Redes neuronales artificiales y conexionismo en ciencia cognitiva: El procesamiento distribuido en paralelo

Durante el predominio del paradigma simbólico desde los años 1950s, había surgido también en la Inteligencia Artificial el paradigma de redes neuronales, pero este se había mantenido opacado por el mainstream simbólico-proposicional. Solo en los años 1980s el trabajo en redes neuronales se hizo más prominente e influyente.

Algunos investigadores y especialistas de las redes neuronales consideraron que las críticas de Dreyfus y Searle eran correctas, pero se aplicaban solo a la I. A. clásica proposicional, no a los modelos I. A. de redes neuronales. Mientras la primera crea programas de ordenador que simulan la manipulación de símbolos explícitos, la segunda crea programas de ordenador que simulan procesos cerebrales.

Según el paradigma de redes neuronales artificiales, la mente no es una máquina que procese oraciones o proposiciones de manera serial y explícita, sino que es una máquina que procesa información de manera paralela y distribuida (McClelland, 1995).

Basándose en el hecho de que los cerebros humanos tienen varias áreas que funcionan de modo paralelo y procesan información en varios canales al mismo tiempo, los teóricos de las redes neuronales postularon que la mente puede procesar varios tipos de información a la vez, y la información no consiste en símbolos explícitos -números, letras, proposiciones, oraciones- sino en patrones particulares de actividad distribuida de múltiples unidades discretas (“neuronas” artificiales).

Entonces, el procesamiento sería de carácter holista, y no hay entidades locales en la máquina que correspondan a unidades de información o significado. Para procesar la idea de ‘perro’, por ejemplo, el cerebro -o el cerebro artificial computacionalmente simulado- cambia y ajusta las conexiones entre neuronas individuales en diversos sitios, dando origen a un patrón emergente ampliamente distribuido. Las neuronas son unidades cuyas conexiones entre sí tienen un cierto ‘peso’ -que consiste en un valor numérico-, y cada imagen o palabra a ser procesada en un determinado momento consiste en una disposición particular de los distintos pesos entre unidades neuronales distribuidas. A su vez, el aprendizaje consistiría en la modificación de los pesos de las conexiones entre neuronas, tal como el aprendizaje humano que ocurre en cerebros biológicos reales.

Existen distintos modelos de redes neuronales. La neurociencia computacional parte de los que se sabe de los detalles de cómo funciona el cerebro y crea simulaciones por ordenador de estos procesos, manteniendo algunos detalles pero dejando de lado otros. Los modelos conexionistas, por su parte, prestan menos atención a los detalles biológicos más específicos, y construyen simulaciones más abstractas, aunque siguen estando inspirados por lo que ocurre en las poblaciones de neuronas en el cerebro (Bermúdez, 2020).

A pesar de sus diferencias, tanto la neurociencia computacional como el conexionismo son inspirados por la biología cerebral, y parecen bastante semejantes entre sí cuando se los contrasta con los modelos clásicos de manejo de símbolos y oraciones proposicionales.

Referencias

  • Bermúdez, J. L. (2020). Cognitive science. An introduction to the science of the mind. Cambridge: Cambridge University Press.
  • McClelland, J. (1995). Toward a pragmatic connectionism. En P. Baumgartner y S. Payr (Eds.), Speaking minds. Interviews with twenty eminent cognitive scientists (pp. 131-144). Princeton: Princeton University Press.