Como decía cierto profesor mío, "ya hemos conseguido saber como razona el ser humano, sólo nos faltaría saber cómo entiende". El funcionamiento de las redes de neuronas artificiales, hechas a medida de las neuronas que todos poseemos que forman las pequeñas unidades de proceso a partir de las que se lleva a cabo el pensamiento, avanza imparable en paralelo con la neurobiología. Sin embargo, aún no tenemos más que tenues pistas sobre la forma constituyente de la consciencia y los estados mentales en el ser humano.

    Daremos ahora una visión rápida sobre el funcionamiento de las neuronas en los seres vivos, luego pasaremos a las artificiales, y finalmente quería extraer algunas conclusiones... por lástima esto es bastante breve; en el momento estoy escribiendo un curso largo sobre redes de neuronas artificiales, que espero publicar en tiempo finito. 

    Una neurona natural

    La neurona como elemento constituyente del cerebro y el SN, está dividida en tres partes según su funcionalidad; el soma es receptor de información, de donde pasa al áxon (una guía de comunicación) y desemboca en las dendritas, el "output" que envía esa información a otras neuronas.

    Evidentemente, esto no es así de simple; una neurona no es un simple transmisor de información. La recibe (enviada básicamente mediante neurotransmisores) de otras neuronas, procesa internamente esa información y envía el resultado a las siguientes neuronas a las que está conectado (es decir, libera estas sustancias por sus dendritas para que lleguen a éstas).

    El procesamiento que realiza la neurona consiste muy básicamente en medir la cantidad de información que ha recibido y responder en consecuencia. Así, es posible que no se active si hay un "input" muy bajo, o una buena cantidad de input negativo le indica que no debe activarse. Puede poseer más activación en caso de recibir más neurotransmisores indicando que lo haga (con lo que enviará a su vez).

    Ahora bien, ¿son estas redes de neuronas cosas conectadas con un patrón fijo? No. Hay un concepto importante, y es el que las neuronas pueden "aprender" adaptando lo que matemáticamente - y ya me estoy metiendo en RNA - llamamos "pesos de conexión"... pero creo que para esto hace falta cambiarle ya el título al apartado - pues queda además más claro al ver la modelización - y pasar al siguiente: 

    Redes de neuronas artificiales

    Una RNA es muy parecida a lo que en matemática discreta se estudia como "grafos". En el caso más simple, cada neurona tiene una serie de variables respecto a sí misma:

    - Estado de activación: Lo más simple es considerarlo "1" y "0", como on/off

    - Conexiones: Siguiendo el símil del grafo, estos serían los caminos (unidireccionales) que comunican la neurona con otras.

    - Pesos de las conexiones: Se trata de una cantidad que mide la "fuerza" de esta conexión. Multiplicado por el estado de activación daría la cantidad numérica que se envía a otra neurona para su activación. Así, una neurona que está activada (1) conectada con un peso de (5) a otra, le enviará en términos matemáticos "5" de input.

    - Umbral de activación: La cantidad de "input" necesario para activar la neurona. Para decidir si una neurona está activada o no, tenemos en cuenta su entrada. Pongamos que su umbral es "11" y que recibe de tres neuronas conectadas a ella "+4", "+9" y "-1". El resultado es "+12", lo cual supera el umbral y activa la neurona. Sin embargo, si el "input" fuera "+4" y "+5", el total sería "+9" lo cual no llega al umbral que hemos definido; la neurona destino estaría por tanto con un estado "0".

   Con estos conceptos en mente - aunque simplificados, pues umbral y activación pueden ser funciones, etc -, que aclaran mucho incluso las ideas sobre el funcionamiento de las redes de neuronas naturales, toca explicar lo que más intrigante resulta; ¿ cómo aprenden estas redes ?

    El concepto clave es que los pesos de conexión entre neuronas pueden - y han de ser - modificados. Exceptuando las redes de Hopfield, los modelos conexionistas modifican sus pesos para poder adaptarse al input recibido y al output deseado.

    Como ejemplo, valga un aprendizaje "supervisado": supongamos tres capas de neuronas, compuestas por 5, 5 y 2 de ellas respectivamente, y que están conectadas la primera capa (input) con la segunda y la segunda con la tercera (que será la de output). Esto significa que al ser la de 2 la capa final y teniendo 4 combinaciones (00,01,10,11), podemos identificar cuatro "patrones" distintos. Esto es, que quizá si activamos de la primera capa las neuronas 1 y 3 obtengamos que se activa la neurona 1 de la tercera capa por el juego de activaciones/pesos en la segunda y tercera capas.

    Pongámonos en esa situación, lo siguiente que pensaríamos es, ¿se trata de una respuesta correcta la del output respecto al input recibido? Si esto es así, reforzamos las conexiones que estaban activas, y disminuímos las otras. Asi, la próxima vez que se presente un patrón parecido a (1,3) habrá más probabilidades de que la respuesta sea correcta, y menos de que se de esta respuesta en caso de no ser así. Tras hacer mucho estas veces, la red aprenderá a discriminar los patrones que le enseñemos.

    Por supuesto que también hay métodos de aprendizaje "no supervisado", en que las neuronas aprenden por sí mismas; el aprendizaje competitivo es un buen ejemplo, pero tampoco entraré en detalles. Ya está claro el método por el cual las RNA aprenden para adaptarse al input y realizar una respuesta correcta. De hecho, estos algoritmos han demostrado servir de maravilla para cosas como reconocimiento de caras, visión artificial... imaginemos que la capa de input de la red de neuronas fueran los pixels de una cara que se capta mediante una cámara. Entrenando a la red, se la podría hacer diferenciar rostros con una paralelización absoluta y una posibilidad ínfima de error... ya hay bancos que confían en programas de redes de neuronas para distinguir mediante biometría de la pupila a sus clientes, lo que muestra que esto es muy efectivo.   

    Conclusiones

    Las RNA son dos cosas; primero un intento de imitar nuestra forma de pensar, por otro lado un magnífico algoritmo basado en la paralelización masiva, al contrario de los sistemas informáticos habituales que se basan en procesar las cosas en serie. Esa, es también la forma que tiene el ser humano de pensar.

    Muchas veces se dice que los ordenadores han superado al hombre; sin embargo no somos capaces de mantener una buena conversación con uno, y cosas que para nosotros son tan sencillas como identificar un rostro en una multitud, para el ordenador basado en los algoritmos en serie es casi imposible. Si a nosotros nos hablan de un "animal que tiene trompa" inmediatamente pensamos en un elefante. Sin embargo, un ordenador habría de buscar recursivamenteen su base de datos sobre animales, uno por uno, hasta encontrar coincidencias. El famoso "Deep Blue" busca recursivamente puntuando las posibles jugadas que realizar en su turno al ajedrez, pero no elimina jugadas automáticamente como hace el jugador humano.

    Es sencillo de explicar; imaginemos que tuviesemos una base de datos de 500 neuronas donde pudiesemos identificar X animales. Si se activase la neurona de entrada "tener trompa", automáticamente se produciría el output de que se trata de un elefante. Esto por ejemplo, es lo que hacen las redes artificiales de Hopfield.

    ¿Cuál es la base de nuestro pensamiento, pues?. La clasificación de patrones, y la reacción ante ellos. Durante todo el día estamos clasificando cosas; lo que vemos lo identificamos respecto a un concepto, utilidad, etc. Respondemos con patrones de conducta grabados a situaciones conocidas como puede ser algo tan sencillo como ir de compras. Distinguimos el estado de ánimo de aquel con quien hablamos, y constantemente analizamos sus gestos y palabras, dividiendolas según los significados que implican o su entonación. Incluso, cuando juzgamos algo como "bueno" o "malo", cuando pensamos que algo es "justo" o "injusto", no estamos más que haciendo una clasificación...

    Parándose a pensar, es fácil ver cómo la mayoría de nuestra actividad responde a este funcionamiento de clasificación de input en patrones. Eso sí, imagino que aún hay dos preguntas pendientes - aparte de que qué es la consciencia, la cual es casi imposible responder... de momento - que uno puede hacerse: ¿cómo aprendemos nosotros, y qué son los sentimientos?

    Curiosamente, la respuesta a las dos preguntas está muy relacionada. La base del aprendizaje es el estímulo positivo/negativo; estímulos positivos refuerzan conductas mientras que los negativos disminuyen la probabilidad de que ocurran. Evidentemente, hay una pequeña base genética para determinar qué es positivo y qué negativo, que luego se complejiza enormemente hasta llegar a un punto en que estamos totalmente condicionados por nuestro ambiente. Somos capaces, incluso, de vencer "instintos" como el de supervivencia o el de reproducción, y de tener una visión muy personal de lo que significa un estímulo positivo y uno negativo.

    Por ejemplo, un bebé dice "mamá" por primera vez. Al hacerlo simplemente es que lo ha oído unas cuantas veces, no sabe lo que significa pero está aprendiendo e imitando sonidos. De sus padres va a recibir un estímulo positivo en forma de caricias y demás, que van a reforzar esa conducta. Gracias a eso, poco a poco irá aprendiendo... si al decir una palabra los padres golpeasen al hijo, sería bastante difícil que este aprendiera a hablar :-)

    Y hablábamos de los sentimientos. Personalmente, pienso que es sencillo hablar de ellos como una complejización de este estímulo positivo/negativo, además de otras formas fisiológicas - simplemente +/- sería un modelo demasiado simple, y reacciones como el miedo tienen todas unas consecuencias fisiológicas aunque muy determinadas por el aprendizaje. La primera forma en que el bebé los posee es la llamada "fase del apego"; llora cuando no está su madre y se encuentra más relajado y alegre cuando está. Todo esto va haciéndose más complejo con el aprendizaje social, y deriva en conceptos como el odio (¿alguien te produce un estímulo *realmente* negativo?), los celos (¿sensación de poder perder un estímulo positivo?), etc.

    No hay más que ver cosas propias de nuestra sociedad occidental como el "amor romántico" para darse cuenta de lo complejo que puede volver el aprendizaje social un hecho aparentemente tan simple como es la existencia de un estímulo que nos resulta agradable. Biológicamente, se puede hablar de una serie de neurotransmisores llamados feniletilaminas que se encuentran en los sujetos "enamorados", y cuyo síndrome de abstinencia es el famoso mal de amores. Sin embargo esta forma de afecto sólo está presente en ciertas sociedades (y por cierto, que las sociedades monógamas son minoría en el mundo). Quizá, es que el trato social en que se oculta la afectividad hace que esta se descargue sobre la pareja cuando se tiene, realizando esa necesidad de estímulo positivo de afecto que el individuo necesita... preguntas... ¿respuestas? 

    En fin, podría seguir divagando sobre el tema y sus implicaciones largo rato, pero creo que ya ha quedado claro lo que quería transmitir. Que de cara a comprender al hombre sin meternos en conjeturas metafísicas, necesitamos al menos una pequeña idea sobre el funcionamiento del cerebro. Y por suerte tenemos acceso a ella gracias a los avances científicos modernos tanto en el campo de la neurobiología y la inteligencia artificial.

    Por último, un pequeño consejo: un interesenta libro sobre los dos niveles en los que se estudia el pensamiento que son el biológico y el de los estados mentales, escrito por un catedrático en neurociencia. Su autor se llama Gazzaniga, y el título es "Cuestiones de la mente".