendió a difuminarse en los años posteriores, ha continuado en la actualidad con el desarrollo de la teoría de los sistemas dinámicos, que von Bertalanffy consideró como parte de su teoría general. En el ámbito de los sistemas dinámicos y particularmente en el de la física, la relevancia de la interacción y las limitaciones del modelo analítico tradicional, utilizado por el método científico, se advirtió ya en el siglo XIX con los planteamientos del físico y matemático francés Heinri Poincaré, quien cuestionó la aplicación de la física newtoniana al sistema solar, dudando de la estabilidad que supuestamente éste tenía. Este cuestionamiento, se basaba en el hecho de que las ecuaciones lineales de Newton se vuelven insolubles cuando se tratan de aplicar a un sistema en el que interactúan más de dos cuerpos. Al intentar resolver las ecuaciones, Poincaré advirtió que una perturbación mínima podía ocasionar en algunas órbitas un comportamiento absolutamente errático y caótico. La participación de un tercer cuerpo, en este caso, un planeta o un asteroide, podía causar que un planeta en órbita fuera despedido del sistema solar. Este hecho, terminaba con la feliz suposición de que una perturbación pequeña produce un efecto pequeño, que no es significativo para la estabilidad del sistema.[2] Las innovadoras conceptualizaciones físicas y matemáticas desarrolladas por Poincaré, lo llevaron a formular, a principios del siglo XX, el Principio de la Relatividad y a plantear en 1905, el mismo año que lo hiciera Einstein, lo que hoy se conoce como la Teoría de la Relatividad Especial.

Fueron estas ideas, junto a la hipótesis cuántica planteada por Max Planck en 1900, las que comenzaron a derrumbar la doctrina del determinismo científico, el famoso sueño del Marqués Pierre Simon Laplace, según el cual “debía existir un conjunto de leyes científicas que nos permitirían predecir todo lo que sucediera en el universo, con tal de que conociéramos el estado completo del universo en un instante de tiempo, (. . .) incluido el comportamiento humano.”[3] Las implicaciones de la hipótesis cuántica, se advirtieron más claramente cuando Werner Heisenberg, en 1926, plantea el principio de incertidumbre, según el cual es imposible determinar con exactitud la posición y la velocidad de una partícula en un mismo instante, pues el cuanto de luz que ilumina la partícula para advertir su posición, al mismo tiempo, la perturba. Basado en este principio, Heisenberg, Schrödinger y Dirac desarrollaron la mecánica cuántica, donde el conocimiento que se puede alcanzar de las partículas ya no aspira a ser certero ni único, sino que sólo probable. Cabe destacar, que uno de los científicos que contribuyó a la formalización de la mecánica cuántica, fue el matemático John von Neumann, quien además desempeñó un rol fundamental en el desarrollo de la ciencia cognitiva.

El cambio epistemológico y paradigmático que suponía el desarrollo de la mecánica cuántica, la cibernética y la teoría de sistemas, fue inicialmente ignorado, privilegiando el quehacer científico más acorde al sueño de Laplace. La deriva que estos revolucionarios planteamientos tienen para nuestra vida cotidiana, los cuales no están incorporados generalmente en los programas de estudios tradicionales, parece que sólo recientemente están siendo considerados por la comunidad académica en general. Para el físico Stephen Hawking, el principio de incertidumbre tiene “profundas implicaciones sobre el modo que tenemos de ver el mundo. Incluso más de cincuenta años después, éstas no han sido totalmente apreciadas por muchos filósofos, y aún son objeto de mucha controversia.”[4]

---

[1] von Bertalanffy, Ludwig. General Systems Theory. Ed. George Braziller, New York, 1968. Edición en español: Teoría General de los Sistemas. Editorial FCE. México. 1976. pp. 17-18

[2] Briggs, John. Peat, F. David. Turbulent Mirror: An Illustrated Guide to Chaos Theory and the Science of Wholeness. Harper & Row. New York. 1989. Edición en español, Espejo y Reflejo: Guía ilustrada de la teoría del caos y la ciencia de la totalidad. Ed. Gedisa. Barcelona. 1990.

[3] Hawking, Stephen. The Illustrated a Brief History of Time. Bantam Books, Toronto. 1988. Edición en español, Historia del Tiempo Ilustrada. Ed. Crítica, Barcelona. 1996. p. 68.

[4] Hawking, S. Ibíd. p. 72.