Português
Msia Informa
IA: la simulación del cerebro
Parte 7
Por Jonathan Tennenbaum
MSIa Informa, 8 de octubre de 2020.-En la parte 6 de esta serie mostré, al contrario de las suposiciones hechas por los pioneros de la inteligencia artificial, como John von Neumann, que el cerebro humano no tiene virtualmente ninguna semejanza con un computador digital .
Von Neumann, en particular, debería haber percibido eso, pues poseía un amplio conocimiento en ciencias físicas y mantenía comunicación con los principales investigadores en los campos de la biofísica y de la neurofisiología. Pero él y otros apostaron a la naturaleza discreta de “todo o nada” de los impulsos neuronales, que superficialmente parecen análogos al “0” y al “1” de los ordenadores digitales. Asumió que esto permitiría que ellos ignorasen las complicadas biología y biofísica de las neuronas reales y vivas y que tratasen al cerebro como si fuese un sistema digital.
Si el objetivo era entender cómo funciona realmente el cerebro, ese fue un error estúpido. Pero inspiró los primeros éxitos del desarrollo del ordenador y de los sistemas primitivos de inteligencia artificial (IA), inclusive la forma de estudiar lar redes neuronales artificiales, lo que condujo a los sistemas actuales de “aprendizaje profundo” («Deep lerning»).
El paradigma “cerebro=computador digital” es seductor cuando se trata de lidiar con cuestiones filosóficas relativas a la naturaleza de la inteligencia, de la cognición y de la propia mente. También hace que la tarea de la IA parezca bastante simple.
La lógica es sencilla: el cerebro proporciona el sustrato físico de los procesos mentales. El cerebro, en consecuencia, funciona como un ordenador digital, la mente humana equivale a una computadora debidamente programada. El «hardware» ya está allí. El número de elementos digitales de los súper computadores más recientes excede por mucho mil veces a los de las neuronas del cerebro humano. En resumen; habrá más de ellos en un salto del ordenador. El nuevo chip Nvidia A100, presentado este año, tiene 54 mil millones de transistores, en comparación con los cerca de 85 mil millones de neuronas del cerebro.
La inteligencia artificial, por lo tanto, se reduciría al desarrollo del «software» correcto.
Si es así, la psicología se convertiría tan sólo en un lenguaje diferente para describir los cálculos que se hacen en el cerebro. Psicólogos y filósofos se convertirían en científicos de la computación.
En ese ínterin, los resultados de la investigación neurobiológica demolieron la noción de que el cerebro funciona como un computador digital. Es difícil encontrar dos objetos tan diferentes uno del otro como un transistor de un microchip y una neurona viva del cerebro.
Esa realidad se está tomando mucho tiempo para ser asimilada. Los campos de la “neurociencia cognitiva” y de la “neurociencia computacional” siguen usando el término “computación” para describir lo que acontece en el cerebro. Pero eso sólo es posible si se expande el significado de “computación” para que abarque –¡por definición! – prácticamente cualquier tipo de proceso físico.
¿Puede un computador emular al cerebro?
“Sí, sí”, responderán algunos lectores, “pero, al final de cuentas, como un sistema físico, el cerebro tiene que obedecer a las leyes de la física. Esto significa que el cerebro es entonces un tipo de máquina ¿No es así? Es sólo cuestión de tiempo antes de que seamos capaces de simularlo en un ordenador.”
Esta cuestión suscita algunas preguntas que vale examinar con cierto detalle.
La física cambió mucho desde los días de Descartes y de Newton. La física newtoniana era literalmente mecanicista. El Universo debería operar como un algoritmo gigante: a partir de las posiciones y de la velocidad de cada una de sus partículas, en un momento determinado, se puede (en principio) calcular sus posiciones y sus velocidades en “próximo” momento de tiempo con el uso de ecuaciones matemáticas.
En ese escenario, el Universo se “autocomputa” paso a paso, de cada momento al siguiente. Las leyes de la física son el programa del computador. El cerebro sería tan sólo una sub unidad del computador cósmico. Lo mismo sucedería naturalmente con cada una de las neuronas.
El tiempo es continuo
Pero ¿qué significa hablar del momento “siguiente”? El tiempo es continuo, no discreto. Este problema llevó a Leibniz a introducir la idea de intervalos de tiempo infinitamente pequeños y a inventar el cálculo infinitesimal, para tratar con procesos de carácter continuo.
Los matemáticos prefieren llamarlo cálculo diferencial, para evitar las paradojas que presenta el concepto de Leibniz. Sin embargo, esta historia no termina. Algún día, el sistema numérico común podrá expandirse realmente para incluir algún tipo de números infinitamente pequeños. Una manera de hacer eso, llamado análisis único, fue propuesto por Abraham Robinson en los años sesentas. Otros pueden ser más interesantes. De cualquier forma, la introducción de cantidades infinitesimales en la matemática conduciría a preguntas interesantes sobre su significado físico.
Segmentación del tiempo
Von Neumann, así como otros, trataron de evitar el problema de la continuidad, en el supuesto de que el sistema nervioso opera de una manera discreta. Para una máquina de Turing ideal (véase la Parte 2), el tiempo es discreto. Nada ocurre entre las etapas sucesivas.
Eso no es completamente cierto para un computador digital moderno. Los pulsos eléctricos usan el tiempo entre los ciclos de computación sucesivos, regulados por el reloj del CPU, para propagarse por el sistema. Y también toma tiempo para que el calor de los transistores se disipe.
Sin embargo, en lo que se refiere al sistema final, un computador suficientemente grande puede emular a cualquier otro computador con 100 por ciento de precisión. Para comenzar, esos sistemas son “discretizados”.
Por otra parte, si quisiésemos simular un proceso físico continuo en un computador digital no hay más remedio que “discretizarlos”.
Esto se hace normalmente con la selección de algún “intervalo de etapas” de tiempo fijo y de algún grado discreto de puntos dados. En seguida se aproximan las ecuaciones que describen el proceso real (ecuaciones diferenciales), con las ecuaciones de diferencia que incluyen los puntos de referencia discretos. El computador calcula la solución paso a paso, de una etapa de tiempo a la siguiente. Los pasos pueden ser tan pequeños que el resultado parece una curva o movimiento continuo.
El método de “discretización”, que nos impone la naturaleza de los computadores digitales no siempre funciona cuando se aplica a los procesos continuos reales.
Como dije antes, el resultado en la mejor de las hipótesis es tan sólo una aproximación. Para mejorar la precisión tenemos que reducir el tamaño de los intervalos de tiempo y aumentar la densidad de grados de puntos. En muchos problemas el tiempo que necesita el computador aumenta radicalmente, hasta el grado en el que ni los súper computadores son suficientes para producir una previsión confiable.
El efecto mariposa
Otro problema con el método de la “discretización” es que no capturamos lo que está sucediendo en los espacios entre las etapas de tiempo y los puntos dados. Esto puede llevar a errores enormes.
El ejemplo típico es el famoso “efecto mariposa” en la previsión del tiempo: dada la naturaleza altamente no lineal de los procesos meteorológicos, un evento localizado –en una escala menor que el grado de datos- puede provocar un cambio en todo un patrón meteorológico. Si las condiciones fuesen lo suficientemente inestables, el aletear de una mariposa podría en teoría desencadenar una cadena de acontecimientos que conduciría a un huracán. De ahí la notoria precariedad de las previsiones meteorológicas más allá de un día o un poco más, a pesar del uso de súper ordenadores y de métodos sofisticados que dependen de la IA.
Ni siquiera son idénticos cuando el algoritmo computarizado resultante parece imitar el proceso original a la perfección. Tarde o temprano, un sistema físico real siempre divergirá de los modelos “discretizados”. Los sistemas vivos hacen eso mucho más rápido.
Existen todos los motivos para esperar que los “efectos mariposa” ocurran todo el tiempo en el cerebro. La verdad es que no son esenciales para su función. Para un cazador que aguarda a su presa en silencio, por ejemplo, el menor ruido o la percepción de algo con el rabillo del ojo puede desencadenar una combinación de pensamientos rápidos, movimientos corporales, emociones, etc., que envuelve a zonas enteras del cerebro. “Tener una idea repentina” es otro ejemplo, difícilmente comprendido en términos neurológicos, donde el acontecimiento desencadenador se desencadena de adentro hacia afuera de alguna forma.
Indeterminismo
Dejé afuera hasta ahora una pieza clave del cuadro: la física cuántica, la revolución científica que ocurrió hace un siglo. Como todo estudiante aprende, la física cuántica es la base de la química. Esto es válido igualmente para el comportamiento complejo de proteínas y de otras macro moléculas de las células. El cerebro es un sistema cuántico.
La teoría cuántica dicta, entre otras cosas, que los eventos físicos elementales como el momento de la transferencia de un electrón de una órbita a otra en un átomo o molécula tiene un carácter fundamental “indeterminístico”: no podemos predecirlo, sólo calcular probabilidades. Tales eventos, al mismo tiempo, se pueden acoplar unos a los otros de manera coherente en regiones enteras del cerebro.
Hay buenas razones para esperar que la cognición incluya ese tipo de efectos cuánticos. También se puede especular que la mencionada “indeterminación cuántica” desempeñe un papel en el comportamiento espontáneo de los organismos y en el fenómeno del libre albedrío.
Quizá la física cuántica no tenga la última palabra más allá de esto. Quizá la física necesaria para comprender totalmente el funcionamiento del cerebro todavía no se haya creado. Tal vez nunca los sea. Tal vez siempre falte algo.
Conclusión: ¡olviden la simulación del cerebro humano en un computador!
Ella sólo podría funcionar si, por algún milagro, alguien pudiese omitir 99.99 por ciento de la física y obtener las respuestas correctas.
Del cerebro a la mente
Una respuesta semejante a la psicología conductista sería decir simplemente: “No nos importa cómo funciona el cerebro. Tan sólo vamos a tratarlo como una caja negra y a usar sistemas de “aprendizaje profundo” para simular su comportamiento”. En otras palabras, usemos una caja negra para imitar otra caja negra.
Esa sería una forma de evitarse lidiar con la física del cerebro.
No obstante, la concordancia aparente entre las salidas de dos cajas negras no significa que sean idénticas por dentro.
Los errores graves e imprevisibles cometidos por sistemas de reconocimiento de imagen que utilizan “aprendizaje profundo” nos dan un ejemplo revelador. Hasta los mismos especialistas en IA quedaron conmocionados con el éxito de ejemplos adversos en provocar tales errores (véase Parte 2), lo que revela que los sistemas de “Deep learning” se “ajustan” a características completamente diferentes de una imagen, a diferencia de los observadores humanos que deberían imitar.
La Inteligencia Artificial Simbólica sigue una estrategia completamente diferente.
La IA simbólica se concentra en los procesos mentales conforme estos se revelan en el raciocinio lógico, en el uso del lenguaje y de otras formas, a fin de discernir las “estructuras de pensamiento” subyacentes. Se espera que los resultados proporcionen la base para la creación de programas de computador y de arquitecturas que podrán imitar la cognición humana.
Al hacer esto, la IA simbólica no se tiene que preocupar por la física del cerebro. Va hasta el grado más elevado de organización –la misma mente. (Continúa)
