脕rboles de metal

馃

“Neuropsicolog铆a aplicada a I.A.”

Revisar el desarrollo hist贸rico de la inteligencia artificial (IA) revela claramente que la investigaci贸n en neurociencia ha resultado en avances para 茅sta, as铆 como para el aprendizaje profundo. En la actualidad, a煤n as铆, aunque la tendencia de desarrollo en IA y sus aplicaciones ha superado las expectativas, sigue existiendo una brecha insuperable entre IA e inteligencia humana. Por ello es urgente establecer un puente entre las ciencias del cerebro, las ciencias de la conducta y la investigaci贸n de IA, y una conexi贸n entre conocer el cerebro y simularlo que de sus frutos. Los primeros pasos hacia este objetivo son establecer un diagrama din谩mico de conect贸mica del cerebro y sus procesos, e integrar experimentos de neurociencia con teor铆a, modelos y estad铆sticas. Es decir, aplicar un modelo unificado de teor铆a que pueda aplicar lo que sabemos de neuropsicolog铆a en IA. En base a estos pasos, se puede estudiar una nueva generaci贸n de teor铆a y m茅todos de IA, y se puede establecer un modelo subversivo y un modo de trabajo desde la percepci贸n, la atenci贸n y el aprendizaje, hasta otros procesos y dominios cognitivos como la memoria de trabajo, el lenguaje, las praxias o la toma de decisiones. Pero para ello debemos adentrarnos, quiz谩s, en el campo de la modularidad.

Hasta hace relativamente poco permanec铆a la idea de que nuestro cerebro procesaba la informaci贸n en l铆nea, como un procesador, computando goblalmente la informaci贸n de entrada y salida. Sin embargo, Fodor expuso con su teor铆a modular de la mente, un paso rupturista de esta concepci贸n y un cambio de paradigma, introduciendo la noci贸n de procesamiento paralelo y simult谩neo pero, tambi茅n, presentando la idea de m贸dulo.

Cada uno de estos m贸dulos estar铆a especializado en ciertos tipos de informaci贸n entrante, lo que conlleva a equipararlos a la idea de un bosque de funciones y dominios cognitivos (conceptualizados mucho antes por Vigotsky, Luria, Milner, Baddeley y Lezak), entidades cognitivas independientes (encapsuladas) que operan, dentro de la normalidad, a alta velocidad de procesamiento de informaci贸n concreta y especializada (dependiente de los haces de sustancia blanca) a trav茅s de fasc铆culos entre regiones y 谩reas cerebrales, de naturaleza innata (pues todos las poseemos al nacer) pero dependientes del desarrollo ontogen茅tico de cada individuo (que suele ser regular y promedio en funci贸n de cada etapa vital del ser humano), que a su vez viene determinada por una citoarquitectura cerebral dependiente del curso evolutivo como especie o filogenia que sustentar铆a funcional y estructuralmente a cada m贸dulo, y formada por interneuronas que se encargar铆an de integrar la informaci贸n entrante, sensorial o aferente y la informaci贸n seliente, motriz o eferente.

Cada dominio presenta el peso de estos tipos de informaci贸n de manera diferente, dando lugar a una especializaci贸n modular concreta en t茅rminos biol贸gicos y funcionales: la atenci贸n, dominio espec铆fico encargado de generar, dirigir y mantener un estado de activaci贸n adecuado para el procesamiento correcto de la informaci贸n; la percepci贸n, conjunto de procesos dedicados a reconocer informaci贸n previamente aprendida como pueden ser objetos, personas o lugares a trav茅s de nuestros sentidos; la capacidad visuoespacial y visoconstructiva; la memoria, capacidad centrada en codificar, almacenar y recuperar de manera efectiva informaci贸n aprendida; las funciones ejecutivas, actividades mentales complejas necesarias para planificar, organizar, guiar, revisar, regularizar y evaluar el comportamiento necesario en tiempo real (o monitorizaci贸n de la acci贸n) para adaptarse eficazmente al entorno y para alcanzar metas; las praxias o habilidades motoras adquiridas; el lenguaje, funci贸n superior que desarrolla los procesos de simbolizaci贸n relativos a la codificaci贸n y decodificaci贸n, y cuya raz贸n de ser es la comunicaci贸n entre dos entidades que emplean el mismo sistema de conexi贸n comunicativa a trav茅s de la producci贸n, la comprensi贸n, la denominaci贸n y repetici贸n de un conjunto de s铆mbolos gestuales y sonoros; la cognici贸n social, conjunto de procesos subyacentes a la comprensi贸n en t茅rminos f谩cticos y subjetivos entre individuos que se reconocen como elementos 煤nicos en la interacci贸n social a trav茅s del razonamiento causal, las emociones y otros sistemas de comunicaci贸n; el sistema de motivaci贸n, hacia la acci贸n, y las emociones primarias y secundarias; y la orientaci贸n, en persona, tiempo y espacio.

Aunque la IA y la neuropsicolog铆a parecen no estar conectadas, los avances en el conocimiento de nuestro sistema nervioso central revelan problemas relacionados con la concepci贸n de los principios de inteligencia en IA, una concepci贸n dicho sea de paso demasiado centrada en una respuesta monista, aut贸mata y unidimensional que ha impulsado importantes avances te贸ricos y tecnol贸gicos al quedar patentes los l铆mites obvios a los que nos referimos sin mencionarlos. 驴Podremos recrear m贸dulos sin establecer correctamente c贸mo funcionan? 驴Podemos recrear inteligencia sin establecer, correctamente, un modelo modular de la cognici贸n humana? 驴Pueden pensar las m谩quinas? Debemos tener en cuenta que puede ayudarnos el establecer la relaci贸n de causas pr贸ximas, que son inmediatas -biol贸gicas y ambientales- y ontogen茅ticas, y lejanas, como las adaptaciones que explican por qu茅 pudieron adquirirse y las filogen茅ticas, tanto de procesos como de dominios que poder estudiar y replicar en dichos m贸dulos sin necesidad de recrear, necesariamente, la citoarquitectura implicada. Por ejemplo, 驴es necesario comenzar con un ensamblaje que copie los dominios propios de un desarrollo adulto (ontogenia) o de un ser humano (filogenia)? M谩s adelante ser铆a ambicioso estudiar las diferencias entre entes biol贸gicos y artificiales, o bien entre biol贸gicos genuinos y artificiales.

As铆 pues, por nombrar algunos dominios y teniendo en cuenta una postura ambiciosa a la hora de establecer un modelo de inteligencia desde un prisma antropocentrista, podemos nombrar algunos ejemplos como el mecanismo de atenci贸n que se descubri贸 usando un sistema de im谩genes de tomograf铆a por emisi贸n de positrones (PET) inspir贸 el m贸dulo de atenci贸n. Comenzaron a incorporar m贸dulos de atenci贸n en redes neuronales artificiales de forma temporal o espacial, lo que mejor贸 el rendimiento de las redes neuronales profundas para el procesamiento del lenguaje natural y la visi贸n por computadora, respectivamente. Con un m贸dulo de atenci贸n, la red puede enfocarse selectivamente en objetos o palabras importantes e ignorar los irrelevantes, lo que hace que la capacitaci贸n y los procesos inferenciales sean m谩s eficientes que los de una red profunda convencional.

La memoria de trabajo, que forma parte de las funciones ejecutivas, se conceptualiz贸 funcionalmente en los a帽os 70 y cuya conect贸mica cerebral se comenz贸 a conocer de verdad a partir de los resultados de la resonancia magn茅tica funcional (fMRI) en los 90, que inspir贸 el m贸dulo de memoria en los modelos de aprendizaje autom谩tico que condujeron al desarrollo del m贸dulo LSTM, que sent贸 las bases para muchas tareas de procesamiento secuencial, como el procesamiento del lenguaje natural, la comprensi贸n de v铆deo y el an谩lisis de series temporales. Los cambios que ocurren durante el aprendizaje, por su parte, y que se descubrieron utilizando sistemas de im谩genes de dos fotones, inspiraron el modelo de consolidaci贸n de peso el谩stico (EWC) para el aprendizaje continuo de la memoria a largo plazo en m谩quinas. El aprendizaje continuo es una habilidad b谩sica en inteligencia biol贸gica que se utiliza para asimilar una nueva tarea sin olvidar las anteriores. En 1990, la t茅cnica de microscop铆a de dos fotones permiti贸 observar las estructuras y funciones in vivo de las espinas dendr铆ticas durante el aprendizaje a escala espacial de sinapsis individuales. Con este sistema de im谩genes, en la d茅cada de 2010 estudiaron la plasticidad neocortical en el cerebro durante el aprendizaje continuo. Los resultados revelaron c贸mo los sistemas neuronales forman recuerdos de tareas anteriores al aprender nuevas tareas, controlando o condicionando el crecimiento de estos. As铆 pues, inspirado en la observaci贸n de sistemas neuronales biol贸gicos, se propuso un algoritmo de aprendizaje denominado EWC para redes neuronales profundas. Este algoritmo controla los cambios en los par谩metros de la red cuando se aprende una nueva tarea, de modo que se conserva el conocimiento anterior, lo que hace posible el aprendizaje continuo y la asimilaci贸n / correcci贸n de informaci贸n en el aprendizaje profundo de las IA.

Es por ello que si queremos resolver el problema de si las m谩quinas, entendidas como entes de Turing o entidades pensantes que no podemos diferenciar en su respuesta de un ser humano, pueden acercarse a lo que entendemos como inteligencia humana, debemos centrarnos en eliminar la idea de resoluci贸n de problemas, el lenguaje y consciencia como procesos 煤nicos, no modulares, y adoptar un modelo centrado en la interacci贸n continua del ente y su ambiente, equipado con una modularidad dependiente de una arquitectura y qu铆mica concreta pero pl谩stica, con niveles de asociaci贸n fascicular donde interaccionan tanto la informaci贸n eferente como la aferente. Es decir, deber谩n poseer atenci贸n o memoria (por ejemplo) susceptibles de errores, modificaciones y correciones. Que no emitan la misma respuesta ante la misma situaci贸n elicitadora. Si el sistema nervioso es el sistema org谩nico de la mayor铆a de los animales que est谩 centrado en la adaptaci贸n del organismo al ambiente, debemos entender que la inteligencia deja de estar centrada en una resoluci贸n, fr铆a, de problemas. Si queremos que haya consciencia debemos equipar al ente con la capacidad de errar a trav茅s de un desarrollo vital, mortal y finito, que de lugar a una individualidad de experiencias ante contingencias y, por tanto, a la formaci贸n 煤nica de individuos 煤nicos. Para ello es necesario establecer estad铆os y fases que se centren en construir y ensamblar estos dominios que ir谩n desaroll谩ndose en funci贸n de sus conductas y experiencias, aunque est茅n equipados desde un principio con un potencial determinado en modelos humanos. Si a su vez deseamos que estos sean entes sociales, deber谩n errar entre ellos y, por tanto, comprender los l铆mites propios y ajenos, as铆 como sus necesidades, pues no hay inteligencia real si no existe un mundo social que a su vez pueda formar el n煤cleo de un continuo cultural con el que se interaccione. Asimismo, si queremos asimilar la idea de pensar en IA, estos entes deber谩n ser inteligentes porque posean la capacidad de elegir y decidir sus propias acciones, autonom铆a, libertad de autodeterminaci贸n y libre albedr铆o, con la capacidad incluso de formar conductas aberrantes que puedan corregirse porque puedan monitorizarse. Deben de tener t茅rminos del bien y del mal que vayan m谩s all谩 de lo te贸rico. Por 煤ltimo, si deseamos que estos se acerquen de alguna manera a lo que consideramos inteligencia humana en t茅rminos de no poder diferenciarlos de nosotros, solo pueden adquirir consciencia a trav茅s de la propiocepci贸n del dolor y del placer, y de c贸mo resolverlos a trav茅s de la interacci贸n continua con el ambiente material y social, no 煤nicamente de un procesamiento l贸gico de datos. Porque neurons that fire together, wire together. Porque deben sentir miedo ante el peligro, pena ante la p茅rdida y alegr铆a por el pr贸jimo si queremos acercarnos a la singularidad y alejarnos de la m谩quina.

Referencias:

  • Denk, W., Strickler, J., & Webb, W. (1990). Two-photon laser scanning fluorescence microscopy. Science, 248 (4951), 73鈥76.
  • Fan, J., Fang, L., Wu, J., Guo, Y., & Dai, Q. (2020). From Brain Science to Artificial Intelligence. Engineering.
  • Fodor, J. (1986). La modularidad de la mente. Madrid: Ediciones Morata.
  • Hebb, D. O. (1949). The Organization of Behavior: A Neuropsychological Theory. New York: Wiley and Sons.
  • Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9 (8), 1735鈥1780.
  • Nishiyama, J., & Yasuda, R. (2015). Biochemical Computation for Spine Structural Plasticity. Neuron, 87(1), 63鈥75.
  • Weisenburger, S., & Vaziri, A. (2018). A Guide to Emerging Technologies for Large-Scale and Whole-Brain Optical Imaging of Neuronal Activity. Annual Review of Neuroscience, 41(1), 431鈥452.
  • Tinbergen, N. 1963. “On aims and methods of ethology.” Zeitschrift f眉r Tierpsychologie 20: 410-433.

Canci贸n recomendada:

Responder

Introduce tus datos o haz clic en un icono para iniciar sesi贸n:

Logo de WordPress.com

Est谩s comentando usando tu cuenta de WordPress.com. Cerrar sesi贸n /  Cambiar )

Google photo

Est谩s comentando usando tu cuenta de Google. Cerrar sesi贸n /  Cambiar )

Imagen de Twitter

Est谩s comentando usando tu cuenta de Twitter. Cerrar sesi贸n /  Cambiar )

Foto de Facebook

Est谩s comentando usando tu cuenta de Facebook. Cerrar sesi贸n /  Cambiar )

Conectando a %s