Português
Msia Informa
Parte 4
Por Jonathan Tennenbaum
MSIa Informa, 18 de septiembre de 2020.- Investigar las deficiencias de la inteligencia artificial actual, lo que llamé “problema de estupidez” (véase la parte 1 de esta serie) lleva al fascinante campo de la neurobiología, la que en los últimos tiempos ha experimentado una serie de descubrimientos revolucionarios. Estos descubrimientos derrumbaron muchos de los dogmas sobre la función cerebral que dieron forma al desarrollo inicial de la IA, lo que indica, al mismo tiempo, direcciones revolucionarias para la IA en el futuro.
IA, el cerebro y la mente
¿Cómo funciona el cerebro? No es necesario decir que los intentos de responder a esta pregunta han influenciado el desarrollo de la IA desde sus inicios, en las décadas de los años cuarentas y cincuentas, hasta el día de hoy. También es válido para una pregunta algo diferente: ¿Cómo funciona la mente humana?
La expectativa inicial de que se pudiese construir realmente máquinas con inteligencia semejante a la humana encontró incentivo en tres direcciones principales. Primero, la prueba de que el funcionamiento del cerebro humano y del sistema nervioso, aunque increíblemente complicado desde el punto de vista biológico, se funda en proceso elementales del género “todo o nada”, como los que pueden imitar con facilidad los circuitos electrónicos digitales (véase abajo)-
Segundo, el desarrollo de la lógica simbólica y de los lenguajes formales capaces de expresar grandes partes de la matemática superior, revela que todo raciocinio humano se puede, en último análisis, reducir al equivalente a la manipulación de cadenas de símbolos, según conjuntos de reglas. Tales operaciones formales también pueden ser imitadas con facilidad por un computador digital.
Tercero, la perspectiva de construir dispositivos de cálculo electrónicos cada vez más rápidos. El progreso obtenido en desde la década de los años cincuentas difícilmente se podría calificar de decepcionante: la densidad de elementos de conmutación de los microchips actuales excede a dos neuronas del cerebro.
Obsérvese que el primer punto corresponde al cerebro, mientras que el segundo se refiere a la mente. Se corresponden a las dos orientaciones principales que la IA tendió a seguir en el periodo subsecuente: redes neuronales artificiales y aprendizaje de máquina, por un lado, y la inteligencia artificial simbólica, por el otro.
El primero no se preocupa mucho de los aspectos estructurales del pensamiento, que deberían “emerger” de alguna forma, a partir del entrenamiento del sistema. Por otra parte, la IA simbólica orienta la estructura putativa del pensamiento y del lenguaje humanos. Para este último objetivo no hay necesidad de intentar imitar el cerebro como un órgano. Se puede, en principio, usar cualquier tipo de “hardware”. La tendencia actual de la IA es en dirección a sistemas híbridos que combinan ambos enfoques, con los computadores digitales de base técnica para la materialización de los sistemas de la IA. Los sistemas de IA permanecen, sin excepción, matemáticamente equivalentes a las máquinas de Turing y, por tanto, se pueden calificar de estúpidos (véase la parte 2 de esta serie)
Un paradigma equivocado del cerebro y de la mente
Por más exitosas –y hasta indispensables, en muchas esferas prácticas actuales- que sean, los enfoques dominantes de la inteligencia artificial permanecen enraizados en falsas concepciones sobre la naturaleza de la mente y del cerebro como un órgano biológico. Por desgracia, los modelos simplistas del cerebro y de la mente, que fueron los puntos de partida originales de la IA, se convirtieron en el paradigma de casi todo lo que hoy se da en llamar ciencia cognitiva, además de gran parte de la neurobiología. Se convirtió en práctica de referencia imponer métodos, conceptos, modelos y vocabulario, de los campos de la inteligencia artificial, de la ciencia de la computación y de la teoría de la información, al estudio del cerebro y de la mente. Es difícil encontrar un artículo científico sobre esos asuntos que no esté lleno de términos como “computación”, “procesamiento”, “circuitos”, “almacenamiento y recuperación de información”, “codificación”, “descodificación” etc. Esos términos ¿son realmente apropiados para describir lo que el cerebro humano y la mente hacen en la realidad?
En la ciencia debemos tratar siempre de ajustar nuestros conceptos y métodos lo más estrechamente posible a la naturaleza de los objetos que se están estudiando; y, por lo menos, para no ignorar sus características más esenciales.
A esto se puede replicar: ¿cómo podemos saber cuál es la “verdadera naturaleza” o las “características más esenciales” de cualquier cosa?
Es cierto, nunca podremos tener certeza, de forma absoluta. Sin embargo, afirmaría que la mente humana es efectivamente capaz de obtener conocimientos penetrantes (insights) de la naturaleza de las cosas. O, por lo menos, reconocer, aunque sea tardíamente, cuando un determinado modelo conceptual está totalmente desorientado, en comparación con la realidad que debería representar.
Exactamente; ese tipo de «insights» es débil e inexistente en el fenómeno de la estupidez (véase Parte 1). Muchas veces, en la ciencia y en otros campos, las personas que adoptan un enfoque totalmente inapropiado no se dejan inhibir por el cúmulo de pruebas contrarias. En lugar de eso, apenas si modifican sus teorías y explicaciones, para dar cuenta de los fenómenos inesperados. Las teorías se hacen cada vez más complicadas, mientras que las premisas esenciales permanecen inalteradas.
En el ámbito de la biología y de la física, el cerebro no tiene prácticamente nada en común con los sistemas de procesamiento digital. ¿Por qué, entonces, se les trata tan frecuentemente como análogos? ¿Por qué los conceptos de ciencia de la computación se utilizan con tanta frecuencia en investigaciones sobre el cerebro?
La noción de que las neuronas cerebrales pueden funcionar como elementos digitales y el cerebro como un computador digital se remonta al descubrimiento a principios del siglo XIX del “principio del todo o nada” del funcionamiento de los nervios. Las neuronas generan discretos “picos” de electricidad, separados por periodos de –aparente- inactividad eléctrica. El “disparo” de una neurona correspondería “1”, en oposición al estado de reposo (sin pulso o “0”). El impulso se propaga por los axones de la neurona, que se ramifican en hasta diez millares de otras neuronas. En los puntos de contacto, las sinapsis, el pico de tensión causa la liberación de las sustancias neurotransmisoras, las que, a su vez, comunican la señal a las neuronas –su blanco. En el estado “0”, supuestamente, no se comunica nada. Hoy, hasta los estudiantes de enseñanza primaria aprenden esa imagen.
La cuestión principal es cómo reaccionan las neuronas a las señales recibidas. En el lenguaje de la ingeniería: ¿Cuál es la relación entre “entrada y salida”? Se suponía, anteriormente, que esta relación pudiese ser representada por una función matemática, permitiendo así que el comportamiento de una red de neuronas interconectadas fuese simulada por computadores de una forma estrictamente algorítmica.
A partir del trabajo pionero de McCulloch y Pitts (1943) se crearon innumerables modelos matemáticos de ese tipo, algunos de los cuales forman la base de los sistemas de la IA de “aprendizaje profundo” («Deep Learning»). Un paso importante fue tomar en cuenta que las características de las sinapsis reales de las neuronas cambian durante su interacción. Con este propósito, las sinapsis de las redes neuronales artificiales reciben pesos numéricos variables, cuyos valores se determinan al paso del “aprendizaje” (véase la Parte 2). Esto ocurre en general de acuerdo con un algoritmo que parte de la “regla Hebbiana”, presentada por primera vez en 1949 por el neurosicólogo Donald Hebb (resumida comúnmente en el concepto de que las “células que disparan juntas permanecen conectadas –n. de e.) El esfuerzo para imitar de esa forma la estructura supuesta del cerebro demostró ser de extremada utilidad para la IA. Pero ¿es el cerebro humano real?
Es notable que en sus escritos sobre el cerebro humano los pioneros de la inteligencia artificial, como John von Neumann, Alan Turing, Marvin Minsky, John McCarthy y otros, no hayan reconocido las consecuencias de que las neuronas cerebrales son células vivas.
¡Sería muy extraño si ese hecho fuese irrelevante para la comprensión de los fenómenos de la cognición humana!
No estoy hablando de nada misterioso ni esotérico, sino tan sólo de características esenciales de los procesos vivos, pues deben ser familiares a todos.
Por ejemplo, sería tonto suponer que las neuronas vivas se comportarían de la manera rígidamente determinista referida por la comparación con los elementos de un computador o de otra máquina. Las células vivas nunca se someten a procedimientos algorítmicos rigurosos, a menos que sean forzadas artificialmente a hacerlo. ¿No es probable que las propiedades de las neuronas, como individuos vivos, -en oposición a los elementos del circuito “muerto”- sean fundamentales para la cognición humana?
Como todas las demás células del cuerpo, las neuronas merecen que se les considere organismos individuales. Es un hecho bien establecido que los organismos unicelulares exhiben, en forma embrionaria, gran parte del comportamiento inteligente que encontramos en animales multicelulares: comportamiento espontaneo intencional y juguetón, percepción y reconocimiento y algunas formas de aprendizaje. Como cualquier otro organismo multicelular, el cuerpo humano existe como sociedad compuesta de individuos vivos. El pensamiento corresponde a un proceso social que ocurre entre las células del cerebro. Poco o nada permanece fijo, y poco o nada obedece a reglas de un tipo rígido.
Los dogmas se derrumban
En este marco, los descubrimientos en la neurobiología derrumban, uno por uno, casi todos los dogmas mecanicistas que prevalecían en el momento en que surgió la IA. Aquí están algunos de ellos:
Dogma 1. El cerebro humano está “conectado”: a partir de una cierta edad, los “circuitos” formados por las neuronas y sus interconexiones permanecen fijos.
No. Hoy se sabe que en el cerebro adulto se forman constantemente nuevas conexiones (sinaptogénesis) y otras se remueven (“podadas”). La neuroplasticidad , que incluye no sólo la sinaptogénesis, sino también cambios constantes de la morfología de las sinapsis existentes y de los árboles dendríticos a los que están unidos, desempeñan un papel central en el aprendizaje y en otros procesos cognitivos.
Dogma 2. En el cerebro adulto, las neuronas pueden morir, pero no nacen nuevas neuronas.
No. El hipocampo, en particular –una región cortical esencial para el aprendizaje y la memoria, así como en los procesos emocionales- están naciendo constantemente nuevas neuronas (neurogénesis). Estas nuevas neuronas se mueven, migran, a través del tejido, antes de establecerse en un lugar adecuado y formar conexiones con otras neuronas. La neurogénesis es necesaria para el funcionamiento saludable de esta parte del cerebro.
Dogma 3. Las neuronas se comunican estrictamente en un modo “todo o nada”, a través de la generación y propagación de picos de tensión discretos.
No. Las neuronas poseen las “oscilaciones de la membrana por debajo del umbral”. Son oscilaciones complejas del potencial eléctrico de sus membranas, que son muy débiles para desencadenar pico, pero que modifican el comportamiento de picos de neuronas y se pueden comunicar a otras neuronas sin el uso de picos. Entre otras cosas, las oscilaciones de la membrana debajo del umbral parecen desempeñar un papel importante en la sincronización de la actividad neuronal. Ese descubrimiento tiene consecuencias revolucionarias. La variabilidad continua de esas oscilaciones, y su propagación de neurona a neurona, contradice la noción de que el cerebro opera como un sistema digital.
Dogma 4. Toda la comunicación entre neuronas ocurre por la red de axonios y sinapsis .
No. Hoy está bien establecido que las neuronas también se comunican por la liberación de moléculas especializadas en el espacio extracelular y su acción en los receptores extra simpáticos transportados por otras neuronas. Esta “trasmisión de volumen” constituye un segundo sistema de comunicación, junto con la “trasmisión de hilo” vía axonios y sinapsis.
Dogma 5. La actividad cerebral subyacente a la cognición parte enteramente de las interacciones entre neuronas.
No. Ya quedó establecido que, además de las neuronas, las células gliales (astrocitos) del cerebro desempeñan un papel activo en la percepción, en la memoria, en el aprendizaje y en el control de la actividad consciente. Las células gliales superan a las neuronas del cerebro en una proporción cercana a 3:2. El descubrimiento del papel que juegan las células gliales en la cognición marcó una revolución en la neurociencia. La totalidad de esas células se menciona en ocasiones como el “segundo cerebro”, las células gliales estén tan íntimamente conectadas a las neuronas metabólica y eléctricamente que difícilmente se puede separarlas.
(continúa)
