Ciencia cognitiva Carlos Reynoso UNIVERSIDAD DE BUENOS AIRES

Ciencia cognitiva Carlos Reynoso UNIVERSIDAD DE BUENOS AIRES http: //carlosreynoso. com. ar billyreyno@hotmail. com

Objetivos Comprender la mente puede ser menos complicado de lo que nuestra vanidad espera o de lo que nuestro intelecto teme. - Rodolfo Llinás, 1986 • Elaborar una presentación de la disciplina desde el punto de vista antropológico. • Mostrar formas complejas de entendimiento (posible) entre antropología y otras disciplinas • Poner de manifiesto las limitaciones inherentes a las concepciones antropológicas de los conceptos cognitivos esenciales – Conocimiento, símbolo, representación, mente, aprendizaje, lógica, pensamiento, imagen, inteligencia, memoria

Agenda • Historia de la ciencia cognitiva – Psicología cognitiva* – Inteligencia artificial, GOFAI – Inteligencia artificial, conexionismo • Antropología cognitiva • Conclusiones • Trabajos pendientes & Referencias

Definiciones • “Cognición” – Se puede encontrar a fines del siglo XIX (Wilhelm Wundt, William James) • Ciencia cognitiva = estudio de la mente o de la inteligencia • Reemplazó a la idea de Inteligencia Artificial • Modelo de caja gris – Restitución de la mente • Investigación multidisciplinaria: psicología, neurociencia, antropología, filosofía, lingüística, computación científica, biología

La “revolución cognitiva” • • MIT, 11 de setiembre de 1956 (11 al 13) Miller, Mágico número siete Newell y Simon – Logic Theorist, GPS Declinación (momentánea) de la neurociencia y auge de la lingüística • Chomsky – Tres modelos para la descripción del lenguaje – 1957: Syntactic structures – 1958: Review de Verbal behavior de Skinner

Chomsky sobre Skinner • Cuestionamiento de la idea de que el lenguaje se puede insuflar via entrenamiento animal – Estímulo – Refuerzo – Privación • Predecir y controlar comportamiento verbal manipulando variables de entorno. • No habría restricciones de especie. • La contribución interna del hablante sería poco esencial.

La revolución… • Chomsky (28 años a esa fecha) – No es viable un modelo de producción lingüística derivado de la teoría de la información de Shannon. – Base de su concepción de lenguajes formales y sus autómatas. – Base de los métodos formales en computación y de los compiladores de lenguajes formales. – Primer modelo “matemático” del lenguaje. – Segunda (o tercera) revolución lingüística.

George Miller • The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for Processing Information (1956) – Sólo se aplica a juicios o estímulos unidimensionales, no a recordar (por ejemplo) caras o lugares. – Capacidad de canal equivalente a 2. 5 bits (unas 6 alternativas) – Se aplica a percepción, procesamiento y memoria. – “En realidad no hay ninguna magia en relación con tantos otros 7 s; sólo una perniciosa coincidencia”. – Entre las coincidencias incluye las 7 notas de la escala musical, lo que sin duda es un error suyo. – No está demostrado que se aplique a la memoria a corto plazo. – Se ha convertido en una especie de mito urbano. – Elizabeth Rice (1980) – Cultural schemata.

Anthony Wallace • “On being just complicated enough”, 1964 [disp] • Aunque el tamaño y complejidad de las sociedades varía enormemente, la dimensión del sistema de términos de parentesco no lo hace • Para transformar el número de términos en una cifra que sirva para medir complejidad, computó log 2 1/L • Número de elecciones binarias necesario para producir un sistema de tamaño L

Anthony Wallace • Todos los sistemas taxonómicos se pueden acomodar en un espacio que requiere 6 dimensiones binarias o menos

Anthony Wallace • 26 = 64 • “Conjuntos contrastantes” = espacios taxonómicos, o sistemas institucionalizados de discriminación • Formas verbales en inglés, 61; 64 cuadrados en un tablero de ajedrez, menos de 64 términos numéricos básicos; menos de 64 rangos militares, etcétera

Otros hitos • 1960 – George Sperling – Memoria icónica • 1967 – Ulric Neisser – Psicología cognitiva – Modelo computacional para memoria, razonamiento, percepción • 1969 – Modelos de la función cerebelar y de la visión de David Marr • 1970 s – Journals: Cognitive Psychology, Cognition, Memory & Cognition

David Marr [1945 -1980] • • Fundador de la neurociencia computacional Modelos de procesamiento visual: Fisiología +IA+psicología Entender el cerebro presupone entender los problemas que se le plantean y las soluciones que encuentra • Tres niveles de análisis: – El problema que la visión enfrenta (computacional) – La estrategia que puede usarse (algorítmico) – Cómo se realiza de hecho la actividad neuronal (implementacional)

David Marr [1945 -1980] • Proceso visual en tres etapas: – Esbozo primitivo (primal sketch), extrayendo rasgos de componentes fundamentales de la escena (bordes, regiones, etc) – Un esbozo de 2, 5 dimensiones. Se reconocen sombras, texturas, etc – Un modelo continuo en 3 dimensiones • Dinámica de aprendizaje/optimización, que anticipa los métodos de los algoritmos naturales**

David Marr [1945 -1980] • “Ley del cuadrado inverso” para la investigación científica: – El valor de un estudio varía inversamente con el cuadrado de su generalidad • Avances en investigación de visión binocular • El libro casi póstumo de Marr es reconocido como la Biblia del MIT de visión de computadora. • Colin Ware – Information visualization (2004)* • Mallot & Allen – Computational vision (2004) • Uttal – Computational modeling of vision (1999)

Relaciones interdisciplinarias © Howard Gardner, La nueva ciencia de la mente

Tres modelos contrapuestos • IA “fuerte” - MIT – – – Artificial Ligada a computadoras, lógica Modelo mecánico Deducción: cálculo de predicados Newell-Simon, Russell/Whitehead, Frege Atomismo, racionalismo • Conexionismo – Redes neuronales – Natural – Simulación del cerebro – The astonishing hypothesis (Francis Crick) – Aprendizaje, inducción – Modelo estadístico, caja negra

Tres modelos contrapuestos • Neurociencia computacional* • Modelos computacionales del cerebro o de diversos componentes funcionales • Basado en intuiciones de Andrew Huxley, Alan Hodgkin y David Marr

GOFAI

Inteligencia artificial • Dificultad de definir consensuadamente “Inteligencia” Propuesta de Alan Turing La inteligencia como medida del IQ (G) Howard Gardner – Teoría de las múltiples inteligencias La curva de campana (Charles Murray, Richard Herrnstein - 1994) Discutido por Stephen Jay Gould en The mismeasure of man (nueva edición, 1996) – Todavía no hay definiciones aceptadas – La polémica es hoy explosiva y la antropología no tiene gran cosa que aportar al respecto, pues carece de método comparativo y de capacidad experimental. (Cole & Gay) – – –

La prueba de Turing • ¿Puede una máquina ser inteligente? • Sí, si inteligencia se define como la capacidad de engañar a un interlocutor humano. • Es posible hacerlo durante un corto tiempo. • Ejemplos: – “George” – Página de Simon Laven – http: //www. simonlaven. com – The Postmodern Generator, http: //www. elsewhere. org/pomo • A veces se confunde la Prueba de Turing con la idea de que el cerebro funciona como una Máquina de Turing.

La prueba, Enigma, The Bomb & la Máquina

SHRDLU • Terry Winograd, 1970

La consagración de la prueba de Turing • http: //carlosreynoso. com. ar/portal-de-la-retoricaposmoderna/ • Portal de la retórica posmoderna y cientificista

Supuestos comunes a la IA • La cognición humana comparte características con el procesamiento de información de las computadoras. • Ese procesamiento es secuencial y serial. • Consiste en operaciones discretas. • La memoria es independiente del procesador. – Propósito general • Las operaciones se pueden describir en términos de reglas como las que caracterizan a los lenguajes de programación.

Allen Newell y Herbert Simon • Logic Theorist, 1956 – Teoremas de Principia Mathematica • General Problem Solver, 1958 • SOAR, hasta 1990 s – Arquitectura general para sistemas inteligentes, todavía activa

Inteligencia Artificial ppd • John Mc. Carthy, 1958 – Propuso utilizar cálculo de predicados para la representación del conocimiento. – Los programas deberían ser declarativos, no imperativos (o procedimentales). – También inventó el lenguaje Lisp. • Procesamiento de listas recursivas. – Prefiguró los Application Service Providers en 1960. • Obviamente no prosperó. – A principios de los 90 s reconoció que se la había ido un poco la mano.

GOFAI • John Haugeland, 1985 (Artificial intelligence, the very idea) – Good Old Fashioned Artificial Intelligence. • N-S - Sistema [físico] de procesamiento de símbolos. • Hechos y reglas. • Modelos de programación lógica. – Prolog, cláusulas de Horn – Alain Colmerauer y Robert Kowalski, 1972 – Algoritmo de resolución de Robinson • Cálculo de predicados de primer orden. • Cuantificación universal.

Programación lógica • PROLOG – Hechos, reglas, preguntas, hipótesis – Reglas: mortal(X) : - hombre (X). – Hechos: hombre(socrates). – – Pregunta extensional (en consulta): mortal(X). Hipótesis: mortal(socrates). Las hipótesis tienen la misma estructura de los hechos. Las únicas respuestas a una hipótesis tienen que ser si o no.

Aaron

GOFAI - 2 – Sistemas expertos • Base de datos • Máquina de inferencia – Inferencia clínica • Mycin, Neo-Mycin, Pip, Internist, Dendral, SHRDLU • AGENI 2 (Reynoso) – Limitaciones del modelo simbólico • No todo conocimiento puede representarse en términos de proposiciones o predicados • Reconocimiento de patrones • Identificación de instancias diferentes de un mismo objeto (firmas, huellas digitales) • Intolerancia a errores o destrucción parcial

Inteligencia artificial • Aplicaciones antropológicas de IA simbólica – Sistemas expertos de diagnóstico clasificatorio – Modelos axiomáticos de la cultura • Matrimonio Kariera (Kemeny-Snell-Thompson) – Gramáticas culturales • Benjamin Colby – Cuentos Ixil • Análisis funcional del relato (Vladimir Propp) – Lógicas alternativas • • Lógica temporal Lógica no-monotónica Logica polivalente (Lukasiewicz) Lógica difusa (Lotfi Zadeh)

Limitaciones técnicas de GOFAI • Sólo buena para campos conocidos de manera analítica y exhaustiva. • Poca tolerancia a errores. • Representación sintáctica, no realmente semántica. • Reconocimiento de patrones prácticamente imposible. • Carente de capacidad de recuperación ante destrucción parcial. • No muy eficiente para implementar aprendizaje. – El aprendizaje es mayormente inducción.

Descrédito de la IA fuerte • Promesas no cumplidas – Invierno de la IA desde 1988 • Sistemas expertos exitosos, pero sólo útiles para tareas de diagnóstico – Varios SE embebidos en sistemas operativos • Fracaso histórico del programa japonés de máquinas de Quinta Generación – Proyección original de 5 millones de dólares • Prolog no puso soportar la competencia de lenguajes procedimentales, particularmente C++ • Queda como tecnología de nicho para sistemas basados en reglas, cálculos de riesgo crediticio, diagnósticos varios

Conexionismo

Problema no tratable analíticamente • ¿Cuántos grupos de objetos hay?

Otro más Fotografía de R. C. James, 1970 s

Otro

Reconocimiento (gestáltico) de rostros • Pawan Sinha: Ineficiencia del método por piezas tradicional • Identikits de Bill Cosby, Tom Cruise, Ronald Reagan y Michael Jordan 44

Reconocimiento (gestáltico) de rostros • Y a la inversa, eficiencia del reconocimiento humano aún en casos de ruido • Habitualmente muchos pueden reconocer al príncipe Carlos, Woody Allen, Bill Clinton, Saddam Hussein, Richard Nixon y Ladi Di • Inmensa importancia estratégica del reconocimiento automático. 45

Reconocimiento de patrones • https: //lancaster. crimewatchpa. com/lbop/19659/arrests/nguyen -hung-phuoc-theft-unlawful-taking-2 -counts 46

Reconocimiento de patrones • http: //www. insideedition. com/cops-identify-hung-phuoc-nguyen-theft-suspect-despite-widely -mocked-sketch-40551 47

Procesos diversos • El cerebro trabaja en el rango de los milisegundos (10 -3) y las computadoras en el orden de los nanosegundos (10 -9). • Sin embargo, el cerebro reconoce formas y patrones mucho más eficientemente. • No es posible que lo haga mediante muchísimos procesos unitarios y secuenciales: no habría suficiente tiempo. • Trabajos mucho más sencillos (calcular) le insumen tiempos comparativamente enormes.

Redes neuronales (Presentación separada)

Conexionismo • Redes de Mc. Culloch – Pitts (1943) – – Neuronas como puertas lógicas Pesos: sinapsis excitativas, s. inhibitorias Capacidad de computación universal Máquina de lectura para ciegos, percepción gestáltica • Von Neumann, Winograd – Redundancia en redes de Mc. C-P para tolerancia a errores • Sinapsis de Hebb (1949) – – Basado en Ramón y Cajal Modelo distribuido (hologramático) Aprendizaje: redes neuronales adaptativas (Mc. Kay, Uttley, 1950) Reconocimiento de patrones

Conexionismo • Perceptrones (Frank Rosenblatt) – Entrenamiento para distinción de patrones – Unidades sensoriales y motoras – Aumento o disminución de pesos (conductismo) • Seymour Papert / Marvin Minsky (1969) – Distinción entre T y C, con rotación etc – No pueden resolver XOR y funciones lógicas que requieren más alto nivel de tipificación

Modelos ulteriores • Redes de Hopfield – Spin glass: Problemas de optimización, vendedor ambulante (simulación de templado, AG, etc) – Atrapadas en configuraciones metaestables • Máquinas de Boltzmann – – – – Múltiples capas Propagación hacia atrás Kohonen: entrenamiento no asistido Resolución XOR, T/C Net. Talk: lee y habla inglés Redes amo-esclavo, filtros de Gabor Modelos mixtos: AARON

Situación actual • Situación incierta de IA fuerte – Sentido común: Estructuras, templates, frames, scripts, mapas cognitivos – Dreyfus: What computers can’t do (Flores, Heidegger) – 1996: Deep Blue vence a Kasparov • Divisiones en el paradigma conexionista (Pinker) – Conexionismo eliminativo: sin semántica ni nivel simbólico – Conexionismo implementacional: representación sub-simbólica – Conexionismo revisionista de procesamiento de símbolos (Escuela de San Diego)

Desarrollos ulteriores • 1980 s: Resurgimiento de la neurociencia con PDP en Escuela de San Diego • 1987: Cognición situada, modelos ecológicos • 1990: Dinámica no lineal • 1990 -2000: Cognición distribuida, Modelos basados en agentes

Estado de la cuestión • Modelo de Izhikovich, igual dimensión que el cerebro 1010 neuronas. • Un segundo de simulación insume 50 días en un cluster Beowulf de 27 procesadores de 3 GHz • El modelo exhibe ritmos alpha y gamma y otros fenómenos de interés.

Aplicaciones en Antropología • Discursivas: Reflexiones de D’Andrade – Los antropólogos suelen hablar de reglas. – Lo que hay en realidad son conductas. – En muchos casos que se describen como seguimiento de reglas, puede no haberlas dentro del actor – Sólo redes de ciertas clases. – También hay un paralelismo con la “respuesta automática” versus la no-automática, de carácter simbólico. – Gran parte del aprendizaje cultural probablemente sea afin al aprendizaje coneccionista.

Aplicaciones en Antropología • Maurice Bloch. “Language, anthropology and cognitive science”. Man 26, 183 -198 (1992) • Antropólogo cognitivo de LSE. • Granjeros Zafimaniry de Madagascar – Decisiones complejas (p. ej. un pedazo de bosque puede ser un buen campo). • No puede ser resultado de análisis por factores de vegetación, pendiente, entorno, hidrología, suelo, etcétera. • El modelo folk se resuelve en segundos y no lo podemos comprender bien porque razonamos conforme al modelo de procesamiento simbólico. • La alternativa conexionista es mejor.

Sobre Maurice Bloch • • Conocido por su enfoque marxista en sus inicios. Enemigo de la memética con posterioridad. Desarrolla su trabajo en LSE, no tanto en Francia. Distingue entre la antropología tradicional y el miasma difusionista (esto es, negación radical del evolucionismo, énfasis en lo individual y lo histórico). • Después de Mead y Lévi-Strauss, la influencia de la antropología en la vida intelectual se ha esfumado. • Cuestiona la negación irreflexiva de la naturaleza humana (postura análoga a la de Steven Pinker). • Léase “Where did anthropology go? ” (2005).

Aplicaciones en Antropología • Modelos de análisis arqueológico de Juan Barceló (Universidad de Barcelona)

Aplicaciones en Antropología • Damián Castro (Anthropokaos) – Redes de reconocimiento de motivos de arte rupestre

Herramientas conexionistas

Software de redes neuronales • • • Java NNS Neuro. Solutions Rosenblatt James Rumenhart Modelo de Damián Castro

Conexionismo heideggeriano

Conclusiones y Recursos

Conclusiones • Ningún bando ganó una batalla. – GOFAI está órdenes de magnitud más cerca de ser un modelo aceptable de la lógica humana de lo que las redes neuronales están de ser un modelo del cerebro. • No hay mapeado directo entre lenguaje y observación: la relación es compleja. • Las posturas relativistas no se sostienen tan bien. • No es buena práctica científica enunciar lo que no puede hacerse (caso Dreyfus). – El señalamiento de lo que no puede hacerse sólo ha impulsado a que se lo haga.

Propuestas de trabajo • No abordar cuestiones relativas a la polémica GOFAI / Conexionismo al menos que se aprenda seriamente computación avanzada. – Con los opúsculos de Varela y las monsergas de los morinianos ya hay suficiente información espuria en circulación. • Explorar recursos y algoritmos en IA y redes neuronales (Java. NNS, etc)

Recursos

¿Preguntas? Billyreyno@hotmail. com