9.5: Una síntesis cognitiva

La psicología experimental moderna surgió alrededor de 1860 (Fechner, 1966), y más de siglo y medio después es vista por muchos como una disciplina inmadura, preparadigmática (Buss, 1978; Leahey, 1992). La diversidad de sus escuelas de pensamiento y la amplitud de temas que estudia son un testimonio de la juventud de la psicología experimental como ciencia. “En las primeras etapas del desarrollo de cualquier ciencia diferentes hombres enfrentando la misma gama de fenómenos, pero no usualmente todos los mismos fenómenos particulares, los describen e interpretan de diferentes maneras” (Kuhn, 1970, p. 17).

La ciencia cognitiva nació en 1956 (Miller, 2003). Debido a que es aproximadamente un siglo más joven que la psicología experimental, no sería sorprendente descubrir que la ciencia cognitiva también es preparadigmática. Esto podría explicar la variedad de opiniones sobre la naturaleza de la cognición, introducidas anteriormente como los elementos competidores de la ciencia cognitiva clásica, conexionista y encarnada. “El periodo preparadigmático, en particular, está marcado regularmente por frecuentes y profundos debates sobre métodos legítimos, problemas y estándares de solución, aunque estos sirven más que para definir escuelas que para producir acuerdos” (Kuhn, 1970, pp. 47—48).

El estado actual de la ciencia cognitiva define una dialéctica aún incompleta. La competencia entre la ciencia clásica, coneccionista y cognitiva encarnada refleja las tensiones existentes entre tesis y antítesis. Lo que falta es un estado de síntesis en el que la ciencia cognitiva integre ideas clave de sus escuelas de pensamiento competidoras. Esta integración es necesaria, porque es poco probable que, por ejemplo, una caracterización clásica del sistema cognitivo puro proporcione una explicación completa de la cognición (Miller, Galanter, & Pribram, 1960; Neisser, 1976; Norman, 1980).

En estos últimos capítulos del libro actual, se presentan varias líneas de evidencia para sugerir que la síntesis dentro de la ciencia cognitiva es posible. En primer lugar, es extremadamente difícil encontrar marcas de lo clásico, es decir, características que distingan de manera única a la ciencia cognitiva clásica de los enfoques coneccionistas o encarnados. Por ejemplo, la ciencia cognitiva clásica se inspiró en la computadora digital, pero una variedad de computadoras digitales incorporaron procesos consistentes con el conexionismo (como el procesamiento paralelo) y con la ciencia cognitiva encarnada (como las representaciones externas).

Una segunda línea de evidencia es que existe un alto grado de similitud metodológica entre los tres enfoques. En particular, cada escuela de ciencia cognitiva puede caracterizarse por explorar cuatro niveles diferentes de investigación: computacional, algorítmica, arquitectónica e implementacional. Vemos en el Capítulo 6 que los diferentes enfoques tienen desacuerdos sobre los detalles técnicos dentro de cada nivel. Sin embargo, los cuatro niveles son investigados por los tres enfoques dentro de la ciencia cognitiva. Además, cuando se comparan diferentes enfoques en cada nivel, se pueden identificar fuertes similitudes. Por ello, por ejemplo, que se ha afirmado que la distinción entre ciencia cognitiva clásica y conexionista está borrosa (Dawson, 1998).

Una tercera línea de evidencia da cuenta de la similitud metodológica entre los diferentes enfoques: científicos cognitivos de diferentes escuelas de pensamiento comparten muchos supuestos centrales. Aunque pueden estar en desacuerdo sobre sus detalles técnicos, todos los científicos cognitivos ven la cognición como una forma de procesamiento de la información. Por ejemplo, cada una de las tres escuelas de pensamiento apela a la noción de representación, al tiempo que debate su naturaleza. ¿Las representaciones son símbolos, patrones distribuidos o artefactos externos? Todos los científicos cognitivos han rechazado el dualismo cartesiano y buscan explicaciones materialistas de la cognición.

De manera más general, los tres enfoques en la ciencia cognitiva coinciden en que la cognición implica interacciones entre el mundo y los estados de los agentes. Es por ello que un pionero de la ciencia cognitiva clásica puede hacer la siguiente afirmación encarnada: “Un hombre, visto como un sistema de comportamiento, es bastante sencillo. La aparente complejidad de su comportamiento a lo largo del tiempo es en gran parte un reflejo de la complejidad del entorno en el que se encuentra” (Simon, 1969, p. 25). Sin embargo, nuevamente es justo decir que las contribuciones del mundo, el cuerpo y la mente reciben diferentes grados de énfasis dentro de los tres enfoques de la ciencia cognitiva. Anteriormente vimos que los pioneros del sistema de producción admitieron que enfatizaron la planeación interna y descuidaron la percepción y la acción (Anderson et al., 2004; Newell, 1990). Solo recientemente han recurrido a incluir la detección y la actuación en sus modelos (Kieras & Meyer, 1997; Meyer et al., 2001; Meyer & Kieras, 1997a, 1997b, 1999; Meyer et al., 1995). Aun así, siguen siendo muy reacios a incluir el procesamiento de actos sensoriales, vínculos entre la detección y la actuación que no están mediados por representaciones internas, a sus sistemas de producción sensorio-pensar-actuar (Dawson, Dupuis y Wilson, 2010).

Una cuarta línea de evidencia es la existencia de teorías híbridas, como la computación natural (Marr, 1982) o el relato de la cognición visual de Pylyshyn (2003). Estas teorías se basan explícitamente en conceptos de cada enfoque de la ciencia cognitiva. Las teorías híbridas solo son posibles cuando hay al menos un reconocimiento tácito de que cada escuela de pensamiento dentro de la ciencia cognitiva tiene importantes contribuciones cooperativas que hacer. Además, la existencia de tales teorías depende completamente de la necesidad de tal cooperación: ninguna escuela de pensamiento proporciona una explicación suficiente de la cognición, sino que cada una es un componente necesario de tal explicación.

Una cosa es señalar la posibilidad de una síntesis en la ciencia cognitiva. Otra muy distinta es señalar la manera de llevar a la existencia tal síntesis. Un componente requerido, discutido anteriormente en este capítulo, es estar abierto a las posibles contribuciones de las diferentes escuelas de pensamiento, una apertura demostrada por la teoría pragmática e interdisciplinaria de la computación natural de la percepción.

Un segundo componente, que es el tema de esta sección final del libro, es estar abierto a una perspectiva metodológica que invadió la ciencia cognitiva temprana y sus antepasados inmediatos, pero que se ha vuelto menos favorecida en tiempos más recientes. La síntesis en la ciencia cognitiva puede requerir un retorno, al menos en parte, a la práctica de la psicología sintética.

La ciencia cognitiva actual emplea en su mayor parte prácticas metodológicas analíticas y no sintéticas. Es decir, la mayoría de los científicos cognitivos están en el negocio de realizar ingeniería inversa (Dennett, 1998). Comienzan con un agente cognitivo completo y preexistente. Luego observan su comportamiento, sin mencionar cómo el comportamiento se ve afectado por diversas manipulaciones experimentales. Los resultados de estas observaciones se utilizan frecuentemente para crear teorías en forma de simulaciones por computadora (Newell & Simon, 1961). Por ejemplo, Newell y Simon (1972) recopilaron datos en forma de protocolos verbales, y luego utilizaron estos protocolos para derivar sistemas de producción de trabajo. Es decir, cuando se utilizan metodologías analíticas, la recolección de datos precede a la creación de un modelo.

La naturaleza analítica de la mayor parte de la ciencia cognitiva se refleja en su metodología primaria, el análisis funcional, un ejemplo prototípico de ingeniería inversa (Cummins, 1975, 1983). El análisis funcional dicta una descomposición descendente desde lo amplio y abstracto (es decir, especificación computacional de funciones) hasta lo más estrecho y concreto (es decir, arquitectura e implementación).

Incluso el enfoque de computación natural en visión avaló un enfoque analítico de arriba hacia abajo, pasando de los análisis computacionales a los implementacionales en lugar de en la dirección opuesta. Esto se debió a que se utilizaron análisis de nivel superior para guiar las interpretaciones de los niveles inferiores.

Para entender por qué los campos receptivos son como son, por qué son circularmente simétricos y por qué sus regiones excitadoras e inhibidoras tienen formas y distribuciones características, tenemos que conocer un poco de la teoría de los operadores diferenciales, los canales de paso de banda y la matemáticas del principio de incertidumbre. (Marr, 1982, p. 28)

Un enfoque alternativo es sintético, no analítico; es de abajo hacia arriba en lugar de arriba hacia abajo; y aplica ingeniería hacia adelante en lugar de ingeniería inversa. Este enfoque se ha denominado psicología sintética (Braitenberg, 1984). En la psicología sintética, uno toma un conjunto de bloques de construcción primitivos de interés y crea un sistema de trabajo a partir de ellos. Se observa el comportamiento de este sistema para determinar qué fenómenos sorprendentes pueden surgir de componentes simples, particularmente cuando están incrustados en un entorno interesante o complejo. En consecuencia, en la psicología sintética, los modelos preceden a los datos, porque son la fuente de datos.

La ingeniería hacia adelante que caracteriza a la psicología sintética procede como una construcción ascendente (y posterior exploración) de un modelo cognitivo. Braitenberg (1984) argumentó que este enfoque produciría teorías más simples que las producidas por metodologías analíticas, porque los modelos analíticos no reconocen la influencia del entorno, cayendo presa de lo que se conoce como el problema del marco de referencia (Pfeifer & Scheier, 1999). Además, las técnicas analíticas solo tienen acceso indirecto a componentes internos, en contraste con el conocimiento completo de tales estructuras que posee un diseñador sintético.

Es placentero y fácil crear pequeñas máquinas que hagan ciertos trucos. También es bastante fácil observar el repertorio completo de comportamiento de estas máquinas, incluso si va más allá de lo que habíamos planeado originalmente, como suele suceder. Pero es mucho más difícil comenzar desde afuera e intentar adivinar la estructura interna solo a partir de la observación de los datos. (Braitenberg, 1984, p. 20)

Aunque Braitenberg propuso la ingeniería avanzada como una metodología novedosa en 1984, había sido ampliamente practicada por los cibernéticos a partir de finales de la década de 1940. Por ejemplo, los robots autónomos originales, Tortugas de Grey Walter (1950a, 1950b, 1951, 1963), fueron creados para observar si el comportamiento complejo estaría respaldado por un pequeño conjunto de principios cibernéticos. Ashby (1956, 1960) Homeostat fue creado para estudiar las relaciones de retroalimentación entre máquinas simples; después de que se construyó, Ashby observó que este dispositivo demostraba interesantes y complicadas relaciones adaptativas a una variedad de entornos. Este tipo de ingeniería avanzada prevalece actualmente en un campo moderno que ha inspirado la ciencia cognitiva encarnada, la robótica basada en el comportamiento (Brooks, 1999; Pfeifer & Scheier, 1999; Sharkey, 2006).

La ingeniería avanzada no se limita a la creación de robots autónomos. Se ha argumentado que el enfoque sintético caracteriza una buena parte del conexionismo (Dawson, 2004). El empuje de este argumento es que los bloques de construcción que se utilizan son los componentes de una arquitectura conexcionista particular. Éstas se agrupan en un sistema de trabajo cuyo comportamiento puede ser explorado. En el caso coneccionista, la síntesis de una red de trabajo implica utilizar un ambiente de formación para modificar una red aplicando una regla general de aprendizaje.

La ciencia cognitiva clásica es posiblemente la forma de ciencia cognitiva más comúnmente practicada, y también es mucho menos probable que adopte metodologías sintéticas. Sin embargo, esto no significa que los científicos cognitivos clásicos no hayan empleado útilmente la ingeniería avanzada. Un ejemplo destacado está en el uso de sistemas de producción para estudiar la resolución de problemas humanos (Newell & Simon, 1972). Claramente, el análisis de los protocolos verbales proporcionó un conjunto de producciones potenciales para incluir en un modelo. Sin embargo, esto fue seguido por una fase altamente sintética de desarrollo del modelo.

Esta fase sintética procedió de la siguiente manera: Newell y Simon (1972) utilizaron protocolos verbales para clasificar las diversas producciones disponibles en términos de su uso general. Luego comenzaron creando un modelo de sistema de producción que estaba compuesto por una sola producción, la más utilizada. Luego se comparó el desempeño de este sencillo sistema con el protocolo humano. El siguiente paso fue crear un nuevo sistema de producción agregando la siguiente producción más utilizada al modelo original, y examinando el comportamiento del nuevo sistema de dos producciones. Este proceso continuaría, revelando generalmente un mejor desempeño del modelo (es decir, un mejor ajuste a los datos humanos) ya que el modelo se elaboró agregando cada nueva producción.

La ingeniería hacia adelante, en todos los ejemplos mencionados anteriormente, proporciona una exploración sistemática de lo que una arquitectura puede producir “de forma gratuita”. Es decir, no se utiliza para crear un modelo que se ajuste a un conjunto particular de datos. En cambio, se utiliza para mostrar cuánto comportamiento sorprendente y complejo se puede generar a partir de un simple conjunto de componentes, particularmente cuando esa arquitectura está incrustada en un entorno interesante. Se utiliza para explorar los límites de un sistema, ¿cuántas complejidades inesperadas aparecen en su comportamiento? ¿Qué comportamientos están aún más allá de la capacidad del sistema? Mientras que la ingeniería inversa fomenta la derivación de un modelo limitado por datos, la ingeniería hacia adelante se ocupa de un proceso mucho más liberador de diseño de modelos. “Solo alrededor de 1 de cada 20 [estudiantes] 'lo capta', es decir, la idea de pensar en problemas psicológicos inventando mecanismos para ellos y luego tratando de ver lo que pueden y no pueden hacer” (Minsky, 1995, comunicación personal).

El aspecto liberador de la ingeniería avanzada se ilustra en el desarrollo del robot LEGO AntiSlam (Dawson, Dupuis, & Wilson, 2010). Originalmente, este robot fue creado como una versión basada en sonares de uno de los experimentos de pensamiento simples de Braitenberg (1984), Vehículo 2. El Vehículo 2 utilizó dos sensores de luz para controlar las velocidades de dos motores separados y generó un comportamiento fotofóbico o fotofílico dependiendo de su cableado. Reemplazamos los sensores de luz por dos sensores de sonar, lo que en sí mismo era una desviación de la convención, porque la visión estándar era que los dos sensores interferirían entre sí (Boogaarts, 2007). Sin embargo, encontramos que el robot generaba comportamientos ágiles y navegaba sin esfuerzo alrededor de muchos tipos diferentes de obstáculos a máxima velocidad. Un ligero retoque de la arquitectura del robot provocó que siguiera a lo largo de una pared a su derecha. Entonces nos dimos cuenta de que si el entorno para el robot se convertía en una arena de reorientación, entonces generaría un error rotacional. La ingeniería avanzada de este robot muy simple resultó en nuestro descubrimiento de que generó regularidades de navegación “gratis”.

El atractivo de la ingeniería avanzada, sin embargo, no es solo el descubrimiento de un comportamiento inesperado. También es atractivo porque lleva al descubrimiento de los límites de una arquitectura. No solo exploras lo que puede hacer un sistema, sino que también descubres sus fallas. Se ha argumentado que en la tradición analítica, las fallas suelen llevar al abandono de un modelo (Dawson, 2004), ya que las fallas equivalen a una incapacidad para ajustarse a un conjunto de datos deseado. En el enfoque sintético, que no es impulsado por el ajuste de datos, las fallas conducen a retoques con la arquitectura, generalmente al agregarle nuevas capacidades (Brooks, 1999, 2002). El diseño sintético de modelos cognitivos es una instancia prototípica de bricolaje (Dawson, Dupuis, & Wilson, 2010; Turkle, 1995).

Por ejemplo, si bien la versión temprana de AntiSlam (Dawson, Dupuis, & Wilson, 2010) produjo error rotacional, no pudo procesar señales geométricas y locales competidoras, porque no tenía capacidad de detectar señales locales. Después de darse cuenta de que el robot era capaz de reorientación, este problema se resolvió agregando un sensor de luz a la arquitectura existente, para que el brillo de una esquina pudiera servir como una característica rudimentaria. El robot sigue siendo inadecuado, sin embargo, porque no aprende. Actualmente estamos explorando cómo este problema podría resolverse agregando una red de conexión modificable para mapear las relaciones entre sensores y motores. Obsérvese que este enfoque requiere ir más allá de una pura cuenta encarnada y aprovechar los conceptos conexionistas.

En mi opinión, son las limitaciones que inevitablemente encuentran los ingenieros avanzados las que proporcionarán un incentivo para una síntesis cognitiva. Consideremos las fuertes posiciones antirepresentacionales de los científicos cognitivos encarnados radicales (Chemero, 2009; Noë, 2004). Sin duda es asombroso ver cuánto comportamiento interesante pueden generar los sistemas con representaciones internas limitadas. Pero, ¿cuánto de la cognición se puede explicar de una manera basada en datos y anti-representacional antes de que los investigadores tengan que apelar a las representaciones? Por ejemplo, ¿es posible una ciencia cognitiva radicalmente encarnada del lenguaje natural? Si los científicos cognitivos encarnados llevan sus teorías al límite, y luego están abiertos, al igual que los investigadores de computación natural, a conceptos clásicos o conexionistas, entonces es inevitable una síntesis cognitiva interesante y productiva. Que algunos investigadores encarnados (Clark, 1997) hayan estado abiertos desde hace mucho tiempo a una síntesis entre ideas encarnadas y clásicas es una señal alentadora.

Del mismo modo, investigadores coneccionistas radicales han argumentado que se puede lograr una gran cantidad de cognición sin la necesidad de símbolos explícitos y reglas explícitas (Rumelhart & McClelland, 1986a; Smolensky, 1988). Investigadores clásicos han reconocido la increíble gama de fenómenos que han cedido a la arquitectura bastante simple del PDP (Fodor & Pylyshyn, 1988). Pero, nuevamente, ¿cuánto pueden explicar los coneccionistas desde una perspectiva pura del PPD, y qué fenómenos eludirán su comprensión, exigiendo que se reintroduzcan las ideas clásicas? ¿Podría ser posible tratar las redes como símbolos dinámicos, y luego manipularlas con reglas externas que son diferentes a las reglas de aprendizaje que se suelen aplicar? Una vez más, las ideas recientes parecen abiertas al uso cooperativo de ideas conexionistas y clásicas (Smolensky & Legendre, 2006).

El enfoque sintético proporciona una ruta que lleva a un científico cognitivo a los límites de su perspectiva teórica. Esto a su vez producirá una tensión teórica que probablemente solo se resolverá cuando se consideren seriamente los elementos centrales de perspectivas alternativas. Obsérvese que tal resolución requerirá que un teórico esté abierto a admitir diferentes tipos de ideas. En lugar de tratar de demostrar que su arquitectura puede hacer todo lo cognitivo, los investigadores necesitan encontrar lo que sus arquitecturas no pueden hacer, y luego expandir sus teorías al incluir elementos de puntos de vista alternativos, posiblemente radicalmente diferentes, de la cognición.

Esto no quiere decir que el enfoque sintético sea la única metodología que se utilizará. Los métodos sintéticos tienen sus propias limitaciones, y una ciencia cognitiva completa requiere interacción entre síntesis y análisis (Dawson, 2004). En particular, la ciencia cognitiva en última instancia está en el negocio de explicar la cognición de los agentes biológicos. Para ello, sus modelos, incluidos los desarrollados mediante ingeniería avanzada, deben ser validados. Validar una teoría requiere las prácticas tradicionales del enfoque analítico, buscando equivalencias entre cálculos, algoritmos y arquitecturas. Es difícil imaginar que dicha validación no continúe adoptando métodos analíticos que proporcionen complejidad relativa, error y evidencia de estado intermedio. También es difícil imaginar que una exploración completa de una arquitectura cognitiva putativa no explote la evidencia analítica de las neurociencias.

En efecto, puede ser que la incapacidad de utilizar evidencia analítica para validar un modelo “puro” de una escuela de pensamiento pueda ser la principal motivación para considerar perspectivas alternativas, alimentando una verdadera síntesis dentro de la ciencia cognitiva. Según Kuhn (1970), los paradigmas nacen al descubrir anomalías. Las técnicas analíticas de la ciencia cognitiva están bien equipadas para descubrir tales problemas. Lo que entonces se requiere para la síntesis es la voluntad de los científicos cognitivos de admitir que las opiniones competitivas de la cognición podrían ser aplicadas de manera cooperativa para resolver anomalías.