🤖

«Neuropsicología aplicada a I.A.»

Revisar el desarrollo histórico de la inteligencia artificial (IA) revela claramente que la investigación en neurociencia ha resultado en avances para ésta, así como para el aprendizaje profundo. En la actualidad, aún así, 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 investigación de IA, y una conexión entre conocer el cerebro y simularlo que de sus frutos. Los primeros pasos hacia este objetivo son establecer un diagrama dinámico de conectómica del cerebro y sus procesos, e integrar experimentos de neurociencia con teoría, modelos y estadísticas. Es decir, aplicar un modelo unificado de teoría que pueda aplicar lo que sabemos de neuropsicología en IA. En base a estos pasos, se puede estudiar una nueva generación de teoría y métodos de IA, y se puede establecer un modelo subversivo y un modo de trabajo desde la percepción, la atención 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, quizás, en el campo de la modularidad.

Hasta hace relativamente poco permanecía la idea de que nuestro cerebro procesaba la información en línea, como un procesador, computando goblalmente la información de entrada y salida. Sin embargo, Fodor expuso con su teoría modular de la mente, un paso rupturista de esta concepción y un cambio de paradigma, introduciendo la noción de procesamiento paralelo y simultáneo pero, también, presentando la idea de módulo.

Cada uno de estos módulos estaría especializado en ciertos tipos de información 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 información concreta y especializada (dependiente de los haces de sustancia blanca) a través de fascículos entre regiones y áreas cerebrales, de naturaleza innata (pues todos las poseemos al nacer) pero dependientes del desarrollo ontogenético de cada individuo (que suele ser regular y promedio en función 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 sustentaría funcional y estructuralmente a cada módulo, y formada por interneuronas que se encargarían de integrar la información entrante, sensorial o aferente y la información seliente, motriz o eferente.

Cada dominio presenta el peso de estos tipos de información de manera diferente, dando lugar a una especialización modular concreta en términos biológicos y funcionales: la atención, dominio específico encargado de generar, dirigir y mantener un estado de activación adecuado para el procesamiento correcto de la información; la percepción, conjunto de procesos dedicados a reconocer información previamente aprendida como pueden ser objetos, personas o lugares a través de nuestros sentidos; la capacidad visuoespacial y visoconstructiva; la memoria, capacidad centrada en codificar, almacenar y recuperar de manera efectiva información aprendida; las funciones ejecutivas, actividades mentales complejas necesarias para planificar, organizar, guiar, revisar, regularizar y evaluar el comportamiento necesario en tiempo real (o monitorización de la acción) para adaptarse eficazmente al entorno y para alcanzar metas; las praxias o habilidades motoras adquiridas; el lenguaje, función superior que desarrolla los procesos de simbolización relativos a la codificación y decodificación, y cuya razón de ser es la comunicación entre dos entidades que emplean el mismo sistema de conexión comunicativa a través de la producción, la comprensión, la denominación y repetición de un conjunto de símbolos gestuales y sonoros; la cognición social, conjunto de procesos subyacentes a la comprensión en términos fácticos y subjetivos entre individuos que se reconocen como elementos únicos en la interacción social a través del razonamiento causal, las emociones y otros sistemas de comunicación; el sistema de motivación, hacia la acción, y las emociones primarias y secundarias; y la orientación, en persona, tiempo y espacio.

Aunque la IA y la neuropsicología parecen no estar conectadas, los avances en el conocimiento de nuestro sistema nervioso central revelan problemas relacionados con la concepción de los principios de inteligencia en IA, una concepción dicho sea de paso demasiado centrada en una respuesta monista, autómata y unidimensional que ha impulsado importantes avances teóricos y tecnológicos al quedar patentes los límites obvios a los que nos referimos sin mencionarlos. ¿Podremos recrear módulos sin establecer correctamente cómo funcionan? ¿Podemos recrear inteligencia sin establecer, correctamente, un modelo modular de la cognición humana? ¿Pueden pensar las máquinas? Debemos tener en cuenta que puede ayudarnos el establecer la relación de causas próximas, que son inmediatas -biológicas y ambientales- y ontogenéticas, y lejanas, como las adaptaciones que explican por qué pudieron adquirirse y las filogenéticas, tanto de procesos como de dominios que poder estudiar y replicar en dichos módulos sin necesidad de recrear, necesariamente, la citoarquitectura implicada. Por ejemplo, ¿es necesario comenzar con un ensamblaje que copie los dominios propios de un desarrollo adulto (ontogenia) o de un ser humano (filogenia)? Más adelante sería ambicioso estudiar las diferencias entre entes biológicos y artificiales, o bien entre biológicos genuinos y artificiales.

Así 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 atención que se descubrió usando un sistema de imágenes de tomografía por emisión de positrones (PET) inspiró el módulo de atención. Comenzaron a incorporar módulos de atención en redes neuronales artificiales de forma temporal o espacial, lo que mejoró el rendimiento de las redes neuronales profundas para el procesamiento del lenguaje natural y la visión por computadora, respectivamente. Con un módulo de atención, la red puede enfocarse selectivamente en objetos o palabras importantes e ignorar los irrelevantes, lo que hace que la capacitación y los procesos inferenciales sean más eficientes que los de una red profunda convencional.

La memoria de trabajo, que forma parte de las funciones ejecutivas, se conceptualizó funcionalmente en los años 70 y cuya conectómica cerebral se comenzó a conocer de verdad a partir de los resultados de la resonancia magnética funcional (fMRI) en los 90, que inspiró el módulo de memoria en los modelos de aprendizaje automático que condujeron al desarrollo del módulo LSTM, que sentó las bases para muchas tareas de procesamiento secuencial, como el procesamiento del lenguaje natural, la comprensión de vídeo y el análisis de series temporales. Los cambios que ocurren durante el aprendizaje, por su parte, y que se descubrieron utilizando sistemas de imágenes de dos fotones, inspiraron el modelo de consolidación de peso elástico (EWC) para el aprendizaje continuo de la memoria a largo plazo en máquinas. El aprendizaje continuo es una habilidad básica en inteligencia biológica que se utiliza para asimilar una nueva tarea sin olvidar las anteriores. En 1990, la técnica de microscopía de dos fotones permitió observar las estructuras y funciones in vivo de las espinas dendríticas durante el aprendizaje a escala espacial de sinapsis individuales. Con este sistema de imágenes, en la década de 2010 estudiaron la plasticidad neocortical en el cerebro durante el aprendizaje continuo. Los resultados revelaron cómo los sistemas neuronales forman recuerdos de tareas anteriores al aprender nuevas tareas, controlando o condicionando el crecimiento de estos. Así pues, inspirado en la observación de sistemas neuronales biológicos, se propuso un algoritmo de aprendizaje denominado EWC para redes neuronales profundas. Este algoritmo controla los cambios en los parámetros 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 asimilación / corrección de información en el aprendizaje profundo de las IA.

Es por ello que si queremos resolver el problema de si las máquinas, 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 resolución de problemas, el lenguaje y consciencia como procesos únicos, no modulares, y adoptar un modelo centrado en la interacción continua del ente y su ambiente, equipado con una modularidad dependiente de una arquitectura y química concreta pero plástica, con niveles de asociación fascicular donde interaccionan tanto la información eferente como la aferente. Es decir, deberán poseer atención o memoria (por ejemplo) susceptibles de errores, modificaciones y correciones. Que no emitan la misma respuesta ante la misma situación elicitadora. Si el sistema nervioso es el sistema orgánico de la mayoría de los animales que está centrado en la adaptación del organismo al ambiente, debemos entender que la inteligencia deja de estar centrada en una resolución, fría, de problemas. Si queremos que haya consciencia debemos equipar al ente con la capacidad de errar a través de un desarrollo vital, mortal y finito, que de lugar a una individualidad de experiencias ante contingencias y, por tanto, a la formación única de individuos únicos. Para ello es necesario establecer estadíos y fases que se centren en construir y ensamblar estos dominios que irán desarollándose en función de sus conductas y experiencias, aunque estén equipados desde un principio con un potencial determinado en modelos humanos. Si a su vez deseamos que estos sean entes sociales, deberán errar entre ellos y, por tanto, comprender los límites propios y ajenos, así como sus necesidades, pues no hay inteligencia real si no existe un mundo social que a su vez pueda formar el núcleo de un continuo cultural con el que se interaccione. Asimismo, si queremos asimilar la idea de pensar en IA, estos entes deberán ser inteligentes porque posean la capacidad de elegir y decidir sus propias acciones, autonomía, libertad de autodeterminación y libre albedrío, con la capacidad incluso de formar conductas aberrantes que puedan corregirse porque puedan monitorizarse. Deben de tener términos del bien y del mal que vayan más allá de lo teórico. Por último, si deseamos que estos se acerquen de alguna manera a lo que consideramos inteligencia humana en términos de no poder diferenciarlos de nosotros, solo pueden adquirir consciencia a través de la propiocepción del dolor y del placer, y de cómo resolverlos a través de la interacción continua con el ambiente material y social, no únicamente de un procesamiento lógico de datos. Porque neurons that fire together, wire together. Porque deben sentir miedo ante el peligro, pena ante la pérdida y alegría por el prójimo si queremos acercarnos a la singularidad y alejarnos de la máquina.

Referencias:

• Denk, W., Strickler, J., & Webb, W. (1990). Two-photon laser scanning fluorescence microscopy. Science, 248 (4951), 73–76.
• 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), 1735–1780.
• Nishiyama, J., & Yasuda, R. (2015). Biochemical Computation for Spine Structural Plasticity. Neuron, 87(1), 63–75.
• 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), 431–452.
• Tinbergen, N. 1963. «On aims and methods of ethology.» Zeitschrift für Tierpsychologie 20: 410-433.

Canción recomendada: