La mente probabilística

Artículo publicado por Laura Saunders el 8 de octubre de 2011 en Science News

El cerebro humano evolucionó para tratar con las dudas.

Los seres humanos vivimos en un mundo de incertidumbres. Una sombra en el camino puede ser la de un amigo o la de un atracador. Si pisas a fondo el acelerador puede que acabes bajo las ruedas del tren en el paso a nivel o puede que no. Las sobras de la semana pasada del pollo kung pao nos pueden dar otra noche de degustación deliciosa o un fuerte dolor de tripa.

Los míseros sentidos humanos no pueden captar siempre qué es real y lo que no. Aunque, por fortuna, el cerebro humano es muy bueno haciendo apuestas. Gracias al aprovechamiento intuitivo de las probabilidades, el cerebro puede manejar información imperfecta con aplomo.

“En vez de tratar de dar con la respuesta a una pregunta, el cerebro intenta encontrar la probabilidad de que esa respuesta sea correcta”, declara Alexandre Pouget de la Universidad de Rochester, en Nueva York y de la Universidad de Ginebra en Suiza. El rango de posibles resultados guía los actos corporales.

Una mente basada en la probabilidad ofrece una gran ventaja en un mundo incierto. En pocos segundos el cerebro puede resolver (o al menos ofrecer una buena aproximación) un problema que una computadora tardaría una eternidad en calcular, como la forma de recibir a un extraño que se aproxima, si con un spray de pimienta o con un abrazo.

Un creciente número de estudios están arrojando luz acerca de cómo trabaja este método de actuar-evitar y lo potente que puede ser. Los investigadores han encontrado que los principios de la probabilidad, pueden guiar las habilidades visuales básicas, como las de estimar la inclinación de líneas o la encontrar lo que se objetivos ocultos entre distracciones. Otros comportamientos, e incluso  las matemáticas simples, puede que dependan de algo parecido al cálculo numérico, según piensan algunos científicos.

Y este tipo de pensamiento estadístico avanzado no requiere prestar atención en clase de matemáticas. Nuevos estudios sugieren que los niños de un año son pequeñas máquinas de cálculo probabilístico quienes, en muchos casos, evalúan información estadística y la gestionan de manera óptima con facilidad.

Estudiar el cerebro “estimador-adivinador” es un nuevo proyecto en el que nadie sabe cómo desarrollamos tales capacidades de cálculo. Ni tampoco saben los científicos qué clase de maquinaria cerebral hay detrás de estas matemáticas.

Si bien no tienen todavía una idea clara acerca de cómo el cerebro realiza los cálculos necesarios para calcular probabilidades en base a supuestos incorporados, los científicos tienen cierta idea de los pasos involucrados en la codificación y decodificación de estímulos ambientales. A.R. Girshick et al/Nature Neuroscience 2011

“Vamos a tratar de seguir entendiendo estos procesos”, declara Eero Simoncelli, un neurocientífico computacional de la Universidad de Nueva York. “Queda un largo camino. Pasarán muchas décadas hasta que todo esto se resuelva, pero el progreso en continuo”.

Ver y creer

Cuando Pouget comenzó a estudiar la computación cerebral hace dos décadas, nadie pensaba que los humanos trabajaban con probabilidades, aseguró. Por aquel entonces los investigadores pensaban que si querías coger una pelota de béisbol tu mente calculaba la trayectoria y daba una respuesta exacta diciéndole a tu cuerpo hacia dónde mover el guante. “Hoy decimos, ‘No, si una pelota de béisbol vuela hacia ti, calculas las probabilidades de hacia dónde podría ir y luego pones la mano para maximizar las probabilidades de que puedas cogerla”.

Este cambio – de estudiar certidumbre a estudiar probabilidades – está principalmente basado en los trabajos de Thomas Bayes, un clérigo inglés del siglo XVIII. Una afirmación es más fiable si los supuestos iniciales se incluyen también en la evaluación, según propuso Bayes. Y esos supuestos iniciales, conocidos como proposiciones apriorísticas pueden ser actualizados conforme se recibe información, estrechando el rango de buenas soluciones. En el fondo el concepto es simple: aprender de la experiencia nos lleva a encontrar mejores predicciones.

Pensemos en un doctor que se enfrenta a un misterio médico. Un joven llega a la consulta con una fiebre ligera, dolor de cabeza y dolor en una articulación, todos ellos síntomas que pueden ser causados por una variedad de gripe o por la nefasta enfermedad de Lyme. Sin más información que ésta el doctor podría perfectamente lanzar una moneda al aire. Pero armado con información clave –  perlas de su formación médica, y el conocimiento de si el chico ha jugado en un bosque que está lleno de garrapatas – es muy probable que presente un diagnóstico sólido.

Aunque el valor de las consideraciones previas es todavía materia de discusión en la comunidad estadística (SN: 3/27/10, p. 26), el cerebro está lleno de ellas y los seres humanos mediamos constantemente en un tira y afloja entre esas cuestiones a priori y las pruebas actuales.

Mostrando cómo algunas suposiciones pueden confundir a la gente, un nuevo estudio destaca cuánto depende el cerebro de las consideraciones previas. La científica computacional y psicóloga Ahna Girshick de la Universidad de California en Berkeley, en colaboración con Simoncelli y otro colega han preguntado recientemente a una serie de personas que evaluasen las inclinaciones relativas a unos conjuntos de líneas difusas en una pantalla de ordenador. La cuestión es como tratar de decir, en conjunto, a qué dirección apuntan un puñado de palillos después de ser arrojado.

Participantes en el estudio a los que se muestran imágenes intactas o distorsionadas de hojas (panel superior) y a los que se pide que determinen si los trozos provienen de la misma o de diferentes hojas, rinden tan bien como un observador bayesiano ideal (línea gris en la gráfica) leaf images: A.D. Ing et al/Journal of Vision 2010

Los resultados de los voluntarios sugerían que ven las líneas más alineadas con los ejes horizontal y vertical de lo que realmente están, tal como ha expuesto el equipo en el número de julio de Nature Neuroscience. Se llega a esta conclusión por una razón simple, según Girshick. “En la naturaleza puedes ver líneas verticales muy fuertes a causa de los árboles y también podemos ver con facilidad  las líneas del horizonte y la superficie plana sobre las que caminamos”, afirmó. “Todos hemos crecido en el planeta Tierra y a nuestro alrededor hay estructuras matemáticas de nuestro mundo que podemos medir”.

Y hay más, los investigadores podían reforzar la percepción errónea cambiando las condiciones: cuando los paquetes de líneas varían aún más, la gente se muestra más parcial todavía hacia las líneas horizontales y verticales. A más duda mayor dependencia de las ideas preconcebidas.

Los científicos todavía desconocen qué clase de hardware físico tenemos en el cerebro trabajando con un razonamiento bayesiano, pero las simulaciones sugieren que las variaciones en la conducta de las células nerviosas pueden ser las responsables de estos cálculos aparentemente complejos. “Pueden parecer a matemáticas sofisticadas”, añadió Girshick, “pero podría ser todo muy simple”.

Algunas células nerviosas responden con fuerza a las líneas verticales y horizontales, mientras que otras no prestan a esas orientaciones especial atención. “Tenemos este comportamiento bayesianesco por el hecho de contar con esta falta de uniformidad en el cerebro”, declaró Girshick.

Bomba entre las baterías

Como sabe todo empleado de las pantallas de seguridad de los aeropuertos, localizar una bomba entre un montón de baterías de ordenador, relojes de alarma y secadores de pelo es muy difícil. Pero en el caso de este desafío visual, llamado búsqueda visual, el cerebro bayesiano parece trabajar sorprendentemente bien.

Dada la incompleta información que los humanos recibimos en nuestras retinas, las habilidades de búsqueda visual que tenemos son notables, asegura Pouget.

Los bebés pueden pensar de manera probabilística. Después de ver a dos investigadores fallando y teniendo éxito en el uso de un juguete que reproduce sonidos, un niño que luego falla usando el mismo juguete está inclinado a pensar que está estropeado y trata de buscar otro (debajo, izquierda). Pero cuando un investigador falla y un segundo tiene éxito, el niño piensa que tiene la culpa y pide ayuda (derecha).BlueOrange Studio/Shutterstock

“La búsqueda visual ocurre absolutamente en todo momento”, afirmó. “Pensamos que está es exactamente el tipo de tarea en la que sería perfecta una aproximación probabilística”. En un estudio reciente, él y su equipo tenían a los participantes mirando una pantalla de ordenador en la que aparecía un objetivo durante tan solo un instante –  una línea vista anteriormente inclinada en un ángulo determinado. En la pantalla esta línea estaba rodeada de objetos de distracción. Los participantes declararon cuándo el objeto estaba o no y lo convencidos que estaban de la respuesta.

Cuando el objeto se mezclaba con el fondo y los elementos de distracción son bien visibles y brillantes a la gente le cuesta más reconocerlo, asumiendo que simplemente no está allí. Pero les cuesta más de una manera concreta. El comportamiento de la gente se parece mucho a las predicciones de la matemática bayesiana, como declara el equipo en el número de junio de Nature Neuroscience.

“Una búsqueda visual empieza contando con unas matemáticas complicadas”, dice Pouget. En el mismo estudio los sujetos humanos son “tan buenos como pueden ser”.

Ahora el equipo está preguntándose lo bueno que puede ser el pensamiento bayesiano. “Ok, ¿cuándo llegamos al final?, ¿Cuánta complejidad podemos desarrollar antes de no poder conseguir la solución óptima?”, comenta Pouget. “Y por el momento no hemos encontrado dónde está este límite”.

El psicólogo Wilson Geisler de la Universidad de Texas, en Austin, prefiere una aproximación que empieza con el mundo exterior. Su equipo usa cámaras cuidadosamente calibradas para capturar una escena y telémetros para medir la distancia desde las cámaras a cada punto de la escena y el brillo de la luz procedente de cada uno de los píxeles. Estas herramientas permiten a los investigadores construir una descripción matemática exacta del mundo natural.

“Tratamos de medir el verdadero mundo en 3-D, y luego intentamos aprender cómo estimaríamos la forma o distancia a un objeto”, declara Geisler. Con esta descripción matemática precisa del mundo Geisler construye luego una herramienta teórica que imita el comportamiento de un  humano con pensamiento bayesiano perfecto que habite en el mundo – “un observador bayesiano ideal”.

Comparando humanos de carne y hueso con este “observador ideal”, Geisler y sus colegas empiezan a tener una idea de cómo damos sentido a las cosas. Geisler asegura que son “casi perfectos”. Aunque antes de ponerse demasiado engreido, Geisler comenta que en estos estudios la perfección no significa necesariamente que siempre estén en lo cierto. Por ejemplo, cuando los sujetos tienen que distinguir si dos zonas verdes que están detrás de una seta pertenecen a la misma o diferentes hojas, puede ser más difícil de percibir si la seta se hace mayor y oculta más partes de la escena. Información poco fiable lleva a que los sujetos se pierdan de una forma predicha por las matemáticas bayesianas.

En un estudio publicado el año pasado en Journal of Vision, Geisler y sus colegas mostraban a los participantes vistas en primer plano de hojas fotografiadas en un jardín botánico de la zona. La capacidad de la gente para distinguir dos hojas superpuestas en zonas de imágenes de dos dimensiones se parece mucho a la del observador ideal. Los participantes perecían ser capaces de operar con un conocimiento previo de cómo descifrar visualmente un montón de hojas.

De alguna manera es evidente que los seres humanos nos apoyamos en el conocimiento que tenemos. Un cerebro que no aprovecha sus experiencias sería un cerebro patético. “Podríamos decir que en realidad sería extraño si fuéramos malos haciendo éso”, señala Geisler. “Es algo en lo que tenemos una enorme experiencia, de manera evolutiva. El mismo problema ha estado ahí durante mil millones de años. Pero, sin embargo, las estadísticas son complicadas”.

Analizar estas estadísticas no es una tarea exclusiva del sistema visual. Hasta ahora algunos investigadores han apreciado indicios de que los movimientos, los olores, la audición, la cognición y la capacidad de realizar problemas sencillos pueden estar basadas en las técnicas bayesianas. Y estas habilidades parecen estar presentes mucho antes de que un niño aprenda el 2 + 2.

Aes, Bayes y Ces

Estudiando bebés y niños pequeños los científicos pueden poner a prueba si los razonamientos probabilísticos están presentes antes de que las experiencias vitales vayan dando forma a la mente. Lo bebés no han vivido lo suficiente como para desarrollar certidumbres consistentes acerca de cómo funciona el mundo. Si los bebés actúan de forma bayesiana es que deben haber nacido de dicha manera.

Los de 16 meses pueden efectuar razonamientos correctos cuando se enfrentan a datos complicados, tal y como describieron los científicos Laura Schulz y Hyowon Gweon, del MIT, el 24 de junio en Science (SN Online: 6/28/11). En el estudio, los niños observaban a los experimentadores presionar un botón en un juguete, haciendo que éste reproduzca música. En algunos casos el juguete funciona perfectamente la primera vez que un niño pulsa el botón, pero se queda bloqueado la siguiente vez. Esto crea la sensación de un juguete roto. En otros casos el juguete funciona perfectamente para uno de los experimentadores pero nunca funciona para otro, sugiriendo que el juguete está en perfectas condiciones pero que el segundo experimentador lo maneja mal.

Cuando los niños cogen el juguete que parece que está estropeado van rápidamente a por otro. Pero cuando piensan que son ellos mismos los culpables (cuando atestiguan que el segundo experimentador falla con el juguete y luego fallan ellos mismos), cogen el juguete y se lo muestran a un familiar cercano en petición de ayuda.

Evaluando las dificultades de otros con los juguetes y aplicando ese conocimiento a su problema actual, los bebés muestran una manera de razonar muy sofisticada, según declara Schulz. “Tan pronto como podemos probar, los bebés usan formas consistentes con modelos probabilísticos”, comenta. “Los bebés son sensibles a la estadística del entorno”.

En vez de buscar señales de razonamiento probabilístico en jóvenes humanos, algunos científicos lo hacen en otras especies animales. Un estudio reciente efectuado en lechuzas sugiere que aspectos de su cerebro también siguen reglas bayesianas.

Aunque las lechuzas son cazadoras admirables, no son capaces de distinguir sonidos que vienen de áreas perimetrales tan bien como los que vienen del área frontal. Para explicar este déficit, Brian Fischer, de la Escuela Normal Superior de París y José Luis Peña del Albert Einstein College of Medicine en el Bronx, New York acudieron a las matemáticas bayesianas.

El equipo concibió un modelo estadístico del proceso auditivo asumiendo que las lechuzas evolucionaron dando menos importancia a las señales que provienen de los lados porque cazar algo que está a su espalda es mucho más costoso. Un movimiento rotatorio podría asustar a la presa, por ejemplo. En las pruebas, los modelos bayesianos fueron capaces de predecir el verdadero comportamiento de las lechuzas, tal y como informaron los investigadores en el número de agosto de Nature Neuroscience.

En el sistema auditivo de las lechuzas, el sesgo de oír objetos que estén justo delante de ellas, debe venir “preinstalado”. De la misma manera los bebés pueden estar programados para deducir rápidamente si ellos tienen la culpa de que un juguete no funcione.

Dónde, cuándo y cómo todas estas piezas de conocimiento apriorístico fueron archivadas en el cerebro es aún un misterio. Algunos científicos piensan que tanto estas percepciones a priori como la manera de utilizarlas se fueron acumulando en el cerebro a lo largo de la evolución.

“Los sistemas biológicos no son accidentales”, afirma Simoncelli. “Creemos que la evolución les ha dado forma, y les dio forma para hacer bien lo que deben hacer. Y tenemos muchas pruebas de que ha sido así”.

Ingeniería ‘apriorística’

Sea o no la evolución la diseñadora de los cerebros bayesianos, algunos de esos cerebros intentan ahora transmitir esas capacidades bayesianas. Como ingeniero, Simoncelli dice que los mismos principios que funcionan en el cerebro pueden ser muy útiles en otras partes. “Pienso que cuando sepamos cómo funcionan algunos de esos circuitos en el cerebro para llevar a cabo estas hazañas, podremos cambiar la ingeniería”, afirmó. “Vamos a revolucionar todo lo referente al diseño de sistemas”.

Muchos de los robots de hoy en día, por ejemplo, son excelentes en algunas tareas pero son totalmente inflexibles. Los encargados de instalar parabrisas en los coches realizan su trabajo sin fallos una y otra vez. “Podemos hacer que ese robot sea fantástico poniendo parabrisas, son sistemas de ingeniería perfectos”, afirmó Simoncelli. Pero esos dechados de virtudes en la instalación de parabrisas pueden venirse completamente abajo si cogen un cristal con el tamaño equivocado. Sin embargo, un robot similar, basado en el cerebro humano, puede adaptarse más fácilmente para cambiar las circunstancias e incluso almacenar algunas conocimientos apriorísticos por sí mismo.

Las células nerviosas exhiben una flexibilidad enorme. Reajustando constantemente las entradas, interactuando con sus vecinas, y efectuando cambios en las tasas de disparo pueden dar lugar a una capacidad de adaptación asombrosa, un requisito para el aprendizaje bayesiano, como dice el propio Simoncelli. Cuanto más saben los científicos acerca de las funciones de las células nerviosas, “más encuentran que no son dispositivos dedicados y fijos que operan de la misma manera a lo largo de nuestra vida”, dice.

Descifrar el sistema operativo del cerebro bayesiano puede llevar a un nuevo conjunto de principios de ingeniería. “No sabemos cómo diseñar sistemas que sean más flexibles, al igual que no sabemos cómo funciona el cerebro, y ahora vamos a entender las dos cosas” afirmó Simoncelli.  ”Y creo que vamos a hacerlo al mismo tiempo”.

“Esta entrada participa en la X edición del Carnaval de Biología, organizado por el blog Scientia


Autor: Laura Saunders
Fecha Original: 8 de octubre de 2011
Enlace Original

Comparte:
  • Print
  • Digg
  • StumbleUpon
  • del.icio.us
  • Facebook
  • Twitter
  • Google Bookmarks
  • Bitacoras.com
  • Identi.ca
  • LinkedIn
  • Meneame
  • Netvibes
  • Orkut
  • PDF
  • Reddit
  • Tumblr
  • Wikio
This page is wiki editable click here to edit this page.

Like This Post? Share It

Comments (7)

  1. [...] "CRITEO-300×250", 300, 250); 1 meneos La mente probabilística http://www.cienciakanija.com/2012/02/28/la-mente-probabilistica/  por hawk31 hace 5 [...]

  2. Dr. Fuzzy Logic

    Y “pero podría ser todo muy simple” xDDD. Apuesto que no.

    Me quedo con la idea (recurrente, por eso de Bayes) de que se da por hecho que los cerebros (porque esto no es exclusivo de la especie humana, ni creo que funcione más eficazmente en ella) trabajan obviamente con un cálculo de probabilidades condicionadas, una idea muy interesante porque un error muy típico de los humanos, parece que universal, es ver conexiones donde no las hay (o no son relevantes), de donde colegimos siguiendo el artículo que aplicamos la fórmula igual aunque los fenómenos sean independientes xD (hasta que el cerebro “asume” que son efectivamente independientes).

    Respecto al cálculo, está por ver por ejemplo que las redes neuronales funcionen con lógica binaria booleana (sí / no). Podrían funcionar con lógica ternaria (sí / no / ni sí ni no), cuaternaria, o n-troceada (sí, 95% sí, 90% sí… 5% sí, no), o vaya usted a saber. Lógica borrosa.

    Artículo notable, sí señor :D

  3. Información Bitacoras.com…

    Valora en Bitacoras.com: Artículo publicado por Laura Saunders el 8 de octubre de 2011 en Science News El cerebro humano evolucionó para tratar con las dudas. Los seres humanos vivimos en un mundo de incertidumbres. Una sombra en el camino puede se……

  4. [...] en Biologí­a, Matemáticas. Puedes seguir cualquier respuesta a esta entrada a través del feed RSS 2.0. Puedes dejar una respuesta, o trackback desde tu propio sitio web. [...]

  5. Muy buena entrada, Manuel.

    Los modelos bayesianos y sobre todo las redes bayesianas son muy utilizados para modelar agentes inteligentes, por ejemplo, para modelar el conocimiento de un alumno en sistemas automáticos para la docencia; en función de las respuestas a ciertos tests se construye un modelo de lo que sabe el alumno y se seleccionan las futuras preguntas.

    Siempre es mucho mejor inferir a posteriori que tratar de predecir a priori. Incluso en física de partículas se está empezando a usar la estadística bayesiana (en lugar de la frecuencial) para interpretar los datos de las colisiones; el modelo teórico subyacente necesariamente influye en cómo interpretamos lo que vemos y los modelos bayesianos permiten cuantificar de forma explícita dicha dependencia.

  6. reneco

    Tengo un punto de vista distinto del propuesto en el artículo en el sentido de que el cerebro no es una maquina aislada que procesa información que fluye a través de los sentidos, sino mas bien que el cerebro forma parte inseparable del resto del cuerpo en cuanto a su operar y que los sentidos lo que hacen es gatillar en él procesos que configuran una realidad que es coherente con el mundo que nos rodea, esta coherencia es una adaptación muy fina que es producto de millones de años de evolución, de ahí el comportamiento probabilístico del que se habla en el artículo, pero no lo veo como un procesamiento de información, además esta manera de operar no es aislada en si misma sino que tiene influencia en el caso de los mamíferos con representantes de su misma especie a través del lenguaje, no es casualidad que tengamos tanto contacto materno en nuestras primeras etapas de desarrollo (hay mas que supervivencia en nuestra forma de ser)

  7. [...] año y medio, leí este artículo en otro Blog que seguía con habitualidad, en el se explica cómo nuestro cerebro evolucionó para [...]

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *