Límites de la percepción humana y artificial

Los seres humanos tenemos la capacidad de saber de un vistazo cuántas cosas hay en un lugar siempre que su número no supere tres o cuatro. Vemos tres vasos sobre la mesa e inmediatamente sabemos que falta un cuarto vaso para el comensal que acaba de llegar. No necesitamos contar vaso a vaso, simplemente intuimos el número. Sin embargo, cuando el número de vasos es mayor, tenemos que recurrir a contar secuencialmente, ‘1, 2, 3, 4, 5…’.

Curiosamente, hay experimentos en humanos que muestran que esta capacidad tan básica de saber intuitivamente cuántos objetos hay en un lugar no es fija. A través de entrenamiento con videojuegos es posible mejorar la percepción numérica, de modo que el límite natural de saber, sin contar, que hay 3 elementos crece hasta 5 elementos. ¿Por qué es posible mejorar la percepción del número de elementos de un conjunto? ¿Es simplemente porque después del entrenamiento se desarrolla una mejor estrategia para extraer la información –el número– de la escena visual? ¿O es quizá porque se aprende a extraer mejor la información que ya existía en el cerebro?

En muchos casos de nuestra vida cotidiana es muy importante procesar eficientemente la información sensorial, es decir, la información proveniente a través de nuestros sentidos. Por ejemplo, cuando vamos a cruzar una calle con mucho tráfico debemos integrar sensorialmente la velocidad y localización de los coches, el color de la luz del semáforo y los sonidos que nos puedan indicar peligros. En la mayor parte de los casos procesamos esta información correctamente, pero en algunos casos cometemos errores, tan graves que resulta en que seamos atropellados. ¿Por qué cometemos errores? ¿Es tal vez porque hemos tomado una decisión prematura, antes de acumular suficiente información acerca del peligro del tráfico en esa calle? ¿O es porque la información ha sido recopilada correctamente pero no la hemos usado apropiadamente?

El estudio científico de los problemas descritos anteriormente requiere técnicas experimentales que permiten controlar la información presente mientras se realiza una tarea perceptual complicada, como la de cruzar una calle con mucho tráfico. La neurociencia del comportamiento utiliza modelos animales que realizan tareas complicadas consistentes en extraer y utilizar correctamente la información sensorial, pero sin involucrar ningún peligro. En estas tareas difíciles, el animal comete una fracción sustancial de errores, lo cual representa para el experimentador la oportunidad idónea para entender si el animal utiliza efectivamente la información sensorial o no. A la vez que el animal realiza esta tarea complicada, acertando a veces y otras equivocándose, se puede registrar la actividad de muchas neuronas usando técnicas electrofisiológicas. El estudio simultáneo del comportamiento del animal junto a su actividad cerebral nos permite estudiar qué pasa en sus cerebros cuando cometen errores.

Sin embargo, estas técnicas experimentales de comportamiento y de electrofisiología quedarían huérfanas sin la neurociencia computacional, un área que precisamente nos permite ligar el comportamiento con la activiRubén dad cerebral mediante modelos matemáticos y técnicas de machine learning (un área en expansión por su aplicabilidad en Big Data). Gracias a estos modelos matemáticos es posible ‘leer’ la actividad neuronal, lo cual quiere decir que es posible predecir lo que el animal acaba de ver y hacer, e incluso en ocasiones anticipar lo que el animal va a hacer cientos de milisegundos más tarde, como muestran los trabajos de varios grupos, incluyendo el nuestro. Con estas técnicas podemos calcular la información presente en la actividad de las neuronas sensoriales, y compararla con la información que es usada finalmente por el animal. Si la información usada por el animal es la misma que la información sensorial presente en su cerebro, entonces la información es procesada eficientemente. Sin embargo, si la información usada es menor que la sensorial, entonces la información no es procesada eficientemente. Los experimentos de comportamiento, los registros neuronales y las técnicas de la neurociencia computacional están por primera vez preparados para responder al anterior dilema, en definitiva, para abordar el problema de qué limita la información en el cerebro.

La investigación que ha sido descrita será financiada por el prestigioso International Research Scholar Grant otorgado por el Howard Hughes Medical Institute (HHMI) por cinco años y con una cuantía de 650.000 euros. El HHMI apoya investigación básica puntera, y en particular aquella que yace en la intersección entre varias disciplinas. La neurociencia computacional es un área que requiere de equipos expertos en Matemáticas, CC. Físicas, Psicología y Neurociencias, es decir, es un área multidisciplinar. Gracias a la mezcolanza de diferentes disciplinas es posible abordar problemas que involucran el comportamiento animal, el procesamiento de información y su medición experimental a través de la actividad neuronal, es decir, proyectos que van más allá de la investigación clásica ceñida a una sola área de conocimiento. Por un lado, proyectos de este tipo requieren una preparación más ‘universal’ lejos de la especialización que los modelos educativos y fuentes de financiación clásicas tienden a promover, lo que implica un desafío intelectual. Por otro lado, las posibles repercusiones de tales proyectos pueden ser mayores, desde la tecnología hasta la educación. ¿Qué repercusiones, en concreto, podría tener conocer cuáles son los límites del cerebro y qué factores lo limitan?

La inteligencia humana se caracteriza por la convivencia de hazañas loables y derrotas vergonzantes. Algunas personas son capaces de crear arte, pero también de cometer errores graves que hacen su vida miserable. Un velocista puede realizar su mejor carrera, pero instantes después puede cometer el más estrepitoso tropiezo. De aquí el interés por entender qué es un ‘error’ desde el punto de vista de la neurociencia. La inteligencia artificial, a diferencia de la humana, es perfecta en todos los ámbitos para los cuales ha sido diseñada, pero suele fracasar estrepitosamente cuando es sacada de su dominio. Por ejemplo, aunque Deep Blue ganó al campeón mundial Kaspárov jugando al ajedrez moviendo las piezas electrónicamente, ninguna inteligencia artificial ha sido capaz de vencer a un novicio jugando sobre un tablero real y moviendo físicamente las piezas. La inteligencia artificial moderna incorpora la idea de aprendizaje en su núcleo, dando lugar a sistemas que pueden aprender con la experiencia y a través de su interacción con el ambiente y otras inteligencias humanas o artificiales. La idea de aprendizaje en inteligencia artificial pasa inevitablemente por definir lo que es un ‘error’, gracias al cual es posible aprender. La definición de la idea de ‘error’ es un tema que está también en el seno de la educación, ¿qué se puede aprender?, ¿cuándo se puede demandar la corrección de un error? De aquí, de nuevo, el interés por entender qué es un ‘error’ desde el punto de vista de la neurociencia.

Por lo tanto, gracias a la confluencia de diferentes técnicas y modelos matemáticos, no es muy aventurado pensar que es posible entender qué limita la información sensorial en el cerebro por primera vez. Esto también implica que estaremos más cerca de entender por qué cometemos errores, en definitiva, qué nos hace humanos.

Rubén Moreno es profesor Serra Hunter del Departamento de Tecnologías de la información y las Comunicaciones de la Universidad Pompeu Fabra http://​www​.upf​.edu/​p​d​i​/​r​u​b​e​n​-​m​o​r​e​n​o​-​b​o​t​e

Revistas del grupo

Nuestra redacción

Publicidad