Información

¿Existe alguna forma de mapa autoorganizado en el cerebro?

¿Existe alguna forma de mapa autoorganizado en el cerebro?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Los mapas autoorganizados (SOM's) son una herramienta extremadamente interesante y poderosa en el campo de las redes neuronales artificiales. Mi pregunta es: ¿Existe algo similar en el cerebro? ¿O estos sistemas son completamente "hechos por el hombre"? Además, si existen tales cosas en el cerebro, ¿cómo funcionan?


Estas son grandes preguntas. El SOM fue absolutamente inspirado biológicamente. Claro que hay muchos ejemplos.

Ejemplos de mapas de características topográficas autoorganizadas en el cerebro humano incluyen el homúnculo sensorial, los mapas retinotópicos y la corteza entorrinal. Incluso hay mapas como estos en el núcleo auditivo del mesencéfalo de la lechuza común, así como en la corteza auditiva del murciélago bigote.

En cuanto a cómo funcionan y se organizan en la naturaleza, esa sigue siendo un área activa de investigación, y parece que no hay conclusiones experimentales que sugieran la existencia de reglas universales para la autoorganización de mapas sensoriales en el cerebro. Sin embargo, hasta donde yo sé, la teoría de Kohonen de que estos mapas se organizan mediante una combinación de inhibición lateral y aprendizaje hebbiano aún no ha sido desplazada por una idea más moderna.


Complejidad autoorganizada en las ciencias físicas, biológicas y sociales

La Academia Nacional de Ciencias convocó un Coloquio Arthur M. Sackler sobre “La complejidad autoorganizada en las ciencias físicas, biológicas y sociales” en el NAS Beckman Center, Irvine, CA, del 23 al 24 de marzo de 2001. Los organizadores fueron D.L.T. (Cornell), J.B.R. (Colorado) y Hans Frauenfelder (Laboratorio Nacional de Los Alamos, Los Alamos, NM). Los organizadores no tuvieron dificultad en encontrar muchos ejemplos de complejidad en temas que van desde la turbulencia fluida hasta las redes sociales. Sin embargo, una definición aceptable de complejidad autoorganizada es mucho más difícil de alcanzar. Los síntomas de los sistemas que exhiben una complejidad autoorganizada incluyen estadísticas fractales y comportamiento caótico. Algunos ejemplos de tales sistemas son completamente deterministas (es decir, turbulencia de fluidos), mientras que otros tienen un gran componente estocástico (es decir, tipos de cambio). Las ecuaciones que gobiernan (si existen) son generalmente no lineales y también pueden tener un controlador estocástico. Muchos de los conceptos que han evolucionado en la física estadística son aplicables (es decir, la teoría de grupos de renormalización y la criticidad autoorganizada). Como breve introducción, consideramos algunos de los síntomas asociados con la complejidad autoorganizada.


La teoría del todo de un neurocientífico

K arl Friston quería que supiera que tenía mucho tiempo. Eso no era del todo cierto. Simplemente no quería que nuestra conversación, sobre su pasión, la física de la vida mental, terminara. Una vez que lo hiciera, tendría que salir, fumar un cigarrillo y volver directamente a modelar COVID-19. Cogí al neurocientífico de la University College London a las 6 p.m., su hora, justo después de que se sentara en un panel en una conferencia de prensa relacionada con COVID. Se disculpó por llevar corbata y me pareció agradecido por haberme proporcionado un "ligero alivio y una distracción".

Hace una década, Friston publicó un artículo titulado "El principio de energía libre: ¿una teoría del cerebro unificada?" Explica la idea de que el cerebro funciona como un editor, minimizando constantemente, "aplastando" las aportaciones del mundo exterior, y en el proceso equilibrando los modelos internos del mundo con las sensaciones y percepciones. La vida, en opinión de Friston, se trata de minimizar la energía libre. Pero no es solo una vista del cerebro. Es más como una teoría de todo. La teoría de la energía libre de Friston prácticamente enciende tu cerebro cuando la lees, y se ha convertido en uno de los artículos más citados en el mundo de la neurociencia. En mayo pasado, Friston publicó un nuevo artículo, “Sentience and the Origins of Consciousness”, que lleva sus ideas a un nuevo territorio intelectual.

NO ES UN FAN DE SORPRESAS: Karl Friston (arriba) ha argumentado que las formas de vida, para sobrevivir, deben limitar el promedio de sorpresa a largo plazo que experimentan en sus intercambios sensoriales con el mundo. Sorprenderse con demasiada frecuencia equivale a no resistir una tendencia natural al desorden. Kate Peters

Friston, actualmente miembro principal de Wellcome Trust y director científico del Wellcome Trust Center for Neuroimaging, inventó el mapeo paramétrico estadístico, una técnica de escaneo cerebral que ha permitido a los neurocientíficos evaluar, como nunca antes, la actividad en regiones específicas del cerebro y sus roles en el comportamiento. . Los descubrimientos que está ayudando a hacer sobre la naturaleza del cerebro surgen de la preocupación de un psiquiatra por el bienestar de sus pacientes, que padecen esquizofrenia crónica. “La mayor parte de nuestro trabajo práctico sobre modelos causales, análisis de datos y ciencias de la imagen fue motivado y financiado de hecho por la investigación de la esquizofrenia”, dijo Friston. "Ha sido una parte central de mi vida y mi carrera durante décadas".

Las aplicaciones de la investigación de Friston son tangibles y han hecho importantes contribuciones a las enfermedades mentales, las imágenes cerebrales y ahora la pandemia de COVID-19. Sin embargo, aventurarse en la teoría detrás de ellos es un safari a través de una jungla de conceptos fascinantes y, a veces, cautivadores. Las ideas de Friston han estado en mi radar durante algún tiempo, así que estaba emocionado de participar. Era un guía turístico apasionado, que nos llevó a través de un panorama de algunos de los temas más estimulantes de la ciencia actual, desde la conciencia hasta la física cuántica y los psicodélicos. .

En "El principio de la energía libre", escribe que el mundo es incierto y está lleno de sorpresas. La acción y la percepción humana, argumenta, se trata de minimizar la sorpresa. ¿Por qué es importante que las cosas, incluidos nosotros, minimicen la sorpresa?

Si minimizamos la sorpresa ahora, entonces, en promedio, con el tiempo, estamos minimizando la sorpresa promedio, que es la entropía. Si un termostato pudiera tener creencias sobre su mundo, podría decir: “Mi mundo se trata de vivir a 22 grados centígrados”, entonces cualquier información sensorial de sus receptores térmicos que se aparte de eso es sorprendente. Luego actuará sobre el mundo para tratar de minimizar esa sorpresa y devolver ese error de predicción a cero. La homeostasis de su cuerpo hace exactamente lo mismo.

¿El cerebro minimiza la sorpresa para conservar energía?

Ciertamente se podría decir eso. Pero no lo diría así del todo. No es que el cerebro tenga la meta de existir. Simplemente existe. Parece que tiene un objetivo de existir. ¿Qué significa existir? Siempre se encuentra en esa configuración. El cerebro tiene que tomar muestras del mundo de manera que sepa qué va a pasar a continuación. Si no fuera así, estarías lleno de sorpresas y morirías.

Cualquier cosa de la que hables es en realidad solo una explicación de tu mundo vivido.

¿Cuál es el argumento central del principio de energía libre?

La energía libre variacional es básicamente una cantidad que sorprende. Es el objetivo final de la vida. ¿Por qué hay una diferencia entre energía gratuita y sorpresa? Digamos que te encargué de diseñar una gota de aceite. Quieres diseñar una gota de aceite y venderla en Amazon. Tendría que escribir sus ecuaciones de movimiento, flujos en gradientes, donde estos gradientes se definen por sorpresa, y la sorpresa define la configuración probable que caracteriza a una gota de aceite. El problema es que, cuando se llega a evaluar esa sorpresa, esa energía potencial, se vuelve numéricamente imposible de hacer debido a todas las diferentes formas en que su configuración podría haber sido causada. Esto significa que usted no puede realizar físicamente los flujos, tratando de diseñar su gota de aceite de Amazon.

Entonces, ¿cómo se puede construir una gota de aceite o cualquier otra cosa?

Hay una forma de hacerlo, inventada por el físico Richard Feynman. Tenía exactamente el mismo problema en electrodinámica cuántica. Quería evaluar la probabilidad de todas las formas en que este electrón podría pasar del estado inicial en el que estaba preparado a algún estado final o final. El número de caminos que puede tomar una partícula es infinito. Feynman se enfrentaba a un problema enorme. Quería calcular la ruta de electrones más probable, pero no podía evaluar todas las formas posibles en que la partícula podría llegar de aquí a aquí, y mucho menos comenzar a buscar la ruta más probable.

Entonces se le ocurrió la energía libre variacional, que es esencialmente una cantidad matemática que siempre es más grande que la sorpresa. Si aplasta o reduce la energía libre, que puede medir con bastante facilidad, puede hacer su descenso de gradiente y llegar al fondo de la energía libre. Lo que efectivamente hizo Feynman fue reemplazar un problema de integración imposible con un problema de optimización manejable. Si desea emular la autoorganización, tendrá que cambiar el problema de la forma en que funciona el mundo a una aproximación de la forma en que funciona el mundo y desarrollar un esquema de optimización.

Puede ver por qué la energía libre comienza a desempeñar un papel clave en la articulación de estas ideas sobre cómo funciona el cerebro. Bien puede ser que no fue solo Richard Feynman quien se dio cuenta de que esta era la forma de evidenciarse por sí mismo de manera eficiente y efectiva. Puede ser que la evolución también se haya dado cuenta de esto. Este truco variacional (minimizar la energía libre variacional de Feynman) se ha instalado en nosotros.

Por qué algunos fanáticos del deporte se divierten más

No lo habrás visto en el podio, pero el sistema de neuronas espejo del cerebro humano podría haber obtenido una medalla en los Juegos Olímpicos de este año, o básicamente en cualquier evento deportivo con público. El sistema de neuronas espejo es una red de neuronas. LEE MAS

La idea de una manta de Markov se muestra en su artículo reciente sobre los orígenes de la conciencia. ¿Quién era Markov y cómo se llama esta manta en su honor?

Andrey Markov fue uno de los abuelos de los procesos estocásticos y la teoría de la probabilidad. La noción de una manta de Markov surge, no en la investigación de la conciencia, y ni siquiera en la neurociencia, es mucho más fundamental que eso. Alguna cosa existe necesariamente como una manta de Markov. Porque si no fuera así, no podría medir nada que lo distinga de otra cosa. Es absolutamente crucial. Si algo no tiene una manta de Markov, no existe. Desde la perspectiva de la neurociencia de sistemas, la manta de Markov es algo nuevo e importante en el conjunto de herramientas que le permite desmitificar y hablar con un cálculo diferente, y un lenguaje diferente, sobre cosas como la sensibilidad.

¿Qué buen ejemplo de algo que ilustra la manta de Markov?

Volvamos a nuestra gota de aceite. Imagínelo en un vaso de agua. La agenda es entender, “¿Por qué la gota de aceite se junta? ¿Por qué resiste la tendencia a dispersarse, disolverse, disiparse y distribuir todas sus moléculas alrededor del solvente? ” Hay algo especial en ciertas cosas o sistemas, como la gota de aceite, que logran distinguirse del universo o del entorno en el que están inmersos.

La manta de Markov ayuda a explicar cómo pueden existir las cosas, pero ¿qué es exactamente?

La manta de Markov es una interfaz permeable entre el interior y el exterior, lo que permite un intercambio bidireccional. Las cosas del exterior (el medio ambiente, el universo, el baño de calor) impactan lo que sucede en el interior a través de la parte sensorial de la manta de Markov. La manta de Markov tiene estados sensoriales y activos. Las cosas del exterior, los estados externos, influyen en los estados sensoriales de la manta, lo que la manta siente. Y las cosas del interior de la manta, los estados internos, influyen en los estados activos de la manta. Los estados activos cierran ese círculo de causalidad o, si se quiere, revelan lo que está sucediendo en el interior actuando sobre el estado exterior. Con esa construcción matemática en su lugar, puede ir mucho más allá de la física del siglo XX, que se trataba de estadística de equilibrio y termodinámica, el tipo de física que le habrían enseñado en la escuela. Implícita en la física del equilibrio está la noción de que tienes un sistema aislado o cerrado sumergido en un baño de calor, sin siquiera preguntar de dónde vino el baño de calor. Eso asumió implícitamente la manta de Markov.

El cerebro tiene que tomar muestras del mundo para saber qué va a pasar a continuación.

¿Dónde puede llevar la manta de Markov a la física en el siglo XXI?

Puede comenzar a abordar lo que la mayoría de las personas en física, no la mayoría, pero quienes tienen una mente más aventurera y el tiempo y el dinero para hacerlo, quieren preguntar y abordar. Que es, "¿Cómo se autoorganizan las cosas cuando están expuestas a algo?" Sistemas abiertos, en otras palabras. Sistemas que están lejos del equilibrio: estados estacionarios que no están en equilibrio y que persisten a pesar de que están en intercambio con su entorno. Somos el ejemplo perfecto de cosas que parecen persistir en el tiempo, a pesar de un mundo caprichoso y fluctuante.

Su trabajo parece hacer posible una física de la sensibilidad. ¿Podemos realmente cuantificar las fuerzas que gobiernan nuestras mentes?

Eso es exactamente correcto. La fuerza es solo una expresión de un gradiente y el gradiente es una construcción que determina el flujo de estados. Puede pensar en la gravedad, por ejemplo, como una fuerza o como un flujo de gradiente en un potencial gravitacional. Me estoy volviendo un poco abstracto ahora, pero creo que es importante y desmitificante decir que la función de energía potencial que produce las fuerzas que están causando toda tu actividad neuronal en este momento, mientras escuchas de manera sensible lo que yo De lo que estoy hablando, todo puede escribirse como flujos en una energía potencial, el logaritmo de la probabilidad de mis sensaciones, de estar en un estado particular, dado mi modelo del mundo.

Esto, casi tautológicamente, tiene que ser el caso, matemáticamente hablando. Si tengo un buen modelo del mundo al otro lado de mi manta de Markov, y sigo probando cosas que predigo y espero probar, entonces debe ser el caso de que todo en el interior se recapitula y minimiza. ese potencial. Matemáticamente, esto significa maximizar mi evidencia de la probabilidad de esas sensaciones, dada mi comprensión, o predicción del modelo, de lo que está sucediendo. Esto te lleva a esta noción de evidencia propia, que es solo otra forma de decir "existir".

Está bien, te estás volviendo un poco abstracto. ¿Puede expresar esta acción mental en términos más concretos?

Hay una forma realmente agradable de pensar en la mecánica de esto en términos de actualización de creencias. Entonces, en el mundo de las estadísticas bayesianas, obtienes algunos datos nuevos. Actualiza sus creencias anteriores a creencias posteriores después de ver los datos. Estás asimilando esos datos, actualizándolos, luego revisándolos y cambiando de opinión. Cambiar de opinión sobre la base de la nueva información disponible se denomina actualización de creencias. Esa actualización de creencias es una medida del grado en que se han movido en este espacio de creencias sobre esta geometría de información. Si obtiene mucha información nueva que le cambia mucho de opinión, se ha mudado a una gran distancia. Y eso significa que ha habido una gran fuerza, una gran presión sobre ti ejercida por esta nueva información para cambiar de opinión.

Si, por otro lado, lo que está sintiendo, digamos, en las plantas de los pies, no transmite información y no está cambiando de opinión, no lo notará. No hay actualización de creencias a menos que asistir a las sensaciones de las plantas de tus pies. Encuentro esto fascinante: la medida de cuánto te mueves en estas geometrías de información, cuánta fuerza se ejerce o cuán empinados son estos gradientes que te arrastran de un lado a otro, depende en gran medida de la precisión de la información. Es esta precisión la que determina la acción mental.

Richard Feynman tenía exactamente el mismo problema en electrodinámica cuántica.

¿Qué quiere decir con "precisión de la información"?

Es la curvatura o los gradientes de los campos de fuerza lo que causa la actualización de sus creencias, lo que literalmente provoca aumentos o disminuciones en la actividad neuronal. Se une muy bien desde un punto de vista matemático. Si puede comenzar a elegir cuánta precisión desea proporcionar este tipo de información, o ese tipo de información, entonces tiene un poco de vida interior. Por supuesto, las gotas de aceite no pueden elegir dónde desplegar su precisión, pero usted puede.

Mientras te miro, puedo enfocar la lámpara a mi izquierda sin mover mis ojos hacia ella. Estás diciendo que la habilidad es una especie de requisito previo para una forma rudimentaria de vida interior. Es la capacidad de ser consciente de que tengo ¿Esta capacidad es un paso más en una vida interior más rica?

Absolutamente. Tú y yo tenemos la hipótesis de que soy yo teniendo estas experiencias cualitativas, de hablar contigo. Y soy yo quien procesa estas acciones mentales. Pero esa es solo otra hipótesis, y es solo otra representación de alguna realidad que existe. Si comienza a poner estas representaciones en la mezcla, entonces se está acercando mucho más a una individualidad mínima que respalda la agencia y la propiedad de estas experiencias cualitativas, experiencias que se han construido activamente a través de algunas acciones mentales encubiertas y vida interior.

¿Cómo ayudan las mantas de Markov a darle sentido a nuestra vida interior?

Tengo que tener claro que hablo como físico, porque no soy filósofo. Dicho esto, existe una interpretación representacionalista de los estados internos de algo con una manta de Markov. usted podría digamos que todo lo que importa en términos de sensibilidad, percepción e inferencia activa, está solo en el interior. Es nuestra actividad neuronal, digamos, los estados internos que dependen e influyen en los estados generales. Los estados comprenden nuestros estados sensoriales, nuestros receptores sensoriales, nuestro sensorio si lo desea, y formas de cambiar ese sensorio actuando, como mis ojos palpando el mundo para obtener nueva información sensorial. Esto significa que nunca podrá muestrear de manera transparente, o saber, lo que está ahí afuera, generando estados sensoriales. Entonces podría adoptar fácilmente una posición antirrealista sobre la realidad externa.

¿Apoyan las mantas de Markov las teorías que ponen en duda la existencia del mundo fuera de la conciencia individual?

No necesariamente. Si tienes una manta de Markov, es matemáticamente cierto que el interior debe tener alguna forma de sincronización con el exterior.Cualquier sistema que sobreviva a un mundo y regule su intercambio con ese mundo debe incorporar o contener un modelo de ese mundo. Tiene que haber una realidad allí afuera que simpatiza y ha engendrado la noción de autoorganización, la existencia misma del manto que contiene los estados internos.

Por ejemplo, si midiera una determinada población neuronal en su corteza visual, podría inferir que debido a que esta población en particular ha aumentado su actividad, es más que probable que haya una barra de contraste visual moviéndose a través de su campo receptivo visual, en ese punto en tu espacio visual. Entonces, en cierto sentido, disuelve el debate realista / antirrealista. Tiene licencia para adoptar una perspectiva antirrealista, pero al final del día, debe reconocer: "Sí, solo puedo hacer eso porque hay algo ahí fuera".

He cruzado las puertas en el sentido huxleyiano. Es revelador.

¿Por qué crees que estamos tan desconcertados por el difícil problema de la conciencia?

Esto es algo por lo que Andy Clark está muy desconcertado y se relaciona con la pregunta de David Chalmers # 8217: "¿Por qué estamos tan desconcertados por el hecho de que tenemos experiencia cualitativa?" Un enfoque deflacionario es decir: "Bueno, estás comprometido con el metaproblema en sí". ¿Qué tipo de sensibilidad, o qué tipo de criaturas, podrían desconcertarse por el hecho de que perciben? El solo hecho de hacer esa pregunta proporciona algunas ideas realmente interesantes.

Tan pronto como tenga una parte de su cerebro que esté desplegando acción interna, significa implícitamente que debe tener representaciones de diferentes tipos de acción. Ahora tienes la oportunidad de pensar: ¿Qué pasaría si no presto atención a esta experiencia cualitativa, este enrojecimiento, digamos? Bien puede ser que tener un cerebro que tenga estas hipótesis contrafácticas a su disposición sea todo lo que necesite para explicar por qué existen los filósofos y hacer estas preguntas.

Esto te devuelve a la noción de que cualquier cosa de la que hables es en realidad solo una explicación de mi mundo vivido. Es la explicación más simple para todas estas sensaciones que estoy obteniendo, en todas las modalidades que poseo. Y no tiene por qué ser verdadero o falso. Siempre que sea una explicación suficientemente buena que reduzca la sorpresa y la evidencia personal sea agradable y alta, eso es todo lo que se requiere hacer. La individualidad en sí misma ahora se convierte en una explicación más. Todo lo que dice un filósofo también sucumbe exactamente al mismo argumento, incluidos los qualia. Los qualia se convierten en reificaciones de la mejor explicación para mi comprensión de mis datos sensoriales y mi visión interna de esta vida interior. La forma más elevada de conciencia es el cerebro del filósofo.

Eso es muy halagador para los filósofos.

Ellos lo merecen. No solo tienen representaciones internas de los qualia y pueden hablar de ellos, en realidad tienen esta capacidad de generar un mundo efectivo en el que es posible no tener qualia. Empiezas a entretenerte con el siguiente acertijo: Oh, si es posible no tener qualia, ¿por qué tenemos qualia?

¿Es el yo una ilusión?

Bueno, digamos que eres un niño salvaje que nunca ha visto otro mamífero. No habría necesidad de tener una noción de sí mismo. Tú y el universo serían solo una cosa. Pero tan pronto como empiece a notar otras cosas que se parecen a usted, se debe resolver una pregunta: "¿Hiciste eso o yo hice eso?" Ahora necesita tener, como parte de su modelo interno, la hipótesis, la fantasía, la ilusión, que puede ser absolutamente correcta, de que hay otras cosas como yo por ahí, y necesito modelar eso. Creo que la teoría de la mente y la necesidad de cerebros cultivados proporciona una respuesta simple de por qué tenemos el yo. Pero volviendo a su pregunta, creo que sí, la individualidad es otra hipótesis plausible en mi modelo generativo que proporciona la mejor explicación para mis intercambios sensoriales.

He leído algunos de sus trabajos sobre psicodélicos. ¿Qué le hacen a nuestras mentes que actualizan las creencias?

Los psicodélicos actúan sobre ciertos tipos de neurotransmisores llamados neuromoduladores y literalmente desintegran su actualización de creencias, liberando a esta población neuronal de la evidencia y las influencias de esa población. Ahora no podrá recurrir a representaciones de alto nivel de la individualidad para limitar su experiencia cualitativa a un nivel más bajo de abstracción. Es posible que experimente una desilusión del ego en un nivel inferior, literalmente, la representación del "yo" puede que ahora no pueda influir en la experiencia. Es posible que esté prestando atención a sensaciones vívidas que ahora tendrían otras interpretaciones que no están unidas por una narrativa egocéntrica y egocéntrica. Tendrá explicaciones alternativas para lo que causó esta sensación y lo que causó esa sensación. Todo esto es perfectamente sensato bajo un modelo generativo en el que se eliminaron las limitaciones de un nivel de procesamiento en otro. Por ejemplo, podría tener la hipótesis de que si soy yo, hay otra hipótesis, no soy yo. Si comienzas a eliminar la evidencia de estas dos hipótesis, creas una enorme incertidumbre sobre mí. Obtendrá despersonalización y posiblemente un mal viaje.

¿Tiene alguna experiencia personal de viajes?

Cuando era más joven, disfrutaba de las setas mágicas. Así que he cruzado las puertas en el sentido huxleyano. Es una experiencia reveladora y que abre la mente en la que nunca da por sentado el control que tiene sobre la realidad. Este agarre es un regalo de una máquina de inferencia bien engrasada que genera fantasía tras fantasía que es perfecta. Cuando eso desaparezca, lo sabrá y apreciará lo finamente afinado que está nuestro control sobre ese sensorium y lo privilegiados que somos de existir.

Brian Gallagher es editor asociado en Nautilo. Síguelo en Twitter @BSGallagher.


La investigación de Stuart Hameroff & # 8217 involucra una teoría de la conciencia desarrollada durante los últimos 20 años con el eminente físico británico Sir Roger Penrose. Llamada 'reducción objetiva orquestada' ('Orch OR'), sugiere que la conciencia surge de vibraciones cuánticas en polímeros de proteínas llamados microtúbulos dentro de las neuronas del cerebro, vibraciones que interfieren, 'colapsan' y resuenan a través de la escala, controlan los disparos neuronales, generan conciencia y conectarse en última instancia a ondas de "orden más profundo" en la geometría del espacio-tiempo. La conciencia se parece más a la música que a la computación.

¿Qué es la conciencia?

¿Cómo el cerebro, un trozo de carne de color gris rosado, produce sentimientos, emociones, comprensión y conciencia (una pregunta denominada & # 8216 hard problem & # 8217 por el filósofo David Chalmers)? El misterio se ha reflexionado desde la antigüedad y actualmente se aborda desde muchas disciplinas, p. Ej. neurociencia, medicina, filosofía, psicología, física, biología, cosmología, artes, tradiciones meditativas y espirituales, etc. Todo esto tiene algo que decir, pero desde diferentes direcciones, como los proverbiales ciegos que describen un elefante. Además, la conciencia no se puede medir, observar ni verificar directamente, un problema en mi campo de la anestesiología donde queremos que nuestros pacientes sean decididamente inconsciente. ¿Cómo podemos siquiera estudiar la conciencia científicamente?

En 1994 coorganicé la primera conferencia internacional e interdisciplinaria & # 8216Hacia una ciencia de la conciencia& # 8216 en la Universidad de Arizona en Tucson, reuniendo todos los enfoques bajo un mismo paraguas, o más acertadamente quizás, una carpa de circo. Después de cierta confusión, el concepto interdisciplinario se afianzó, en gran parte gracias a una famosa charla de la mañana inaugural de David Chalmers.

El público estaba inquieto después de dos aburridas conferencias cuando Dave subió al escenario. Con el pelo hasta la cintura, pavoneándose como Mick Jagger, explicó que las funciones cerebrales, incluida la memoria, el aprendizaje, el lenguaje y el comportamiento, eran difíciles, pero aún relativamente fáciles en comparación con el problema realmente difícil de la experiencia subjetiva, los sentimientos, las emociones y la conciencia. , pensamiento, compuesto por componentes en bruto denominados & # 8216qualia & # 8217. Además, ofreció su propia opinión de que los qualia eran de alguna manera & # 8216funda-mentales & # 8217, similares a las características básicas del universo, como la carga eléctrica, el giro magnético, los fotones o la masa, y que debe existir algún & # 8216 puente psicofísico & # 8217 entre las actividades cerebrales y un nivel básico del universo. La audiencia zumbó. En la pausa para el café, escuché a escondidas conversaciones sobre el & # 8216hard problema & # 8217.

La conferencia fue un éxito. Poco después, iniciamos el Centro de Estudios de la Conciencia en la Universidad de Arizona, y Dave Chalmers se unió a nuestro departamento de filosofía para convertirse en el director del Centro & # 8217. Las conferencias se han celebrado anualmente desde 1994, alternando entre Tucson y otras partes del mundo. En 2014 celebramos el 20 aniversario, tomando prestado de los Beatles y el famoso sargento # 8217. La portada del álbum Pepper presenta a destacados investigadores de la conciencia del pasado y del presente (Figura 1). La conferencia de 2015 se llevó a cabo en junio pasado en la Universidad de Helsinki en Finlandia, y hay planes para la conferencia de 2016 (ahora llamada simplemente "La ciencia de la conciencia") en Tucson el próximo abril (Figura 2)

Figura 1. “¡Fue hace 20 años HOY! Arte del cartel de la conferencia para la conferencia del 20 aniversario & # 8216 Hacia una ciencia de la conciencia 2014 & # 8217.

Gracias a los Beatles, Abi Behar-Montefiore y Dave Cantrell, Comunicaciones Biomédicas, Universidad de Arizona.

Figura 2. Póster de la conferencia "La ciencia de la conciencia 2016". Gracias a Roma Krebs, Comunicaciones Biomédicas, Universidad de Arizona.

Entonces & # 8230.que es ¿conciencia? ¿Dónde nos encontramos después de todos estos años?

Los científicos y filósofos han comparado históricamente el cerebro con la tecnología de la información contemporánea, desde los antiguos griegos que comparaban la memoria con un & # 8216 anillo de sello en cera & # 8217 al cerebro del siglo XIX como & # 8216 circuito de conmutación de telegrama, & # 8217 con Freud & # 8217 deseos subconscientes & # 8216 hirviendo como una máquina de vapor, & # 8217 a la noción de Karl Pribram de la mente como un holograma, y ​​finalmente, con un consenso moderno de escala bastante grande, la computadora. El dogma estándar actual es que la conciencia surge de la computación compleja entre las neuronas del cerebro y sus conexiones sinápticas que actúan como interruptores binarios y lógicos. Dentro de esta visión general se encuentran enfoques como & # 8216 información integrada & # 8217, & # 8216 espacio de trabajo global & # 8217, & # 8216 codificación predictiva & # 8217, & # 8216 invariancia de escala & # 8217, & # 8216 probabilidades bayesianas & # 8217, & # 8216 retroalimentación pre-frontal & # 8217, 'pensamiento de orden superior', & # 8216 voleas coherentes & # 8217 y & # 8216 oscilaciones sincrónicas & # 8217. Pero la idea central es que el cerebro es una computadora, una red compleja de neuronas simples en forma de bits.

En consecuencia, y debido a que los trastornos cerebrales como la depresión, la enfermedad de Alzheimer y la lesión cerebral traumática devastan a la humanidad sin tratamientos efectivos, los científicos, los gobiernos y las agencias de financiación han apostado fuerte por la analogía del cerebro como computadora. Se están invirtiendo miles de millones de dólares y euros en & # 8216mapeo cerebral & # 8217, la noción de que identificar y luego simular las neuronas cerebrales y sus conexiones sinápticas puede dilucidar y reproducir la función cerebral, lo que lleva a prótesis cerebrales y tal vez incluso a 'descargas mentales ', transfiriendo la conciencia a una computadora cuando se enfrenta a la muerte corporal. La "Iniciativa" del cerebro del presidente Obama, los esfuerzos europeos & # 8216Human Brain Project & # 8217 y del Allen Institute & # 8217 en Seattle para mapear la corteza del ratón están dirigidos a tales objetivos. Pero hasta ahora, al menos, la apuesta no está dando sus frutos.

Por ejemplo, comenzando de manera más modesta, un consorcio mundial ha simulado con precisión la ya conocida neurona 302 & # 8216brain & # 8217 de un simple gusano redondo llamado C elegans. El gusano biológico nada ágilmente para buscar, comer y aparearse. Pero incluso cuando se pincha, el simulado C elegans simplemente yace ahí, sin comportamiento funcional. Algo falta. Las agencias de financiación se están poniendo nerviosas. Traiga el & # 8216P.R. chicos. & # 8217

En un artículo del New York Times & # 8216Face It, Your Brain is a Computer & # 8217 (27 de junio de 2015), el psicólogo / neurocientífico de la NYU Gary Marcus golpeó desesperadamente al caballo muerto. Después de una serie de fallas de las computadoras para simular las funciones básicas del cerebro (mucho menos acercarse a la "palabra C & # 8217, conciencia) Marcus se queda para preguntar, en esencia, si el cerebro no es una computadora, ¿qué más podría ser?

En realidad, en lugar de una computadora, el cerebro parece un sistema de resonancia vibratoria multiescalar, no muy diferente de una orquesta. Más que una salida computacional, la conciencia se parece más a la música.

Como muchos sistemas naturales, los patrones dinámicos de información del cerebro se repiten en escalas espacio-temporales en jerarquías anidadas de redes neuronales similares a fractales ("1 / f"), con resonancias y latidos de interferencia. Un ejemplo de un mapeo espacial multiescalar es el trabajo ganador del Premio Nobel de 2014 (O & # 8217Keefe, Moser y Moser) sobre & # 8216 celdas de cuadrícula & # 8217, representaciones hexagonales de ubicación espacial dispuestas en capas de corteza entorrinal, cada capa codificando un diferente escala espacial del entorno circundante. Pasar de una capa a otra en la corteza entorrinal es precisamente como acercar y alejar un mapa de Google.

De hecho, la evaluación del neurocientífico Karl Pribram del cerebro como un & # 8216 dispositivo de almacenamiento holográfico & # 8217 (que Marcus desestimó sumariamente) parece ahora acertada. Los hologramas codifican información distribuida como interferencia multiescalar de vibraciones coherentes, p. Ej. de los láseres. Pribram carecía de una fuente coherente adecuada, un láser en el cerebro, pero la evidencia ahora apunta a una dinámica coherente en estructuras ubicuas llamadas microtúbulos dentro de las neuronas cerebrales como orígenes de alta frecuencia de la jerarquía vibratoria del cerebro, el tambor o la sección de percusión de la orquesta.

Locura de microtúbulos

Los microtúbulos son polímeros cilíndricos de la proteína & # 8216tubulina & # 8217, componentes principales del citoesqueleto estructural dentro de las células, y la proteína más prevalente del cerebro. Su estructura de celosía similar a una computadora, sus capacidades de autoorganización y resonancias vibratorias han sugerido a varios científicos que los microtúbulos podrían procesar información. Reflexionando sobre el comportamiento intencionado de los organismos unicelulares sin conexiones sinápticas, el famoso neurocientífico Charles Sherrington observó en 1951 "del nervio no hay rastro, pero el citoesqueleto podría servir", llamando a los microtúbulos & # 8216 la célula & # 8217s sistema nervioso & # 8217.

Me obsesioné con los microtúbulos en un proyecto de investigación sobre mitosis en la escuela de medicina a principios de la década de 1970. En la mitosis, o división celular, los microtúbulos ("husos mitóticos") delicadamente provocan y separan los cromosomas en pares de "células hijas" exactamente iguales. Si el proceso no es perfecto, si algo sale mal, si los cromosomas están separados de manera desigual, pueden producirse genotipos anormales, mal desarrollo o cáncer. Mis colegas en el laboratorio se enfocaron en los cromosomas y genes, este fue el comienzo de la secuenciación de genes y la ingeniería genética, pero estaba fascinado con cómo los microtúbulos del huso "sabían" qué hacer y adónde ir. Parecía haber alguna forma de inteligencia, si no conciencia, a ese nivel. Como también se demostró en ese momento que los microtúbulos tenían una estructura de celosía de polímero similar a las computadoras (también nuevo para mí en ese momento) y predominante en las neuronas, tuve la idea de que eran procesadores de información a escala molecular subyacentes a la conciencia.

En la década de 1980, mis colegas y yo propusimos que los microtúbulos actuaban como computadoras, específicamente "autómatas moleculares", procesando información, codificando la memoria, oscilando coherentemente y regulando funciones desde dentro de cada neurona y otras células. Durante ese tiempo, los defensores de la inteligencia artificial ('IA') y más tarde de 'The Singularity' estaban asumiendo las 100 mil millones (10 11) de neuronas del cerebro, cada una con aproximadamente mil (10 3) sinapsis cambiando aproximadamente 100 (10 2) veces por día. segundo daría una capacidad computacional del cerebro de aproximadamente 10 16 operaciones ('ops') por segundo. Afirmaron (y continúan afirmando) que cuando esta capacidad de 10 16 operaciones / seg se realice y se configure adecuadamente (por ejemplo, a través de un mapeo cerebral) en computadoras de silicio, entonces se alcanzaría la equivalencia cerebral, incluida la conciencia. Con mucho más dinero, implicaron, las computadoras conscientes estaban a la vuelta de la esquina.

Pero como había alrededor de mil millones (10 9) subunidades de microtúbulos ('tubulinas') en cada neurona, cada tubulina oscilaba y cambiaba alrededor de 10 millones (10 7) de veces por segundo, mis colegas y yo calculamos alrededor de 10 16 operaciones / seg. por neurona en el nivel de los microtúbulos, empujando el poste de la portería de IA / Singularidad "hacia abajo del campo", a aproximadamente 10 27 operaciones / seg para todo el cerebro. Al publicar estas ideas y presentarlas en varias reuniones, me volví impopular y una espina en el costado de los defensores de AI / Singularity.

figura 3. Resonancias vibratorias a diferentes frecuencias y niveles estructurales dentro de una neurona. De izquierda a derecha: Interior de una neurona piramidal, microtúbulo único, fila de "tubulinas" y oscilaciones dipolares (con efecto anestésico). La dinámica correspondiente a varias frecuencias del trabajo del grupo de Bandyopadhyay se muestra en la parte inferior.

Ilustraciones de Dave Cantrell y Paul Fini, Comunicaciones Biomédicas, Universidad de Arizona.

Pero entonces, un día a principios de la década de 1990, me encontré de lleno con el "problema difícil" (aunque el término en sí aún no se había acuñado). Alguien me dijo, "digamos que tienes razón y hay todo este procesamiento dentro de las neuronas". ¿Cómo explicaría eso la conciencia? '' Básicamente estaba diciendo, ¿cómo podrían la computación o las resonancias vibratorias de cualquier tipo producir 'qualia', el sabor del chocolate, el olor a lila, el toque de piel suave o el sentimiento de amor? Estaba un poco aturdido. El estaba en lo correcto. Incluso si los microtúbulos fueran las estructuras biológicas más directamente relacionadas con la conciencia, ¿cuál fue su mecanismo? Qué era ¿conciencia?

Afortunadamente, esa misma persona anónima (a quien le quedo agradecido) me sugirió que leyera un libro del eminente físico británico Sir Roger Penrose llamado "La nueva mente del emperador". Y así lo hice.

Un salto cualitativo

El libro fue muchas cosas. Primero, La nueva mente del emperador fue un rechazo de la afirmación de la IA de que la conciencia emergería de una computación compleja per se. Una computadora podría ser enormemente inteligente, explicó Roger, pero carece por completo de comprensión, sentimientos o conciencia.En segundo lugar, el libro era una descripción general de la física moderna y, en tercer lugar, sorprendentemente, Penrose explicó la conciencia mediante la triangulación con otros dos misterios, la relatividad general y el problema de la medición en la mecánica cuántica. Al hacerlo, conectó la conciencia con la estructura de fina escala del universo.

Me quedé atónito de nuevo, pero en el buen sentido. Parecía inverosímil, pero de hecho era un mecanismo propuesto real para la conciencia, todavía, hasta el día de hoy, el único mecanismo real jamás propuesto. La idea principal era que el cerebro contenía ciertos tipos de computadoras cuánticas conectadas a procesos y eventos en la composición básica de la realidad, la geometría del espacio-tiempo. Como Chalmers lo describió más tarde, la conciencia era de alguna manera "fundamental", intrínseca al universo y conectada al cerebro por un "puente psicofísico". ¿Pero cómo?

Aprendí que en las computadoras cuánticas los estados de información (p. Ej., "Bits" binarios de 1 o 0) existen en "superposición cuántica", coexistencia ondulatoria de múltiples estados posibles, p. Ej. bits cuánticos, o "qubits" de ambos 1 Y 0. Después de un período de interacción y cálculo, los qubits se redujeron o colapsaron a estados específicos de 1 O 0 como solución. Pero el mecanismo por el cual se produce la reducción o el colapso es misterioso (el "problema de la medición" en la mecánica cuántica). Parecía tener algo que ver con la conciencia.

En los primeros días de la mecánica cuántica, Niels Bohr, John von Neumann, Eugene Wigner y más tarde Henry Stapp sugirieron que las superposiciones cuánticas persistían hasta que las observaba un humano consciente, el 'efecto observador', comúnmente denominado 'interpretación de Copenhague' por el origen danés de Bohr. . Según "Copenhague", la observación consciente causas posibilidades de superposición cuántica para reducir a estados definidos—La conciencia colapsa la función de onda.

Pero este enfoque puso la conciencia fuera de la ciencia, como una entidad misteriosa desconocida, y evitó abordar la realidad subyacente. Para ilustrar lo absurdo, Erwin Schrödinger diseñó su todavía famoso experimento mental conocido como "El gato de Schrödinger". Imagínese un gato en una caja con un frasco de veneno cuya liberación está acoplada a una superposición cuántica de posibilidades. Según Copenhague, concluyó Schrödinger, el gato estaría muerto y vivo hasta que un humano consciente abrió la caja y miró dentro. Absurdo fue, pero el problema persiste.

Otra posible solución es la "decoherencia" en la que la interacción entre un sistema cuántico y su entorno clásico interrumpe la superposición. Pero, ¿cómo se puede aislar realmente un sistema cuántico?

Otros puntos de vista incluyen la "interpretación de mundos múltiples" ("MWI") propuesto por Hugh Everett y otros en el que hay es sin colapso. Todas las posibilidades en una superposición sobreviven, y continúan evolucionando hacia su propio nuevo universo "paralelo", lo que resulta en un número infinito de mundos superpuestos coexistentes. Por loco que parezca, MWI es extremadamente popular entre los físicos.

Otro conjunto de interpretaciones asume que algún tipo de umbral objetivo causa la reducción: "reducción objetiva" ("OR"). Entre estos se encuentra un mecanismo OR propuesto por Sir Roger Penrose en "La nueva mente del emperador".

Comenzó considerando cómo las partículas podrían existir en dos o más ubicaciones simultáneamente, relacionándolo con la relatividad general de Einstein en la que la masa es equivalente a la curvatura en la geometría del espacio-tiempo. Usando simples hojas de espacio-tiempo bidimensionales (Figura 4), la superposición se ve entonces como curvaturas alternativas simultáneas, esencialmente burbujas o ampollas en la estructura de escala fina del universo.

Figura 4. Un "qubit de espacio-tiempo", con geometría de espacio-tiempo de cuatro dimensiones representada como una hoja bidimensional. Izquierda: una partícula y su curvatura espaciotemporal equivalente oscilan entre dos posiciones. Derecha: la superposición cuántica de la partícula en ambas ubicaciones es equivalente a curvaturas espaciotemporales alternativas y separadas.

Ilustraciones de Dave Cantrell y Paul Fini, Comunicaciones Biomédicas, Universidad de Arizona.

Higoure 5. Dos posibles destinos de una superposición. Izquierda: De acuerdo con la interpretación de mundos múltiples ("MWI"), las posibilidades superpuestas cada una evoluciona para formar su propio universo. Derecha: Según Penrose OR, las superposiciones evolucionan solo hasta alcanzar el umbral de reducción objetiva ("OR") en el tiempo τ dado por miGRAMO ≈ ℏ /τ.Entonces, el auto-colapso ocurre acompañado de un momento de experiencia consciente ("¡BING!").

Ilustraciones de Dave Cantrell y Paul Fini, Comunicaciones Biomédicas, Universidad de Arizona.

Si estas separaciones evolucionaran, cada posibilidad podría dar lugar a su propio universo, como en MWI (Figura 5a). Pero Penrose consideró que las separaciones del espacio-tiempo son inestables, alcanzando un umbral objetivo de "auto-colapso" o reducción objetiva / OR en el tiempo. τ ≈ ℏ / EGRAMO, donde ℏ es la constante de Planck sobre 2π, y EGRAMO la auto-energía gravitacional de la separación. Así, cada evento de OR crea la realidad que luego se disuelve nuevamente en superposición, ondulando y reordenando la estructura del universo (Figura 5b). OR evita la necesidad de múltiples mundos.

Pero luego Penrose agregó dos rasgos profundos. Primero, propuso que cada evento de OR es un instante de experiencia subjetiva & # 8211 un momento de conciencia consciente, de "qualia" intrínseco al universo ("¡BING!" En la Figura 4). Así, en lugar de la conciencia causando colapso (como en Copenhague), el colapso provoca la conciencia, o es idéntico a la conciencia. Esto significó que los momentos simples y aleatorios de conciencia O ocurren "aquí, allá y en todas partes" a lo largo de la estructura de escala fina del universo (que aparece como "decoherencia"). Estos serían generalmente aleatorios, no cognitivos y carecen de significado o memoria, por lo que se denominan "protoconscientes". Más tarde pensé en momentos de quirófano aleatorios como los sonidos, tonos y notas espurios de una orquesta entrando en calor. De alguna manera, el cerebro "orquesta" notas OR aleatorias en música.

La segunda característica fue que las curvaturas espaciotemporales particulares y los estados materiales seleccionados en eventos OR organizados ('orquestados') no se eligieron al azar, como se propone en el caso de Copenhague y la decoherencia, sino que fueron influenciados por lo que Penrose denominó 'no computable Los valores platónicos 'incrustados en la geometría fundamental del espacio-tiempo. Dentro de su propia estructura, el universo codifica la verdad matemática, los valores éticos y estéticos y los qualia, con los que nuestros pensamientos y acciones conscientes pueden resonar.

Me quedé impresionado. Roger Penrose había invertido el efecto del observador, devolviendo la conciencia a la ciencia, precisamente en el límite entre los mundos cuántico y clásico. Y la conexión con la geometría del espacio-tiempo, la no-localidad y las influencias platónicas (siguiendo el "camino del Tao", "guía divina") me pareció una fuente de creatividad y espiritualidad (aunque Roger siempre ha evitado esa terminología). Intuitivamente se sintió bien, y tal vez fue "lo suficientemente loco" para ser correcto.

Pero Penrose carecía de un candidato biológico para la computación cuántica terminada en OR en el cerebro y un medio de orquestación. Tenía un mecanismo de conciencia, pero no una estructura biológica. En los microtúbulos, tenía una estructura biológica, pero no un mecanismo. Nos unimos a mediados de la década de 1990 en una teoría cuántica de la conciencia (& # 8216 reducción objetiva orquestada & # 8217, & # 8216Orch OR & # 8217) que vincula los procesos cuánticos de los microtúbulos con las fluctuaciones en la estructura del universo.

Nuestra teoría fue inmediatamente, dura y repetidamente criticada y ridiculizada, ya que se pensaba que el cerebro también era & # 8216 cálido, húmedo y ruidoso & # 8217 para una coherencia cuántica aparentemente delicada. Y éramos (y somos) una amenaza para el "complejo industrial" de IA / Singularity / Brain Mapping. Pero la evidencia ahora muestra (1) la fotosíntesis de las plantas utiliza rutinariamente la coherencia cuántica en la luz solar cálida (si una papa puede hacerlo & # 8230.?), (2) los microtúbulos tienen resonancias cuánticas en rangos de frecuencia de gigahercios, megahercios y kilohercios (el trabajo de Anirban Bandyopadhyay y colegas del Instituto Nacional de Ciencia de Materiales en Tsukuba, Japón) y (3) los gases anestésicos borran selectivamente la conciencia mediante acciones de nivel cuántico en los microtúbulos del cerebro (el trabajo de Rod Eckenhoff y sus colegas de la Universidad de Pensilvania). En 1998 publicamos 20 predicciones comprobables de Orch OR, 6 de las cuales han sido verificadas y ninguna refutada.

Figura 6. El "puente psicofísico", de la biología a la estructura del universo. Izquierda: Dipole qubit en un microtúbulo gobernado por resonancia cuántica de electrones pi (Figura 3). Derecha: Correspondiente qubit de espacio-tiempo de escala más pequeña (por ejemplo, Planck) (Figura 4). Se propone que estos sean autosimilares y estén vinculados en una geometría de espacio-tiempo similar a un fractal de 1 / f.

Ilustraciones de Dave Cantrell y Paul Fini, Comunicaciones Biomédicas, Universidad de Arizona.

Conciencia en el Universo

La teoría OR de Orch retrata la conciencia como vibraciones ondulantes en la estructura del universo, patrones auto-similares que atraviesan enormes diferencias de escala: múltiples 'octavas' y # 8211 desde los niveles infinitesimalmente diminutos de la geometría del espacio-tiempo, resonando hacia arriba para alcanzar la biología por efectos cuánticos. en los microtúbulos, un "puente psicofísico" (Figura 6). Desde este punto de vista, la conciencia es similar a la música, y el cerebro se parece más a una orquesta cuántica que a una computadora. Tonos, notas y sonidos aleatorios mediados por OR intrínsecos a la estructura del universo & # 8211 la orquesta calentando - se convierten en música cuando la banda comienza a tocar. (No es necesario un director, ya que la música se organiza automáticamente, como el jazz, las sesiones de improvisación o el raga indio).

Estas ideas se basan en la lógica y la evidencia, pero son ciertamente especulativas. Sin embargo, los enfoques convencionales de la ciencia materialista, los mapeadores cerebrales, los defensores de la inteligencia artificial / singularidad (el "Emperador todavía desnudo") y los ateos militantes no ofrecen evidencia de que la conciencia surja estrictamente del cerebro como computadora neuronal. Según la conectividad sináptica, no pueden simular el comportamiento de un simple gusano. Y la visión de AI / Singularidad requiere que la conciencia sea una ilusión epifenoménica, sin un papel real que desempeñar. En consecuencia, somos simplemente "espectadores indefensos", como Thomas Huxley resumió sombríamente.

Por el contrario, las implicaciones del cerebro como una orquesta cuántica sintonizada con el universo incluyen (1) la causalidad, cada auto-colapso elige un estado particular que puede conducir al comportamiento. (2) Los estados alterados de conciencia pueden ocurrir en niveles más profundos y frecuencias más altas, tanto dentro de las neuronas cerebrales como en la estructura del universo (como cantaron los Beatles, "Cuanto más profundo vas, más alto vuelas ..."). (3) En niveles suficientemente profundos de la geometría del espacio-tiempo, es posible que la conciencia exista sin biología y permanezca unificada por el enredo, lo que respalda las posibilidades de telepatía, las llamadas experiencias extracorporales e incluso la vida después de la muerte y la reencarnación. (4) Si los sentimientos mediados por OR están en general en el universo, habrían estado allí todo el tiempo, capaces de desencadenar el origen de la vida e impulsar su evolución. El comportamiento psicológico humano y animal se basa en la "recompensa" o en evitar el dolor, es decir, en los "sentimientos". Sin sentimientos, la visión darwiniana de que las criaturas actúan para promover la supervivencia de sus genes es incompleta. La evolución puede requerir un "principio de placer cuántico" mediado por OR como su función de retroalimentación. Y (5), OR también puede impulsar la evolución del propio universo.

En el año 2000 la revista Naturaleza preguntó a diez destacados físicos sobre las perspectivas de una "Teoría del Todo", o "Gran Teoría Unificada", que reconcilia características aparentemente dispares en cosmología, física cuántica y relatividad. Entre ellos, solo Sir Roger Penrose incluyó la conciencia como un componente clave de tal teoría, uniendo varios misterios.

¿Cómo puede ser esto así? "El principio antrópico" es la consideración filosófica de que el universo está perfectamente sintonizado para adaptarse a la vida y la conciencia. Las aproximadamente 20 constantes fundamentales que gobiernan el universo (por ejemplo, la masa del protón, la constante gravitacional, etc.) son todas precisamente, exactamente lo que se necesita para que existamos: una coincidencia de probabilidad astronómicamente improbable. Ganamos la lotería cósmica. ¿Pero cómo?

Hay dos tipos de explicaciones, los llamados principios antrópicos "débiles" y "fuertes". El principio antrópico débil (por ejemplo, de Brandon Carter) explica el aparente ajuste fino como "sesgo de selección". Solo en este universo en particular (de un número infinito de universos posibles, por ejemplo, como en la interpretación de mundos múltiples, "MWI") los seres vivos están presentes y son capaces de reflexionar sobre esta cuestión. El fuerte principio antrópico, defendido por John Barrow y Frank Tipler, sostiene que este universo único está de alguna manera obligado a albergar seres conscientes. Pero, ¿por qué estaría tan obligado el universo?

Una respuesta lógica es que la conciencia es intrínseca al universo, como se sugiere en Orch OR, y está relacionada con las aproximadamente 20 constantes fundamentales que regulan el universo y pueden evolucionar, tal vez a lo largo de ciclos de 'big bangs' como se sugiere en el libro de Roger 'Cycles'. de tiempo'. El universo serial evoluciona para optimizar, sintonizar y resonar la conciencia… para sentirse bien. La conciencia puede estar impulsando el universo.

Hameroff S, Penrose R (2014) La conciencia en el universo: una revisión de la teoría de Orch OR Reseñas de física de la vida 11(1):39-78

Stuart Hameroff MD
Profesor, Anestesiología y Psicología

Director, Centro de Estudios de la Conciencia

Banner-University Medical Center, Universidad de Arizona, Tucson, Arizona

Obtenga la experiencia completa
Lea el resto de este artículo y vea todos los artículos en su totalidad desde solo £ 10 durante 3 meses.

Acerca de Stuart Hameroff

Obtenga la experiencia completa

Vea todos los artículos completos desde solo £ 10 por 3 meses.

También en este número

Con la conciencia en mente (Parte 3)
Problema | Noviembre de 2015

  • Encendido & # 8216Cambio mental & # 8217
    Susan Greenfield
  • Herramientas extrañas: arte y naturaleza humana
    Alva Noë
  • En soñar
    Katja Valli
  • Teoría cuántica, el orden implícito y la conciencia
    Basil Hiley
  • Educación, Mindfulness y Cociente de Conciencia
    Sona Ahuja
  • Metafísica naturalizada
    James Ladyman
  • Sueño, Conciencia y Realidad Virtual
    Antti Revonsuo
  • Pensamientos de orden superior y la paradoja de la conciencia
    Rocco Gennaro
  • Conciencia e identificación de uno mismo
    David Rosenthal
  • Un enfoque radicalmente empírico para la exploración de la conciencia
    B. Alan Wallace
  • Con la conciencia en mente (Parte 3) charlas en video (enlace al blog)
    Richard Bright
  • Canción tántrica (enlace del blog)
    Richard Bright
  • Genio en juego: la mente curiosa de John Horton Conway
    Tony Robbin
  • Conferencia sobre la ciencia de la conciencia 2016
    Richard Bright

Últimas publicaciones de blog

  • Videoconferencias de Future Realities
    3 de julio de 2017
  • Video charlas sobre mapas y cartografía
    18 de mayo de 2017
  • Charlas en video sobre la Tierra
    18 de abril de 2017
  • Charlas en video de patrones y significados
    15 de febrero de 2017
  • Video charlas sobre pensamientos futuros y puntos de encuentro
    12 de diciembre de 2016

Boletín mensual gratuito

Manténgase actualizado sobre el contenido más reciente aquí en Interalia Magazine y reciba contenido exclusivo.

Sin comentarios aún.

Debes ser suscriptor e iniciar sesión para dejar un comentario. Los usuarios de una licencia de sitio no pueden comentar.


¿Es la vida especial solo porque es rara?

Un cohete propulsado por queroseno y oxígeno líquido y que transportaba un observatorio científico despegó hacia el espacio a las 10:49 p.m. del 6 de marzo de 2009 (según los calendarios y relojes locales). El lanzamiento provino del tercer planeta de una estrella de tipo G, a 25.000 años luz del centro de una galaxia llamada Vía Láctea, ubicada en las afueras del Cúmulo de galaxias Virgo. En la noche del lanzamiento, el cielo estaba despejado, sin precipitaciones ni viento, y la temperatura era de 292 grados en la escala de temperatura absoluta. Las formas de vida inteligentes locales aplaudieron el lanzamiento. Poco antes del despegue, la agencia gubernamental responsable de las naves espaciales, llamada Administración Nacional de Aeronáutica y del Espacio, escribió en la red global de computadoras: “Estamos ante una hermosa noche para lanzar el observatorio Kepler en la primera misión dedicada a encontrar planetas como el nuestro fuera del sistema solar ".

Un grano de arena: El desierto de Gobi tiene un área de 500,000 millas cuadradas. Si representa toda la materia del cosmos, entonces la materia viva es el equivalente a un solo grano de arena. Imágenes de Adrienc / Getty

El relato anterior podría haber sido escrito por una forma de vida inteligente ubicada exactamente en el tipo de planeta distante que Kepler pronto comenzaría a buscar. Nombrado en honor al astrónomo renacentista Johannes Kepler, el observatorio fue diseñado específicamente para encontrar planetas fuera de nuestro sistema solar que serían "habitables", es decir, ni tan cerca de su estrella central como para que el agua se hirviera, ni tan lejos que el agua congelar. La mayoría de los biólogos consideran que el agua líquida es una condición previa para la vida, incluso una vida muy diferente a la de la Tierra. Kepler ha examinado alrededor de 150.000 sistemas estelares similares al sol en nuestra galaxia y ha descubierto más de 1.000 planetas alienígenas. Su enorme arsenal de datos aún se está analizando.

Si el desierto de Gobi representa toda la materia arrojada a través del cosmos, la materia viva es un solo grano de arena.

Durante siglos, los seres humanos hemos especulado sobre la posible existencia y prevalencia de vida en otras partes del universo. Por primera vez en la historia, podemos comenzar a responder a esa profunda pregunta. En este punto, los resultados de la misión Kepler pueden extrapolarse para sugerir que algo así como el 10 por ciento de todas las estrellas tienen un planeta habitable en órbita. Esa fracción es grande. Con 100 mil millones de estrellas solo en nuestra galaxia, y tantas otras galaxias por ahí, es muy probable que haya muchos, muchos otros sistemas solares con vida. Desde esta perspectiva, la vida en el cosmos es común.

Sin embargo, hay otra perspectiva más grandiosa desde la cual la vida en el cosmos es rara. Esa perspectiva considera todos formas de materia, tanto animadas como inanimadas. Incluso si todos los planetas "habitables" (según lo determinado por Kepler) albergan vida, la fracción de todo el material del universo en forma de vida es fantásticamente pequeña. Suponiendo que la fracción del planeta Tierra en forma viva, llamada biosfera, es típica de otros planetas que sustentan la vida, he estimado que la fracción de toda la materia del universo en forma viva es aproximadamente una mil millonésima parte de una mil millonésima. A continuación, se muestra una forma de visualizar una fracción tan pequeña.Si el desierto de Gobi representa toda la materia arrojada a través del cosmos, la materia viva es un solo grano de arena en ese desierto. ¿Cómo deberíamos pensar en esta extrema rareza de la vida?

Escuchando Blah Blah Extraterrestre

Si uno está buscando señales de una civilización extraterrestre, ¿por qué no practicar en algunos de los sistemas de comunicación no humanos ya conocidos en nuestro propio planeta? Las ballenas han tenido un sistema de comunicación global durante millones de años, más que el Homo sapiens. LEE MAS

La mayoría de los seres humanos a lo largo de la historia hemos considerado que nosotros mismos y otras formas de vida contienen alguna esencia inmaterial especial que está ausente en la materia inanimada y que obedece a principios diferentes a los de la materia inanimada. Tal creencia se llama "vitalismo". Platón y Aristóteles fueron vitalistas. Descartes fue un vitalista. Jöns Jakob Berzelius, el padre de la química moderna del siglo XIX, fue un vitalista. La esencia vital inmaterial hipotetizada, especialmente en los seres humanos, a veces se ha llamado "espíritu". A veces "alma". El siglo VIII a.C. El funcionario real egipcio Kuttamuwa construyó un monumento de 800 libras para albergar su alma inmortal y pidió a sus amigos que festejaran allí después de su muerte física para conmemorarlo en su otra vida. El erudito persa del siglo X, Avicena, argumentó que dado que podríamos pensar y ser conscientes de nosotros mismos, incluso si estuviéramos totalmente desconectados de toda la información sensorial externa, debe haber algún alma inmaterial dentro de nosotros. Todas estas son ideas vitalistas.

La biología moderna ha desafiado la teoría del vitalismo. En 1828, el químico alemán Friedrich Wöhler sintetizó la sustancia orgánica urea a partir de productos químicos no orgánicos. La urea es un subproducto del metabolismo en muchos organismos vivos y, antes del trabajo de Wöhler, se creía que estaba asociada de forma única con los seres vivos. Más adelante en el siglo, el fisiólogo alemán Max Rubner demostró que la energía utilizada por los seres humanos en el movimiento, la respiración y otras formas de actividad es exactamente igual al contenido energético de los alimentos consumidos. Es decir, no existen fuentes de energía ocultas y no materiales que den energía a los seres humanos. En años más recientes, la composición de proteínas, hormonas, células cerebrales y genes se ha reducido a átomos individuales, sin necesidad de invocar sustancias inmateriales.

Sin embargo, yo diría que la mayoría de nosotros, a sabiendas o sin saberlo, seguimos siendo vitalistas íntimos. Aunque hay momentos en los que la naturaleza material de nuestro cuerpo nos grita, como cuando tenemos lesiones musculares o cambiamos nuestro estado de ánimo con drogas psicoactivas, nuestra vida mental parece ser un fenómeno único que surge de un tipo diferente de sustancia, una sustancia inmaterial. sustancia. Las sensaciones de la conciencia, el pensamiento y la autoconciencia son tan apasionantes, inmediatas y magníficas que nos parece absurdo que puedan tener su origen enteramente en los monótonos hormigueos eléctricos y químicos de las células de nuestro cerebro. Sin embargo, los neurocientíficos dicen que es así.

Un universo sin comentarios es un universo sin significado.

Las encuestas al público estadounidense muestran que las tres cuartas partes de las personas creen en alguna forma de vida después de la muerte. Seguramente, esta creencia también es una versión del vitalismo. Si nuestros cuerpos y cerebros no son más que átomos materiales, entonces, como escribió Lucrecio hace dos milenios, cuando esos átomos se dispersen como lo hacen después de la muerte, no puede haber más existencia del ser vivo que una vez fue.

Paradójicamente, si podemos renunciar a la creencia de que nuestros cuerpos y cerebros contienen alguna esencia trascendente, no material, si podemos abrazar la idea de que somos completamente materiales, entonces llegamos a un nuevo tipo de especialidad, una alternativa a la especialidad de " vitalismo." Somos material especial. Los humanos que vivimos en nuestro único planeta nos retorcemos las manos sobre la brevedad de nuestras vidas y nuestras restricciones mortales, pero no solemos pensar en lo improbable que es estar vivo. De todos los trillones de átomos y moléculas del universo, tenemos el privilegio de estar compuestos por esos muy, muy pocos átomos que se han unido en la disposición especial para formar materia viva. Existimos en esa mil millonésima mil millonésima. Somos ese grano de arena en el desierto.

¿Y qué es ese arreglo especial que se considera "vida"? La capacidad de formar una membrana externa alrededor del organismo que lo separa del mundo externo. La capacidad de organizar materiales y procesos dentro del organismo. La capacidad de extraer energía del mundo exterior. La capacidad de responder a los estímulos del mundo externo. La capacidad de mantener la estabilidad dentro del organismo. La capacidad de crecer. La capacidad de reproducirse. Los seres humanos, por supuesto, tenemos todas estas propiedades y más. Porque tenemos miles de millones de neuronas conectadas entre sí en un exquisito tapiz de circuitos de comunicación y retroalimentación. Tenemos conciencia y autoconciencia.

Los dos vagabundos de Samuel Beckett Esperando a Godot, colocados en un escenario minimalista sin tiempo y sin espacio, esperando interminablemente al misterioso Godot, capturan nuestro desconcierto con el sentido de la existencia.

Estragon: "¿Qué hicimos ayer?"
Vladimir: "¿Qué hicimos ayer?"
Estragon: "Sí".
Vladimir: “Por qué. (Enfadado) Nada es seguro cuando estás cerca ".

Por supuesto, hay preguntas que no tienen respuesta.

Pero si podemos salirnos de nuestro pensamiento habitual, si podemos elevarnos a una visión verdaderamente alucinante del cosmos, hay otra forma de pensar en la existencia. En nuestra posición extraordinariamente autorizada de ser no solo materia viva sino materia consciente, somos los "observadores" cósmicos. Somos exclusivamente conscientes de nosotros mismos y del cosmos que nos rodea. Podemos mirar y grabar. Somos el único mecanismo por el cual el universo puede comentar sobre sí mismo. Todo lo demás, todos esos otros granos de arena en el desierto, son materia muda y sin vida.

Por supuesto, el universo no necesita comentar sobre sí mismo. Un universo sin materia viva podría funcionar sin problemas, siguiendo sin pensar la conservación de la energía y el principio de causa y efecto y las demás leyes de la física. Un universo no necesita mentes ni ninguna materia viva. (De hecho, en la reciente hipótesis del "multiverso" respaldada por muchos físicos, la gran mayoría de los universos están totalmente sin vida). Pero en opinión de este escritor, un universo sin comentarios es un universo sin significado. ¿Qué significa decir que una cascada o una montaña es hermosa? El concepto de belleza, y de hecho todos los conceptos de valor y significado, requieren observadores. Sin una mente para observarlo, una cascada es solo una cascada, una montaña es solo una montaña. Somos nosotros la materia consciente, la más rara de todas las formas de materia, la que podemos hacer balance y registrar y anunciar este panorama cósmico de existencia que tenemos ante nosotros.

Me doy cuenta de que hay cierta circularidad en los comentarios anteriores. Porque el significado es relevante, quizás, sólo en el contexto de la mente y la inteligencia. Si las mentes no existen, tampoco el significado. Sin embargo, el hecho es que existimos. Y tenemos mentes. Tenemos pensamientos. Los físicos pueden contemplar miles de millones de universos autoconsistentes que no tienen planetas ni estrellas ni material vivo, pero no debemos descuidar nuestro propio universo modesto y el hecho de nuestra propia existencia. Y aunque he argumentado que nuestros cuerpos y cerebros no son más que átomos y moléculas materiales, hemos creado nuestro propio cosmos de significado. Hacemos sociedades. Creamos valores. Hacemos ciudades. Hacemos ciencia y arte. Y lo hemos hecho desde la historia registrada.

En su libro La llama misteriosa (1999), el filósofo británico Colin McGinn sostiene que es imposible comprender el fenómeno de la conciencia porque no podemos salir de nuestra mente para discutirlo. Estamos inevitablemente atrapados dentro de la red de neuronas cuya misteriosa experiencia estamos intentando analizar. Asimismo, yo diría que estamos aprisionados dentro de nuestro propio cosmos de significado. No podemos imaginar un universo sin sentido. No estamos hablando necesariamente de un gran significado cósmico, o de un significado divino otorgado por Dios, o incluso de un significado eterno y duradero. Pero solo el significado simple y particular de los eventos cotidianos, eventos fugaces como el juego momentáneo de la luz en un lago o el nacimiento de un niño. Para bien o para mal, el significado es parte de la forma en que existimos en el mundo.

Y dada nuestra existencia, nuestro universo debe tener un significado, grandes y pequeños significados. No he conocido a ninguna de las formas de vida que vivan en el vasto cosmos más allá de la Tierra. Pero me sorprendería que algunos de ellos no fueran inteligentes. Y me sorprendería aún más si esas inteligencias no estuvieran, como nosotros, haciendo ciencia y arte e intentando hacer un balance y registrar este panorama cósmico de la existencia. Compartimos con esos otros seres no la esencia misteriosa y trascendente del vitalismo, sino el hecho altamente improbable de estar vivo.

Alan Lighman es profesor de práctica de humanidades en el MIT. Este artículo, que apareció por primera vez en línea en nuestro número "Scaling" en octubre de 2015, se incluye en su próximo libro, Probables imposibilidades: reflexiones sobre comienzos y finales. Es autor de seis novelas, incluido el bestseller internacional Los sueños de Einstein, al igual que El diagnostico, finalista del Premio Nacional del Libro. También es autor de una memoria, tres colecciones de ensayos y varios libros de ciencia.


MODELOS GENERATIVOS DISCRETOS

Esta sección se centra en modelos generativos de resultados discretos causados ​​por estados discretos que no se pueden observar directamente (es decir, estados latentes u ocultos). En resumen, las variables desconocidas en estos modelos corresponden a estados del mundo que generan los resultados de políticas o secuencias de acciones. Tenga en cuenta que las políticas deben inferirse. En otras palabras, en la inferencia activa uno tiene que inferir qué política se está siguiendo actualmente, donde esta inferencia puede estar sesgada por creencias o preferencias previas. Son estas preferencias previas las que dan a la acción un aspecto intencionado y dirigido a un objetivo.

La Figura 1 describe la forma básica de estos modelos generativos en formatos complementarios, y la actualización implícita de las creencias bayesianas tras la observación de nuevos resultados (sensoriales). Las ecuaciones de la izquierda especifican el modelo generativo en términos de una distribución de probabilidad sobre resultados, estados y políticas que se pueden expresar en términos de densidades marginales o factores. Estos factores son distribuciones condicionales que implican dependencias condicionales, codificadas por los bordes en la red bayesiana en la parte superior derecha. El modelo de la Figura 1 genera resultados de la siguiente manera. Primero, se selecciona una política (es decir, una secuencia de acción) en el nivel más alto usando una función softmax de la energía libre esperada bajo políticas plausibles. Las secuencias de estados ocultos se generan utilizando las transiciones de probabilidad especificadas por la política seleccionada, que están codificadas en B matrices. Estos codifican las transiciones de probabilidad en términos de distribuciones categóricas específicas de políticas. A medida que se desarrolla la política, los estados generan resultados probabilísticos en cada momento. La probabilidad de cada resultado está codificada por A matrices, en términos de distribuciones categóricas sobre resultados, en cada estado.

Modelo generativo para estados y resultados discretos.Panel superior izquierdo: Estas ecuaciones especifican el modelo generativo. Un modelo generativo es la probabilidad conjunta de resultados o consecuencias y sus causas (latentes u ocultas) ver la primera ecuación. Por lo general, el modelo se expresa en términos de probabilidad (la probabilidad de consecuencias dadas las causas) y previos sobre las causas. Cuando un a priori depende de una variable aleatoria se llama previo empírico. Aquí, la probabilidad se especifica mediante una matriz A cuyos elementos son la probabilidad de un resultado bajo cada combinación de estados ocultos. Gato denota una distribución de probabilidad categórica. Los priores empíricos pertenecen a transiciones probabilísticas (en el B matriz) entre estados ocultos que pueden depender de acciones, que están determinadas por políticas (secuencias de acciones codificadas por π). El aspecto clave de este modelo generativo es que las políticas son más probables a priori si minimizan la (integral de tiempo de) energía libre esperada. GRAMO,que depende de las preferencias previas sobre los resultados o costos codificado en Cy la incertidumbre o ambigüedad sobre los resultados en cada estado, codificada por H. Finalmente, el vector D especifica el estado inicial. Esto completa la especificación del modelo en términos de parámetros que constituyen A, B, C, y D. La inversión del modelo bayesiano se refiere al mapeo inverso de las consecuencias a las causas, es decir, la estimación de los estados ocultos y otras variables que causan los resultados. En una inferencia bayesiana aproximada, se especifica la forma de una distribución posterior aproximada. Esta forma particular en este artículo utiliza una aproximación de campo medio, en la que las creencias posteriores se aproximan por el producto de distribuciones marginales en puntos de tiempo. Tiempo de índice de subíndices (o política). Ver el texto principal y la Tabla 1a en Friston, Parr, et al. (2017) para obtener una explicación detallada de las variables (las variables en cursiva representan estados ocultos, mientras que las variables en negrita indican expectativas sobre esos estados). Panel superior derecho: esta red bayesiana representa las dependencias condicionales entre los estados ocultos y cómo provocan los resultados. Los círculos abiertos son variables aleatorias (estados y políticas ocultos), mientras que los círculos rellenos denotan resultados observables. Los cuadrados indican variables fijas o conocidas, como los parámetros del modelo. Hemos utilizado una convención ligeramente inusual en la que los parámetros se han colocado encima de los bordes (dependencias condicionales) que pueden mediar.Panel inferior izquierdo: Estas igualdades son las actualizaciones de creencias que median la inferencia bayesiana aproximada y la selección de acciones. Los corchetes (Iverson) en el panel de selección de acciones devuelven uno si se cumple la condición entre corchetes y cero en caso contrario.Panel inferior derecho: Ésta es una representación equivalente de la red bayesiana en términos de un gráfico de factor de estilo normal o de Forney. Aquí los nodos (cajas cuadradas) corresponden a factores y los bordes están asociados con variables desconocidas. Los cuadrados llenos denotan resultados observables. Los bordes están etiquetados en términos de las estadísticas suficientes de sus posteriores marginales (ver posterior aproximado). Los factores se han etiquetado intuitivamente en términos de los parámetros que codifican las distribuciones de probabilidad asociadas (en la parte superior izquierda). Los números encerrados en un círculo corresponden a los mensajes que se pasan de los nodos a los bordes (las etiquetas se colocan en el borde que lleva el mensaje de cada nodo). Estos corresponden a los mensajes implícitos en las actualizaciones de creencias (en la parte inferior izquierda).

Modelo generativo para estados y resultados discretos.Panel superior izquierdo: Estas ecuaciones especifican el modelo generativo. Un modelo generativo es la probabilidad conjunta de resultados o consecuencias y sus causas (latentes u ocultas) ver la primera ecuación. Por lo general, el modelo se expresa en términos de probabilidad (la probabilidad de consecuencias dadas las causas) y previos sobre las causas. Cuando un a priori depende de una variable aleatoria se llama previo empírico. Aquí, la probabilidad se especifica mediante una matriz A cuyos elementos son la probabilidad de un resultado bajo cada combinación de estados ocultos. Gato denota una distribución de probabilidad categórica. Los priores empíricos pertenecen a transiciones probabilísticas (en el B matriz) entre estados ocultos que pueden depender de acciones, que están determinadas por políticas (secuencias de acciones codificadas por π). El aspecto clave de este modelo generativo es que las políticas son más probables a priori si minimizan la (integral de tiempo de) energía libre esperada. GRAMO,que depende de las preferencias previas sobre los resultados o costos codificado en Cy la incertidumbre o ambigüedad sobre los resultados en cada estado, codificada por H. Finalmente, el vector D especifica el estado inicial. Esto completa la especificación del modelo en términos de parámetros que constituyen A, B, C, y D. La inversión del modelo bayesiano se refiere al mapeo inverso de las consecuencias a las causas, es decir, la estimación de los estados ocultos y otras variables que causan los resultados. En una inferencia bayesiana aproximada, se especifica la forma de una distribución posterior aproximada. Esta forma particular en este artículo utiliza una aproximación de campo medio, en la que las creencias posteriores se aproximan por el producto de distribuciones marginales en puntos de tiempo. Tiempo de índice de subíndices (o política). Ver el texto principal y la Tabla 1a en Friston, Parr, et al. (2017) para obtener una explicación detallada de las variables (las variables en cursiva representan estados ocultos, mientras que las variables en negrita indican expectativas sobre esos estados). Panel superior derecho: esta red bayesiana representa las dependencias condicionales entre los estados ocultos y cómo provocan los resultados. Los círculos abiertos son variables aleatorias (estados y políticas ocultos), mientras que los círculos rellenos denotan resultados observables. Los cuadrados indican variables fijas o conocidas, como los parámetros del modelo. Hemos utilizado una convención ligeramente inusual en la que los parámetros se han colocado encima de los bordes (dependencias condicionales) que pueden mediar.Panel inferior izquierdo: Estas igualdades son las actualizaciones de creencias que median la inferencia bayesiana aproximada y la selección de acciones. Los corchetes (Iverson) en el panel de selección de acciones devuelven uno si se cumple la condición entre corchetes y cero en caso contrario.Panel inferior derecho: Ésta es una representación equivalente de la red bayesiana en términos de un gráfico de factor de estilo normal o de Forney. Aquí los nodos (cajas cuadradas) corresponden a factores y los bordes están asociados con variables desconocidas. Los cuadrados llenos denotan resultados observables. Los bordes están etiquetados en términos de las estadísticas suficientes de sus posteriores marginales (ver posterior aproximado). Los factores se han etiquetado intuitivamente en términos de los parámetros que codifican las distribuciones de probabilidad asociadas (en la parte superior izquierda). Los números encerrados en un círculo corresponden a los mensajes que se pasan de los nodos a los bordes (las etiquetas se colocan en el borde que lleva el mensaje de cada nodo). Estos corresponden a los mensajes implícitos en las actualizaciones de creencias (en la parte inferior izquierda).


Referencias

Huang, G. ¿Es esta una teoría unificada del cerebro? Científico nuevo 2658, 30–33 (2008).

Friston K., Kilner, J. & amp Harrison, L. Un principio de energía libre para el cerebro. J. Physiol. París 100, 70–87 (2006). Una descripción general del principio de energía libre que describe su motivación y relación con los modelos generativos y la codificación predictiva. Este artículo se centra en la percepción y las infraestructuras neurobiológicas implicadas.

Ashby, W. R. Principios del sistema dinámico autoorganizado. J. Gen. Psychol. 37, 125–128 (1947).

Nicolis, G. y Prigogine, I. Autoorganización en sistemas en desequilibrio (Wiley, Nueva York, 1977).

Haken, H. Sinergia: una introducción. Transición de fase de no equilibrio y autoorganización en física, química y biología 3ª ed. (Springer, Nueva York, 1983).

Kauffman, S. Los orígenes del orden: autoorganización y selección en la evolución (Oxford Univ. Press, Oxford, 1993).

Bernard, C. Conferencias sobre los fenómenos comunes a los animales y las plantas (Thomas, Springfield, 1974).

Applebaum, D. Probabilidad e información: un enfoque integrado (Cambridge Univ. Press, Cambridge, Reino Unido, 2008).

Evans, D. J. Un teorema de energía libre sin equilibrio para sistemas deterministas. Mol. Física 101, 15551–11554 (2003).

Crauel, H. & amp Flandoli, F. Atractores para sistemas dinámicos aleatorios. Probab. Teoría Relat. Los campos 100, 365–393 (1994).

Feynman, R. P. Mecánica estadística: una serie de conferencias (Benjamin, Reading, Massachusetts, 1972).

Hinton, G. E. & amp von Cramp, D. Mantener las redes neuronales simples minimizando la longitud de descripción de los pesos. Proc. 6th Annu. Conf. ACM Teoría del aprendizaje computacional 5–13 (1993).

MacKay. D. J. C. Algoritmo de minimización de energía libre para decodificación y criptoanálisis. Electrón. Letón. 31, 445–447 (1995).

Neal, R. M. y Hinton, G. E. en Aprendizaje en modelos gráficos (ed. Jordan, M. I.) 355–368 (Kluwer Academic, Dordrecht, 1998).

Itti, L. & amp Baldi, P. La sorpresa bayesiana atrae la atención humana. Vision Res. 49, 1295–1306 (2009).

Friston, K., Daunizeau, J. y Kiebel, S. ¿Inferencia activa o aprendizaje por refuerzo? Más uno 4, e6421 (2009).

Knill, D. C. & amp Pouget, A. El cerebro bayesiano: el papel de la incertidumbre en la codificación y el cálculo neuronales. Trends Neurosci. 27, 712–719 (2004). Una bonita revisión de las teorías bayesianas de la percepción y el control sensoriomotor. Se centra en la optimización de Bayes en el cerebro y la naturaleza implícita de las representaciones neuronales.

von Helmholtz, H. en Tratado de Óptica Fisiológica Vol. III 3ª ed. (Voss, Hamburgo, 1909).

MacKay, D. M. en Estudios de autómatas (eds Shannon, C. E. y McCarthy, J.) 235–251 (Princeton Univ. Press, Princeton, 1956).

Neisser, U. Psicología cognitiva (Appleton-Century-Crofts, Nueva York, 1967).

Gregory, R. L. Ilusiones perceptuales y modelos cerebrales. Proc. R. Soc. Lond. B Biol. Sci. 171, 179–196 (1968).

Gregory, R. L. Las percepciones como hipótesis. Philos. Trans. R. Soc. Lond. B Biol. Sci. 290, 181–197 (1980).

Ballard, D. H., Hinton, G. E. y Sejnowski, T. J. Computación visual paralela. Naturaleza 306, 21–26 (1983).

Kawato, M., Hayakawa, H. & amp Inui, T.Un modelo de óptica inversa directa de conexiones recíprocas entre áreas visuales. Red: Computación en sistemas neuronales 4, 415–422 (1993).

Dayan, P., Hinton, G. E. y Neal, R. M. La máquina Helmholtz. Computación neuronal. 7, 889–904 (1995). Este artículo presenta el papel central de los modelos generativos y los enfoques variacionales para el aprendizaje auto-supervisado jerárquico y lo relaciona con la función de las vías de procesamiento cortical ascendentes y descendentes.

Lee, T. S. & amp Mumford, D. Inferencia bayesiana jerárquica en la corteza visual. J. Opt. Soc. Soy. A Opt. Image Sci. Vis. 20, 1434–1448 (2003).

Kersten, D., Mamassian, P. & amp Yuille, A. Percepción de objetos como inferencia bayesiana. Annu. Rev. Psychol. 55, 271–304 (2004).

Friston, K. J. Una teoría de las respuestas corticales. Philos. Trans. R. Soc. Lond. B Biol. Sci. 360, 815–836 (2005).

Beal, M. J. Algoritmos variacionales para inferencia bayesiana aproximada. Tesis, University College London (2003).

Efron, B. & amp Morris, la regla de estimación de C. Stein y sus competidores: un enfoque empírico de Bayes. Mermelada. Estadísticas. Assoc. 68, 117–130 (1973).

Kass, R. E. & amp Steffey, D. Inferencia bayesiana aproximada en modelos jerárquicos condicionalmente independientes (modelos Bayes empíricos paramétricos). Mermelada. Stat. Assoc. 407, 717–726 (1989).

Zeki, S. & amp Shipp, S. La lógica funcional de las conexiones corticales. Naturaleza 335, 311–317 (1988). Describe la arquitectura funcional de las jerarquías corticales con un enfoque en los patrones de conexiones anatómicas en la corteza visual. Enfatiza el papel de la segregación e integración funcional (es decir, el paso de mensajes entre áreas corticales).

Felleman, D. J. & amp Van Essen, D. C. Procesamiento jerárquico distribuido en la corteza cerebral de primates. Cereb. Corteza 1, 1–47 (1991).

Mesulam, M. M. De la sensación a la cognición. Cerebro 121, 1013–1052 (1998).

Sanger, T. Estimación de densidad de probabilidad para la interpretación de códigos de población neuronal. J. Neurophysiol. 76, 2790–2793 (1996).

Zemel, R., Dayan, P. & amp Pouget, A. Interpretación probabilística del código de población. Computación neuronal. 10, 403–430 (1998).

Paulin, M. G. Evolución del cerebelo como máquina neuronal para la estimación del estado bayesiano. J. Neural Eng. 2, S219-S234 (2005).

Ma, W. J., Beck, J. M., Latham, P. E. & amp Pouget, A. Inferencia bayesiana con códigos de población probabilísticos. Nature Neurosci. 9, 1432–1438 (2006).

Friston, K., Mattout, J., Trujillo-Barreto, N., Ashburner, J. & amp Penny, W. Energía libre variacional y aproximación de Laplace. Neuroimagen 34, 220–234 (2007).

Rao, R. P. & amp Ballard, D. H. Codificación predictiva en la corteza visual: una interpretación funcional de algunos efectos de campo receptivo extraclásico. Nature Neurosci. 2, 79–87 (1998). Aplica codificación predictiva al procesamiento cortical para proporcionar una descripción convincente de los campos receptivos extraclásicos en el sistema visual. Enfatiza la importancia de las proyecciones de arriba hacia abajo para proporcionar predicciones, al modelar la inferencia perceptiva.

Mumford, D. Sobre la arquitectura computacional del neocórtex. II. El papel de las asas corticocorticales. Biol. Cybern. 66, 241–251 (1992).

Friston, K. Modelos jerárquicos en el cerebro. PLoS Comput. Biol. 4, e1000211 (2008).

Murray, S. O., Kersten, D., Olshausen, B. A., Schrater, P. & amp Woods, D. L. La percepción de la forma reduce la actividad en la corteza visual primaria humana. Proc. Natl Acad. Sci. Estados Unidos 99, 15164–15169 (2002).

Garrido, M. I., Kilner, J. M., Kiebel, S. J. & amp Friston, K. J. Modelado causal dinámico de la respuesta a desviaciones de frecuencia. J. Neurophysiol. 101, 2620–2631 (2009).

Sherman, S. M. & amp Guillery, R. W. Sobre las acciones que una célula nerviosa puede tener sobre otra: distinguir "impulsores" de "moduladores". Proc. Natl Acad. Sci. Estados Unidos 95, 7121–7126 (1998).

Angelucci, A. & amp Bressloff, P. C. Contribución de las conexiones de retroalimentación, laterales y de retroalimentación al centro de campo receptivo clásico y al entorno del campo receptivo extraclásico de las neuronas V1 de primates. Prog. Brain Res. 154, 93–120 (2006).

Grossberg, S. Hacia una teoría unificada de la neocorteza: circuitos corticales laminares para la visión y la cognición. Prog. Brain Res. 165, 79–104 (2007).

Grossberg, S. & amp Versace, M. Spikes, sincronía y aprendizaje atento mediante circuitos talamocorticales laminares. Brain Res. 1218, 278–312 (2008).

Barlow, H. en Comunicación sensorial (ed. Rosenblith, W.) 217-234 (MIT Press, Cambridge, Massachusetts, 1961).

Linsker, R. Organización neuronal perceptual: algunos enfoques basados ​​en modelos de redes y teoría de la información. Annu. Rev. Neurosci. 13, 257–281 (1990).

Oja, E. Redes neuronales, componentes principales y subespacios. En t. J. Neural Syst. 1, 61–68 (1989).

Bell, A. J. & amp Sejnowski, T. J. Un enfoque de maximización de la información para la separación ciega y la desconvolución ciega. Computación neuronal. 7, 1129–1159 (1995).

Atick, J. J. & amp Redlich, A. N. ¿Qué sabe la retina sobre las escenas naturales? Computación neuronal. 4, 196–210 (1992).

Optican, L. & amp Richmond, B. J. Codificación temporal de patrones bidimensionales por unidades individuales en la corteza inferior de primates. III Análisis teórico de la información. J. Neurophysiol. 57, 132–146 (1987).

Olshausen, B. A. & amp Field, D. J. Surgimiento de las propiedades del campo receptivo de células simples al aprender un código escaso para imágenes naturales. Naturaleza 381, 607–609 (1996).

Simoncelli, E. P. & amp Olshausen, B. A. Estadísticas de imágenes naturales y representación neuronal. Annu. Rev. Neurosci. 24, 1193–1216 (2001). Una buena revisión de la teoría de la información en el procesamiento visual. Cubre estadísticas de escenarios naturales y pruebas empíricas de la hipótesis de codificación eficiente en neuronas individuales y poblaciones de neuronas.

Friston, K. J. El cerebro lábil. III. Transitorios y campos receptivos espacio-temporales. Philos. Trans. R. Soc. Lond. B Biol. Sci. 355, 253–265 (2000).

Bialek, W., Nemenman, I. & amp Tishby, N. Previsibilidad, complejidad y aprendizaje. Computación neuronal. 13, 2409–2463 (2001).

Lewen, G. D., Bialek, W. & amp de Ruyter van Steveninck, R. R. Codificación neural de estímulos de movimiento naturalistas. La red 12, 317–329 (2001).

Laughlin, S. B. Eficiencia y complejidad en la codificación neuronal. Novartis encontrado. Symp. 239, 177–187 (2001).

Tipping, M. E. Aprendizaje bayesiano disperso y la máquina de vectores de relevancia. J. Aprendizaje automático. Res. 1, 211–244 (2001).

Paus, T., Keshavan, M. & amp Giedd, J. N. ¿Por qué surgen muchos trastornos psiquiátricos durante la adolescencia? Nature Rev. Neurosci. 9, 947–957 (2008).

Gilestro, G. F., Tononi, G. & amp Cirelli, C.Cambios generalizados en los marcadores sinápticos en función del sueño y la vigilia en Drosophila. Ciencias 324, 109–112 (2009).

Roweis, S. & amp Ghahramani, Z. Una revisión unificadora de modelos lineales gaussianos. Computación neuronal. 11, 305–345 (1999).

Hebb, D. O. La organización del comportamiento (Wiley, Nueva York, 1949).

Paulsen, O. & amp Sejnowski, T. J. Patrones naturales de actividad y plasticidad sináptica a largo plazo. Curr. Opin. Neurobiol. 10, 172–179 (2000).

von der Malsburg, C. La teoría de la correlación de la función cerebral. Informe interno 81–82, Departamento de Neurobiología, Instituto Max-Planck de Química Biofísica (1981).

Singer, W. & amp Gray, C. M. Integración de características visuales y la hipótesis de correlación temporal. Annu. Rev. Neurosci. 18, 555–586 (1995).

Bienenstock, E. L., Cooper, L. N. & amp Munro, P. W. Teoría para el desarrollo de la selectividad neuronal: especificidad de orientación e interacción binocular en la corteza visual. J. Neurosci. 2, 32–48 (1982).

Abraham, W. C. & amp Bear, M. F. Metaplasticidad: la plasticidad de la plasticidad sináptica. Trends Neurosci. 19, 126–130 (1996).

Pareti, G. & amp De Palma, A. ¿Oscila el cerebro? La disputa sobre la sincronización neuronal. Neurol. Sci. 25, 41–47 (2004).

Leutgeb, S., Leutgeb, J. K., Moser, M. B. & amp Moser, E. I. Colocar celdas, mapas espaciales y el código de población para la memoria. Curr. Opin. Neurobiol. 15, 738–746 (2005).

Durstewitz, D. & amp Seamans, J. K. Más allá de la biestabilidad: biofísica y dinámica temporal de la memoria de trabajo. Neurociencia 139, 119–133 (2006).

Anishchenko, A. & amp Treves, A. Recuperación de memoria autoasociativa y golpes de actividad espontánea en redes de mundos pequeños de neuronas de integración y activación. J. Physiol. París 100, 225–236 (2006).

Abbott, L. F., Varela, J. A., Sen, K. y Nelson, S. B. Depresión sináptica y control de ganancia cortical. Ciencias 275, 220–224 (1997).

Yu, A. J. & amp Dayan, P. Incertidumbre, neuromodulación y atención. Neurona 46, 681–692 (2005).

Doya, K. Metaaprendizaje y neuromodulación. Neural Netw. 15, 495–506 (2002).

Chawla, D., Lumer, E. D. & amp Friston, K. J. La relación entre la sincronización entre poblaciones neuronales y sus niveles medios de actividad. Computación neuronal. 11, 1389–1411 (1999).

Fries, P., Womelsdorf, T., Oostenveld, R. & amp Desimone, R. Los efectos de la estimulación visual y la atención visual selectiva en la sincronización neuronal rítmica en el área de macacos V4. J. Neurosci. 28, 4823–4835 (2008).

Womelsdorf, T. & amp Fries, P. Coherencia neuronal durante el procesamiento atencional selectivo y la integración sensorial-motora. J. Physiol. París 100, 182–193 (2006).

Desimone, R. Mecanismos neuronales de la memoria visual y su papel en la atención. Proc. Natl Acad. Sci. Estados Unidos 93, 13494–13499 (1996). Una buena revisión de los efectos mnemotécnicos (como la supresión de la repetición) en las respuestas neuronales y cómo influyen en las interacciones competitivas entre las representaciones de estímulos en la corteza. Proporciona una buena perspectiva sobre los mecanismos de atención en el sistema visual que se basa empíricamente.

Treisman, A. Vinculación de características, atención y percepción de objetos. Philos. Trans. R. Soc. Lond. B Biol. Sci. 353, 1295–1306 (1998).

Maunsell, J. H. & amp Treue, S. Atención basada en características en la corteza visual. Trends Neurosci. 29, 317–322 (2006).

Spratling, M. W. La codificación predictiva como modelo de competencia sesgada en la atención visual. Vision Res. 48, 1391–1408 (2008).

Reynolds, J. H. & amp Heeger, D. J. El modelo de normalización de la atención. Neurona 61, 168–185 (2009).

Schroeder, C. E., Mehta, A. D. & amp Foxe, J. J. Determinantes y mecanismos de modulación atencional del procesamiento neural. Parte delantera. Biosci. 6, D672-D684 (2001).

Hirayama, J., Yoshimoto, J. & amp Ishii, S. Aprendizaje de representación bayesiana en la corteza regulada por acetilcolina. Neural Netw. 17, 1391–1400 (2004).

Edelman, G. M. Darwinismo neuronal: selección y señalización reentrante en la función cerebral superior. Neurona 10, 115–125 (1993).

Knobloch, F. El altruismo y la hipótesis de la meta-selección en la evolución humana. Mermelada. Acad. Psicoanal. 29, 339–354 (2001).

Friston, K. J., Tononi, G., Reeke, G. N. Jr, Sporns, O. & amp Edelman, G. M. Selección dependiente del valor en el cerebro: simulación en un modelo neuronal sintético. Neurociencia 59, 229–243 (1994).

Sutton, R. S. & amp Barto, A. G. Hacia una teoría moderna de redes adaptativas: expectativa y predicción. Psychol. Rvdo. 88, 135–170 (1981).

Montague, P. R., Dayan, P., Person, C. & amp Sejnowski, T. J. Bee forrajeando en entornos inciertos utilizando el aprendizaje predictivo de Hebb. Naturaleza 377, 725–728 (1995). Un tratamiento computacional de la conducta que combina ideas de la teoría del control óptimo y la programación dinámica con la neurobiología de la recompensa. Esto proporcionó un ejemplo temprano de aprendizaje de valores en el cerebro.

Schultz, W. Señal de recompensa predictiva de las neuronas de dopamina. J. Neurophysiol. 80, 1–27 (1998).

Daw, N. D. & amp Doya, K. La neurobiología computacional del aprendizaje y la recompensa. Curr. Opin. Neurobiol. 16, 199–204 (2006).

Redgrave, P. & amp Gurney, K. La señal de dopamina de latencia corta: ¿un papel en el descubrimiento de nuevas acciones? Nature Rev. Neurosci. 7, 967–975 (2006).

Berridge, K. C. El debate sobre el papel de la dopamina en la recompensa: el caso de la prominencia de los incentivos. Psicofarmacología (Berl.) 191, 391–431 (2007).

Sella, G. & amp Hirsh, A. E. La aplicación de la física estadística a la biología evolutiva. Proc. Natl Acad. Sci. Estados Unidos 102, 9541–9546 (2005).

Rescorla, R. A. y Wagner, A. R. en Condicionamiento clásico II: investigación y teoría actuales (eds Black, A. H. & amp Prokasy, W. F.) 64-99 (Appleton Century Crofts, Nueva York, 1972).

Bellman, R. Sobre la teoría de la programación dinámica. Proc. Natl Acad. Sci. Estados Unidos 38, 716–719 (1952).

Watkins, C. J. C. H. y Dayan, P. Q-learning. Mach. Aprender. 8, 279–292 (1992).

Todorov, E. en Avances en los sistemas de procesamiento de información neuronal (eds Scholkopf, B., Platt, J. y Hofmann T.) 19, 1369-1376 (MIT Press, 2006).

Camerer, C. F. Estudios de comportamiento del pensamiento estratégico en juegos. Trends Cogn. Sci. 7, 225–231 (2003).

Smith, J. M. & amp Price, G. R. La lógica del conflicto animal. Naturaleza 246, 15–18 (1973).

Nash, J. Puntos de equilibrio en juegos de n personas. Proc. Natl Acad. Sci. Estados Unidos 36, 48–49 (1950).

Wolpert, D. M. & amp Miall, R. C. Modelos avanzados para el control fisiológico del motor. Neural Netw. 9, 1265–1279 (1996).

Todorov, E. & amp Jordan, M. I. La maximización de la suavidad a lo largo de una ruta predefinida predice con precisión los perfiles de velocidad de los movimientos complejos del brazo. J. Neurophysiol. 80, 696–714 (1998).

Tseng, Y. W., Diedrichsen, J., Krakauer, J. W., Shadmehr, R. & amp Bastian, A. J. Los errores de predicción sensorial impulsan la adaptación del alcance dependiente del cerebelo. J. Neurophysiol. 98, 54–62 (2007).

Bays, P. M. & amp Wolpert, D. M. Principios computacionales de control sensoriomotor que minimizan la incertidumbre y la variabilidad. J. Physiol. 578, 387–396 (2007). Una buena descripción de los principios computacionales en el control de motores. Se centra en representar la incertidumbre y la estimación óptima al extraer la información sensorial necesaria para la planificación motora.

Shadmehr, R. & amp Krakauer, J. W. Una neuroanatomía computacional para el control motor. Exp. Brain Res. 185, 359–381 (2008).

Verschure, P. F., Voegtlin, T. & amp Douglas, R. J. Sinergia mediada por el medio ambiente entre la percepción y el comportamiento en robots móviles. Naturaleza 425, 620–624 (2003).

Cohen, J. D., McClure, S. M. & amp Yu, A. J. ¿Debo quedarme o debo irme? Cómo el cerebro humano gestiona el equilibrio entre explotación y exploración. Philos. Trans. R. Soc. Lond. B Biol. Sci. 362, 933–942 (2007).

Ishii, S., Yoshida, W. & amp Yoshimoto, J. Control del metaparámetro de explotación-exploración en el aprendizaje por refuerzo. Neural Netw. 15, 665–687 (2002).

Usher, M., Cohen, J. D., Servan-Schreiber, D., Rajkowski, J. & amp Aston-Jones, G. El papel del locus coeruleus en la regulación del rendimiento cognitivo. Ciencias 283, 549–554 (1999).

Voigt, C. A., Kauffman, S. & amp Wang, Z. G. Diseño evolutivo racional: la teoría de in vitro evolución de proteínas. Adv. Protein Chem. 55, 79–160 (2000).

Freeman, W. J. Caracterización de las transiciones de estado en sistemas dinámicos, caóticos, no lineales y distribuidos espacialmente en la corteza cerebral. Integr. Physiol. Behav. Sci. 29, 294–306 (1994).

Tsuda, I. Hacia una interpretación de la actividad neuronal dinámica en términos de sistemas dinámicos caóticos. Behav. Brain Sci. 24, 793–810 (2001).

Jirsa, V. K., Friedrich, R., Haken, H. & amp Kelso, J. A. Un modelo teórico de las transiciones de fase en el cerebro humano. Biol. Cybern. 71, 27–35 (1994). Este artículo desarrolla un modelo teórico (basado en la sinergia y la teoría del oscilador no lineal) que reproduce la dinámica observada y sugiere una formulación de acoplamiento biofísico entre sistemas cerebrales.

Breakspear, M. & amp Stam, C. J. Dinámica de un sistema neuronal con una arquitectura multiescala. Philos. Trans. R. Soc. Lond. B Biol. Sci. 360, 1051–1074 (2005).

Bressler, S. L. & amp Tognoli, E. Principios operativos de las redes neurocognitivas. En t. J. Psychophysiol. 60, 139–148 (2006).

Werner, G. Dinámica del cerebro a través de los niveles de organización. J. Physiol. París 101, 273–279 (2007).

Pasquale, V., Massobrio, P., Bologna, L. L., Chiappalone, M. & amp Martinoia, S. Autoorganización y avalanchas neuronales en redes de neuronas corticales disociadas. Neurociencia 153, 1354–1369 (2008).

Kitzbichler, M. G., Smith, M. L., Christensen, S. R. y Bullmore, E. Criticidad de banda ancha de la sincronización de la red del cerebro humano. PLoS Comput. Biol. 5, e1000314 (2009).

Rabinovich, M., Huerta, R. & amp Laurent, G. Dinámica transitoria para el procesamiento neuronal. Ciencias 321 48–50 (2008).

Tschacher, W. & amp Hake, H. ¿Intencionalidad en sistemas de no equilibrio? Los aspectos funcionales de la formación de patrones autoorganizados. Nuevas Ideas Psychol. 25, 1–15 (2007).

Maturana, H. R. y Varela, F. De máquinas y seres vivos (Editorial Universitaria, Santiago, 1972). Traducción al inglés disponible en Maturana, H. R. & amp Varela, F. en Autopoiesis y cognición (Reidel, Dordrecht, 1980).

Fiorillo, C. D., Tobler, P. N. & amp Schultz, W. Codificación discreta de la probabilidad de recompensa y la incertidumbre por las neuronas de dopamina. Ciencias 299, 1898–1902 (2003).

Niv, Y., Duff, M. O. y Dayan, P. Dopamina, incertidumbre y aprendizaje TD. Behav. Función cerebral. 1, 6 (2005).

Fletcher, P. C. & amp Frith, C. D. Percibir para creer: un enfoque bayesiano para explicar los síntomas positivos de la esquizofrenia. Nature Rev. Neurosci. 10, 48–58 (2009).

Phillips, W. A. ​​& amp Silverstein, S. M. Convergencia de perspectivas biológicas y psicológicas sobre la coordinación cognitiva en la esquizofrenia. Behav. Brain Sci. 26, 65–82 (2003).

Friston, K. y Kiebel, S.Circuitos corticales para inferencia perceptual. Neural Netw. 22, 1093–1104 (2009).


Contenido

Las áreas de procesamiento sensorial mapeadas son un fenómeno complejo y, por lo tanto, deben tener una ventaja adaptativa, ya que es muy poco probable que los fenómenos complejos aparezcan de otra manera. Los mapas sensoriales también son muy antiguos en la historia de la evolución, ya que son casi omnipresentes en todas las especies de animales y se encuentran en casi todos los sistemas sensoriales. Algunas ventajas de los mapas sensoriales han sido aclaradas por la exploración científica:

  1. Llenando: Cuando la estimulación sensorial está organizada en el cerebro en alguna forma de patrón topográfico, entonces el animal podría "completar" la información que falta utilizando las regiones vecinas del mapa, ya que generalmente se activarán juntas cuando toda la información esté presente. La pérdida de señal de un área se puede completar desde áreas adyacentes del cerebro si esas áreas son para partes físicamente relacionadas de la periferia. Esto es evidente en estudios con animales donde las neuronas que bordean un área del cerebro lesionada o dañada (que solía procesar el sentido del tacto en una mano) recuperan el procesamiento de esa región sensorial porque procesan información de áreas adyacentes de la mano. & # 911 & # 93
  2. Inhibición lateral: La inhibición lateral es un principio organizador, permite el contraste en muchos sistemas desde el visual al somatosensorial. Esto significa que si las áreas adyacentes se inhiben entre sí, la estimulación que activa una región del cerebro puede inhibir simultáneamente las regiones adyacentes del cerebro para crear una resolución más nítida entre los estímulos. Esto es evidente en el sistema visual de los humanos, donde se pueden detectar líneas nítidas entre las regiones brillantes y oscuras debido a células simples que inhiben a sus vecinas.
  3. Suma: La organización también permite sumar los estímulos relacionados en la evaluación neuronal de la información sensorial. Ejemplos de esto se encuentran en la suma de entradas táctiles neuronales o entradas visuales con poca luz & # 912 & # 93

Publicado por la Royal Society. Reservados todos los derechos.

Referencias

. 2009 Más allá del cerebro: cognición encarnada, situada y distribuida . Newcastle-upon-Tyne, Reino Unido: Cambridge Scholars Publisher. Google Académico

. 2001 Comportamiento inteligente de un verdadero moho en un laberinto. Res. Microbiol. 152, 767-770. (doi: 10.1016 / S0923-2508 (01) 01259-1) Crossref, PubMed, ISI, Google Académico

Gadau J, Fewell J, Wilson EO

. 2009 Organización de las sociedades de insectos: del genoma a la sociocomplejidad . Cambridge, MA: Harvard University Press. Google Académico

Passino KM, Seeley TD, Visscher PK

. 2008 Cognición de enjambre en abejas. Behav. Ecol. Sociobiol. 62, 401-414. (doi: 10.1007 / s00265-007-0468-1) Crossref, ISI, Google Académico

. 2001 Resolución distribuida de problemas en insectos sociales. Ana. Matemáticas. Artif. Intell. 31, 199-221. (doi: 10.1023 / A: 1016651613285) Crossref, ISI, Google Académico

Hoff N, Sagoff A, Madera RJ, Nagpal R

. 2010 Dos algoritmos de búsqueda de alimento para enjambres de robots que utilizan solo comunicación local. En IEEE Int. Conf. on Robotics and Biomimetics, 14-18 de diciembre de 2010, págs. 123-130. Piscataway, Nueva Jersey: IEEE. Google Académico

Heims SJ, von Neumann J, Wiener N

. 1982 De las matemáticas a las tecnologías de la vida y la muerte . Cambridge, MA: MIT Press. Google Académico

Stanley-Jones D, Stanley-Jones K

. 1960 La cibernética de los sistemas vivos . Oxford, Reino Unido: Pergamon Press. Google Académico

. 2005 Una historia del movimiento cibernético en los Estados Unidos. J. Wash. Acad. Sci. 91, 54-66. Google Académico

. 1998 Inteligencia artificial: una nueva síntesis . San Francisco, CA: Morgan Kauffmann Publishers (Elsevier Science). Google Académico

Kandel ER, Schwartz JH, Jessell TM

. 1991 Principios de la ciencia neuronal . Nueva York, NY: Elsevier. Google Académico

. 2007 El cómplice del manitas. Cómo el diseño surge de la vida misma . Cambridge, MA: Harvard University Press. Crossref, académico de Google

. 2002 Emergencia: las vidas conectadas de hormigas, cerebros, ciudades y software . Nueva York, NY: Simon and Schuster. Google Académico

. 2008 Sobre la naturaleza de las mentes, o: verdad y consecuencias. J. Exp. Theor. Artif. Intell. 20, 181-196. (doi: 10.1080 / 09528130802319086) Crossref, ISI, Google Académico

. 2007 El paradigma ecológico de la mente y sus implicaciones para la psicoterapia. Rev. Gen. Psychol. 11, 1-11. (doi: 10.1037 / 1089-2680.11.1.1) Crossref, ISI, Google Académico

. 2014 Darwinismo neuronal. Nueva perspectiva. Q. 31, 25-27. (doi: 10.1111 / npqu.11422) Crossref, Google Académico

. 1995 Receptores de acetilcolina: demasiados canales, muy pocas funciones. Ciencias 269, 1681-1682. (doi: 10.1126 / science.7569892) Crossref, PubMed, ISI, Google Académico

. 1994 ¿Los nuevos receptores de dopamina ofrecerán una clave para la esquizofrenia? Ciencias 265, 1034-1035. (doi: 10.1126 / science.8066441) Crossref, ISI, Google Académico

. 1986 El relojero ciego . Essex, Reino Unido: Longman Scientific and Technical. Google Académico

. 1972 La resistencia del mecanismo: controversia sobre el vitalismo. J. Hist. Biol. 5, 159-188. (doi: 10.1007 / BF02113490) Crossref, Google Académico

. 2013 Homeostasis y las raíces vitalistas olvidadas de la adaptación. En El vitalismo y la imagen científica en las ciencias de la vida posteriores a la Ilustración, 1800-2010. Historia, filosofía y teoría de las ciencias de la vida (eds

), págs. 271-291. Berlín, Alemania: Springer. Google Académico

. 1927 Una introducción al estudio de la medicina experimental. . Biblioteca de Clásicos de la Medicina. Estados Unidos: Henry Schumann, Inc. Google Scholar

Rosenblueth A, Wiener N, Bigelow J

. 1943 Comportamiento, propósito y teleología. Philos. Sci. 10, 18-24. (doi: 10.1086 / 286788) Crossref, Google Académico

1954 Hombres, máquinas y el mundo. En Medicina y ciencia (ed.

), págs. 13-28. Nueva York, NY: Academia de Medicina y Ciencia de Nueva York. Google Académico

. 2007 Claude Bernard y una introducción al estudio de la medicina experimental: "Vitalismo físico", dialéctica y epistemología. J. Hist. Medicina. Allied Sci. 62, 495-528. (doi: 10.1093 / jhmas / jrm015) Crossref, ISI, Google Académico

. 1968 Esa fue la biología molecular que fue. Ciencias 160390-395. (doi: 10.1126 / science.160.3826.390) Crossref, ISI, Google Académico

. 2013 Segunda ley de la biología. Homeostasis, propósito y deseo. En Más allá del mecanismo. Devolviendo la vida a la biología (eds

), págs.183-203. Lanham, MD: Lexington Books. Google Académico

. 2008 Introducción. ¿Vitalismo sin metafísica? Vitalismo médico en la Ilustración. Sci. Contexto 21, 461-463. (doi: 10.1017 / S0269889708001919) Crossref, ISI, Google Académico

. 2998 La economía animal como objeto y programa en el vitalismo de Montpellier. Sci. Contexto 21, 537-579. (doi: 10.1017 / S0269889708001956) Crossref, ISI, Google Académico

. 1976 Vitalismo, alma y sensibilidad: la fisiología de Théophile Bordeu. J. Hist. Medicina. Allied Sci. XXXI, 30-41. (doi: 10.1093 / jhmas / XXXI.1.30) Referencia cruzada, Google Académico

. 2012 ¿Qué es la vida? Cómo la química se convierte en biología . Londres, Reino Unido: Oxford University Press. Google Académico

. 2006 Una cuarta ley de la termodinámica. Química 15, 305-310. Google Académico

. 2017 Propósito y deseo. ¿Qué hace que algo esté "vivo" y por qué el darwinismo moderno no ha logrado explicarlo? . Nueva York, NY: HarperOne. Google Académico

. 1995 La peligrosa idea de Darwin. Evolución y significados de la vida . Nueva York, NY: Simon & amp Schuster. Google Académico

. 1958 Adaptación, selección natural y comportamiento. En Comportamiento y evolución (eds

), págs. 390-416. New Haven, CT: Prensa de la Universidad de Yale. Google Académico

. 2012 Mente y cosmos: por qué la concepción materialista neodarwiniana de la naturaleza es casi con certeza falsa . Oxford, Reino Unido: Oxford University Press. Crossref, académico de Google

. 1999 Fundamentos de la biología: sobre el problema del "propósito" en biología en relación con nuestra aceptación de la teoría darwiniana de la selección natural. Fundar. Sci. 4, 3-23. (doi: 10.1023 / A: 1009634718370) Crossref, Google Académico

. 1970 Explicación teleológica en biología evolutiva. Philos. Sci. 37, 1-15. (doi: 10.1086 / 288276) Crossref, ISI, Google Académico

. 1958 Teleología en la enseñanza de las ciencias. Ciencias 128, 1402-1405. (doi: 10.1126 / science.128.3336.1402) Crossref, ISI, Google Académico

. 2016 Homeostasis y la dimensión fisiológica de la teoría de la construcción de nichos en ecología y evolución. Ecol. Evol. 30203-219. (doi: 10.1007 / s10682-015-9795-2) Crossref, ISI, Google Académico

. 2001 El organismo extendido: la fisiología de las estructuras construidas por animales. J. Scott Turner. Q. Rev. Biol. 76, 270. (doi: 10.1086 / 393975) Crossref, Google Académico

. 2000 El organismo extendido. La fisiología de las estructuras construidas por animales. . Cambridge, MA: Harvard University Press. Google Académico

. 2015 Hacia las grandes transiciones evolutivas teoría 2.0. Proc. Natl Acad. Sci. Estados Unidos 112, 10 104-10 111. (doi: 10.1073 / pnas.1421398112) Crossref, ISI, Google Académico

. 2018 Muchas pequeñas vidas. Inferencia: Int. Rev. Sci. 4. Consulte https://inference-review.com/article/many-little-lives. Google Académico

. 2011 Las termitas como modelos de cognición enjambre. Swarm Intell. 5, 19-43. (doi: 10.1007 / s11721-010-0049-1) Crossref, ISI, Google Académico

Aanen DK, Eggleton P, Rouland-Lefèvre C, Guldberg-Frøslev T, Rosendahl S, Boomsma JJ

. 2002 La evolución de las termitas que cultivan hongos y sus simbiontes de hongos mutualistas. Proc. Natl Acad. Sci. Estados Unidos 99, 14 887-14 892. (doi: 10.1073 / pnas.222313099) Crossref, ISI, Google Scholar

. 1979 Mutualismo entre termitas y hongos. En Nutrición, mutualismo y comensalismo por simbiosis insectos-hongos (ed.

), págs. 117-163. Nueva York, NY: John Wiley and Sons. Google Académico

. 1979 Un análisis del comportamiento de construcción de la termita Macrotermes subhyalinus (Rambur) [investigación primaria] . Wageningen, Países Bajos: Wageningen Universiteit. Google Académico

Dangerfield JM, McCarthy TS, Ellery WN

. 1998 La termita constructora de montículos Macrotermes michaelseni como ingeniero de ecosistemas. J. Trop. Ecol. 14, 507-520. (doi: 10.1017 / S0266467498000364) Crossref, ISI, Google Académico

. 2000 Ventilación de termiteros: nuevos resultados requieren un nuevo modelo. Behav. Ecol. 11, 486-494. (doi: 10.1093 / beheco / 11.5.486) Crossref, ISI, Google Académico

. 1977 Efectos ecológicos de los termiteros. Rhodesia salvaje 14, 11-14. Google Académico

. 1964 L'architecture du nid de Macrotermes natalensis et son sens fonctionnel. En Estudios sobre las termitas africanas (ed.

), págs. 327-362. París, Francia: Maisson et Cie. Google Académico

. 2005 Fisiología ampliada de una estructura construida por insectos. Soy. Entomol. 51, 36-38. (doi: 10.1093 / ae / 51.1.36) Crossref, Google Académico

. 2000 Arquitectura y morfogénesis en el montículo de Macrotermes michaelseni (Sjostedt) (Isoptera: Termitidae, Macrotermitinae) en el norte de Namibia. Cimbebasia 16143-175. Google Académico

. 2001 En el montículo de Macrotermes michaelseni como órgano de intercambio de gases respiratorios. Physiol. Biochem. Zool. 74, 798-822. (doi: 10.1086 / 323990) Crossref, PubMed, ISI, Google Académico

. 1969 Movimiento de agua en dos montículos de termitas en Rhodesia. J. Ecol. 57, 441-451. (doi: 10.2307 / 2258390) Crossref, ISI, Google Académico

. 1959 La reconstruction du nid et les coordinations inter-individuelles chez Bellicositermes et Cubitermes sp. La théorie de la stigmergie: Essai d'interprétationdu comportement des termites constructeurs. Insectes Soc. 6, 41-80. (doi: 10.1007 / BF02223791) Crossref, Google Académico

. 1982 Ingesta de agua por la termita Macrotermes michaelseni . Entomol. Exp. Apl. 31, 147-153. (doi: 10.1111 / j.1570-7458.1982.tb03126.x) Crossref, ISI, Google Académico

. 1981 Elementos de comportamiento y su significado en incipientes colonias de laboratorio de termitas que crecen hongos Macrotermes michaelseni (Isoptera, Macrotermitinae). Insectes Soc. 28, 371-382. (doi: 10.1007 / BF02224194) Crossref, ISI, Google Académico

Turner JS, Marais E, Vinte M, Mudengi A, Park W

. 2006 Termitas, agua y suelos. J. Agric. Sci. Soc. Namibia 2006, 40-45. Google Académico

. 2006 Las termitas como mediadoras de la economía del agua de los ecosistemas de sabanas áridas. En Ecohidrología de tierras secas (eds

), págs.303-313. Berlín, Alemania: Springer. Crossref, académico de Google

Verde B, Bardunias P, Turner JS, Nagpal R, Werfel J

. 2017 Excavación y agregación como factores organizativos en de novo construcción por termitas constructoras de montículos. Proc. R. Soc. B 284, 2016-2730. (doi: 10.1098 / rspb.2016.2730) Enlace, ISI, Google Académico

Petersen K, Bardunias P, Napp N, Werfel J, Nagpal R, Turner S

. 2015 Arrestant propiedad de suelo recientemente manipulado en Macrotermes michaelseni según se determina mediante el seguimiento visual y el etiquetado automático de los comportamientos individuales de las termitas. Behav. Procesos 116, 8-11. (doi: 10.1016 / j.beproc.2015.04.004) Crossref, PubMed, ISI, Google Académico

. 2016 Cognición de enjambre y construcción de enjambre. Lecciones de un maestro constructor de insectos sociales. En Complejidad, cognición, urbanismo y diseño (eds

), págs. 111-126. Berlín, Alemania: Springer. Google Académico

Julesz B, Kropfl W, Petrig B

. 1980 Los grandes potenciales evocados de los estereogramas y correlogramas dinámicos de puntos aleatorios permiten una rápida determinación de la estereopsis. Proc. Natl Acad. Sci. Estados Unidos 77, 2348-2351. (doi: 10.1073 / pnas.77.4.2348) Crossref, ISI, Google Académico

Bonabeau E, Dorigo M, Theraulaz G

. 1999 Inteligencia de enjambre. De sistemas naturales a artificiales . Nueva York, NY: Oxford University Press. Google Académico

. 2006 Hormigueros construidos por encargo. Automatización de la construcción con enjambres artificiales . Cambridge, MA: Instituto de Tecnología de Massachusetts. Google Académico

Werfel J, Bar-Yam Y, Nagpal R

(eds). 2005 Construcción de estructuras estampadas con enjambres de robots. En Proc. del XIX Int. Conf. Conjunta on Artificial Intelligence, Edimburgo, Reino Unido, 30 de julio a 5 de agosto de 2005, págs. 1505-1513. Edimburgo, Reino Unido: Conferencias conjuntas internacionales sobre inteligencia artificial. Google Académico

. 2010 Toma de decisiones colectivas en sistemas multiagente por liderazgo implícito. En Proc. del 9º Int. Conf. sobre agentes autónomos y sistemas multiagente, 10 a 14 de mayo de 2010 (eds

van der Hoek K, Lespérance L, Lespérance S

), págs. 1189-1196. Toronto, Canadá: Fundación Internacional para Agentes Autónomos y Sistemas Multiagente. Google Académico

. 1994 La musa en la máquina. Informatizando la poesía del pensamiento humano . Nueva York, NY: The Free Press. Google Académico

. 2016 El reloj inquieto: una historia de la discusión de siglos sobre lo que hace funcionar a los seres vivos . Chicago, IL: University of Chicago Press. Google Académico


Teorías emergentes del aprendizaje

¿Cómo se puede desarrollar automáticamente este sistema de filtros de bordes y diccionarios de patrones de formas?

Parece que se autoorganiza basándose en algunas reglas locales simples, muy parecido a un autómata celular. Esto fue reconocido hace más de una década. El breve artículo que realmente me reunió se llama & # 8220A MODELO DE RED NEURAL AUTORGANIZANTE DE LA CORTEZA VISUAL PRIMARIA & # 8220. La idea clave es bastante simple. Tome una red neuronal laminar 2D prototípica como el modelo cortical simple discutido anteriormente. Un patrón de entrada 2D fluye hacia la matriz neuronal desde la parte inferior, y cada neurona forma un montón de conexiones a través de la cuadrícula de entrada formando algo así como un patrón circular centrado alrededor de la neurona (con pesos sinápticos cayendo con un patrón similar a Gauss).

Matemáticamente, la neurona realiza algo así como una multiplicación matricial de un parche local de la entrada con sus pesos sinápticos. Si aplica una regla de aprendizaje hebbian simple apropiada a una configuración inicial aleatoria de este sistema (los pesos sinápticos aumentan en proporción a una coincidencia presináptica-postsináptica), estas neuronas evolucionarán para representar patrones de entrada que ocurren con frecuencia.

Pero ahora se vuelve más interesante: si agrega un conjunto adicional de conexiones laterales positivas y negativas entre neuronas dentro de una capa, entonces puede obtener un comportamiento similar a un autómata celular más complejo. Más específicamente, si las conexiones laterales aleatorias se seleccionan de una distribución tal que las conexiones de corto alcance son más positivas y las conexiones de largo alcance tienen más probabilidades de ser negativas, las neuronas tenderán a evolucionar hacia pequeños bolsillos en forma de columna donde las neuronas se encuentran mutuamente. de apoyo dentro de las columnas, pero son antagónicas entre las columnas. Esta representación también realiza una buena segmentación del espacio de hipótesis. El modelo desarrollado en el documento & # 8211 el modelo RF-LISSOM & # 8211 y seguimientos posteriores proporciona una descripción muy convincente de cómo las características de V1 & # 8217s pueden explicarse completamente por la evolución de neuronas básicas con reglas de aprendizaje hebbian locales simples y un par de principios autorreguladores homeostáticos.

¿Puede un modelo emergente tan simple explicar el resto de la vía visual ventral?

Parece probable. Si toma la salida de V1 y la alimenta a otra capa construida con las mismas neuronas de adaptación, probablemente obtendrá algo como V2. No sería exactamente la operación softmax descrita por Poggio et al, pero eso es algo así como una idealización de todos modos. La capa V2 se organizaría en microcolumnas que se sintonizarían con los patrones de salida frecuentes de V1. La presencia de un borde de una orientación particular es un buen predictor de un borde de la misma orientación que se activa en algún lugar cercano & # 8211 tanto porque el borde puede ser largo como porque a medida que la imagen se mueve a través del flujo visual, los bordes se moverán a poblaciones de neuronas cercanas . Por lo tanto, parece probable que las neuronas V2 se autoorganicen en microcolumnas sintonizadas con los bordes de una orientación particular en cualquier lugar de su campo, similar a la descripción de la operación softmax. A medida que asciende en la jerarquía, el ajuste será más complejo y tendrá microcolumnas que se adaptan para representar colecciones de bordes comunes más complejas.

Realimentación

El modelo de autoorganización discutido hasta ahora carece de un tipo importante de patrón de conexión que se encuentra en la corteza real, que son las conexiones de retroalimentación que fluyen desde las regiones superiores hacia las regiones inferiores cercanas a la entrada. Estas conexiones de retroalimentación tienden a seguir las conexiones de retroalimentación que llevan la entrada visual procesada a la jerarquía, pero fluyen en la dirección opuesta. Estas conexiones de retroalimentación parecen bastante naturales si pensamos en una vía como el sistema visual como una región 3D conectada en lugar de una colección de parches 2D. Si toma los diversos parches 2D de V1, V2, etc. y los apila uno encima del otro, & # 8217 obtendría una especie de forma de gota cónica & # 8211 como una pirámide truncada. Sería ancho en la base (v1 & # 8211 la región más grande) y luego se reduciría a medida que las capas son más pequeñas a medida que asciende en la jerarquía. Si organizó el flujo visual en un volumen 3D de este tipo, las conexiones podrían describirse mediante una distribución 3D simple.La información visual proviene de la parte inferior y fluye hacia arriba en la jerarquía, pero la información también puede fluir lateralmente dentro de una capa y regresar desde las capas superiores a las inferiores.

¿Cuál es el papel de las conexiones de retroalimentación que fluyen hacia abajo?

Ayudan a reforzar hipótesis estables en el sistema. Un flujo inicial de información hacia arriba en la jerarquía puede llevar a numerosas teorías en competencia sobre la escena. Las conexiones de retroalimentación que siguen los mismos caminos que las entradas tenderán a sesgar los componentes de apoyo. Por ejemplo, si las regiones superiores esperan ver un edificio, esto fluiría por las conexiones de retroalimentación para sesgar las neuronas que representan colecciones apropiadas de ángulos rectos, esquinas, bordes horizontales y verticales y muchas otras observaciones estadísticas innombrables que conducen al edificio. conclusión. Si estas creencias de apoyo son lo suficientemente fuertes frente a su competencia, la vía de & # 8216building & # 8217 formará un bucle estable que se refuerza a sí mismo. Esto es esencialmente muy similar a la propagación de creencias bayesianas & # 8211, por supuesto, sin necesariamente simularlo exactamente (lo que podría ser engorroso).

También es interesante notar que las conexiones de retroalimentación realizarán algo similar a la retropropagación. Cuando se activa una neurona, la regla de aprendizaje de Hebbian regulará al alza cualquier sinapsis recientemente activa que haya contribuido. Con las conexiones de retroalimentación, esta neurona enviará una señal a las neuronas de entrada de la capa inferior. A medida que el sistema evoluciona hacia vías de apoyo mutuo, es probable que la señal de retroalimentación se asocie estrechamente con las neuronas de entrada que activaron las sinapsis de nivel superior. La señal de retroalimentación rastreará así la entrada y reforzará las conexiones contribuyentes.

Desde mapas corticales hasta un motor de inteligencia completo

Si lees hasta aquí, y si has leído mis otros fragmentos breves sobre el cerebro o, mejor aún, la literatura de la que se derivan, tienes una idea bastante clara de cómo funcionan en teoría los mapas corticales jerárquicos autoorganizados y comprendes su gran poder. Pero todavía queda un largo camino por recorrer desde allí hasta un motor de inteligencia a gran escala, como un cerebro. En teoría, una de estas redes de inferencia jerárquica también puede, operando en flujo inverso, traducir comandos abstractos de alto nivel en secuencias detalladas de control del motor, muy parecido al flujo de entrada del sensor jerárquico pero al revés. Hawkins ofrece algunos relatos creíbles de cómo podrían funcionar esos mecanismos.

¿Qué falta entonces? Un buen trato. Hay mucho más en el cerebro que solo un motor de conocimiento probabilístico jerárquico & # 8211, aunque ciertamente es un componente central. A continuación, alguien familiarizado con la arquitectura de la computadora se preguntaría: & # 8220 ¿qué realiza el enrutamiento de datos? & # 8221. Ésta es una pregunta crucial, porque está bastante claro que no puede & # 8217t hacer cálculos muy útiles con una topología fija & # 8211 para ejecutar cualquier algoritmo interesante que necesite de alguna manera para que las diferentes regiones del cerebro se comuniquen con otras regiones del cerebro. dinamicamente. Una topología fija no es suficiente.

Esa funcionalidad parece ser proporcionada por el tálamo, una de las regiones cerebrales más antiguas que aún forma parte de las redes centrales. También es quizás el más importante. El daño al tálamo generalmente resulta en muerte o coma, lo cual es de esperar si es un centro de enrutamiento importante (vagamente equivalente a una CPU). Por ejemplo, cuando centra su atención en las palabras de un hablante, las primeras etapas del procesamiento probablemente fluyan a través de una topología fija de computación en capas, pero una vez que se traducen al nivel de pensamientos abstractos, deben enrutarse más ampliamente a muchas capas corticales generales que se ocupan del pensamiento abstracto & # 8211 y esto no puede utilizar una topología fija.

En este nivel de la cúspide de la jerarquía, no importa mucho si las palabras se originaron como señales de audio, patrones visuales o incluso a partir de un monólogo interno, deben alcanzar eventualmente las mismas regiones de procesamiento abstracto para el análisis semántico, la recuperación de la memoria y la generalización. mecanismos de cognición. Esto requiere al menos un enrutamiento dinámico básico de uno a muchos y de muchos a uno. La atención selectiva requiere un enrutamiento similar.

El sistema visual realiza la atención selectiva y el enrutamiento dinámico de forma mecánica moviendo realmente el ojo y, por lo tanto, la fóvea, pero tenga en cuenta que se necesita el mismo mecanismo en muchos dominios en los que no se aplica el truco mecánico. Por ejemplo, la red de sensores de propiocepción (sentido del tacto) de su cuerpo también utiliza la atención selectiva (enfocando un gran conjunto de recursos de procesamiento general en un dominio de entrada estrecho) y esto sugiere un mecanismo neuronal de enrutamiento dinámico.

Monólogo interno y la red de enrutamiento central

Aventurándome fuera del ámbito de la literatura actual y en mi propio espacio teórico, tengo los inicios de una metateoría sobre la organización general de nivel superior del cerebro que se centra en una red de enrutamiento central en serie. Tendemos a pensar en el cerebro como masivamente paralelo, lo cual es cierto al nivel de la jerarquía cortical descrita anteriormente. Pero el hecho es que en el nivel más alto de organización, en el vértice de la pirámide cortical, existe una red que involucra en gran parte el hipocampo, la corteza y el tálamo, que es funcionalmente serial. Tenemos una corriente de conciencia en serie que tiene algún sentido para coordinar acciones, el lenguaje a través de una corriente audible en serie, etc. Nuestro monólogo interior es esencialmente serial a nivel consciente.

Tenga en cuenta que tener una red de nivel superior en serie no está predestinado en ningún sentido. Podríamos haber desarrollado cuerdas vocales que codificaran dos o más transmisiones de audio independientes y tuvieran una comunidad de voces resonando en nuestras cabezas. De hecho, la gama del espacio de la mente humana ya abarca tales variantes al margen.

En mi modelo simple actual, la red de enrutamiento del núcleo interno (típicamente) en serie funcionaría principalmente como una red de transmisión simple que conecta las capas más altas de la corteza, el hipocampo y el tálamo. Esta red central se asigna tanto a las redes de tareas positivas como negativas en la literatura de neurociencia.

¿Qué tipos de mensajes se transmiten en la red de enrutamiento central? Pensamientos, naturalmente.

La experiencia neuro-típica de un monólogo interior en serie son las reverberaciones de pensamientos simbólicos que activan las vías del habla y auditiva. Para la mayoría de nosotros, primero aprendemos a comprender y luego a pronunciar las palabras a través de la interfaz de audio, y luego aprendemos a leer bien. Mientras lee estas palabras, probablemente esté escuchando una voz en su cabeza. Tu proyección de mi voz para ser exactos. En un sentido literal, estoy programando tu mente ahora mismo. Pero no se alarme, esto sucede cada vez que lee y comprende algo.

Quizás si uno aprendiera las palabras primero a través de los sentidos visuales y luego aprendiera a entender el habla, podría & # 8216 ver & # 8217 palabras en la mente & # 8217s ojo. No tengo conocimiento de ninguno de estos ejemplos, esto es solo un experimento mental.

Es difícil imaginar pensamientos prelingüísticos, pensamientos crudos que no están conectados con palabras. Es difícil proyectarse hacia ese reino primitivo y más restringido del espacio mental. Ciertamente, algunas de nuestras corrientes de pensamiento son directamente experienciales (como recordar un recuerdo visual y táctil de caminar descalzo en una playa tropical soleada), pero es difícil imaginar un largo período de pensamiento limitado solo a este dominio.

La red de enrutamiento central nos permite tomar palabras y traducirlas en patrones de activación mental que simulan el estado mental que originalmente generó las palabras mismas. Esto suena interesante, probablemente valga la pena leerlo de nuevo.

Imagínese lo siguiente con un poco más de detalle:

Estás caminando por una playa de la jungla desierta en algún lugar de Costa Rica. El sol está ardiendo pero una ligera brisa mantiene el aire agradable. Tus pies se hunden suavemente en la arena húmeda mientras pequeñas olas lamen en tus tobillos. Un mosquito solitario mordisquea tu hombro y rápidamente lo apartas.

Esas son solo palabras, pero al leerlas, recrea esa escena en su mente a medida que las palabras activan patrones corticales específicos de alto nivel que caen en cascada hacia los niveles inferiores de las pirámides sensoriales y motoras utilizando la ruta de retroalimentación discutida anteriormente. Las asociaciones de patrones se aprendieron hace mucho tiempo y se han reforzado a través de numerosas repeticiones rápidas coordinadas por el hipocampo durante el sueño. Si realmente observara sus patrones de pensamiento tal como se visualizan con un escáner de alta resolución, vería un rastro muy similar al rastro de su cerebro que realmente experimenta la escena descrita. Es diferente, por supuesto, no tan detallado, y la red de tareas negativas no activa salidas motoras, pero a nivel neuronal, pensar en realizar una acción es un poco tímido para realizar dicha acción.

Este es el poder de las palabras.

Entonces, para una arquitectura cerebral, la receta de alto nivel se parece a esto: tomar una corteza motora y multisensorial jerárquica de retroalimentación y retroalimentación (dual direccional), combinar en una red de enrutamiento central hipocortical-tálamo, agregar una memoria selectiva fuera de línea proceso de optimización (dormir), y finalmente alguna forma de búsqueda dirigida a objetivos ampliamente paralela que opera en un espacio simbólico cortical comprimido, y tienes algo interesante. Esto, por supuesto, es una simplificación excesiva del cerebro, tiene muchos más circuitos y vías principales, pero no obstante, no necesitamos toda la complejidad específica del cerebro. Lo que es más importante son los mecanismos generales que subyacen a la complejidad emergente, como el aprendizaje.

Por supuesto, el diablo está en los detalles, pero parece que los componentes principales de una arquitectura cerebral están dentro de un alcance razonable en esta década. Veo el esquema de un siguiente paso en el que toma los componentes discutidos anteriormente y los integra en un optimizador de búsqueda similar a AIXI & # 8211, pero busca de manera crucial dentro del espacio simbólico abstracto extremadamente comprimido en el vértice de la pirámide cortical.

Simular y buscar en espacios tan extraordinariamente comprimidos es la clave para la eficiencia computacional en las realidades sumamente complejas en las que opera el cerebro, y AIXI nunca puede escalar utilizando programas de computadora reales como base para la simulación. La lección clave de la corteza es que la inteligencia se basa en comprimir y abstraer casi todo. La eficiencia proviene de destruir la mayor parte de la información.


Ver el vídeo: Πώς μπορούμε να αναπτύξουμε νέους νευρώνες στον εγκέφαλο. TED (Julio 2022).


Comentarios:

  1. Adlar

    Lamento que para intervenir, le gustaría proponer otra solución.

  2. Dunham

    Lo siento, pero creo que estás cometiendo un error. Propongo discutirlo.

  3. Chanan

    Me parece que esto ya se ha comentado.

  4. Avrey

    I agree, a useful phrase



Escribe un mensaje