Rodolfo J. Rodríguez Rodríguez

Modelos cognoscitivospara la filosofía contemporánea de la mente

Summary: This article examines models of themind that have been developed from the CognitiveScience research. The first set are the informationprocessing models such as the symbolic, thesubsymbolic (connectionism) and the modularity.The second set are the cognitive neurobiology mo-deis such as the F. Crick and P. S. Churchland re-ductionist models of mental processes, but spe-cially the Neural Darwinism of the Nobel Prize:G. Edelman. Finally the author suggests otherkind of mental interpretations such as: the Quan-tum Thought of R. Penrose, the subjective onto-logy of J. Searle and the interpretation of theconscious mind of D. Dennett.

Resumen: Este artículo examina modelos dela mente que han sido desarrollados a partir delas investigaciones en Ciencias Cognoscitivas. El

, primer conjunto son los modelos de procesamien-to de la información como el simbólico, el subsim-bólico (conexionista) y la modularidad. El segun-do conjunto son los de la neurobiología cognitivatales como los modelos reduccionistas de los pro-cesos mentales de F. Crick y P. S. Churchland,pero especialmente el Darwinismo Neural delPremio Nobel: G. Edelman. Finalmente el autorsugiere otro tipo de intepretaciones mentales talescomo el pensamiento cuántico de R. Penrose, laontología subjetiva J. Searle y la interpretaciónde la mente consciente de D. Dennett

Introducción

En el presente siglo una de las áreas de investi-gación más revolucionarias dentro de la computa-ción electrónica ha sido la inteligencia artificial.Esta disciplina tiene sus raíces en los desarrollosde la lógica formal, generada a finales de siglopasado e inicios del presente con figuras como G.Boole, G. Frege, G. Peano, B. Russell, A.N.Whithead, quienes establecen estructuras sólidasde carácter veritativo funcional para la mecaniza-ción simbólica de los razonamientos. Como pre-historia de esta disciplina se encuentran los traba-jos de C. Shannon (1938)', McCulloch,W. y W.Pitts(l943)2 y de N. Wiener(l948).3 El origenpropiamente dicho de la LA. se puede establecera partir del artículo de A.M. Turing publicado enMind: "Computing Machinery and Intelligence"(1950).4

A partir de Turing se tiene pues un núcleo teó-rico básico sobre el que se fundamentará todo unmodelo estructural de investigación en Inteligen-cia Artificial. Dicho modelo fue desarrollado porexpertos en distintas áreas como J. McCarthy, A.Newell, H. A. Simon y M. Minsky como los másconocidos.'

El objetivo inicial fue desarrollar máquinas(hardware) que puedan correr programas (softwa-re) capaces de simular y que inclusive generen elrazonamiento humano de manera automática (acu-diendo a cálculos formales como el proposicionaJ

Rev. Filosofía Univ. Costa Rica, XXXIV (83-84), 423-432, 1996

424 RODOLFO J. RODRíGUEZ RODRíGUEZ

en un primer momento). Los primeros desarrollosen esta área fueron los probadores de teoremasmatemáticos y de lógica formal, como también losprimeros jugadores artificiales de ajedrez. Todoello representó el punto de partida de nuevas áreasde investigación sobre la inteligencia en particulary sobre la cognición en general. Las limitacionesde estos primeros enfoques plantearon la necesi-dad de investigar otras disciplinas relacionadascon la cognición, tales como la lingüística, la psi-cología, la neurociencia, la antropología; surgenentonces así las Ciencias Cognoscitivas."

1. Modelos de procesamiento de la información

El primer modelo cognoscitivo generado a raízdel desarrollo de la I.A., surge en el contexto delas investigaciones sobre el procesamiento electró-nico de la información. Tuvo enorme significaciónla obra de Claude Shannon, matemático del MIT,que con su tesis de maestría: "Análisis simbólicode los circuitos de relé y conmutación"(1938),7 de-muestra que los circuitos, como los que aparecenen un aparato electrónico, podían expresarse me-diante ecuaciones semejantes a las de Boole; esdecir bivalentemente, en la oposición: verdadero-falso, equivalente a la oposición abierto y cerrado(o conectado o desconectado) en un circuito.Shannon determina que cualquier operación puededescribirse mediante esos relés de "conmutación".La obra de Shannon sentó las bases para la fabri-cación de máquinas capaces de ejecutar tales ope-raciones veritativo funcionales, y además sugiriónuevas formas de diseñar circuitos. En el planoteórico dio la pauta -al establecer un conjunto deinstrucciones codificadas que debían seguirse deforma minuciosa- para lo que sería la programa-ción de computadoras, determinando que ésta de-bía concebirse como un problema de lógica formaly no como un problema aritmético, idea que pro-viene de los trabajos de Boole. Shannon introducede esta manera el tema lógico-cognoscitivo en elmundo de la incipiente computación electrónicade su tiempo.

Alan M. Turing, ya en 1936 ("On ComputableNumbers with an Application to the 'Entsheidungproblem"),8 había definido una clase de autómata(conocida como la máquina de Turing) con la quedemostró que cualquier miembro de esta clase po-día computar cualquier función entre un conjuntode clases. Este tipo de máquina formal de Turing,

es la base del funcionamiento de la mayoríacomputadoras digitales.

Los argumentos originales de Alan Turing secomplementan con los Alonzo Church, al postularlas capacidades universales de resolución de pro-blemas de las computadoras, y sugiriendo que elcerebro debe comprenderse como si fuera unacomputadora. Particularmente Church sugiere quesi existe un método consistente y finito para resol-ver un problema dado, luego existe un método quepuede correr en una máquina de Turing y darexactamente los mismos resultados. Por ello, paraaquellos problemas que pueden ser resueltos con-sistentemente en tiempos finitos y especificados,una máquina de Turing es tan poderosa comocualquier otra entidad que pueda resolver el pro-blema, incluido el cerebro,"

Los argumentos de Shannon, Turing y Churchestructuran la base de los modelos cognoscitivosde procesamiento de la información, y éste lograeventualmente un gran éxito computacional. Eneste sentido lo primero es elegir un problema sig-nificativo que todo el mundo esté de acuerdo querequiere para su solución del uso de la inteligen-cia, luego se debe identificar los elementos de in-formación que se necesitan para lograr la soluciónal problema, se debe determinar cómo podría re-presentarse esta información en una computadora,encontrar un algoritmo que pueda manipular estainformación para solucionar el problema; escribirel código computacional que implemente ese al-'goritmo y finalmente se debe poner éste a pruebacontra instancias muestradas (usualmente simples)del problema. 10

1.1. Modelo simbólico

El modelo simbólico de la I.A. es el primer nú-cleo sólido en I.A., enmarcado dentro del contextodel "macromodelo" de Procesamiento de Informa-ción y alcanza su máxima expresión con la "Hipó-tesis del sistema de símbolos físicos" de A. Newelly H. A. Simon." Para ellos, un sistema de símbo-los físicos es una máquina que produce a lo largodel tiempo una colección evolutiva de estructurassimbólicas. El sistema de símbolos tiene como re-ferente un mundo de objetos más amplio de tansolo las expresiones simbólicas. El término "físi-co" hace referencia a que tales sistemas obedecenlas leyes de la física, es decir, son realizables porsistemas de ingeniería o computación electrónica.

MODELOS DE COGNICIÓN 425

La relación entre el referente y los símbolos se da-rá por medio de designación e interpretación. Endicho modelo se considera que un sistema de sím-bolos físicos tiene los medios necesarios y sufi-cientes para una acción inteligente. En este caso elconcepto de "necesario" se entiende en el sentidode cualquier sistema que se considere inteligentede manera general, se puede entender como unsistema de símbolos físicos. Lo de "suficiente" ha-ce referencia a que cualquier sistema de símbolosfísicos de suficiente tamaño puede ser organizadohasta llegar a mostrar acción inteligente general."

En el corazón de la teoría de los Sistemas desímbolos físicos, se encuentran las arquitecturassimbólicas las cuáles sirven de substrato para lacomputación electrónica, que es posible por lamanipulación de señales físicas por medio de re-glas explícitas que también están compuestas porotras señales. La manipulación está basada sola-mente en las propiedades físicas de las señales, nopor sus significados. Todo procesamiento implicacombinaciones basadas en reglas de señales sim-bólicas; esto es, hileras de señales. El sistema en-tero es semánticamente interpretable; esto es, to-dos sus componentes se refieren a objetos o a fun-ciones de estados. 13

Este sistema de símbolos físicos es un claroejemplo de máquina general de las ideadas por

. Turing, consolidándose así el modelo estructuralpropuesto originalmente por este último y que seha denominado como: MODELO SIMBOLICO yque representa el primer modelo consolidado den-tro de la inteligencia artificial para poder explicarlos procesos mentales, aún cuando con el tiempohan salido a flote muchas de sus limitaciones."

1.2. Modelo subsimbólico

El primer modelo cognoscitivo a partir del sur-gimiento de la inteligencia artificial por parte de lafilosofía contemporánea de la mente es el simbóli-co, anteriormente descrito. Pero no es el únicomodelo para la filosofía de la mente, ni siquiera esel único en inteligencia artificial, ni en procesa-miento de la información.

Como alternativa al modelo simbólico se buscódesarrollar una tecnología que se acercase lo másposible al cerebro, como fuente de la inteligencia.Esto pues el modelo simbólico partía de un su-puesto que se consideró no del todo correcto, alpostular que la inteligencia era posible producirla

en computadoras seriales de tipo convencional y elcerebro no funciona de esta manera sino en formamasivamente paralela, donde cientos de miles omillones de neuronas desarrollan sutiles procesa-mientas de la información en el cerebro y a muchomás altas velocidades. Los perceptos coherentes seforman en el tiempo que exceden a los tiemposelementales de reacción de las neuronas singularespor un factor de poco más de diez. Especialmenteen lo que concierne a los procesos perceptuales bá-sicos, como la visión, esta observación excluye lasformas de procesamiento de información interacti-vas que tendrían que barrer los datos que ingresanserialmente, o pasarlos a través de muchas etapasde procesamiento intermediarias."

Asimismo, dentro del cerebro, el conocimientono se almacena en ninguna forma que se parezca aun programa de computadora convencional. sinoque se almacena estructuralmente, en forma de pa-trones distribuidos de pesos sinápticos excitatorioso inhibitorios, cuyas magnitudes relativas determi-nan el flujo de las respuestas neuronales que lasque constituyen la percepción y el pensamiento. 16

Algunos investigadores en LA. buscan relacio-narse con la neurociencia experimental de manerasimilar a como se relacionan la física teórica y lafísica experimental, de tal manera que pueda uni-ficar los desarrollos y las conjeturas teóricas conla experimentación. Surge así otro modelo en inte-ligencia artificial que se ha dado en llamar como:"computación con redes neurales". Pero la aterra-dora complejidad del cerebro opone grandes obs-táculos a la materialización de los objetivos de di-cho modelo, pues el cerebro humano consiste enaproximadamente 100 mil millones de neuronas,que posiblemente sean diez veces más. Las neuro-nas se comunican transmitiendo paquetes eléctri-cos (potenciales de acción) a una población deneuronas vecinas. De acuerdo con los estudiosneurofisiológicos, la amplitud precisa y la formade esos paquetes y el tiempo preciso para su llega-da es un intervalo de dos milisegundos aproxima-damente. De ello se puede modelizar cada paquetecomo un "bit" singular portador de información enla corriente de salida de una neurona y decir queuna neurona produce información a una velocidadaproximada de cien bits por segundo (l00 BPS).El estimado total del cerebro sería de 10 billonesde bits por segundo, tomado un factor de cien, pa-ra el "ancho de banda" interno del cerebro."

Una neurona transmite información a las neu-ranas vecinas en uniones neuronales llamadas "si-

426 RODOLFO J. RODRÍGUEZ RODRÍGUEZ

napsis". Una sola neurona puede tener tanto comodiez mil entradas sinápticas, aunque en algunoscasos muchas entradas menos, para otros casos unaproximado de 100 mil entradas convergen en unasola neurona. El número total de sinapsis en el ce-rebro se puede estimar en 1000 billones. 18

El punto de partida para los nuevos enfoquesen LA. deberá ser entonces, modelar el cerebrocomo un computador compuesto de unos 100000millones de computadoras individuales, cada unode los cuales es una computadora analógica o di-gital e "híbrida", de suma complejidad, interco-nectando en formas intrincadas con muchas corn-putadoras similares. 19

La computación por redes neurales o conexio-nismo busca generar este modelo del cerebro demanera artificial, es decir por medio de una mode-lación tecnológica del mismo, acudiendo a la físi-ca estadística y a la ingeniería para poder lograrlo(no a la neurobiología, como podría suponerse).La I.A., queda parcelada en un número elevado deprocesadores simples, con un crecimiento poten-cialmente enorme de la velocidad de computación.

El "paralelismo" ha demostrado ser difícil deaplicar en LA., aunque ya ha surgido en la compu-tación numérica como la única forma indefinida-mente extensible de superar el "cuello de botella"de von Neumann (los límites fundamentales im-puestos a la velocidad de los procesadores indivi-duales por las leyes de la física, por ejemplo, dadoque las señales no pueden viajar de una parte aotra de la computadora más rápido que la veloci-dad de la luz). Dado que estos sistemas son imita-ciones de sistemas estadísticos, las nuevas estrate-gias también proporcionan métodos de aproxima-ción estadística a problemas de optimización quese han revelado a todo intento de computaciónexacta."

Este tipo de modelo de procesamiento de infor-mación mediante estados de procesadores simplesy las conexiones entre ellos es llamado: CONE-XIONISTA O SUBSIMBOLICO, sostenido porfiguras como David. E. Rumelhart, James McCle-lland (1986),21 Paul Smolensky (1988)22 y el grupode Investigación Procesamiento Distribuido en Pa-ralelo (PDP).

El grupo de investigación PDP es el que le hadado forma al Conexionismo (Rumelhart & Me-Clelland, 1986) caracterizándolo de la siguientemanera: un conjunto de unidades de procesamien-to (entendidas como neuronas artificiales) que es-tán interconectadas por "pesos de conexión" o

"cargas de conexión" o "valores de conexión'(connection weights)."

Se generaron así sistemas redes neurales artifi-ciales. Si se tienen entradas a alguno de estos siste-mas se da una activación de la red que es modula-da por los pesos de conexión. Las entradas se danen una unidad o neurona artificial (pasando a seractivada desde su estado pasivo) por medio de unaregla de activación. Los pesos de conexión sonmanipulados sobre la base de "reglas de aprendi-zaje", las cuales son funciones matemáticas. Lamanipulación está puramente basada en los valoresde activación y pesos de conexión (no por sus sig-nificados). Las entradas en el sistema son converti-das en salidas por medio de las reglas de activa-ción, las cuales consisten en la combinación y re-combinación de la activación de valores,"

Los sistemas conexionistas son semánticamenterepresentables, lo que hace que se mantenga dentrode la clase de los modelos de procesamiento de in-formación. La diferencia de este modelo es que noacude al procesamiento serial, sino al procesa-miento distribuido en paralelo, por medio de redesneurales artificiales, similares al procesamiento delas redes neuronales naturales. En estos casos elprocesamiento no es simbólico, sino que dichas re-des se interpretan subsimbólicamente es decir esun procesamiento de la información de manerapluridireccional (es en este sentido que busca ase-mejarse a las conexiones sinápticas neuronales)."

La diferencia característica de los sistemas co-nexionistas de los sistemas computacionales sim-bólicos, es que los primeros no son programablesen el sentido de los segundos, es decir mediante elalmacenamiento en la memoria del texto de un al-goritmo cuyos pasos debe seguir la computadorade manera secuencial. A una red neural "se le en-seña" por medio de pruebas con casos especial-mente seleccionados. Es decir se le puede "ense-ñar" una letra o una palabra para que posterior-mente pueda reconocerlas. Es decir, más que serprogramada una red neural, esta "aprende". Estoes lo que se ha dado en llamar como "aprendizajemecánico" que se realiza modificando en la redneural, los valores de conexiones o pesos de cone-xión (emulando las sinapsis en las redes neurona-les) entre sus distintas celdas. De esto se deriva sunombre de conexionismo."

Este enfoque ha sido utilizado para explicar laconducta a un nivel de descripción funcional bajola presuposión que esto mismo ocurre al nivel psi-cológico." Sin embargo, adolece de una explica-

MODELOS DE COGNICIÓN

ción funcional de la inteligencia, pues no es clarocómo a partir de las partes (neuronas y redes neu-rales) emergería la misma."

En computación el modelo conexionista es unaelegante solución al problema de altas velocida-des. Así si por otra parte el conexionismo sugiereque podría entenderse los procesos neurofisiológi-cos de la percepción como "vectores" que codifi-can las distintas entradas sensoriales, y también 10hace para varias de las salidas motoras."

Bajo el modelo conexionista en computaciónse pueden llegar a lograr sistemas masivamenteparalelos que representen y manipulen transforma-ciones vectoriales como las dadas en los procesosneurofisiológicos del cerebro. El procesamientocomputacional se puede hacer más rápido que elprocesamiento cerebral. Este último procesa enmilésimas de segundo, el computacional lo lograen millonésimas de segundo."

Asimismo las redes neurales artificiales apartede ser computacionalmente más poderosas, son re-sistentes contra daños (o su equivalente de lesio-nes cerebrales), rápidas y modificables.

Las estrategias formales del conexionismo sehan fundamentado en la física estadística y com-parten con el modelo simbólico la noción implíci-ta de que los objetos y sucesos, las categorías y lalógica están dados, y que la naturaleza del trabajocerebral es procesar información sobre el mundocon algoritmos que conduzcan a conclusiones quelleven a la conducta.

Un problema de base que ha presentado por losmodelos conexionistas es su dificultad para reali-zar operaciones computacionales recursivas, queson representativas de la computación humana.Esto pues las facultades cognoscitivas humanaspara usar información con textual semántica ypragmática que facilita la comprensión sobrepasaen gran medida a la de cualquier computadora delas hasta ahora construidas."

Se puede decir finalmente sobre el conexionis-mo que más que resolver el problema natural de lainteligencia se ha convertido más bien en una he-rramienta poderosa de la computación electrónica.Es revelador advertir que todos los proyectos rele-vantes para diseñar y construir grandes maquina-rias paralelas hacen uso de estructuras altamenteartificiales para la comunicación y el procesa-miento. Esto se aplica a la Máquina de Conexiónde la Thinking Machines Corporation (comunica-ción en hipercubo y en matriz rectangular), al Pro-cesador Masivamente Paralelo de la NASA, al

427

Procesador Digital de Matrices del ICL (matrizrectangular), al Hipercubo de Intel Corporation(comunicación en hipercubo), al RP3 de IBM y ala Ultracomputadora de New York Univerity (co-municación en red omega). Al final de cuentas, elconexionismo se ha dirigido más a la eficienciacomputacional que a la explicación de las cons-tricciones y alcances del mismo en la emulaciónde las redes neuronales naturales."

1.3. Modularidad

A este modelo se adscriben figuras como J. Fo-dor (1983),33 H.Gardner (1985),34 y Z. Phylyshyn(1981),35 y en cierta medida: R. Jackendoff (1987)con su dicotomía de mente computacional y mentefenomenológica."

La modularidad parte del supuesto que la cog-nición se inicia con un sistema de entrada (Input)independiente (como las responsables de la per-cepción de objetos) y que procesos cognitivos demayor generalidad serán dados en un sistema cen-tral. Los sistemas de entrada son el dominio espe-cífico en el sentido de que cada tipo de informa-ción recibida de procesamiento es diferente. Lossistemas de entrada se asemejan a los niveles deprocesamiento de información en términos de in-fluencias selectivas por variables.

La más importante propiedad es la encapsula-ción, que es proceso la información solo influye apartir de un dominio de módulo de entrada. El ca-so -por ejemplo- para el habla, es influenciado só-lo por entradas de habla, no por contextos situa-cionales y lingüísticos. Los módulos de entradason cognitivamente impenetrables, es decir no sonobjeto de control volitivo. Los sistemas de entradase direccionan hacia sus salidas, así por ejemplo,el módulo del lenguaje para la salida de acceso lé-xico se da solución significados de palabras. Lossistemas de entrada operan independientementeuno de los otros y no se comunica. Finalmente, unmódulo de entrada es asociado con la estructuraneuronal específica."

En contraste con los sistemas de entradas, lossistemas centrales están influidos por muchas di-ferentes variables. Los sistemas centrales tienenacceso a las salidas de todos los sistemas de entra-da y a todo el conocimiento en la memoria. En es-ta dicotomía, los sistemas de entrada se conside-ran como sistemas computacionales, mientras queel sistema central corresponde a lo que el organis-

del funcionamiento del la mente-cuerpo, han sidoaquellos generados en el ámbito de la Neurocien-cia (neuroanatomía, neurofisiología, psicofisiolo-gía, neuropsicología, neurobiología, neurofarma-cología ), y pueden ser pueden ser etiquetados co-mo NEUROBIOLOGIA COGNOSCITIV A.

Un intento neurofilosófico por tratar de gene-rar un teoría unificada de la mente-cerebro ha si-do el dado Patricia Smith Churchland (1986).<10Este enfoque propone un trabajo cooperativo en-tre los investigadores de la mente y los investiga-dores del sistema nervioso. Enfoques como elfuncionalismo clásico (Newell, Simon,Minsky)no dan cuenta de los complejos y variados nivelescon que trabaja un neurofisiólogo. Así un enfoqueque solo da cuenta de las funciones psicológicassin acudir a la neurociencia, es parcial. Para P.Smith C. resulta contraproducente para lograr unaciencia unificada de la mente-cerebro, postularque la psicología es irreducible a sus fundamen-tos neurofisiológicos y neuroanatómicos. Por elmomento es conveniente postular que ambasciencias coevolucionan y que seguirán haciéndolopor algún tiempo - señala P. Smith Ci-, pero co-mo se ha dado anteriormente en la historia de laciencia, todo parece mostrar que van en caminode la reducción. Ejemplos claros de ello han sidolas investigaciones en Bioquímica de la conducta.en Neurofarmacología, Neuroquímica y sobre lasbases moleculares (biología molecular) del siste-ma nervioso. Consecuentemente desde esta postu-ra, cualquier dualismo entre mente y cuerpo esclaramente demostrado como erróneo. Otro enfo-que reduccionista de los procesos mentales espropuesto por el premio nobel (por el descubri-miento del la estructura de la doble hélice dADN junto con J.D. Watson): Francis Cric(1994).41 Su "hipótesis sorprendente" -corno élllama- consiste en que cualquier individuo,alegrías y aflicciones, sus recuerdos y ambicio-nes, su sentido de identidad personal, su libre al-bedrío, es de hecho el reflejo de la conducta devasto ensamblaje de células y de sus molécasociadas. Así por ejemplo, para que hayaciencia y memoria a corto plazo lo que se nta es la actividad de circuitos reververatorios,se encargan de mantenerlas. Asimismo laciencia requiere la actividad de varias áreascales así como del tálamo. Aún cuando su hi 'sis ya no resulta tan sorprendente su aportela "búsqueda científica del alma" ha resulmuy influyente.

428 RODOLFO 1. RODRÍGUEZ RODRÍGUEZ

mo "cree". Los sistemas de entrada pueden ser es-tudiados como sistemas computacionales, mien-tras que los centrales no pueden ser consideradosde tal manera. Esto porque son muchos los facto-res que influyen en sus procesos."

En breve, el enfoque modular plantea una tri-cotomía de niveles, sistemas de salida, de entraday centrales. Este enfoque comparte muchas de laspremisas originales del modelo de procesamientode información, particularmente el supuesto desistemas separados de la percepción y de la ac-ción. Esta explicación funcional de diferenciar sis-temas de entrada y salida y entre sistema de entra-da y central no sustenta substratos sólidos desde elpunto de vista de la psicología de la percepción yde la neurofisiología, pues en el cerebro y el siste-ma nervioso en general no hay muestras de talesdivisiones entre sistemas, por lo que no parece sermuy seguro a la hora de explicar la cognición.

Por otra parte es importante señalar que la no-ción similar de encapsulamiento ha sido muy fértilen la Programación orientada a objetos (POO) queha representado en el fondo una nueva "filosofía"de la programación computacional. Dicha progra-mación se centra alrededor de algunos conceptosde mayor generalidad como los tipo de datos abs-tractos y clases, los tipos de jerarquías (subclases),herencia (procesos de generalización y especializa-ción) y polimorfismo. El dominio hacia los que seorienta dicha programación son los "objetos". Unobjeto es una variable declarada que pertenece auna clase específica. Así, un objeto encapsula unestado, conteniendo una copia de todos los camposde datos que están definidos en una clase. La en-capsulación es un principio usado cuando se desa-rrollan una estructura de un programa completa, talque cada componente de un programa debe ser en-capsulado en un diseño de decisión particular."

Este concepto de encapsulación similar al enfo-que de la modularidad ha sido exitoso en la POO.y resulta una alternativa significativa para los mo-delos de procesamiento de la información, pero denuevo, resultan insatisfactorios a la hora de quererser aplicados a la cognición humana, tal y como seha señalado anteriormente.

2. Modelos de neurobiología cognoscitiva

Algunos de los enfoques más importantes surgi-dos en el contexto de las Ciencias Cognoscitivas yque por consecuencia intenta resolver el problema

MODELOS DE COGNICIÓN 429

Pero el que pareciera más prometedor es el mo-delo propuesto por el también premio nobel (fisio-logía): G. Edelman y sus colaboradores _enla Roe-kefeler University", quienes se enfrentan a los en-foques de la inteligencia como procesamiento dela información y proponen una explicación neuro-biológica de la inteligencia, planteando su teoríade la SELECCION DEL GRUPO NEURONAL(SGN), a partir de los modelos de conformacióndel desarrollo del sistema nervioso. Un enfoquesimilar y complementario al de Edelman ha sidodel lean Pierre Changeux, neurobiólogo del labo-ratorio molecular del Institut Pasteur en París.Changeaux parte de los estudios de Edelman, aña-diendo a la epigénesis neuronal, la impresión de lacultura en el desarrollo del cerebro después delnacimiento de los individuos, es decir añade as-pectos antropogenéticos".

Pero bien, la propuesta de Edelman y sus cola-boradores se remonta al período de formación ce-rebro del embrión, cuando la selección entre célu-las neuronales en competencia y sus procesos de-terminan la forma anatómica y los patrones de co-nectividad sináptica del sistema nervioso". Estaselección para la conectividad se elabora median-te mecanismos evolutivos de adhesión y movi-miento de células, crecimiento diferencial, divi-sión celular y muerte de células. Dada sus propie-dades dinámicas, estos mecanismos selectivos in-troducen variación individual en las redes neuro-nales Más tarde, durante la experiencia posnatal,la selección entre diversos grupos de células pree-xistentes, complementada por la modificación di-ferencial de fuerzas o eficacias sinápticas sincambios en el patrón de conectividad, da forma alrepertorio conductual del organismo de acuerdocon 10 que posee par él valor adaptativo en sueconicho" .

La SGN es una teoría que comienza a ponersea prueba, y que de acuerdo con distintas experien-cias ha comenzado a ser exitosa. Así, se han cons-truido una serie de autómatas para la simulacióncomputada para poner a prueba la consistencia dela SGN, así como para demostrar la habilidad delos sistemas de reconocimiento selectivos pararealizar interesantes tareas de reconocimiento ycategorización. Esos modelos pueden ser invalua-bles para ayudar a que los neurobiólogos se con-centren en aspectos experimentales, que eventual-mente ayuden a desarrollar computadoras capacesde desarrollar tareas de clasificación sensible,pues en la actualidad no se tienen",

Para Edelman, en vista de la complejidad delos sistemas biológicos, es necesario comenzar aanalizar esos sistemas en términos de las estructu-ras y funciones básicas necesarias y sus modos deorigen, su desarrollo tanto como su evolución. Laseparación entre hardware y software implícita enla estrategia de la LA. tradicional tiene que aban-donarse, aun cuando haya servido de principioorientado en el desarrollo de las computadoras ti-po van Neuman, que pueden ser máquinas lógicas-y en alguna medida máquinas culturales- pero nomáquinas biológicas. Edelman considera que laLA. solo se alcanzará en sistemas no-von Neumanen los que las variantes especializadas de hardwa-re, basadas en el tema común de la selección y elpensamiento de la población, trabajarán sin pro-gramas para adaptarse a todos los ambientes parti-culares en los que se encuentren, tal como lo ha-cen los organismos biológicos. Los programas y lainteligencia basada en la comunicación podrán ve-nir después".

Conclusiones

Al comprobarse que con tan sólo los aportesde las ingenierías eléctrica, electrónica, mecánicay computacional, no se tenían los instrumentosadecuados para simular o generar razonamientoen los modelos originales de la Inteligencia Arti-ficial, fue necesario acudir a otras áreas como laPsicología y la Lingüística que pudieran dar crite-rios más precisos sobre la naturaleza del razona-miento en particular y de la Inteligencia y la Con-ciencia en general. Así como se acude a la Psico-logía y a la Lingüística en los años sesenta, hacialos setenta y ochenta se acude a otras disciplinasen busca de fuentes para un mejor conocimientode la los procesos de cognición humana, a disci-plinas como la fisiología del cerebro y la neuroa-natomía (neurociencia), a la antropología y la fi-losofía, generándose así un nuevo campo llamadoCIENCIAS COGNOSCITIV AS, que comprendeun total de seis áreas: Computación, Lingüística,Psicología Cognoscitiva, Neurociencia, Antropo-logía y Filosofía. La Inteligencia Artificial ha he-cho contacto con la Filosofía en muchos puntos,tales como la lógica, la epistemología, la filosofíadel lenguaje, la filosofía de la ciencia y la filoso-fía de la mente. Esta última tiene por central elproblema mente-cuerpo, que ha tenido una largahistoria en Filosofía.

430 RODOLFO J. RODRÍGUEZ RODRÍGUEZ

La filosofía contemporánea de la mente debesuperar los idealismos y dualismos de su pasadohistórico y más que partir de presupuestos metafí-sicos poco fiables o sin ninguna fudamentación,debe buscar un marco explicativo unificador en elcontexto de las Ciencias Cognoscitivas, para losfenómenos neurofisiológicos y psicológicos y asíaportar visiones de conjunto sobre los modelos dela cognición humana.

Los dos grandes grupos de modelos de la men-te-cerebro aquí presentados, como lo han sido losdel procesamiento de la información y como losde la neurobiología cognitiva, resultan fundamen-tales para los estudios de filosofía de la mente yno se podrá hacer ninguna aporte relevante a estecampo si no son tomados en cuenta.

Ha faltado mencionar algunos modelos de la psi-co-cognoscitivos , como los de lA Anderson" y R.Stemberg", así como los modelos de ontología sub-jetiva J. de Searle (1980,1992) 50,los modelos her-menéutico-existenciales de T. Winograd y F. Flores(1987)51, y de F. Varela, E. Thomson y E. Rosch(1993)52, estos últimos autores buscan introducirdentro de las Ciencias Cognoscitivas la "experienciahumana" a partir de la tradición del budismo zen.

Así enfoques sumamente controversiales han si-do el de H. Putnam (1989)53, que se retracta de supostura de los años sesenta, cuando postuló el enfo-que computacional de la mente. Asimismo el físicoR. Penrose (1989, 1994)54 ha atacado fieramente losintentos de la Inteligencia Artificial, postulando elcarácter cuántico del pensamiento y la necesidad deuna nueva física para lograr los fines de la LA Esteenfoque ha despertado fieras discusiones.

Finalmente uno de los enfoques más influyentesen Ciencias Cognoscitivas y que se presenta comola propuesta más original a la filosofía de la mentecontemporánea ha sido la esbozada por el filósofoD. Dennett (1991, 1994).55 Dennett presenta unateoría integradora para la explicación de la con-ciencia, tanto desde el punto de vista de su estruc-tura neuronal, como desde el punto de vista psicoe-volutivo." Para Dennet las mentes conscientes hu-manas son máquinas virtuales más o menos seria-les implantadas en un hardware eminentemente pa-ralelo suministrado por la evolución."

Notas

1. Shannon,C.E. 1938 ."A Symbolic Analysis ofRelay an Switching Circuits", tesis del M.I.T.; publica-

da en Transactions of American lnstitute of ElectricalEngineers. 57, 1-11.

2. McCulIoch,W y Pitts, W.1943."A Logical Calcu-lus of theIdeas Immanent in Nervous Activity", Bulle-tin of Mathematical Biophysics, 5, 115-33.

3. Wiener, N. 1948. Cybernetics, or Control andCommunication in the Animal and the Machine, Cam-bridge, Mass., MIT Press. Traducción al español porFrancisco Martín: "Cibernética o el control y comuni-cación en animales y máquinas. Barcelona: Tusquetseditores, 1985.

4. Turing, AM.1950. "Computing Machinery andIntelligence", Mind, Vol. LIX, No. 236, reimpresión en:Hofstadter, D. & D.C. Dennet. 1981. The Mind's l.Fantasies and Reflections on Self and Soul. New York,-Batam Books, pp. 53-67. Traducción al español porFrancisco Martín en: Anderson, A.R (comp) Controver-sias Sobre Mentes y Máquinas. Barcelona: Tusquetseditores, 1984.

5. Gardner, H. (1988). La Nueva Ciencia de la Men-te. Historia de la Revolución Cognitiva. Barcelona: Edi-ciones Paidós. Ira. edición en español: 1988. TraductorL. Wolfson.

6. Rodríguez R., RJ. (1994). "Epistemología e Inte-ligencia Artificial. ¿Es posible una epistemología an-droide?" En: Repertorio Científico. Vol. 2. No. 1. Ene-ro-Abril. Accesable vía intemet en el Gopher: ARENA-L.UNED.AC.CR: Revistas: Repertorio Científico: Vol.2-1.

7. Shannon. c., Idem.8, Turing, A.M. 1936. "On Computable Numbers

with Applications to the Entscheidungs-Problem", en:Proceedings of London Mathematical Society, Serie 2,42,230-65.

9. Cfr.Hofstadter, D.R. 1979. Goedel, Escher, Bach: An

Eternal Golden Braid. New York: Basic Books. Existetraducción al español: Goedel, Escher Bach. Un eternoy gracil bucle. Barcelona: Tusquets Editores, 1987.

Putnam, H. 1960. "Minds and Machines" en S.Hook(comp). Dimensions of Mind, New York, NewYork University Press. Traducción al español por F.Martín en: Anderson, A.R (comp) Controversias SobreMentes y Máquinas. Barcelona: Tusquets editores, 1984.

10. Cfr.Newell, A., J.C. Shaw, & H.A, Simon, 1963. "Empi-

rical Explorations with the Logic Theory Machine a Ca-se Study in Heuristics" Newell, A.& H.A. Simon. 1963."GPS, A Program that simulates Human Thought" Am-bos en: Feigenbaum, E.A. & J. Feldman. Computersand Thought. U.S.A.: McGraw-Hill, Inc. 1963.

Simon, H.A. 1979. "Information Processing Modelsof Cognition". En: Annual Review of Psychology.30:363-96.

Posner, M.I. & McLeod. 1982. "Information Proces-sing Models-In Search Of Elementary Operations". En:Annual Review of Psychology. 33: 477-514.

MODELOS DE COGNICIÓN

11. Cfr.Newell, A.1980. "Physical symbol systems." en:

Cognitive Science. 4: 135-83. Gutiérrez, C. 1993a. Epis-temología e Informática. Guía de Estudio. EUNED: SanJosé, pp. 155-164.

12. Gutiérrez, C. 1993a, Idem.13. Massaro, D.W. 1993. "Information Processing

Models: Microscopes of the Mind" en: Annual Reviewof Psychology. 44: 383-425.

14. Cfr.Searle, J.R. 1980. "Mind, Brains and Prograrns",

The Behavioral and Brain Sciences, 3,417-57. Reimpre-sión en: Hofstadter, D. & D.C. Dennet. 1981. TheMind's l. Fantasies and Reflections on Self and Soul.New York, Batam Books, pp. 353-373.

Putnam, H. 1989. Representation and Reality. Cam-bridge, Mass. The MIT Press.

15. Schwartz, J.T. 1988. "El nuevo conexionismo:desarrollando relaciones entre la neurociencia y la inte-ligencia artificial", en: Graubard, S.R. El Nuevo debatesobre la Inteligencia Artificial. Gedisa Editorial: Barce-lona, 1988.

16. Idem.17. Idem.18. Idem.19. Thompson, R.F.1975.lntroducción a la Psicolo-

gía Fisilógica. México: Harla. 1977. Tr. R. Naranjo Y.20. Reeke, G. y G. Edelman (1988). "Cerebros rea-

les e inteligencia artificial" en Graubard, S.R. (1988) ElNuevo debate sobre la Inteligencia Artificial. GedisaEditorial: Barcelona, 1988, pp. 167-21.

21. Rumelhart D.E., J. McClelland y PDP ResearchGroup (ed). 1986. Parallel Distributed Processing: Ex-plorations in the Microstructure of Cognition, Y. 1, 2.Cambridge, Mass.: MIT Press.

22. Smolensky, P. 1988. "On the proper treatmentof connectionism" .Behavioral Brain Sciences. 11:1-73.

23. Massaro, D.W. 1993. p. 415.24. Idem.25. Idem.26. Gutiérrez, c., 1993a, pp. 191-192.27. Massaro, D.W., 1993, p. 416.28. Gutiérrez, C. 1993a. Idem.29. Churchland, P.M. 1984. Matter and consciousness.

A Contemporary Introduction to the Philosophy of Mind.The MIT Press: Cambridge: Third Printing: 1990, p. 151.

30. CfrChurchland, P.M. 1984, pp. 156-185 Churchland, P.

M. 1989. A Nuerocomputational Perspective. The Natu-re of Mind and the Structure of Science. The MITPress: Cambridge, Massachusetts, Third Printing, 1993,pp. 197-230. Schwartz, J.T. 1988, p. 149.

31. Gutiérrez, c., 1993a, pp. 193-194.32. Schwartz, J.T., 1988, p. 161.

431

33. Fodor, l.A. 1983. Modularity ofMind. Cambrid-ge, Mass., Bradford.

34. Gardner, H. 1985. Idem.35. Fodor, J.A. y Z.W. Pylyshyn. 1981. "How direct

is the visual perception?: some reflections on Gibsonsecological approach". En: Cognition. 9: 139-96.

36. Jackendoff, R. 1987. Consciousness and theComputational Mind. Cambridge, Mass.: The MITPress, A Bradford Book.

37. Massaro, D.W., 1993, p. 418.38. Idem.39. Cfr.Wiener, R.S. & L.S. Pinson. 1988. An Introduction

to Object-Oriented Programing and C ++. USA-Cana-da: Addison-Wesley Publishing Company. Cood, P. yE. Yourdon. 1991. Object-Oriented Design. U.S.A.Yor-don Press. Preso Pretince Building.

40. Churchland, P.S. (1986). Neurophilosophy. To-ward a Unified Science of the Mind/Brain. The MITPress: Cambridge: Seventh Printing, 1990.

41. Crick, F. 1994. The Astonishing Hypothesis:The Scientific Search for the Soul. New York: CharlesSribners "s son.

42. Edelman. G. M. 1987. Neural Darwinism: TheTheory of Neuronal Group Selection. New York: BasicBooks.

43. Changeaux, J.P. 1985. Neuronal Man. The Bio-logy of Mind. New York: Pantheon Books.

44. Reeke, G. y G. Edelman, 1988, p. 183.45: Ibid., pp. 184-185.46. Idem.47. lbid. p. 197.48. Anderson, A.R. 1983. The Architecture of Cog-

nition. Cambridge, Mass. Harvard University Press.49. Stemberg, R.J. 1983. "Cornponents of Human

intelligence", en Cognition, 15:1-48.50. Searle, J.R. (1992). The Rediscovery of Mind.

The MIT Press, Cambridge, Third Printing.51. Winograd, T. & F. Flores (1986). Understan-

ding Computers and Cognition. A New Foundations forDesign. Ab1ex Publishing Corporation. Norwood, NewYersey, Third Printing 1987.

52. Yarela, F. r., E. Thomson, & E. Rosch (1991).The Embodied Mind. Cognitive Science and Human Ex-perience. The MIT Press, Cambridge, 1993.

53. Putnam, 1989, Idem.54. Cfr.Penrose, R. 1989. The Emperor's New Mind. New

York: Peguin Books: 1991.Penrose, R. 1994. Shadows of the Mind: A Search

for the Missing Science of Consciousness" New York:Oxford University Press.

55. Cfr.Dennett, D.e. 1991. Consciousness Explained. Lit-

tle, Brown and Company, Boston Gutiérrez, C. 1993b.

432 RODOLFO J. RODRÍGUEZ RODRÍGUEZ

"La explicación de la mente: A propósito de un libro deDaniel Dennet". en Revista de Filosofía de la U.C.R. V.XXXI, No. 74, Julio 1993.

Beards1ey, T. 1996. "Dennett s Dangerous Idea". en:Scientific American, February.

56. Gutiérrez, C. 1993a., p. 321.

Rodolfo 1. Rodríguez R.Aptdo. 202-1100 Tibas

E-Mail: rodolfor re cariari.ucr.ac.crrod rod ro @ ulativa. ac.crPrograma de posgrado en

Ciencias CognoscitivasUniversidad de Costa Rica

URL Home Page: hup://www.ucr.ac.cr/cogscicogsci.HTLM.

cogsi @ cariari.ucr.ac.cr.