1.5: ¿Por qué debemos preocuparnos por el cerebro?

Una de las cosas que descubrirás en este viaje es que la Neurociencia Cognitiva Computacional es dura. Hay mucho material en múltiples niveles para dominar. Entramos en detalles de canales iónicos en neuronas, nombres de vías en diferentes partes del cerebro, efectos de lesiones en diferentes áreas cerebrales y patrones de actividad neuronal, además de todos los detalles sobre paradigmas conductuales y patrones de tiempo de reacción. ¿No sería mucho más simple si pudiéramos ignorar todos estos detalles cerebrales y centrarnos en lo que realmente nos importa — ¿cómo funciona la cognición misma? A modo de analogía, no necesitamos saber mucho de cómo funciona el hardware de la computadora para programar en Visual Basic o Python, por ejemplo. Los tipos muy diferentes de hardware pueden ejecutar los mismos lenguajes de programación y software. ¿No podemos simplemente enfocarnos en el software de la mente e ignorar el hardware?

Exactamente este argumento se ha promulgado de muchas formas diferentes a lo largo de los años, y de hecho recientemente ha resurgido un poco en forma de modelos bayesianos abstractos de cognición. David Marr (Marr, 1977) fue quizás el más influyente al argumentar que uno puede examinar de manera independiente la cognición en tres niveles diferentes:

• Computacional — ¿qué cálculos se están realizando? ¿Qué información se está procesando?
• Algorítmico — ¿cómo se realizan estos cálculos, en términos de una secuencia de pasos de procesamiento de información?
• Implementacional — ¿cómo implementa realmente el hardware estos algoritmos?

Esta forma de dividir el problema se ha utilizado para argumentar que se puede ignorar con seguridad la implementación (es decir, el cerebro), y enfocarse en los niveles computacional y algorítmico, porque, como en una computadora, el hardware realmente no importa tanto.

Sin embargo, la supervisión clave de este enfoque es que la razón por la que el hardware no importa en las computadoras estándar es que todas están diseñadas específicamente para ser funcionalmente equivalentes en primer lugar. Claro, hay muchos detalles diferentes, pero todos están implementando una arquitectura básica de Von Neumann en serie. ¿Y si el cerebro tiene una arquitectura muy diferente, lo que hace que algunos algoritmos y cálculos funcionen de manera extremadamente eficiente, mientras que ni siquiera puede soportar a otros? Entonces el nivel implementacional importaría mucho.

Hay muchas razones para creer que este es el caso. El cerebro no es en absoluto como un dispositivo computacional de propósito general. En cambio, es realmente una pieza de hardware personalizada que implementa un conjunto muy específico de cálculos en paralelismo masivo a través de sus 20 mil millones de neuronas. En este sentido, se parece mucho más a las unidades especializadas de procesamiento gráfico (GPU) en las computadoras modernas, las cuales están diseñadas a la medida para llevar a cabo de manera eficiente en paralelismo masivo los cálculos específicos necesarios para renderizar gráficos 3D complejos. De manera más general, el campo de la informática está descubriendo que la computación paralela es excepcionalmente difícil de programar, y hay que repensar completamente los algoritmos y cálculos para obtener un cálculo paralelo eficiente. Así, el hardware del cerebro importa una cantidad enorme, y proporciona muchas pistas importantes sobre qué tipo de algoritmos y cálculos se están realizando.

Históricamente, los enfoques de “ignorar el cerebro” han tomado una trayectoria interesante. En la década de 1960 hasta principios de la década de 1990, el enfoque dominante consistía en asumir que el cerebro en realidad opera de manera muy similar a una computadora estándar, y los investigadores tendían a utilizar conceptos como la lógica y las proposiciones simbólicas en sus modelos cognitivos. Desde entonces, se ha popularizado una metáfora más estadística, siendo ampliamente utilizado en particular el marco probabilístico bayesiano. Esto es un avance en muchos aspectos, ya que enfatiza la naturaleza graduada del procesamiento de información en el cerebro (por ejemplo, integrar varias probabilidades graduadas para llegar a una estimación general de la probabilidad de algún evento), en contraste con símbolos duros y lógica, que no parecían ser particularmente buenos encajar con la forma en que realmente opera la mayor parte de la cognición. Sin embargo, las matemáticas reales de los cálculos de probabilidad bayesiana no se ajustan particularmente bien a cómo opera el cerebro a nivel neural, y gran parte de esta investigación opera sin mucha consideración sobre cómo funciona realmente el cerebro. En cambio, se adopta una versión del nivel computacional de Marr, asumiendo que sea lo que sea que esté haciendo el cerebro, debe estar al menos cerca de lo óptimo, y los modelos bayesianos a menudo pueden decirnos cómo combinar de manera óptima piezas de información inciertas. Independientemente de la validez de esta suposición de optimalidad, definitivamente es útil conocer cuáles son los cálculos óptimos para problemas dados, por lo que este enfoque ciertamente tiene mucho valor en general. Sin embargo, la optimalidad suele estar condicionada a una serie de suposiciones, y a menudo es difícil decidir entre estas diferentes suposiciones.

Figura\(1.2\): Los modelos que son relativamente sin restricciones, por ejemplo, al no abordar las restricciones biológicas, o datos de comportamiento detallados, son como rompecabezas de un cielo azul sin rasgos distintivos —muy difícil de resolver— simplemente no tienes suficientes pistas sobre cómo encaja todo.

Si realmente quieres saber con certeza cómo el cerebro está produciendo realmente la cognición, claramente necesitas saber cómo funciona realmente el cerebro. Sí, esto es duro. Pero no es imposible, y el estado de la neurociencia en estos días es tal que hay una gran cantidad de información útil para informar todo tipo de ideas sobre cómo funciona realmente el cerebro. Es como trabajar en un rompecabezas: los rompecabezas más fáciles están llenos de texturas distintivas y basura en todas partes, por lo que realmente puedes ver cuándo encajan las piezas (Figura 1.3). El rico cuadro de datos de neurociencia proporciona toda esta basura distintiva para restringir el proceso de desconcertar la cognición. En contraste, los modelos abstractos, puramente cognitivos, son como un rompecabezas con solo un gran cielo azul sin rasgos (Figura 1.2). Solo tienes las limitaciones lógicas de las formas de las piezas, que son todas muy similares y difíciles de discriminar. Se tarda una eternidad.

Figura\(1.3\): Los modelos que son relativamente sin restricciones, por ejemplo, al no abordar las restricciones biológicas, o datos de comportamiento detallados, son como rompecabezas de un cielo azul sin rasgos distintivos —muy difícil de resolver— simplemente no tienes suficientes pistas sobre cómo encaja todo.

Un par de las instancias más satisfactorias de todas las piezas que se unen para completar un rompecabezas incluyen:

• La biología detallada del hipocampo, incluyendo altos niveles de inhibición y amplia conectividad difusa, encaja con su papel único en el rápido aprendizaje de nueva información episódica, y los notables datos del paciente HM que tuvo su hipocampo resecado para prevenir la epilepsia intratable. A través de modelos computacionales en el Capítulo de Memoria, podemos ver que estos detalles biológicos producen altos niveles de separación de patrones que mantienen las memorias muy distintas y, por lo tanto, permiten un aprendizaje rápido sin crear niveles catastróficos de interferencia.
• La biología detallada de las conexiones entre la dopamina, los ganglios basales y la corteza prefrontal se ajusta a los requisitos computacionales para tomar decisiones basadas en el historial previo de recompensas, y aprender qué información es importante aferrarse, versus lo que se puede ignorar. Los modelos computacionales en el Capítulo de Función Ejecutiva muestran que el sistema de dopamina puede exhibir una especie de viaje en el tiempo necesario para traducir la utilidad posterior en una decisión anterior de qué información mantener, y los del Capítulo Motor muestran que los efectos de la dopamina en el Los circuitos de los ganglios basales son adecuados para facilitar la toma de decisiones basadas en resultados positivos y negativos. Y la interacción entre los ganglios basales y la corteza prefrontal permite que las decisiones de los ganglios basales influyan en lo que se mantiene y actúa en la corteza prefrontal. Aquí hay muchas piezas, pero el hecho de que todas encajen tan bien en un modelo funcional —y que muchos aspectos de ellas hayan resistido la prueba de la experimentación directa— hace que sea mucho más probable que esto sea realmente lo que está pasando.