{"id":9670,"date":"2020-10-08T21:01:03","date_gmt":"2020-10-08T21:01:03","guid":{"rendered":"https:\/\/msiainforma.org\/?p=9670"},"modified":"2020-10-08T21:01:32","modified_gmt":"2020-10-08T21:01:32","slug":"espanol-la-estupidez-de-la-inteligencia-artificial-ia-la-simulacion-del-cerebro","status":"publish","type":"post","link":"https:\/\/msiainforma.org\/es\/espanol-la-estupidez-de-la-inteligencia-artificial-ia-la-simulacion-del-cerebro\/","title":{"rendered":"La estupidez de la Inteligencia Artificial – IA: la simulaci\u00f3n del cerebro"},"content":{"rendered":"IA: la simulaci\u00f3n del cerebro<\/strong><\/p>\n

Parte 7 <\/strong><\/p>\n

Por Jonathan Tennenbaum<\/em><\/p>\n

MSIa Informa, 8 de octubre de 2020.-<\/em>En la parte 6 de esta serie mostr\u00e9, 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 .<\/p>\n

Von Neumann, en particular, deber\u00eda haber percibido eso, pues pose\u00eda un amplio conocimiento en ciencias f\u00edsicas y manten\u00eda comunicaci\u00f3n con los principales investigadores en los campos de la biof\u00edsica y de la neurofisiolog\u00eda. Pero \u00e9l y otros apostaron a la naturaleza discreta de \u201ctodo o nada\u201d de los impulsos neuronales, que superficialmente parecen an\u00e1logos al \u201c0\u201d y al \u201c1\u201d de los ordenadores digitales. Asumi\u00f3 que esto permitir\u00eda que ellos ignorasen las complicadas biolog\u00eda y biof\u00edsica de las neuronas reales y vivas y que tratasen al cerebro como si fuese un sistema digital.<\/p>\n

Si el objetivo era entender c\u00f3mo funciona realmente el cerebro, ese fue un error est\u00fapido. Pero inspir\u00f3 los primeros \u00e9xitos 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 \u201caprendizaje profundo\u201d (\u00abDeep lerning\u00bb).<\/p>\n

El paradigma \u201ccerebro=computador digital\u201d es seductor cuando se trata de lidiar con cuestiones filos\u00f3ficas relativas a la naturaleza de la inteligencia, de la cognici\u00f3n y de la propia mente. Tambi\u00e9n hace que la tarea de la IA parezca bastante simple.<\/p>\n

La l\u00f3gica es sencilla: el cerebro proporciona el sustrato f\u00edsico de los procesos mentales. El cerebro, en consecuencia, funciona como un ordenador digital, la mente humana equivale a una computadora debidamente programada. El \u00abhardware\u00bb ya est\u00e1 all\u00ed. El n\u00famero de elementos digitales de los s\u00faper computadores m\u00e1s recientes excede por mucho mil veces a los de las neuronas del cerebro humano. En resumen; habr\u00e1 m\u00e1s de ellos en un salto del ordenador. El nuevo chip Nvidia A100, presentado este a\u00f1o, tiene 54 mil millones de transistores, en comparaci\u00f3n con los cerca de 85 mil millones de neuronas del cerebro.<\/p>\n

La inteligencia artificial, por lo tanto, se reducir\u00eda al desarrollo del \u00absoftware\u00bb correcto.<\/p>\n

Si es as\u00ed, la psicolog\u00eda se convertir\u00eda tan s\u00f3lo en un lenguaje diferente para describir los c\u00e1lculos que se hacen en el cerebro. Psic\u00f3logos y fil\u00f3sofos se convertir\u00edan en cient\u00edficos de la computaci\u00f3n.<\/p>\n

En ese \u00ednterin, los resultados de la investigaci\u00f3n neurobiol\u00f3gica demolieron la noci\u00f3n de que el cerebro funciona como un computador digital. Es dif\u00edcil encontrar dos objetos tan diferentes uno del otro como un transistor de un microchip y una neurona viva del cerebro.<\/p>\n

Esa realidad se est\u00e1 tomando mucho tiempo para ser asimilada. Los campos de la \u201cneurociencia cognitiva\u201d y de la \u201cneurociencia computacional\u201d siguen usando el t\u00e9rmino \u201ccomputaci\u00f3n\u201d para describir lo que acontece en el cerebro. Pero eso s\u00f3lo es posible si se expande el significado de \u201ccomputaci\u00f3n\u201d para que abarque \u2013\u00a1por definici\u00f3n! – pr\u00e1cticamente cualquier tipo de proceso f\u00edsico.<\/p>\n

\u00bfPuede un computador emular al cerebro?<\/strong><\/p>\n

\u201cS\u00ed, s\u00ed\u201d, responder\u00e1n algunos lectores, \u201cpero, al final de cuentas, como un sistema f\u00edsico, el cerebro tiene que obedecer a las leyes de la f\u00edsica. Esto significa que el cerebro es entonces un tipo de m\u00e1quina \u00bfNo es as\u00ed? Es s\u00f3lo cuesti\u00f3n de tiempo antes de que seamos capaces de simularlo en un ordenador.\u201d<\/p>\n

Esta cuesti\u00f3n suscita algunas preguntas que vale examinar con cierto detalle.<\/p>\n

La f\u00edsica cambi\u00f3 mucho desde los d\u00edas de Descartes y de Newton. La f\u00edsica newtoniana era literalmente mecanicista. El Universo deber\u00eda operar como un algoritmo gigante: a partir de las posiciones y de la velocidad de cada una de sus part\u00edculas, en un momento determinado, se puede (en principio) calcular sus posiciones y sus velocidades en \u201cpr\u00f3ximo\u201d momento de tiempo con el uso de ecuaciones matem\u00e1ticas.<\/p>\n

En ese escenario, el Universo se \u201cautocomputa\u201d paso a paso, de cada momento al siguiente. Las leyes de la f\u00edsica son el programa del computador. El cerebro ser\u00eda tan s\u00f3lo una sub unidad del computador c\u00f3smico. Lo mismo suceder\u00eda naturalmente con cada una de las neuronas.<\/p>\n

El tiempo es continuo<\/strong><\/p>\n

Pero \u00bfqu\u00e9 significa hablar del momento \u201csiguiente\u201d? El tiempo es continuo, no discreto. Este problema llev\u00f3 a Leibniz a introducir la idea de intervalos de tiempo infinitamente peque\u00f1os y a inventar el c\u00e1lculo infinitesimal, para tratar con procesos de car\u00e1cter continuo.<\/p>\n

Los matem\u00e1ticos prefieren llamarlo c\u00e1lculo diferencial, para evitar las paradojas que presenta el concepto de Leibniz. Sin embargo, esta historia no termina. Alg\u00fan d\u00eda, el sistema num\u00e9rico com\u00fan podr\u00e1 expandirse realmente para incluir alg\u00fan tipo de n\u00fameros infinitamente peque\u00f1os. Una manera de hacer eso, llamado an\u00e1lisis \u00fanico, fue propuesto por Abraham Robinson en los a\u00f1os sesentas. Otros pueden ser m\u00e1s interesantes. De cualquier forma, la introducci\u00f3n de cantidades infinitesimales en la matem\u00e1tica conducir\u00eda a preguntas interesantes sobre su significado f\u00edsico.<\/p>\n

Segmentaci\u00f3n del tiempo<\/strong><\/p>\n

Von Neumann, as\u00ed 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 m\u00e1quina de Turing ideal (v\u00e9ase la Parte 2), el tiempo es discreto. Nada ocurre entre las etapas sucesivas.<\/p>\n

Eso no es completamente cierto para un computador digital moderno. Los pulsos el\u00e9ctricos usan el tiempo entre los ciclos de computaci\u00f3n sucesivos, regulados por el reloj del CPU, para propagarse por el sistema. Y tambi\u00e9n toma tiempo para que el calor de los transistores se disipe.<\/p>\n

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 precisi\u00f3n. Para comenzar, esos sistemas son \u201cdiscretizados\u201d.<\/p>\n

Por otra parte, si quisi\u00e9semos simular un proceso f\u00edsico continuo en un computador digital no hay m\u00e1s remedio que \u201cdiscretizarlos\u201d.<\/p>\n

Esto se hace normalmente con la selecci\u00f3n de alg\u00fan \u201cintervalo de etapas\u201d de tiempo fijo y de alg\u00fan 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 soluci\u00f3n paso a paso, de una etapa de tiempo a la siguiente. Los pasos pueden ser tan peque\u00f1os que el resultado parece una curva o movimiento continuo.<\/p>\n

El m\u00e9todo de \u201cdiscretizaci\u00f3n\u201d, que nos impone la naturaleza de los computadores digitales no siempre funciona cuando se aplica a los procesos continuos reales.<\/p>\n

Como dije antes, el resultado en la mejor de las hip\u00f3tesis es tan s\u00f3lo una aproximaci\u00f3n. Para mejorar la precisi\u00f3n tenemos que reducir el tama\u00f1o 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 s\u00faper computadores son suficientes para producir una previsi\u00f3n confiable.<\/p>\n

El efecto mariposa<\/strong><\/p>\n

Otro problema con el m\u00e9todo de la \u201cdiscretizaci\u00f3n\u201d es que no capturamos lo que est\u00e1 sucediendo en los espacios entre las etapas de tiempo y los puntos dados. Esto puede llevar a errores enormes.<\/p>\n

El ejemplo t\u00edpico es el famoso \u201cefecto mariposa\u201d en la previsi\u00f3n del tiempo: dada la naturaleza altamente no lineal de los procesos meteorol\u00f3gicos, un evento localizado \u2013en una escala menor que el grado de datos- puede provocar un cambio en todo un patr\u00f3n meteorol\u00f3gico. Si las condiciones fuesen lo suficientemente inestables, el aletear de una mariposa podr\u00eda en teor\u00eda desencadenar una cadena de acontecimientos que conducir\u00eda a un hurac\u00e1n. De ah\u00ed la notoria precariedad de las previsiones meteorol\u00f3gicas m\u00e1s all\u00e1 de un d\u00eda o un poco m\u00e1s, a pesar del uso de s\u00faper ordenadores y de m\u00e9todos sofisticados que dependen de la IA.<\/p>\n

Ni siquiera son id\u00e9nticos cuando el algoritmo computarizado resultante parece imitar el proceso original a la perfecci\u00f3n. Tarde o temprano, un sistema f\u00edsico real siempre divergir\u00e1 de los modelos \u201cdiscretizados\u201d. Los sistemas vivos hacen eso mucho m\u00e1s r\u00e1pido.<\/p>\n

Existen todos los motivos para esperar que los \u201cefectos mariposa\u201d ocurran todo el tiempo en el cerebro. La verdad es que no son esenciales para su funci\u00f3n. Para un cazador que aguarda a su presa en silencio, por ejemplo, el menor ruido o la percepci\u00f3n de algo con el rabillo del ojo puede desencadenar una combinaci\u00f3n de pensamientos r\u00e1pidos, movimientos corporales, emociones, etc., que envuelve a zonas enteras del cerebro. \u201cTener una idea repentina\u201d es otro ejemplo, dif\u00edcilmente comprendido en t\u00e9rminos neurol\u00f3gicos, donde el acontecimiento desencadenador se desencadena de adentro hacia afuera de alguna forma.<\/p>\n

Indeterminismo<\/strong><\/p>\n

Dej\u00e9 afuera hasta ahora una pieza clave del cuadro: la f\u00edsica cu\u00e1ntica, la revoluci\u00f3n cient\u00edfica que ocurri\u00f3 hace un siglo. Como todo estudiante aprende, la f\u00edsica cu\u00e1ntica es la base de la qu\u00edmica. Esto es v\u00e1lido igualmente para el comportamiento complejo de prote\u00ednas y de otras macro mol\u00e9culas de las c\u00e9lulas. El cerebro es un sistema cu\u00e1ntico.<\/p>\n

La teor\u00eda cu\u00e1ntica dicta, entre otras cosas, que los eventos f\u00edsicos elementales como el momento de la transferencia de un electr\u00f3n de una \u00f3rbita a otra en un \u00e1tomo o mol\u00e9cula tiene un car\u00e1cter fundamental \u201cindetermin\u00edstico\u201d: no podemos predecirlo, s\u00f3lo calcular probabilidades. Tales eventos, al mismo tiempo, se pueden acoplar unos a los otros de manera coherente en regiones enteras del cerebro.<\/p>\n

Hay buenas razones para esperar que la cognici\u00f3n incluya ese tipo de efectos cu\u00e1nticos. Tambi\u00e9n se puede especular que la mencionada \u201cindeterminaci\u00f3n cu\u00e1ntica\u201d desempe\u00f1e un papel en el comportamiento espont\u00e1neo de los organismos y en el fen\u00f3meno del libre albedr\u00edo.<\/p>\n

Quiz\u00e1 la f\u00edsica cu\u00e1ntica no tenga la \u00faltima palabra m\u00e1s all\u00e1 de esto. Quiz\u00e1 la f\u00edsica necesaria para comprender totalmente el funcionamiento del cerebro todav\u00eda no se haya creado. Tal vez nunca los sea. Tal vez siempre falte algo.<\/p>\n

Conclusi\u00f3n: \u00a1olviden la simulaci\u00f3n del cerebro humano en un computador!<\/p>\n

Ella s\u00f3lo podr\u00eda funcionar si, por alg\u00fan milagro, alguien pudiese omitir 99.99 por ciento de la f\u00edsica y obtener las respuestas correctas.<\/p>\n

Del cerebro a la mente<\/strong><\/p>\n

Una respuesta semejante a la psicolog\u00eda conductista ser\u00eda decir simplemente: \u201cNo nos importa c\u00f3mo funciona el cerebro. Tan s\u00f3lo vamos a tratarlo como una caja negra y a usar sistemas de \u201caprendizaje profundo\u201d para simular su comportamiento\u201d. En otras palabras, usemos una caja negra para imitar otra caja negra.<\/p>\n

Esa ser\u00eda una forma de evitarse lidiar con la f\u00edsica del cerebro.<\/p>\n

No obstante, la concordancia aparente entre las salidas de dos cajas negras no significa que sean id\u00e9nticas por dentro.<\/p>\n

Los errores graves e imprevisibles cometidos por sistemas de reconocimiento de imagen que utilizan \u201caprendizaje profundo\u201d nos dan un ejemplo revelador. Hasta los mismos especialistas en IA quedaron conmocionados con el \u00e9xito de ejemplos adversos en provocar tales errores (v\u00e9ase Parte 2), lo que revela que los sistemas de \u201cDeep learning\u201d se \u201cajustan\u201d a caracter\u00edsticas completamente diferentes de una imagen, a diferencia de los observadores humanos que deber\u00edan imitar.<\/p>\n

La Inteligencia Artificial Simb\u00f3lica sigue una estrategia completamente diferente.<\/p>\n

La IA simb\u00f3lica se concentra en los procesos mentales conforme estos se revelan en el raciocinio l\u00f3gico, en el uso del lenguaje y de otras formas, a fin de discernir las \u201cestructuras de pensamiento\u201d subyacentes. Se espera que los resultados proporcionen la base para la creaci\u00f3n de programas de computador y de arquitecturas que podr\u00e1n imitar la cognici\u00f3n humana.<\/p>\n

Al hacer esto, la IA simb\u00f3lica no se tiene que preocupar por la f\u00edsica del cerebro. Va hasta el grado m\u00e1s elevado de organizaci\u00f3n \u2013la misma mente. (Contin\u00faa)","protected":false},"excerpt":{"rendered":"

IA: la simulaci\u00f3n del cerebro Parte 7 Por Jonathan Tennenbaum MSIa Informa, 8 de octubre de 2020.-En la parte 6 de esta serie mostr\u00e9, 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 . …<\/p>\n","protected":false},"author":5,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[37],"tags":[],"class_list":["post-9670","post","type-post","status-publish","format-standard","hentry","category-ciencia-e-tecnologia"],"_links":{"self":[{"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/posts\/9670","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/comments?post=9670"}],"version-history":[{"count":0,"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/posts\/9670\/revisions"}],"wp:attachment":[{"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/media?parent=9670"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/categories?post=9670"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/msiainforma.org\/es\/wp-json\/wp\/v2\/tags?post=9670"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}