Si, cuando acabes de leer esta entrada, quisieras
dejar un comentario tendrías que demostrar que no eres una máquina.
Para ello el sistema te pedirá que identifiques dos imágenes, una
fotografía de un número y una palabra distorsionada. Y tú,
concentrándote un poco, eso sí, no deberías tener mayor problema
en hacerlo. Sin embargo, una máquina no podría. ¿Por qué? Porque
nuestro cerebro resuelve categorías y las máquinas, de momento, no
pueden. Pero, ¿cómo lo hace? Un estudio reciente arroja algo de luz
sobre el asunto.
¿Cómo puedes reconocer la cara de una amiga
independientemente de las condiciones de luz, de cómo lleve el pelo
o del maquillaje? ¿Cómo las personas que conocían a Dora Maar la reconocían en el retrato que Picasso hizo de ella en 1937 y que abre esta entrada? ¿Cómo es que oímos las mismas palabras
independientemente de que las pronuncie un varón o una mujer, un
adulto o un niño, gritando o susurrando? El cerebro humano tiene la
asombrosa capacidad, aunque estemos tan habituados a ella que nos
parece lo más normal del mundo, de convertir una avalancha de datos
sensoriales en una serie de categorías y objetos definidos. Esta
capacidad de crear invariantes en un mundo cambiante es
extremadamente difícil de reproducir en una máquina. Por eso
funcionan los captcha.
Brice Bathellier, del Instituto de Investigación en
Patología Molecular (Austria), encabeza un estudio que demuestra que
son determinadas características de las redes neuronales del cerebro
las responsables de la formación de estas categorías. Los
resultados se publican en Neuron.
Los investigadores produjeron una serie de sonidos y
controlaron la actividad de agrupaciones de neuronas del córtex
auditivo mediante microscopía de dos fotones/calcio, una técnica
que combina la microscopía de fluorescencia de 2 fotones con
los efectos que en la fluorescencia de las tinciones usadas
tiene la presencia de iones de calcio y que permite el análisis
en tiempo real de circuitos neuronales intactos con una resolución
de células individuales. Encontraron que grupos de 50 a 100 neuronas
mostraban un número limitado de patrones de actividad en respuesta a
los diferentes sonidos.
A continuación seleccionaron dos sonidos base (A,
B) que producían diferentes patrones de respuesta y construyeron
mezclas (combinaciones lineales aA+bB) de ambos. Cuando el
ratio (a/b) de la mezcla se hacía variar continuamente la
respuesta no era un cambio continuo en los patrones de actividad de
las neuronas sino, por el contrario, una transición brusca.
Este tipo de comportamiento dinámico recuerda el de
las redes artificiales con atractores. Una red con atractores es una
red que evoluciona hacia un patrón estable con el tiempo. Las redes
con atractores se usan en neurociencia computacional para modelar
procesos neuronales como la memoria asociativa y el comportamiento
motor, así como en métodos de aprendizaje de máquinas de
inspiración biológica. Este tipo de redes se había propuesto como
solución al problema de la categorización por parte de algunos
especialistas en inteligencia artificial.
Experimentos posteriores monitorizando el
comportamiento de los ratones confirmaron estos resultados. Se
entrenó a un grupo de ratones a discriminar entre dos sonidos. Se
les exponía entonces a un tercer sonido y se seguía su reacción.
Los experimentadores eran capaces de predecir cuantitativamente el
comportamiento de los ratones a partir de los patrones de actividad cortical,
dependiendo de si la reacción al tercer sonido era más parecida al
primer o al segundo sonido, lo que indicaría una similitud en la
percepción.
Estos resultados indicarían que estados de red discretos podrían ser el sustrato para la formación de categorías.
Los autores sugieren que la estructura jerárquica de las
representaciones discretas podrían ser esenciales para la funciones
cognitivas más elaboradas como el procesamiento del lenguaje.
Referencia: