La cognición computacional (a veces denominada ciencia cognitiva computacional o psicología computacional o simulación cognitiva ) es el estudio de las bases computacionales del aprendizaje y la inferencia mediante modelos matemáticos , simulación por computadora y experimentos de comportamiento . En psicología, es un enfoque que desarrolla modelos computacionales basados en resultados experimentales. Busca comprender las bases detrás del método humano de procesamiento de información . Desde el principio, los científicos cognitivos computacionales intentaron recuperar y crear una forma científica de la psicología de Brentano . [1]
Hay dos propósitos principales para la producción de inteligencia artificial: producir comportamientos inteligentes independientemente de la calidad de los resultados y modelar comportamientos inteligentes que se encuentran en la naturaleza. [2] [3] Al comienzo de su existencia, no había necesidad de que la inteligencia artificial emulara el mismo comportamiento que la cognición humana. Hasta la década de 1960, los economistas Herbert Simon y Allen Newell intentaron formalizar las habilidades humanas para la resolución de problemas utilizando los resultados de estudios psicológicos para desarrollar programas que implementaran las mismas técnicas de resolución de problemas que las personas. Sus trabajos sentaron las bases para la IA simbólica y la cognición computacional, e incluso algunos avances para la ciencia cognitiva y la psicología cognitiva . [4]
El campo de la IA simbólica se basa en la hipótesis de los sistemas de símbolos físicos de Simon y Newell, que afirma que se pueden expresar aspectos de la inteligencia cognitiva mediante la manipulación de símbolos . [5] Sin embargo, John McCarthy se centró más en el propósito inicial de la inteligencia artificial, que es romper la esencia del razonamiento lógico y abstracto independientemente de si el ser humano emplea o no el mismo mecanismo. [3]
Durante las siguientes décadas, el progreso realizado en inteligencia artificial comenzó a centrarse más en el desarrollo de programas basados en la lógica y el conocimiento, alejándose del propósito original de la IA simbólica. Los investigadores empezaron a creer que la inteligencia artificial simbólica tal vez nunca sería capaz de imitar algunos procesos intrincados de la cognición humana como la percepción o el aprendizaje . La imposibilidad entonces percibida (y ahora refutada ) de implementar la emoción en la IA se consideró un obstáculo en el camino hacia lograr una cognición similar a la humana con las computadoras. [7] Los investigadores comenzaron a adoptar un enfoque “subsimbólico” para crear inteligencia sin representar específicamente ese conocimiento. Este movimiento condujo a la disciplina emergente del modelado computacional , el conexionismo y la inteligencia computacional . [5]
Como contribuye más a la comprensión de la cognición humana que la inteligencia artificial, el modelado cognitivo computacional surgió de la necesidad de definir diversas funcionalidades cognitivas (como la motivación, la emoción o la percepción) representándolas en modelos computacionales de mecanismos y procesos. [8] Los modelos computacionales estudian sistemas complejos mediante el uso de algoritmos de muchas variables y amplios recursos computacionales para producir simulación por computadora . [9] La simulación se logra ajustando las variables, cambiando una sola o incluso combinándolas, para observar el efecto sobre los resultados. Los resultados ayudan a los experimentadores a hacer predicciones sobre lo que sucedería en el sistema real si ocurrieran cambios similares. [10]
Cuando los modelos computacionales intentan imitar el funcionamiento cognitivo humano, se deben conocer todos los detalles de la función para que se transfieran y muestren adecuadamente a través de los modelos, lo que permite a los investigadores comprender y probar a fondo una teoría existente porque ninguna variable es vaga y todas las variables son modificables. . Consideremos un modelo de memoria construido por Atkinson y Shiffrin en 1968 , que mostraba cómo el ensayo conduce a la memoria a largo plazo , donde se almacenaría la información que se ensayaba. A pesar del avance que logró al revelar la función de la memoria, este modelo no logra brindar respuestas a preguntas cruciales como: ¿cuánta información se puede ensayar a la vez? ¿Cuánto tiempo tarda la información en transferirse del ensayo a la memoria a largo plazo? De manera similar, otros modelos computacionales plantean más preguntas sobre la cognición de las que responden, lo que hace que sus contribuciones sean mucho menos significativas para la comprensión de la cognición humana que otros enfoques cognitivos. [11] Una deficiencia adicional del modelado computacional es su falta de objetividad. [12]
John Anderson en su modelo de Control Adaptativo del Pensamiento Racional (ACT-R) utiliza las funciones de los modelos computacionales y los hallazgos de la ciencia cognitiva. El modelo ACT-R se basa en la teoría de que el cerebro consta de varios módulos que realizan funciones especializadas por separado. [11] El modelo ACT-R se clasifica como un enfoque simbólico de la ciencia cognitiva. [13]
Otro enfoque que se ocupa más del contenido semántico de la ciencia cognitiva es el conexionismo o modelado de redes neuronales. El conexionismo se basa en la idea de que el cerebro consta de unidades o nodos simples y que la respuesta conductual proviene principalmente de las capas de conexiones entre los nodos y no del estímulo ambiental en sí. [11]
La red conexionista se diferencia del modelado computacional específicamente por dos funciones: retropropagación neuronal y procesamiento paralelo . La retropropagación neuronal es un método utilizado por las redes conexionistas para mostrar evidencia de aprendizaje. Después de que una red conexionista produce una respuesta, los resultados simulados se comparan con resultados situacionales de la vida real. La retroalimentación proporcionada por la propagación hacia atrás de errores se utilizaría para mejorar la precisión de las respuestas posteriores de la red. [14] La segunda función, el procesamiento paralelo, surgió de la creencia de que el conocimiento y la percepción no se limitan a módulos específicos sino que se distribuyen a lo largo de las redes cognitivas. El presente del procesamiento distribuido paralelo se ha demostrado en manifestaciones psicológicas como el efecto Stroop , donde el cerebro parece estar analizando la percepción del color y el significado del lenguaje al mismo tiempo. [15] Sin embargo, este enfoque teórico ha sido refutado continuamente porque las dos funciones cognitivas para la percepción del color y la formación de palabras operan por separado y simultáneamente, no en paralelo entre sí. [dieciséis]
El campo de la cognición puede haberse beneficiado del uso de redes conexionistas, pero configurar los modelos de redes neuronales puede ser una tarea bastante tediosa y los resultados pueden ser menos interpretables que el sistema que están tratando de modelar. Por lo tanto, los resultados pueden usarse como evidencia para una teoría amplia de la cognición sin explicar el proceso particular que ocurre dentro de la función cognitiva. Otras desventajas del conexionismo radican en los métodos de investigación que emplea o las hipótesis que prueba, ya que a menudo se ha demostrado que son inexactos o ineficaces, lo que aleja a los modelos conexionistas de una representación precisa de cómo funciona el cerebro. Estos problemas hacen que los modelos de redes neuronales sean ineficaces para estudiar formas superiores de procesamiento de información y dificultan que el conexionismo avance en la comprensión general de la cognición humana. [17]
{{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )