A pesar de que la interacción (entre
IA y psicología no es ya ninguna novedad, los mejores frutos y resultados de
esta interacción están aún por venir.
Haciendo a un lado la importante preocupación que
los especialistas en IA tienen por la construcción de sistemas electrónicos de
computación, es evidente que la psicología y la IA se empalman en gran medida.
Es decir, ambas disciplinas están preocupadas con la explicación y resolución
de los mismos problemas básicos, sus soluciones pueden ser comparadas una contra
otra, y su éxito o fracaso puede evaluarse con el mismo criterio. El objetivo
de la IA y la psicología es el de entender aspectos diversos de la mente humana
y de la inteligencia en general y, en esencia, el juicio final que tendrán que
enfrentar tendrá que ver con la cantidad y la calidad de las explicaciones que
proporcionen sobre la naturaleza de la actividad mental.
Esto no debe hacernos verlas, como algunas personas
han sugerido, como rivales teóricas necesariamente. Por el contrario, yo
sostengo que, hasta ahora, la psicología ha sido la mejor y más rica fuente de
teorías y conjeturas para la IA y, a su vez, que la IA es la mejor medicina que
la psicología necesita en el estadio actual de su desarrollo.
Trataré de ilustrar esta última afirmación en esta
sección con argumentos teóricos, metodológicos, y prácticos.
En primer lugar los argumentos de carácter teórico.
Una de las características de las teorías científicas progresivas (Lakatos,
1978) es el equilibrio que mantienen entre la generación de conjeturas o
hipótesis teóricas y su corroboración o refutación empírica. Una gran parte del
desarrollo de la psicología se ha caracterizado por la ausencia de este
equilibrio debido, entre otras causas, a que la experimentación con seres
humanos se encuentra limitada por importantes razones morales. El estudio de la
actividad mental ha tenido que limitarse a los reportes introspectivos, a pesar
de que es sabido que la mayor parte de la actividad mental no es consciente y
está fuera del alcance de la introspección. Las consecuencias de esto son, por
un lado, que existe un gran divorcio entre teoría y realidad empírica como lo
ejemplifica la psicología clínica, y por el otro, que la teoría en psicología
experimental se ha subdividido en una innumerable cantidad de micromodelos
psicológicos de tan limitado alcance y generalizabilidad que en muchos casos su
aplicación se constriñe únicamente a las condiciones experimentales (Cronbach,
1975). Finalmente, el efecto general es que la teoría no es dirigida por lineamientos
heurísticos como en las ciencias maduras sino por una estrategia burda de
ensayo y error.
Es mi opinión que, en su intento por reproducir
habilidades mentales humanas, los investigadores en IA han creado sistemas
teóricos que poseen una gran capacidad heurística, que reúnen todos los
requisitos científicos de consistencia y rigor lógico, y que permiten, si no
responder de manera conclusiva, sí al menos formular mejores preguntas
psicológicas.
Algo que hemos aprendido a lo largo de la historia
de la psicología es que sus objetivos iniciales son, más difíciles de alcanzar
de lo que originalmente se pensaba y que se requieren para ellos mejores
herramientas metodológicas y mejores teorías.
Hoy en día, uno de los más importantes objetivos de
la psicología es el de explicar fenómenos como la percepción, el aprendizaje,
la cognición, la motivación, etc., de forma tal que sea posible unir las
teorías fisiológicas a las psicológicas y terminar con el dualismo que ha
plagado estas áreas de estudio.
Para ello se ha recurrido a dos estrategias
experimentales distintas: La primera de ellas, que llamare
"inductivista", comienza al nivel neuronal o atómico, unifica estas
unidades físicas elementales en forma de moléculas, que a su vez reúne en forma
de grandes agregados, que eventualmente describen el comportamiento y los
fenómenos psicológicos que todos podemos observar. Esta estrategia, dicho sea
de paso, ha avanzado muy lentamente y tenido un éxito sumamente limitado en la
explicación de los fenómenos que van más allá de la mera percepción sensorial.
La segunda estrategia, que llamaré "deductivista", comienza con una
descripción de las funciones y organización de los procesos psicológicos, y
descompone estos sistemas en sistemas más simples y pequeños, con la esperanza
de eventualmente llegar a describir elementos fisiológicos y físicos.
Es importante aclarar que ambas estrategias deben
ser continuadas ya que ambas han contribuido hasta ahora con parte de las
explicaciones existentes, sin embargo, la evidencia sugiere que la primera
estrategia es de poca utilidad para la psicología. La ilustración de esto es
muy simple en términos de preguntas empíricas, Es mucho más difícil responder a
la pregunta: ¿cómo puede un número determinado de neuronas (o átomos) producir
fenómenos como inteligencia, cognición, lenguaje, toma de decisiones, etc.?,
que responder a la pregunta ¿cómo puede un sistema (ser humano o computadora
digital) con determinadas características realizar tal o cual tarea o función?
La segunda pregunta busca una solución, cualquier
solución, la primera requiere de un descubrimiento. La búsqueda de
descubrimientos por mera inducción o "inspección bruta" puede ser
interminable (si consideramos, por ejemplo, el número de combinaciones
neuronales posibles) si uno no toma como dirección heurística alguna pregunta
psicológica (algo que, a pesar de todo, los neurofisiólogos hacen tácitamente y
sin gran competencia). Y, en última instancia, la búsqueda de soluciones puede
en ocasiones llevarnos a un descubrimiento, es decir, a encontrar la solución
que la naturaleza encontró primero.
Las teorías en IA caen dentro de la categoría
deductivista y, por lo tanto, poseen una estrategia con mayor capacidad
explicativa. Debo insistir, ambas estrategias son necesarias pero la experiencia
indica que la estrategia deductivista ha proporcionado y continuará
proporcionando la mejor y mayor parte de las explicaciones. Esto, dicho sea de
paso, es cierto también en otras ciencias, la estrategia inductivista ha sido
abandonada en ciencias como la química y la biología que han favorecido un
enfoque deductivista. De tal forma que, si el propósito es seguir el ejemplo de
las ciencias "maduras", el camino es claro.
Las contribuciones que esta estrategia, típica de
la teoría en IA, han traído a la psicología son varias, mencionaré sólo algunas
de las más importantes.
Una de las contribuciones centrales de la IA se
relaciona con un problema que ha agobiado a psicólogos y filósofos por más de
doscientos años: el problema de la representación interna. Por mucho tiempo ha
sido evidente que la única psicología capaz de dar cuenta de las complejidades
de la actividad mental tendría que explicar e incluir procesos de
representación interna. Por ejemplo, es la opinión de la mayoría de los
psicológicos que sería imposible explicar el fenómeno de la percepción si no
presuponemos que su función es proveernos con una imagen mental o modelo del
mundo en el que vivimos y actuamos de una forma más o menos exitosa.
Esta premisa de la representación interna ha sido
aceptada por todos los psicólogos con la excepción de los conductista radicales
como Watson o Skinner. Las representaciones internas han sido denominadas hasta
ahora de formas distintas: ideas, sensaciones, impresiones. Más recientemente
nos referimos a ellas como esquemas cognoscitivos, mapas mentales,
proposiciones, imágenes, o señales neuronales. Sólo este breve recuento de las
distintas denominaciones de las representaciones mentales hace obvias dos conclusiones:
primero, el acuerdo existente sobre la necesidad de incluirlas en nuestras
explicaciones de la actividad mental, y, segundo, el desacuerdo general sobre
su naturaleza y características.
El serio problema que la representación mental ha
impuesto a la teoría psicológica es el de explicar de que forma estas
representaciones pueden modelar, por sí mismas, al mundo en la mente humana. En
otras palabras, es claro que nada puede ser intrínsicamente una representación
de otra cosa. Algo se convierte en una representación sólo para alguien, todo
sistema de representación requiere de un intérprete, independiente de este
sistema, que lo utiliza con algún propósito. Este intérprete debe poseer una
gran variedad de atributos psicológicos: debe poseer intenciones, debe ser
capaz de comprender, debe tener objetivos y creencias, de tal forma que sea
capaz de utilizar las representaciones para informarse sobre el mundo y
ayudarse en el logro de sus metas (conversar, resolver problemas, reconocer,
etc.). Este intérprete dentro de nuestra mente, es, en esta concepción, una
forma de "homúnculo", y los homúnculos como lo --sabemos desde
Descartes, padecen el mal de la regresión infinita. Lo que quiere decir que, al
afirmar la existencia de un homúnculo dentro de la mente humana, caemos en la
necesidad de recurrir a otro homúnculo dentro del primero que cumpla la misma
función. Del mismo modo, más adelante necesitaremos de un tercero dentro del
segundo... asi ad infinitum. Esta salida ad hoc, porque evidentemente no es una
solución, no ha hecho más que transferir el problema de la representación de la
mente humana a otra distinta, de tal forma que, como sostiene Dennett:
Hacer psicología sin homúnculos ha sido imposible.
Pero hacerla con humúnculos nos ha llevado a la circularidad y el regreso
infinito, al punto que ha convertido a la psicología en una empresa imposible.
(Dennet, 1979:71)
El reto ha sido entonces, formular una teoría que
explique cómo pueden las representaciones entenderse a sí mismas y, al mismo
tiempo, evitar la circularidad y el regreso infinito.
Como lo mencioné anteriormente, por dos siglos se
ha tratado de resolver este problema sin ningún éxito. No es sino hasta la
aparición de la noción de "estructuras de datos" dentro de la IA que
el problema parece comenzar a resolverse. Las "estructuras de datos"
pueden o no tener validez psicológica, es algo que está aún por aclararse, lo
que ya es claro es que constituyen el primer y único ejemplo operante de
representaciones que se "entiendan a sí mismas". Las estructuras de
datos han permitido la construcción de sistemas intencionales que son resultado
del diseño de subsistemas con habilidades específicas y simples que se
encuentran organizados entre sí. Estos subsistemas se subdividen a su vez en
microsistemas más especializados y simples, que a su vez se componen de
sistemas más pequeños y tan simples que sus respuestas son binarias. El sistema
total consigue modelar una forma operante de representación.
El programa diseñado por Winograd (1972), conocido
como SHRDLU es un extraordinario ejemplo de este comportamiento. SHRDLU es un
programa que vive en un mundo imaginario de figuras geométricas en color, que
es capaz de manipular estas figuras sobre una superficie cuando se le solicita,
que representa a sí mismo este mundo, y que puede responder preguntas sobre su
vida en este mundo. Un ejemplo de un diálogo con SHRDLU es el siguiente (de
nuevo las respuestas de la computadora en mayúsculas):
Las respuestas del programa son una muestra de la
claridad con la que representa y pera en su mundo imaginario, incluyendo al
interlocutor que da las órdenes, basándose únicamente en esta idea de
estructuras de datos. Ninguna otra explicación ha llegado tan cerca de modelar
el proceso de representación interna.
Otro problema en el que la IA ha sido de gran
utilidad teórica se refiere a la discusión sobre la existencia y la naturaleza
de las imágenes mentales. He discutido este problema en detalle en otro
artículo (Elguea, 1983) de manera que referiré al lector interesado a este
artículo y sólo mencionaré que el problema de las Imágenes mentales se
encuentra íntimamente relacionado con el de la representación y que el trabajo
en IA ha inclinado a la teoría psicológica en favor de la eliminación de las
imágenes como concepto teórico y la aceptación de las proposiciones como el
vehículo del pensamiento y la representación.
Algo que no ha sido comprendido adecuadamente entre
los psicólogos, a veces ni siquiera entre especialistas en Al, es que los
programas de IA no son experimentos empíricos, sino experimentos
"pensados" o imaginarios regulados rigurosamente por una computadora.
La lógica de programación por computadora ha
desarrollado una serie de reglas de consistencia que proveen al psicólogo de un
lenguaje técnico con qué disciplinar la formulación de teorías y conjeturas,
además de proporcionarnos nuevas y mejores metáforas para estudiar la
inteligencia.
Los programas que operan en una computadora y la
programación en general nos proveen de un nuevo medio para generar ideas,
pensar acerca, de ellas, probarlas, extenderlas, corregirlas, profundizarlas y,
eventualmente, explicarlas. Adecuadamente programadas, las computadoras son
instrumentos útiles para construir, manipular, analizar, intepretar y
transformar estructuras simbólicas de cualquier tipo, incluyendo sus propios
programas.
Igualmente, persiste entre la comunidad científica
el mito de que el estudio de sistemas complejos requiere necesariamente del uso
de mediciones numéricas, ecuaciones, cálculo, estadística, etc., que las
ciencias sociales han heredado de la física. Estos instrumentos han demostrado
su insuficiencia en la explicación de fenómenos esenciales a la actividad
mental de cualquier tipo, inclusive de la actividad "mental" que
puede ocurrir en una computadora. (Ningun especialista en computación
intentaría entender el comportamiento conversacional o cognitivo de un programa
en términos estadísticos o de variables dependientes e independientes).
En lugar de ecuaciones, sistemas también formales
no-numéricos han sido desarrollados en la forma de lenguajes de programación.
Los conceptos generados a través de este esfuerzo, como lo ha demostrado el
modelo de procesamiento de información, pueden resultar de mucha mayor utilidad
para el psicólogo que las matemáticas numéricas que se utilizan normalmente y
que tienen una capacidad limitada para teorizar sobre estructuras complejas e
interactivas como las que se dan en la actividad mental. Es desafortunado que,
en la mayoría de los casos, los psicólogos tengan un escaso o nulo
entrenamiento en computación o programación y que su información se limite al
uso de programas estadísticos escritos en lenguajes simples como FORTRAN o
BASIC, y que ignoren la existencia de lenguajes más poderosos para la
simulación y el modelamiento de actividades mentales como son los casos de
LISP, y los más recientes CONNIVER, PLANNER, KRL, etc.
Por último, en lo referente a las aplicaciones
prácticas, la IA ha contribuido a la psicología a través de la creación de
programas dedicados a la educación de niños. Como uno de los resultados del
esfuerzo por entender, simular, y modelar habilidades mentales, Papert (1971)
desarrolló una serie de lenguajes conocidos como LOGO que tienen por objeto
enseñar estas mismas habilidades a los niños. Estos lenguajes tienen grandes
ventajas sobre otros, en primer lugar son mucho más poderosos y por lo tanto
hacen mucho más fácil la tarea de programar a la computadora para realizar
actividades complejas, y, en segundo lugar, no se restringen al uso de
computaciones numéricas. Por ejemplo, LOGO y POP-2 (utilizados en MIT y en
Sussex respectivamente) son lenguajes que tienen la capacidad de manipular
palabras y oraciones, figuras geométricas, diseño de imágenes, etc.
La oposición en contra de la IA no ha sido poca ni
sin importancia. Dreyfus (1972), el más importante crítico de la inteligencia
artificial, ha elaborado serias críticas basándose en la distinción entre
computación análoga y computación digital. Dado que todas las simulaciones y
modelos de la cognición son generados en computadoras digitales, los procesos
involucrados utilizan estados de información discreta y programación
secuencial. Dreyfus insiste en que la evidencia que ha provisto la psicología y
la neurofisiología, indica que el cerebro humano funciona como una computadora
análoga que utiliza operaciones continuas y estructuras de programación en
paralelo. El sostiene que, como resultado de ello, las simulaciones y modelos
generados en la IA carecen de validez psicológica.
Si bien es cierto que la crítica de Dreyfus es
aplicable a un buen número de modelos y simulaciones, pierde de vista la
capacidad que tiene una computadora digital para simular el funcionamiento de
una computadora análoga (por ej. el cerebro), y que su argumento lejos de
refutar los esfuerzos hechos hasta ahora por la IA los ha fortalecido
indirectamente.
En la actualidad muchas de las nociones y términos
utilizados en la psicología tienen su origen en modelos mecanicistas o,
físicos, insuficientes y simplistas. Inclusive el grupo de académicos que se
oponen fuertemente a la utilización de metáforas computacionales para describir
procesos mentales, con el pretexto de que son nociones mecanicistas, usan
analogías mucho más crudas como por ejemplo: "disonancia",
"represión", "tensión", "carga emocional",
"fuerza motivacional", etc. Los oponentes de las metáforas
computacionales de alguna manera están condenando a la teoría psicológica a
continuar viviendo con analogías hidráulicas y mecánicas derivadas de avances
tecnológicos y científicos de algunos siglos atrás,
NOTA FINAL
Existe todavía una enorme
cantidad de fenómenos psicológicos sin descripciones ni explicaciones
adecuadas. Entre ellos: percepción, memoria, reconocimiento de patrones,
comprensión, aprendizaje, comunicación, interpretación, creación, intuición,
selección, etc. Los psicólogos, como la mayoría de los científicos sociales,
han tenido hasta ahora un conjunto de herramientas inadecuadas para la
formulación de teoría y la corroboración de hipótesis sobre esta serie de
fenómenos. Algunos de ellos han tratado de recurrir sin gran éxito a modelos
más recientes como la teoría de sistemas o la teoría de juegos que, por su
naturaleza estática, siguen siendo deficientes en la explicación de la
actividad mental.
La IA ha explorado las distintas formas en que las
computadoras podrían realizar las tareas que antes estaban reservadas a los
seres humanos, como resolver problemas, planear a futuro, demostrar teoremas,
jugar ajedrez, conversar en y entender un lenguaje, componer música, cte. El
hecho de que aún no haya conseguido reproducir un ser humano completo (o que
eventualmente lo consiga) es de menor importancia que la evidencia de que ha
mejorado nuestras habilidades para pensar y clarificar fenómenos de interés
para la psicología y otras ramas de la ciencia. Ha colaborado en la
reformulación de viejos problemas psicológicos y en la reconsideración y
revaluación de las teorías existentes. Ha forzado a los especialistas a
precisar sus conceptos y a utilizarlos con mayor consistencia y rigor, al mismo
tiempo, los ha enfrentado a un reto teórico al formular un programa rival de
investigación que busca explicar un objeto de estudio que anteriormente estaba
reservado a los psicólogos: la explicación de la inteligencia y sus procesos
colaterales.
Sus logros y avances han sido tan importantes que,
en unos cuantos años, las teorías sobre la inteligencia y sus fenómenos
relacionados serán literalmente incomprensibles para el psicólogo que no esté
familiarizado con el desarrollo teórico, los métodos y los logros de la IA. Su
influencia en la psicología ha sido y será tan grande que enseñar cursos
universitarios sobre psicología cognoscitiva sin hacer referencia a la IA será
un grave acto de ignorancia o de irresponsabilidad.
Ahora bien, con respecto al objetivo último, no
alcanzado, de la IA, el de entender y reproducir al ser humano, vale la pena
mencionar de nuevo las palabras del profesor Sloman:
Puede ser que la mente humana sea demasiado
compleja para ser comprendida por la misma mente humana. Pero el deseo de
intentar lo imposible parece ser una de sus características más persistentes.
(Sloman, 1978:20)
ESTUDIOS. filosofía-historia-letras
Otoño 1987
