Del conexionismo al deep learning. Discusiones para la validación de teorías cognitivas
Barra lateral del artículo
Contenido principal del artículo
Resumen
Partiendo de la revisión crítica y el análisis del campo de la inteligencia artificial, este artículo busca sostener la tesis de que las teorías cognitivas conexionistas pueden validarse mediante el diseño de modelos cognitivos artificiales basados en técnicas actuales de aprendizaje profundo. Se postula que, si estos modelos se diseñan con base en los principios del paradigma conexionista de las ciencias cognitivas, pueden ofrecer una representación confiable y empíricamente sostenible de la cognición. Se argumenta que la tecnología computacional actual es lo suficientemente sofisticada para emular las condiciones inherentes al enfoque conexionista y a la neurofisiología subyacente a los procesos cognitivos perceptuales. Como ilustración, se examina el proceso de percepción de profundidad visual, defendiendo la idea de que estos modelos autónomos, que incorporan mecanismos de aprendizaje y adaptación, pueden desempeñarse como herramientas experimentales de corroboración o refutación de la teoría cognitiva. A partir de las evidencias encontradas en la literatura, se concluye que el desarrollo de estos modelos es apropiado para la captura de regularidades funcionales de la cognición y constituye una plataforma experimental robusta para la validación de postulados conexionistas.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, después de su publicación en la Revista la reproducción del artículo estará sujeto a la Licencia CC BY NC SA.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
Referencias
Aggarwal, C. C. (2018). Neural networks and deep learning: A textbook. Springer. https://doi.org/10.1007/978-3-319-94463-0 DOI: https://doi.org/10.1007/978-3-319-94463-0
Aloisio, G., Bochicchio, M. A., La Scala, M., & Sbrizzai, R. (1997). A distributed computing approach for real-time transient stability analysis. IEEE Transactions on Power Systems, 12(2), 981–987. https://doi.org/10.1109/59.589801 DOI: https://doi.org/10.1109/59.589801
Arbib, M. A. (Ed.). (2003). The handbook of brain theory and neural networks (2nd ed.). MIT Press. DOI: https://doi.org/10.7551/mitpress/3413.001.0001
Ayaz, H., Asgher, U., & Paletta, L. (Eds.). (2021). Advances in neuroergonomics and cognitive engineering: Proceedings of the AHFE 2021 Virtual Conferences on Neuroergonomics and Cognitive Engineering, Industrial Cognitive Ergonomics and Engineering Psychology, and Cognitive Computing and Internet of Things, July 25-29, 2021, USA (Vol. 259). Springer. https://doi.org/10.1007/978-3-030-80285-1 DOI: https://doi.org/10.1007/978-3-030-80285-1
Clark, A. (2001). Mindware: An introduction to the philosophy of cognitive science. Oxford University Press.
Cooper, R. P. & Shallice, T. (2010). Cognitive neuroscience: The troubled marriage of cognitive science and neuroscience. Topics in Cognitive Science, 2(3), 398–406. https://doi.org/10.1111/j.1756-8765.2010.01090.x DOI: https://doi.org/10.1111/j.1756-8765.2010.01090.x
Corbí, J. E. & Prades, J. L. (1995). El conexionismo y su impacto en la filosofía de la mente. En F. Broncano (Ed.), La mente humana (pp. 151–174). Trotta.
Davis, S. (Ed.) (1992). Connectionism: Theory and practice. Oxford University Press, USA. DOI: https://doi.org/10.1093/oso/9780195076653.001.0001
Donahoe, J. W. & Dorsel, V. P. (Eds.) (1997). Neural network models of cognition: Biobehavioral foundations. Elsevier.
Farrell, S. & Lewandowsky, S. (2018). Computational modeling of cognition and behavior. Cambridge University Press. https://doi.org/10.1017/CBO9781316272503 DOI: https://doi.org/10.1017/CBO9781316272503
Fernández Trespalacios, J. L. (1988). El conexionismo. Aldaba: Revista del Centro Asociado a la UNED de Melilla, (11), 25–40. https://doi.org/10.5944/aldaba.11.1988.20132 DOI: https://doi.org/10.5944/aldaba.11.1988.20132
Festa, R., Aliseda, A., & Peijnenburg, J. (Eds.). (2005). Confirmation, empirical progress, and truth approximation: Essays in debate with Theo Kuipers, Volume 1. Brill. https://doi.org/10.1163/9789401202855 DOI: https://doi.org/10.1163/9789401201285_001
Fierro, M. (2011). El desarrollo conceptual de la ciencia cognitiva. Parte I. Revista Colombiana de Psiquiatría, 40(3), 519–533. https://doi.org/10.1016/S0034-7450(14)60144-X DOI: https://doi.org/10.1016/S0034-7450(14)60144-X
Forrester, J. V., Dick, A. D., McMenamin, P. G., & Roberts, F. (2002). Anatomy of the eye and orbit. En J. V. Forrester, A. D. Dick, P. G. McMenamin, & F. Roberts, The eye: Basic sciences in practice (2nd ed., pp. 66–90). Saunders.
Goodale, M. A. & Milner, A. D. (1992). Separate visual pathways for perception and action. Trends in Neurosciences, 15(1), 20–25. https://doi.org/10.1016/0166-2236(92)90344-8 DOI: https://doi.org/10.1016/0166-2236(92)90344-8
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Howard, I. P. (2012). Perceiving in depth, volume 1: Basic mechanisms. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199764143.001.0001 DOI: https://doi.org/10.1093/acprof:oso/9780199764143.001.0001
Johansson, L.-G. (2016). Philosophy of science for scientists. Springer. https://doi.org/10.1007/978-3-319-26551-3 DOI: https://doi.org/10.1007/978-3-319-26551-3
Kolers, P. A. (1972). Aspects of motion perception. Pergamon Press.
Leuba, G. & Kraftsik, R. (1994). Changes in volume, surface estimate, three-dimensional shape and total number of neurons of the human primary visual cortex from midgestation until old age. Anatomy and Embryology, 190(4), 351–366. https://doi.org/10.1007/BF00187963 DOI: https://doi.org/10.1007/BF00187293
Lewandowsky, S. & Farrell, S. (2011). Computational modeling in cognition: Principles and practice. SAGE Publications. https://doi.org/10.4135/9781483349428 DOI: https://doi.org/10.4135/9781483349428
Lv, C., Xu, J., Lu, Y., Wang, X., Wang, Z., Xu, Z., Yu, D., Du, X., Zheng, X., & Huang, X. (2025). Dendritic localized learning: Toward biologically plausible algorithm. In A. Singh, M. Fazel, D. Hsu, S. Lacoste-Julien, F. Berkenkamp, T. Maharaj, K. Wagstaff, & J. Zhu (Eds.), Proceedings of the 42nd International Conference on Machine Learning (Vol. 267, pp. 41682–41700). PMLR. https://proceedings.mlr.press/v267/lv25c.html
Mesulam, M.-M. (1990). Large-scale neurocognitive networks and distributed processing for attention, language, and memory. Annals of Neurology, 28(5), 597–613. https://doi.org/10.1002/ana.410280502 DOI: https://doi.org/10.1002/ana.410280502
Oota, S. R., Chen, Z., Gupta, M., Surampudi, B. R., Jobard, G., Mounier, A., & Hale, J. (2024). Deep neural networks and brain alignment: Brain encoding and decoding (survey). Transactions on Machine Learning Research. https://openreview.net/forum?id=n9cAiCGkGv
Pei, Y., Li, Z., Li, B., Zhao, Y., He, H., Yan, L., Li, X., Wang, J., Zhao, Z., Sun, Y., Zhou, Z., Zhao, J., Guo, R., Chen, J., & Yan, X. (2022). A multifunctional and efficient artificial visual perception nervous system with Sb₂Se₃/CdS-core/shell (SC) nanorod arrays optoelectronic memristor. Advanced Functional Materials, 32(29), Article 2203454. https://doi.org/10.1002/adfm.202203454 DOI: https://doi.org/10.1002/adfm.202203454
Pitarque, A. & Algarabel, S. (1991). El conexionismo como marco de simulación: Aplicación a una tarea de facilitación semántica. Cognitiva, 3(2), 165–186.
Popper, K., Adorno, T. W., Dahrendorf, R., & Habermas, J. (1978). La lógica de las ciencias sociales. Grijalbo.
Popper, K. (1963-2014). Conjectures and refutations: The growth of scientific knowledge. Routledge. DOI: https://doi.org/10.4324/9780203538074
Pylyshyn, Z. W. (1980). Computation and cognition: Issues in the foundations of cognitive science. Behavioral and Brain Sciences, 3(1), 111–132. https://doi.org/10.1017/S0140525X00002053 DOI: https://doi.org/10.1017/S0140525X00002053
Rumelhart, D. E. & McClelland, J. L. (1986). Parallel distributed processing: Explorations in the microstructure of cognition, Vol. 1: Foundations. MIT Press. DOI: https://doi.org/10.7551/mitpress/5236.001.0001
Sarker, M. T., Noor, S., & Acharjee, U. K. (2017). Basic application and study of artificial neural networks. SK International Journal of Multidisciplinary Research Hub, 4(4), 1–12.
Szeliski, R. (2011). Computer vision: Algorithms and applications. Springer. https://doi.org/10.1007/978-1-84882-935-0 DOI: https://doi.org/10.1007/978-1-84882-935-0
Sloman, A. (1978). The computer revolution in philosophy: Philosophy, science, and models of mind. Harvester Press.
Soni, A., Srivastava, S., Kording, K., & Khosla, M. (2024). Conclusions about neural network to brain alignment are profoundly impacted by the similarity measure. bioRxiv. https://doi.org/10.1101/2024.08.07.607035 DOI: https://doi.org/10.1101/2024.08.07.607035
Steinman, S. B. & Garzia, R. P. (2000). Foundations of Binocular Vision: A Clinical Perspective. McGraw-Hill.
Sweet, B. & Kaiser, M. (2011). Depth perception, cueing, and control. AIAA Modeling and Simulation Technologies Conference. AIAA. https://doi.org/10.2514/6.2011-6424 DOI: https://doi.org/10.2514/6.2011-6424
Yao, M., Richter, O., Zhao, G., Qiao, N., Xing, Y., Wang, D., Hu, T., Fang, W., Demirci, T., De Marchi, M., Deng, L., Yan, T., Nielsen, C., Sheik, S., Wu, C., Tian, Y., Xu, B., & Li, G. (2024). Spike-based dynamic computing with asynchronous sensing-computing neuromorphic chip. Nature Communications, 15, Article 4464. https://doi.org/10.1038/s41467-024-47811-6 DOI: https://doi.org/10.1038/s41467-024-47811-6
Yoshimi, J., Tosi, Z., Hotton, S., Beckmann, P., Cain, E., Gordon, C., Noelle, D. C., & Meyer, T. (2024). Neural networks in cognitive science. https://jeffyoshimi.net/downloads/NeuralNetsCogSci_2023.pdf
Zhou, C., Zhang, H., Yu, L., Ye, Y., Zhou, Z., Huang, L., Ma, Z., Fan, X., Zhou, H., & Tian, Y. (2024). Direct training high-performance deep spiking neural networks: A review of theories and methods. Frontiers in Neuroscience, 18. https://doi.org/10.3389/fnins.2024.1383844 DOI: https://doi.org/10.3389/fnins.2024.1383844