6.1: Introducción

La percepción es a la vez obvia y misteriosa. Es tan sencillo para nosotros que tenemos poco aprecio por todo el increíble cálculo que sucede bajo el capó. Y sin embargo, a menudo usamos términos como “visión” como metáfora para conceptos de nivel superior (¿el Presidente tiene una visión o no?) — tal vez esto realmente refleje una verdad profunda: que gran parte de nuestras habilidades cognitivas de nivel superior dependen de nuestros sistemas de procesamiento perceptivo para hacer gran parte del trabajo duro. La percepción no es el mero acto de ver, sino que se aprovecha cada vez que imaginamos nuevas ideas, soluciones a problemas difíciles, etc. Muchos de nuestros científicos más innovadores (por ejemplo, Einstein, Richard Feynman) utilizaron procesos de razonamiento visual para llegar a sus mayores percepciones. Einstein intentó visualizar poniéndose al día con un rayo de luz acelerado (además de que los trenes se estiraban y contraían de maneras interesantes), y una de las principales contribuciones de Feynman fue un medio de diagramación visual de operaciones matemáticas complejas en física cuántica.

Pedagógicamente, la percepción sirve como base para nuestra entrada a los fenómenos cognitivos. Es el más estudiado y biológicamente fundamentado de los dominios cognitivos. Como resultado, cubriremos solo una pequeña fracción de los muchos fenómenos fascinantes de la percepción, centrándonos principalmente en la visión. Pero sí nos enfocamos en un conjunto central de temas que capturan muchos de los principios generales detrás de otros fenómenos perceptuales.

Comenzamos con un modelo computacional de corteza visual primaria (V1), que muestra cómo los principios de aprendizaje autoorganizados pueden explicar el origen de los detectores de bordes orientados, que capturan las regularidades estadísticas dominantes presentes en las imágenes naturales. Este modelo también muestra cómo las conexiones laterales excitatorias pueden resultar en el desarrollo de la topografía en V1: las neuronas vecinas tienden a codificar características similares, porque tienen una tendencia a activarse entre sí, y el aprendizaje está determinado por la actividad.

A partir de las características aprendidas en V1, exploramos cómo niveles superiores de lo ventral qué vía pueden aprender a reconocer objetos independientemente de la variabilidad considerable en la apariencia superficial de estos objetos a medida que se proyectan sobre la retina. El reconocimiento de objetos es el ejemplo paradigmático de cómo una secuencia jerárquicamente organizada de detectores de categoría de características puede resolver incrementalmente un problema general muy difícil. Los modelos computacionales basados en este principio pueden exhibir altos niveles de rendimiento de reconocimiento de objetos en imágenes visuales realistas, y así proporcionar una sugerencia convincente de que así es probablemente como el cerebro resuelve este problema también.

A continuación, consideramos el papel de la vía dorsal dónde (o cómo) en la atención espacial. La atención espacial es importante para muchas cosas, incluido el reconocimiento de objetos cuando hay múltiples objetos a la vista; ayuda a enfocar el procesamiento en uno de los objetos, al tiempo que degrada la actividad de las entidades asociadas con los otros objetos, reduciendo la posible confusión. Nuestro modelo computacional de esta interacción entre qué y dónde los flujos de procesamiento pueden dar cuenta de los efectos del daño cerebral a la vía dónde, dando lugar a un descuido hemispatial por daño a un solo lado del cerebro, y un fenómeno llamado síndrome de Balint con daño bilateral. Esta capacidad para dar cuenta tanto del comportamiento neurológicamente intacto como del cerebro dañado es una poderosa ventaja del uso de modelos basados en neuronas.

Como es habitual, comenzamos con una revisión de los sistemas biológicos involucrados en la percepción.