[cerrar]

Comparta esta nota con un amigo

E-Mail de su amigo
Su nombre
Su E-Mail

–Bueno, vamos a ver. Usted es ingeniero, cuénteme qué es lo que hace.

–Por un lado, modelos matemáticos y simulaciones con computadora para tratar de entender cómo grandes grupos de neuronas operan en el rasgo de milisegundos o tiempos muy cortos, dando lugar a comportamientos complejos como los que mostramos nosotros cuando resolvemos tareas muy complicadas. Comparados con las computadoras que fabricamos nosotros, los hombres, el tiempo de respuesta de las neuronas es mucho más lento, y así y todo nosotros podemos resolver cosas más complejas que las que resuelven las computadoras, como por ejemplo reconocer textos, utilizar el lenguaje, reconocer objetos. Eso que hacemos sin demasiado esfuerzo para las computadoras resulta complejísimo.

–¿Y cómo hacemos esas cosas?

–Bueno, una de las distinciones entre el cerebro y las computadoras es que el cerebro encontró una manera de ser eficiente en el cómputo paralelo. ¿Cómo hacer para hacer cosas rápidamente con componentes lentos y ruidosos? La solución que encontró la evolución para el cerebro fue tener una conectividad tremendamente paralela: cada neurona se conecta con miles de otras neuronas y eso establece una gran red. No sabemos cómo esa red resuelve las cosas complejas, pero parte de la respuesta tiene que ver con la propia estructura.

–¿Y su trabajo concreto qué es?

–Dentro de esto que le vengo contando, lo que hago yo es simulación de esas redes para tratar de resolver cierto tipo de tareas que involucran pasaje de información entre distintos procesos. Son modelos que seguramente son falsos, pero que nos sirven a nosotros para guiar nuestra búsqueda experimental.

–Usan cosas de redes neuronales, ¿no?

–Sí.

–¿No está un poco envejecido ese modelo?

–Un poquito sí. Pero hay dos clasificaciones de redes neuronales. Una es la visión de redes neuronales que son artificiales, en la cual no importa cómo el cerebro resuelve sino utilizar las redes como mecanismos de aprendizaje para resolver cosas que nos interesan en ingeniería. Entonces, por ejemplo, podemos usar redes neuronales para aprender cómo setear los distintos parámetros del proceso para controlar procesos en plantas industriales...

–Explique brevemente qué es una red neuronal.

–Es un conjunto de nodos donde cada nodo representa de manera abstracta una neurona y que están conectadas de determinada forma para resolver un problema. Eso es muy genérico, pero lo es porque la investigación de redes neuronales es muy genérica. Por un lado, están quienes pretenden simular exactamente qué es cada una de las neuronas, mientras que otros utilizan una abstracción de mucho más alto nivel y se quedan con lo fundamental que realiza una neurona (disparar o no disparar).

–Y usted usa parte de eso.

–Sí, redes de neuronas que se conectan de cierta forma para resolver problemas complejos. Pero lo que me interesa es la neurobiología: quiero usar las redes como un medio para entender cómo funciona el cerebro y no para resolver problemas concretos de ingeniería. El decaimiento del uso de las redes tiene que ver con la visión más ingenieril de las redes, porque se encontraron otras técnicas más eficientes para resolver problemas.

–¿Y qué es lo que trata de entender? ¿Y qué es lo que no entiende dentro de eso que trata de entender?

–Una cosa que para mí es muy curiosa es por qué nos cuesta mucho lo fácil y nos cuesta poco lo difícil. Por ejemplo, si tenemos que multiplicar números de tres cifras nos cuesta muchísimo, tardamos un montón y, sin embargo, es algo que la computadora resuelve sencillísimamente. Y al mismo tiempo otros problemas dificilísimos de resolver para una computadora (como reconocer su cara o esa silla) son facilísimos para nosotros.

–Reconocer, además, implica memoria.

–Y abstracción. Por ejemplo, parte de la silla en la que usted está sentado yo no la veo, porque está tapada, y sin embargo yo puedo reconocerla y saber que sigue siendo la silla que yo conozco. Eso es muy complejo, y lo hacemos todo el tiempo sin nada de esfuerzo.

–Aparte de problemas aritméticos, ¿hay otros problemas fáciles que no podemos resolver?

–Yo creo que para todo lo que implica mantener en memoria muchas cosas al mismo tiempo somos medio malos. El caso de la aritmética lo que refleja es eso: que a uno le cuesta acordarse de los resultados intermedios del cálculo a medida que va avanzando.

–¿Y qué pasa con los idiots savants?

–Eso parece ser la excepción. De todos modos, yo no trabajo en eso.

–¿Y por qué nos resulta difícil lo fácil y fácil lo difícil?

–El enfoque nuestro es explorar mecanismos que están investigados donde se lleva eso a una mínima expresión. Por ejemplo, le pedimos a una persona que haga dos cosas al mismo tiempo que no puede hacer.

–A ver...

–Le muestro un número y le pido que me diga si es más grande o menor que 30, y después le pido que escuche un sonido y me diga si es agudo o grave. La superposición de las dos cosas, extremadamente fáciles cuando se proponen solas, revela que existe un cuello de botella en el procesamiento. Hay, entonces, mucha investigación acerca de cuáles son las fuentes de esa interferencia en el cerebro. Lo que hacemos nosotros es poner al cerebro frente a un desafío que no puede resolver para que podamos ver los límites. Todo esto que le cuento tiene que ver con los modelados. Después, otra cosa que me interesa es cómo el cerebro pone intervalos de confianza en una decisión. Por ejemplo, un economista hace una encuesta y determina que va a ganar determinado candidato, pero con un margen de error que tiene que ver con el método que usó para hacer la encuesta. El cerebro también, de alguna forma, hace lo mismo. Nosotros sabemos, cuando tomamos una decisión, qué tan seguros estamos de que la decisión sea correcta. Le podemos asignar un alto o un bajo grado de confianza a las decisiones que tomamos. Eso es algo interesante, porque nos lleva a estudiar algo más subjetivo en la toma de decisiones: la estimación que hacemos de que nuestras decisiones sean correctas.

–¿Cómo tomamos las decisiones?

–En monos se hacen algunos experimentos, de acuerdo con los cuales lo que parece que pasa es que hay áreas del cerebro que representan la información sensorial relevante para la tarea que queremos realizar, mientras que hay otras áreas que integran esa información durante un período de tiempo más largo.

–Estoy tentado de preguntarle cómo es el experimento.

–No sea tímido.

–No lo soy, sólo soy hipotético. ¿Cómo es el experimento?

–Un mono está mirando la pantalla y se le presentan puntitos que se mueven para un lado y para el otro. El mono tiene que decidir si se mueve para la derecha o para la izquierda. Después de verlo muchas veces, el mono aprende la tarea.

–No entiendo bien.

–Lo que uno debería hacer para resolver la tarea que le asignamos al mono es integrar el movimiento para un lado, integrar el movimiento para el otro y decidir cuál de las dos integrales es mayor. Es una especie de emisión de votos: por cada puntito que va hacia la izquierda suma un punto a la opción de que se mueven hacia la izquierda; por cada puntito que se mueve a la derecha, un voto a la opción de que se mueven hacia la derecha. Lo que parece que el mono está haciendo es aproximarse al cómputo matemático que tiene que hacer. Entonces hay neuronas que específicamente computan las integrales a favor de una decisión y de otra...

–Y eso tiene valor evolutivo.

–Claro. Otra cosa interesante es que uno pensaría que en el mecanismo de toma de decisión hay áreas que integran la información y deciden, y que eso se transmite a áreas que mueven el brazo. O sea, se separa la decisión de la acción. Pero lo que esta gente que investiga en monos encuentra es que las mismas áreas que participan en el movimiento, participan en el cómputo de la decisión. O sea que hay como un embodiment de la decisión: se toma directamente en las áreas que ejecutan las respuestas motoras. Es una visión un poco contraintuitiva.

–Sí...

–Y es muy discutida. Bueno, nosotros lo que hacemos entonces es tomar esos tipos de experimentos muy simples. Lo que nosotros queremos es ver cómo la información que le presentamos en los experimentos influye en la decisión, para ver si hay bias sistemáticos en la activación de confianza. Lo que vemos es que efectivamente pasa eso: el cómputo de la seguridad en una decisión presenta ciertos bias bastante sistemáticos, en los que pesa bastante la información a favor y la información en contra. Pongamos un ejemplo: le damos a una persona dos cuadrados, uno más luminoso que otro, para que decida cuál es más luminoso. Uno junta votos para decir que el de la izquierda es más luminoso, votos para decir que el de la derecha es más luminoso, compara a los dos y decide. Ahora, cuando uno tiene que estimar qué tan seguro está de esa decisión, ahí pesan más los votos a favor de la decisión tomada que los votos en contra de la decisión no tomada.

–Mmmmm... me quedaron muchas preguntas en el tintero pero, como usted puede ver, se me acabó el espacio...