La mente humana en la tradición racionalista y la inteligencia artificial

La mente humana en la tradición racionalista

A continuación, se describirán algunos aspectos relevantes como son la importancia de la representación del conocimiento, la imagen cartesiana de la mente y del lenguaje, así como la representación del conocimiento en la informática.

La importancia de la representación del conocimiento

Las interacciones prelingüísticas y no-lingüísticas pueden ser la base de las interacciones lingüísticas y explicar desde un punto de vista psicológico, evolutivo y comparativo, que las acciones humanas sólo son posibles dentro de una práctica social y cooperativa. (También las ideas de Ludwig Wittgenstein en su libro Investigaciones filosóficas pueden ser usado para una afirmación desde una perspectiva filosófica).

Sin embargo, las intenciones y el conocimiento pueden expresarse verbalmente. Por lo tanto, tenemos representaciones mentales y epistémicas que pueden usarse para formar nuevas representaciones.

Podríamos limitarnos a una explicación conductista, pero no sólo sería engorroso transformar una descripción cognitiva de la mente en una descripción conductista de la mente, sino que también, como creo, no sería posible para la mente humana. El conductismo tiene varias deficiencias, por ejemplo: ¿ Cómo puede dar sentido a un comportamiento que sólo parece basarse en el dolor y un comportamiento que expresa realmente dolor? (Este es un ejemplo de Wittgenstein.) Incluso, en el caso de una teoría de la mente para animales, no se puede descartar una explicación cognitiva. Byrne utiliza una explicación cognitiva, que está respaldada por hechos observables, en lugar de una explicación conductista.

Es decir, se quiere examinar los aspectos de la mente del animal para ver si los animales "realmente entienden y si se puede decir que piensan". La inteligencia tiene que involucrar la capacidad de:

1. "Obtener conocimiento de las interacciones con el medio ambiente y otros individuos".

2. "Usar su conocimiento para organizar el comportamiento efectivo, en contextos familiares y nuevos".

3. Para "lidiar con problemas, usando (si puede) 'pensar', 'razonar' o 'planificar' - de hecho, cualquier habilidad para juntar piezas de conocimiento separadas para crear una acción nueva". (Byrne 1995, 31-42)Así, se introduce el vocabulario representativo y mentalista.

Parece que no se puede eludir su uso y, por tanto, hay que dar sentido a las representaciones y su conexión con la mente humana. Otra ventaja es que es un modelo normativo de la mente y no un modelo descriptivo de la mente. El primero nos dice cómo debemos pensar y no sólo cómo pensamos.

Imagen cartesiana de la mente y del lenguaje

Noam Chomsky y Jerry Fodor desarrollan su imagen de la mente, argumentando en contra del conductismo, que es una línea de pensamiento que - extrañamente - fue muy influyente en la primera mitad del siglo XX. Una de las ideas era ignorar el vocabulario mentalista, como por ejemplo intenciones, deseos, etc., y sustituirlo por vocabulario conductista.

El comportamiento es algo que se puede observar, pero la mente o el "yo interior" es una especie de caja negra. Usar este tipo de vocabulario mentalista es una forma de hablar del día a día, pero en la ciencia no lo necesitamos, según Burrhus Frederic Skinner (Skinner 1974). Hay varias inconsistencias en este enfoque teórico y creemos que uno puede encontrarlas fácilmente, pero no abordaremos aquí esta crítica.

Noam Chomsky introdujo el concepto de la "gramática universal", que representa una estructura computable y recursiva, que es, de acuerdo con él y Steven Pinker, un elemento innato que forma parte de la estructura del cerebro humano. Hemos visto diferentes argumentos que critican ese acercamiento desde una perspectiva empírica en la lingüística y en la piscología del desarrollo, pero hay más argumentos en contra de ello:

1. Que la teoría de Chomsky sólo se enfoca en la estructura sintáctica del lenguaje, y no puede capturar la parte pragmática y conceptual de su uso.

Otra problemática es la siguiente:

1. Que no todos los idiomas en el mundo son recursivos. Entonces la gramática universal no representa adecuadamente el uso de lenguaje. (Evans/Levinson 2009, 442-444)

Esos dos puntos se pueden considerar los más importantes, porque los lenguajes artificiales de la lógica, de la matemática y de la programación pueden ser recursivos y se enfocan normalmente en la estructura sintáctica. (Vamos a profundizar aún más sobre este aspecto en el próximo subtema.)Se puede responder que el modelo utilizado por Chomsky es un modelo normativo para el uso de lenguaje, que nos da herramientas a través de la "estructura profunda" ("deep structure") (para evitar las ambigüedades en el significado de las expresiones) y, por lo tanto, como modelo normativo, puede tener la característica de la recursividad.

En la teoría lingüística de Noam Chomsky también se necesita el aspecto semántico de los conceptos a través de algo extra, con lo que se puede "calcular" al final. Esos son "definiciones diccionario" o "registros lexicales". Que el significado de una oración se base en sus partes elementales y en la combinación de esas partes. Él piensa que hay una estructura profunda que determina el significado en la estructura superficial. (Chomsky 2015, 15 y 171- 174) Entonces, también existe un aspecto semántico, aunque es algo adicional al aspecto sintáctico.

Pensamos que no se pueden separar tan fácilmente esos dos aspectos y que se necesita alguna forma de entendimiento semántico, para hacer explícita una construcción sintáctica de una estructura profunda.

La diferencia semántica, que según Chomsky subyace en la estructura gramatical, debe ser entendible y visible para alguien, para luego deletrear el significado de una manera sintáctica. La introducción a una praxis social y al lenguaje natural son una presuposición fundamental para la inteligencia humana y el entendimiento humano (véase también: tema 2).

Representación del conocimiento en la informática

No hacemos esta separación de sintaxis y semántica al hablar y comprender. Pero en la informática esta separación se hace porque el conocimiento se puede procesar más fácilmente.

0 911,00,00Se crea una base de conocimientos (knowledge base) para la "semántica" que contiene representaciones del mundo o de los estados de un sistema. A continuación, se pueden extraer conclusiones del conocimiento (inferencias). Esta es la parte "sintáctica".

"El proceso de separar conocimiento e inferencia tiene varias ventajas decisivas. Al separar el conocimiento y la inferencia, los métodos de inferencia se pueden implementar en gran medida independientemente de la aplicación. Por ejemplo, con un sistema experto es mucho más fácil intercambiar la base de conocimientos para aplicarla a otras enfermedades que reprogramar todo el sistema. Al desacoplar la base de conocimientos de la inferencia, el conocimiento se puede almacenar de forma declarativa. La base de conocimientos solo contiene una descripción del conocimiento que es independiente del método de inferencia utilizado. Sin esta separación clara, el conocimiento y el procesamiento de los pasos de inferencia estarían entretejidos y cambiar el conocimiento llevaría mucho tiempo". (Ertel 2017, 1.5)

Una base de conocimientos contiene representaciones del mundo o de los estados del sistema. A menudo se crean sobre la base de la lógica proposicional o de la lógica de predicados.

AI

Luego se pueden representar hechos sobre el mundo, acciones, eventos, procesos, pensamientos, objetos, etc., pero también se tienen que "expandir" o "ajustar" las lógicas (por ejemplo, se desarrolló un cálculo situacional (situation calculus) para representar sobre dominios dinámicos). Todo este proceso se denomina "ingeniería ontológica". (Russell y Norvig 2010, 437)

El conocimiento puede provenir de diferentes fuentes. Pueden ser datos sobre personas o pueden ser datos generados por personas. Puede tratarse de conocimientos ya estructurados de bases de datos o de conocimientos no estructurados, por ejemplo, del internet o, en general, del entorno de un agente.

A menudo, el conocimiento aún debe procesarse para que luego esté disponible en una denominada base de conocimiento (Ertel 2017, 1.5): "La adquisición de conocimiento en la base de conocimiento se denomina ingeniería del conocimiento y se basa en diferentes fuentes de conocimiento como los expertos humanos, el ingeniero del conocimiento y también en bases de datos. Los sistemas que están aprendiendo activamente también pueden adquirir conocimientos a través de la exploración activa del mundo". (Ertel 2017, 1.5)E

La separación de inferencias y conocimientos permite un manejo más sencillo, pero no representa adecuadamente cómo concluimos en la vida cotidiana. Nuestras inferencias siempre están entretejidas con el conocimiento. También hay intentos de representar este tipo de razonamiento en lógicas no-monótonas o en la lógica por defecto (default logic).

La preparación y luego la representación del conocimiento y el procesamiento del conocimiento son pasos importantes. En el siguiente tema veremos principalmente el procesamiento del conocimiento a través de la computación.

Lectura 3

Aspectos relevantes de la historia de la inteligencia artificial

A continuación, se describirán algunos aspectos relevantes de la Inteligencia Artificial (IA), la computación, adaptación y aprendizaje, las primeras etapas de la IA, además de la lógica y programación, procesamiento con símbolos, las redes neuronales artificiales, el Deep Learning y el aprendizaje de máquinas.

Inteligencia artificial

John McCarthy, uno de los pioneros de la inteligencia artificial, definió en 1955 la inteligencia artificial así: "El objetivo de la IA es desarrollar máquinas que se comporten como si tuvieran inteligencia." Esa definición se basa también en la idea de Alan Turing, que se puede considerar una máquina inteligente a la que imita el comportamiento de un ser humano y muestra, por lo tanto, una inteligencia similar o igual a la inteligencia humana. Alan Turing, considerado como el fundador de las ciencias computacionales, publicó esa idea en su artículo "Computing Machinery and Intelligence" en 1950, en cual propuso una prueba para evaluar la inteligencia de una máquina. Ahora se llama Prueba de Turing, pero él la llamó "Imitation Game". (Turing 1950).