Agentes Cognitivos: Teoría Computacional Clásica, Conexionismo y Sistemas Dinámicos

Noción de Agente Cognitivo y Niveles de Descripción

Un agente cognitivo se define como un sistema capaz de realizar procesos cognitivos que consisten en la manipulación de representaciones implementadas en un dispositivo que interactúa con el medio. Este agente puede recibir información del medio (inputs), procesarla y emitir una respuesta (output). Se distinguen tres niveles:

• Nivel computacional: Proporciona una descripción abstracta de la conducta del agente, es decir, determina los objetivos que se propone la computación.
• Nivel algorítmico: Consiste en la descripción funcional del sistema, especificando el conjunto de reglas o algoritmos que permiten el procesamiento de dicha información (las relaciones entre las entradas y las salidas del sistema).
• Nivel de implementación: Describe el soporte físico sobre el que se insertan los procedimientos y algoritmos que ejecuta el agente cognitivo.

Teoría Computacional Clásica

Tiene su origen en la lógica proposicional, la cual se basa en un sistema de símbolos que representan oraciones conectadas entre sí por operadores que, con ciertas reglas, pueden formar cadenas de oraciones más complejas e inferencias lógicas. Sin embargo, al tratar los aspectos semánticos de los sistemas lógicos, hay dos aproximaciones distintas:

• En una primera aproximación, los símbolos representan directamente el contenido de una proposición. Desde esta perspectiva, un símbolo representa una proposición y, por lo tanto, describe un estado de cosas. Entonces, el valor de verdad de la proposición dependerá de si su contenido se corresponde con el estado de las cosas que describe o no.
• En la segunda aproximación, el interés se sitúa en las relaciones formales que se pueden generar entre las proposiciones que son admitidas en el sistema, por una función de sus propiedades puramente formales.

La combinación de estas dos aproximaciones permitía configurar una noción de inteligencia o de proceso cognitivo que le sirvió a la Teoría Computacional Clásica (TCC) para analizar los procesos cognitivos. La idea era que los procesos cognitivos consistiesen en una adecuada manipulación de símbolos para producir oraciones que conservasen su valor de verdad.

Por ello, la inteligencia en particular y los procesos cognitivos en general, podían ser tratados como un cálculo lógico.

Todo ello está contenido en obras tanto racionalistas como empiristas del siglo XVII. Los avances dieron lugar a una mayor variedad de sistemas consistentes en la manipulación de símbolos, hasta que en el siglo XX, la noción de máquina de Turing y la aparición de ordenadores digitales, terminaron de configurar la implementación ideal de un sistema lógico formal, basado en que los símbolos son almacenados en su memoria y manipulados conforme a las reglas de transformación o programas. Además, dichos programas son también sistemas de símbolos que determinan las operaciones permitidas en el sistema. La dinámica de estos sistemas se basa en las características formales de los símbolos y la sintaxis de programas, sin tener en cuenta aspectos externos al sistema.

Máquina de Turing: Concepto, Diseño y Estado Computacional

Una máquina de Turing es un algoritmo o máquina ideal cuya memoria es ilimitada y que nunca comete errores. Consiste en una cinta infinita dividida en cuadros que es leída por un lector. Dicho lector se sitúa delante de un cuadro, lo lee y posteriormente realiza una instrucción. La principal finalidad de la máquina es la lectura y manipulación de símbolos por medio de las siguientes partes:

• Una cinta infinita dividida en casillas. En dicha cinta se realiza la manipulación de símbolos con los que opera la máquina.
• Una serie de símbolos finitos y descritos previamente en la máquina.
• Un lector que se mueve de izquierda a derecha y viceversa. Su función es leer el símbolo que aparezca en la casilla. También podrá borrar, escribir o cambiar símbolos por otros.

Diseño de una Máquina de Turing Simple

Su objetivo es cambiar un cuadro para copiar una "I" y parar. Para ello utilizará tres estados computacionales:

1. Buscar una "I".
2. Buscar una "A".
3. Buscar un "◻", cambiarlo por una "I" y parar.

Un estado computacional es el estado en el que se encuentra una máquina, ejecutando una función concreta y en un momento dado. Se representará por medio de los símbolos "L" o "R" que indican el movimiento del lector.

Críticas a la Teoría Computacional Clásica

Las críticas están relacionadas con la incapacidad para generar programas que hagan el tipo de cosas que los humanos hacemos con facilidad, como reconocer patrones y la discriminación de información, entre otras. Podemos hablar de tres principales problemas entre los sistemas de computación y los naturales:

• Problemas relacionados con los procesos que permiten a un sistema artificial recibir información del medio:

  • El problema del cruzamiento expone que cualquier sistema cognitivo ha de decidir en muy poco tiempo qué información del medio es importante y cuál no.
  • El problema del marco hace referencia a la cantidad de información que debe procesar un ordenador para que realice tareas que a nosotros nos resultan evidentes. Esto se debe a la enorme cantidad de factores que intervienen en una tarea sencilla y que tienen que ser tenidos en cuenta en el diseño del programa, ya que expanden exponencialmente el número de computaciones.
• Otra diferencia es que las redes neuronales tienen una degradación armoniosa frente a los sistemas artificiales en los que la más mínima alteración supone el colapso del sistema. La degradación elegante hace referencia a que en un sistema natural la pérdida de funciones suele ser un proceso gradual. Una lesión cerebral afecta a ciertas tareas o funciones mentales que están directamente relacionadas con las áreas dañadas, sin que el resto de las funciones que dependen de otras áreas no dañadas se pierdan o alteren.
• Otra diferencia es que los sistemas neuronales son mucho más lentos que los ordenadores.

Arquitectura de los Sistemas Conexionistas

La arquitectura de un sistema conexionista es un procesamiento distribuido en paralelo (PDP), que trata de imitar el funcionamiento y estructura del sistema nervioso.

La arquitectura de un sistema conexionista viene dada por una serie de elementos básicos que configuran el sistema y determinan su dinámica:

• El elemento más sencillo son los nodos de la red que están conectados con otros nodos formando una red, a través de la cual se envían señales unos a otros. El valor de la activación de cada nodo depende de las entradas activadoras o inhibitorias procedentes de la red. A este valor de activación se le denomina "fuerza".
• El segundo elemento lo compone el sistema de ecuaciones que determinan el valor de la activación de cada nodo en un tiempo dado. La entrada total que recibe un nodo determinará su estado de activación y depende del umbral que la entrada tiene que superar para poder activarlo.

Este sistema de ecuaciones permite manipular los pesos de los nodos para modificar el comportamiento de la red mediante reglas de aprendizaje.

Tipos de Capas en Redes Neuronales

• Unidades de entrada: Conexiones fuera del sistema, reciben estímulos del exterior y de otras unidades internas.
• Unidades de salida: Conexiones con el exterior, les permite enviar información al entorno.
• Unidades ocultas: Sin conexiones externas, pero establecen conexiones sinápticas entre distintos niveles del sistema.

Operación Básica de una Red Neuronal

• Una unidad integra los inputs provenientes de unidades anteriores y crea netinput.
• Esa unidad transforma los netinput en un valor de activación.
• Se envía la señal de salida a las unidades siguientes.

Este diseño forma una red feedforward en las que las unidades de cada capa se conectan exclusivamente con los nodos de la capa siguiente, por lo que los vectores se envían en un único sentido.

También pueden crear redes recursivas e interactivas en las que la activación fluye cíclicamente permitiendo conexiones entre la capa de salida y la de entrada, lo que permite a los modelos conexionistas desarrollar una capacidad para el aprendizaje, basada en el cambio de los pesos de los nodos mediante la regla delta generalizada. Por lo que se podría decir que el sistema aprende de los errores que comete.

Problemas de los Sistemas Conexionistas

• El primer problema al que se enfrentan los sistemas conexionistas tiene que ver con las limitaciones que presenta su arquitectura para implementar procesos cognitivos complejos. La arquitectura de estos sistemas pretendía ser una proyección del Sistema Nervioso Central (SNC). Sin embargo, existen diferencias notables entre la arquitectura conexionista y un sistema de redes neuronales natural.

Diferencias entre Sistemas Conexionistas y Redes Neuronales Naturales

• Los estados que caracterizan el comportamiento de neuronas naturales no son estados de activo o inactivo, sino que la tasa que permite a una neurona emitir un impulso eléctrico es un aspecto determinante de su comportamiento. Algo que no ocurre en los nodos artificiales.
• El segundo tipo de diferencia tiene que ver con la densidad de conexiones que establece una neurona frente a un dispositivo artificial: El número de conexiones que puede tener una neurona es enorme en comparación al número limitado que tienen las neuronas artificiales.
• La tercera está relacionada con la diversidad de tipos de neuronas que encontramos en los sistemas naturales, en los que hay neuronas especializadas en funciones específicas, frente a los pocos tipos de unidades básicas que hay en los sistemas artificiales.

• Un segundo tipo de problemas que afecta tanto a los TCC y a los sistemas conexionistas es la imagen cartesiana que se deriva su concepción de los procesos cognitivos. Ambas teorías se limitaron al flujo de información dentro de un sistema aislado de su entorno. Sin embargo, comprender los procesos cognitivos requiere comprender no tanto los mecanismos mediante los cuales un sistema procesa información sino como un sistema interacciona con el entorno formando un sistema real complejo en el que agente y entorno son elementos de un mismo sistema.

Interpretación de la Cognición en la Teoría de Sistemas Dinámicos

Los modelos dinámicos interpretan la cognición como un proceso emergente y autoorganizado en el que se deben integrar tanto los factores relacionados con la actividad neuronal como los cambios producidos en el organismo y en el medio en el que se encuentra el sujeto. El modelo resultante es, por lo tanto, un modelo extendido que concibe al sujeto y al medio como elementos que configuran un mismo sistema.

Dentro de la Teoría de Sistemas Dinámicos (TSD) se distingue entre sistemas dinámicos concretos (estudio de objetos reales en un mundo físico y cambios que se producen en ellos a lo largo del tiempo) y sistemas dinámicos abstractos (modelos matemáticos que describen formalmente los cambios producidos en entidades concretas).

Las herramientas matemáticas que describen el comportamiento de estos sistemas están integradas por un conjunto de ecuaciones diferenciales no lineales que determinan los distintos estados hacia los que evoluciona un sistema en el tiempo. Por lo que esta teoría trata de modelar y explicar el comportamiento de sistemas concretos, identificando cuáles son sus variables relacionadas con la conducta del sistema.

La teoría de sistemas dinámicos tiene como objetivo describir los procesos cognitivos del nivel superior, considerados como sistemas que evolucionan en el tiempo. Una característica de estos es que los elementos que lo componen están reaccionando o interaccionando con los cambios que se den en el medio.

A diferencia de otros sistemas, la TSD permite integrar en un sistema tanto al agente como al entorno, superando la escisión sujeto-objeto propia de los modelos cognitivos derivados de aceptar el simbolismo o el conexionismo.

Un ejemplo de estos sistemas es el gobernador centrífugo, que constituye un sistema que interactúa con el entorno y cuya conducta emerge a partir del control de una serie de variables que cambian independientemente en el tiempo, generando un único sistema que engloba tanto al dispositivo en sí como al medio en el que está acoplado.

El comportamiento del sistema en su totalidad puede ser explicado mediante los modelos que proporciona la TSD.