Comentario del traductor: una entrevista detallada con el legendario lingüista, publicado hace 6 años, pero que no ha perdido su relevancia. Noam Chomsky - "Einstein moderno", como se le llama, comparte sus pensamientos sobre la estructura del pensamiento y el lenguaje humano, la inteligencia artificial y el estado de las ciencias modernas. El otro día cumplió 90 años, y esta parece ser una buena razón para publicar un artículo. La entrevista es realizada por un joven científico cognitivo Jarden Katz, él mismo está bien versado en el tema, por lo que la conversación es muy informativa y las preguntas son tan interesantes como las respuestas.
Si nos fijamos el objetivo de compilar una lista de las tareas intelectuales más grandes y más inalcanzables, entonces la tarea de "decodificar" a nosotros mismos, comprender la estructura interna de nuestras mentes y cerebros, y cómo la arquitectura de estos elementos está codificada en nuestro genoma, definitivamente estaría en la cima. Sin embargo, varios campos de conocimiento que han asumido esta tarea, desde la filosofía y la psicología hasta la informática y la neurociencia, están abrumados por los desacuerdos sobre qué enfoque es el correcto.
En 1956, el científico informático John McCarthy acuñó el término "inteligencia artificial" (IA) para describir la ciencia del estudio de la mente mediante la reconstrucción de sus atributos clave en una computadora. La creación de un sistema racional utilizando equipos hechos por el hombre, en lugar de nuestro propio "equipo" en forma de células y tejidos, se convertiría en una ilustración de una comprensión completa y conllevaría aplicaciones prácticas en forma de dispositivos inteligentes o incluso robots.
Sin embargo, algunos de los colegas de McCarthy, de disciplinas relacionadas, estaban más interesados en cómo funciona la mente en humanos y otros animales. Noam Chomsky y sus colegas trabajaron en lo que más tarde se conoció como ciencia cognitiva: el descubrimiento de las representaciones mentales y las reglas que subyacen a nuestras capacidades cognitivas y mentales. Chomsky y sus colegas revocaron el paradigma del conductismo dominante en ese momento, dirigido por el psicólogo de Harvard B.F. Skinner, en el que el comportamiento de los animales se redujo a un simple conjunto de asociaciones entre la acción y sus consecuencias en forma de estímulo o castigo. Las fallas en el trabajo de psicología de Skinner se conocieron a partir de la crítica crítica de Chomsky de 1959 sobre su libro "Verbal Behavior", en el que Skinner intentó explicar las habilidades lingüísticas utilizando principios conductuales.
El enfoque de Skinner enfatizó las asociaciones entre el estímulo y la respuesta del animal, un enfoque presentado fácilmente como un análisis estadístico empírico que predice el futuro como consecuencia del pasado. El concepto del lenguaje de Chomsky, por otro lado, se centró en la complejidad de las representaciones internas codificadas en el genoma y su desarrollo en el proceso de obtención de datos en un sistema informático complejo que no puede descomponerse simplemente en un conjunto de asociaciones. El principio conductista de las asociaciones no podría explicar la riqueza del conocimiento lingüístico, nuestro uso infinitamente creativo del mismo, o por qué los niños lo dominan rápidamente a partir de los datos mínimos y ruidosos que el entorno les proporciona. La "competencia lingüística", como la llamó Chomsky, era parte del fondo genético del cuerpo, como el sistema visual, el sistema inmune y el sistema cardiovascular, y deberíamos estudiarlo de la misma manera que estudiamos otros sistemas biológicos más mundanos.
David Marr, experto en neurociencia, colega del MIT de Chomsky, definió el enfoque general para estudiar sistemas biológicos complejos (como el cerebro) en su aclamado libro Vision, y el análisis de Chomsky de la competencia lingüística se ajusta más o menos a este enfoque. Según Marr, un sistema biológico complejo puede entenderse en tres niveles diferentes. El primer nivel ("nivel computacional") describe la entrada y salida del sistema, que determina la tarea realizada por el sistema. En el caso del sistema visual, la entrada puede ser una imagen proyectada en nuestra retina, y la salida puede ser la identificación de objetos en la imagen por nuestro cerebro. El segundo nivel ("nivel algorítmico") describe el procedimiento mediante el cual la entrada se transforma en salida, es decir: cómo se puede procesar la imagen en nuestra retina para lograr la tarea descrita en el nivel computacional. Finalmente, el tercer nivel ("nivel de implementación") describe cómo nuestro equipo biológico de las células realiza el procedimiento descrito a nivel algorítmico.
El enfoque de Chomsky y Marr para comprender cómo funciona nuestra mente está lo más alejado posible del conductismo. Aquí el énfasis está en la estructura interna del sistema, lo que le permite completar la tarea, en lugar de en la asociación externa entre el comportamiento pasado del sistema y el entorno. El objetivo es penetrar en la "caja negra" que controla el sistema y describir su estructura interna, aproximadamente cómo un programador puede explicarle el principio de un producto de software bien desarrollado, y también instruir cómo ejecutarlo en una computadora doméstica.
Como ahora se acepta generalmente, la historia de la ciencia cognitiva es la historia de la obvia victoria del enfoque de Chomsky sobre el paradigma conductista de Skinner, un evento que a menudo se conoce como la "revolución cognitiva", aunque el propio Chomsky niega este nombre. Esto refleja con precisión la situación en la ciencia cognitiva y la psicología, pero en otras ciencias relacionadas, el pensamiento conductual no va a morir. Los paradigmas experimentales conductuales y las explicaciones asociativas del comportamiento de los animales son utilizados por especialistas en neurociencia, cuyo objetivo es estudiar la neurobiología del comportamiento de los animales de laboratorio como los roedores, donde el enfoque de sistema de tres niveles propuesto por Marr no es aplicable.
En mayo de 2011, en honor del 150 aniversario del Instituto Tecnológico de Massachusetts, se llevó a cabo el Simposio de cerebros, mentes y máquinas, en el que se reunieron importantes expertos en informática, psicólogos y expertos en neurociencia. inteligencia artificial pasada y futura y su relación con la neurociencia.
Se entendió que la reunión inspiraría a todos con entusiasmo interdisciplinario para revivir la cuestión científica a partir de la cual creció todo el campo de la inteligencia artificial: ¿Cómo funciona la mente? ¿Cómo ha creado nuestro cerebro nuestras capacidades cognitivas, y puede alguna vez encarnarse en una máquina?
Noam Chomsky, hablando en un simposio, no estaba entusiasmado. Chomsky criticó el campo de la IA por adoptar un enfoque similar al conductismo solo en una forma más moderna y computacionalmente compleja. Chomsky dijo que es poco probable que depender de técnicas estadísticas para buscar patrones en grandes cantidades de datos nos brinde las ideas explicativas que esperamos de la ciencia. Para Chomsky, la nueva IA, centrada en el uso de técnicas de entrenamiento estadístico para procesar mejor los datos y hacer predicciones basadas en ellos, es poco probable que nos brinde conclusiones generales sobre la naturaleza de las criaturas inteligentes o cómo funciona el pensamiento.
Esta crítica provocó la respuesta detallada de Chomsky del director de investigación de Google y el reconocido investigador de IA Peter Norwig, quien abogó por el uso de modelos estadísticos y argumentó que los nuevos métodos de IA y la definición misma del progreso no estaban tan lejos de lo que estaba sucediendo. y en otras ciencias.
Chomsky respondió que un enfoque estadístico puede ser de valor práctico, por ejemplo, para un motor de búsqueda útil, y es posible con computadoras rápidas capaces de procesar grandes cantidades de datos. Pero desde un punto de vista científico, Chomsky cree que este enfoque es inadecuado o, más estrictamente hablando, superficial. No le enseñamos a la computadora a entender qué significa la frase "físico Sir Isaac Newton", incluso si podemos construir un motor de búsqueda que arroje resultados plausibles para los usuarios que ingresen esa frase allí.
Resulta que los biólogos también intentan comprender los sistemas biológicos más tradicionales. A medida que la revolución informática allanó el camino para el análisis de grandes cantidades de datos, sobre los cuales descansa toda la "nueva IA", la revolución de la secuenciación en la biología moderna ha generado campos florecientes de genómica y biología de sistemas. La secuenciación de alto rendimiento, una técnica mediante la cual se pueden leer millones de moléculas de ADN de forma rápida y económica, ha transformado la secuenciación del genoma de una costosa instalación de 10 años de antigüedad a una rutina accesible en laboratorio. En lugar de estudiar dolorosamente genes aislados individuales, ahora podemos observar el comportamiento de un sistema de genes que actúan en las células en su conjunto, en cientos, miles de condiciones diferentes.
La revolución de la secuencia acaba de comenzar, y ya se ha recibido una gran cantidad de datos, lo que trae consigo un revuelo y nuevas perspectivas prometedoras para una nueva terapia y diagnóstico de enfermedades humanas. Por ejemplo, cuando un medicamento convencional no ayuda a cierto grupo de personas, la respuesta puede estar en el genoma de los pacientes, y puede haber alguna peculiaridad que impide que el medicamento funcione. Cuando se han recopilado suficientes datos para comparar las características relevantes del genoma en dichos pacientes, y los grupos de control se seleccionan correctamente, pueden aparecer nuevos medicamentos personalizados, lo que nos lleva a algo así como "medicina personalizada". Se entiende que si hay herramientas estadísticas suficientemente desarrolladas y un conjunto de datos suficientemente grande, se pueden extraer señales interesantes del ruido creado por sistemas biológicos grandes y poco estudiados.
El éxito de fenómenos como la medicina personalizada y otras consecuencias de la revolución de la secuenciación y el enfoque biológico del sistema, se basa en nuestra capacidad de trabajar con lo que Chomsky llama "una masa de datos en bruto", y esto coloca a la biología en el centro de la discusión, como la de psicología e inteligencia artificial desde la década de 1960.
La biología de sistemas también se encontró con escepticismo. El gran genetista y premio Nobel Sydney Brenner una vez lo definió así: "ciencia de entrada baja, alto rendimiento, sin salida" (en una traducción gratuita: "hay mucho ruido de la nada, y no hay ciencia basada en los resultados"). Brenner, un contemporáneo de Chomsky que también participó en ese simposio de IA, se mostró escéptico sobre lo mismo acerca de los nuevos enfoques sistémicos para comprender el cerebro. Al describir un enfoque sistémico popular para mapear circuitos cerebrales, llamado Connectomics, que intenta describir las conexiones de todas las neuronas en el cerebro (es decir, traza un diagrama de cómo algunas células nerviosas están conectadas a otras), Brenner lo llamó una "forma de locura".
Los ingeniosos ataques de Brenner contra la biología de sistemas y los enfoques relacionados en neurociencia no están lejos de las críticas de Chomsky a la IA. A diferencia de la apariencia, la biología de sistemas y la inteligencia artificial se enfrentan a la misma tarea fundamental de la ingeniería inversa de un sistema altamente complejo, cuya estructura interna, en su mayor parte, es un misterio. Sí, las tecnologías en evolución proporcionan una gran cantidad de datos relacionados con el sistema, de los cuales solo una parte puede ser relevante. ¿Deberíamos confiar en poderosas capacidades computacionales y enfoques estadísticos para aislar la señal del ruido, o debemos buscar principios más básicos que subyacen al sistema y explicar su esencia? El deseo de recopilar más datos es imparable, aunque no siempre está claro en qué teoría pueden encajar estos datos. Estas discusiones plantean la antigua cuestión de la filosofía de la ciencia: ¿qué hace que una teoría o explicación científica sea satisfactoria? ¿Cómo se determina el éxito en la ciencia?
Nos sentamos con Noam Chomsky una tarde de abril en una sala de chat bastante desordenada, escondiéndonos en un rincón secreto del mareado edificio del Centro de Arquitectura MIT de Frank Gehry. Quería entender mejor las críticas de Chomsky a la inteligencia artificial, y por qué, cree, se está moviendo en la dirección equivocada. También quería estudiar la aplicación de esta crítica a otros campos científicos, como la neurociencia y la biología de sistemas, que trabajan con la tarea de la ingeniería inversa de sistemas complejos, y donde los científicos a menudo se encuentran en medio de un mar de datos en expansión infinita. Parte de la motivación para la entrevista fue que a Chomsky ahora rara vez se le pregunta sobre ciencia. Los periodistas están demasiado interesados en su opinión sobre la política exterior de los Estados Unidos, el Medio Oriente, la administración Obama y otros temas comunes. Otra razón fue que Chomsky pertenece a ese tipo raro y especial de intelectuales que está desapareciendo rápidamente. Desde la publicación del famoso ensayo de Isaiah Berlin, se ha convertido en un pasatiempo favorito en la comunidad académica colocar a varios pensadores y científicos en el continuo de Lisa-Hedgehog: el Hedgehog es meticuloso y especializado, dirigido a un progreso constante en un marco claramente definido, contra Lisa, más rápido, impulsado por ideas un pensador que salta de una pregunta a otra, ignorando el alcance del área temática y aplicando sus habilidades cuando corresponda. Chomsky es especial porque convierte esta distinción en un viejo cliché innecesario. En Chomsky, la profundidad no va en lugar de la flexibilidad o la amplitud de la cobertura, aunque, en su mayor parte, dedicó toda su carrera científica temprana al estudio de ciertos temas en lingüística y ciencias cognitivas. El trabajo de Chomsky tuvo un gran impacto en varias áreas además de la suya, incluida la informática y la filosofía, y no rehuye discutir y criticar la influencia de estas ideas, lo que lo hace especialmente interesante para las entrevistas con humanos.
Quiero comenzar con una pregunta muy simple. En los albores de la inteligencia artificial, las personas eran optimistas sobre el progreso en esta área, pero resultó diferente. ¿Por qué es tan difícil la tarea? Si pregunta a los expertos en el campo de la neurociencia por qué es tan difícil entender el cerebro, le darán respuestas intelectuales completamente insatisfactorias: hay miles de millones de células en el cerebro, y no podemos leerlas todas, y así sucesivamente.
Chomsky: Hay algo en eso. Si nos fijamos en el desarrollo de la ciencia, todas las ciencias son como un continuo, pero se dividen en áreas separadas. El mayor progreso lo logran las ciencias, que estudian los sistemas más simples. Tomemos, por ejemplo, la física: hay un progreso tremendo en ella. Pero una de las razones es que los físicos tienen una ventaja que no se encuentra en ninguna otra ciencia. Si algo se complica demasiado, se lo pasan a otra persona.
Por ejemplo, los químicos?
Chomsky: si la molécula es demasiado grande, se la das a los químicos. Químicos, si para ellos la molécula es demasiado grande o el sistema se vuelve demasiado grande, déselo a los biólogos. Y si es demasiado grande para ellos, se lo dan a los psicólogos, y al final está en manos de críticos literarios, y así sucesivamente. Entonces, no todo lo que se dice en neurociencia es completamente incorrecto.
Pero tal vez, y desde mi punto de vista, es muy probable, aunque a los expertos en el campo de la neurociencia no les gusta esto, que la neurociencia haya estado en el camino equivocado durante los últimos doscientos años. Hay un libro bastante nuevo del muy buen científico cognitivo neurocientífico Randy Gallistel, junto con Adam King (
"Memoria y el cerebro computacional: por qué la ciencia cognitiva transformará la neurociencia" - aprox. Transl. ), En el que afirma, en mi opinión, creíble, que la neurociencia desarrollado, siendo llevado por el asociacionismo y las ideas relacionadas sobre cómo se organizan las personas y los animales. Como resultado, buscaron fenómenos con las propiedades de la psicología asociativa.
¿Cómo está la ductilidad hobb? [Teoría atribuida a Donald Hebb: las asociaciones entre un estímulo ambiental y una respuesta a un estímulo pueden codificarse mejorando las conexiones sinápticas entre las neuronas - aprox. Ed.]Chomsky: Sí, como un fortalecimiento de las conexiones sinápticas. Gallistel pasó años explicando: si quieres estudiar el cerebro adecuadamente, debes, como Marr, primero preguntar qué tareas realiza. Por lo tanto, está principalmente interesado en los insectos. Entonces, si quieres estudiar, digamos, la neurología de una hormiga, ¿preguntas qué hace la hormiga? Resulta que las hormigas hacen cosas bastante complicadas, por ejemplo, construir un camino. Mire las abejas: su navegación requiere cálculos bastante complejos, incluida la posición del sol, etc. Pero en general, con qué discute: si se toman las habilidades cognitivas de un animal o una persona, estos son sistemas informáticos. Por lo tanto, debe observar las unidades atómicas computacionales. Tome una máquina de Turing, esta es la forma más simple de cálculo, necesita encontrar átomos que tengan las propiedades "leer", "escribir" y "dirección". Estas son las unidades computacionales mínimas, por lo que debe buscarlas en el cerebro. Nunca los encontrará si busca conexiones sinápticas aumentadas o propiedades de campo, y así sucesivamente. Debe comenzar con esto: vea lo que ya está allí y lo que funciona, y puede verlo desde el nivel más alto en la jerarquía de Marra.
Así es, pero la mayoría de los neurocientíficos no se sientan y no describen las entradas y conclusiones del fenómeno que están estudiando. En cambio, colocan el mouse en una tarea de aprendizaje de laboratorio y registran tantas neuronas como sea posible, o descubren si se necesita el gen X para aprender la tarea, y así sucesivamente. Declaraciones de este tipo se desprenden de sus experimentos.
Chomsky: Esto es tan ...
¿Hay algún error conceptual en esto?Chomsky: Bueno, puedes obtener información útil. Pero si realmente hay algún tipo de cálculo que involucra unidades atómicas, no las encontrará de esta manera. Se trata de cómo buscar las llaves perdidas debajo de otra lámpara, solo porque es más ligero allí (una
referencia a una broma conocida - Transl. Aprox. ). Este es un tema discutible ... No creo que la posición de Gallistel haya sido ampliamente aceptada por los neurobiólogos, pero esta es una posición plausible, y se hizo en el espíritu del análisis de Marr.
Entonces, cuando estudias visión, dice, primero preguntas qué tipo de tareas informáticas resuelve el sistema. Luego busca un algoritmo que pueda hacer estos cálculos, y al final busca mecanismos que permitan que el algoritmo funcione. De lo contrario, es posible que nunca encuentres nada. Hay muchos ejemplos de esto, incluso en las ciencias exactas, y ciertamente en las humanidades. La gente trata de aprender lo que saben estudiar. Quiero decir, parece razonable. Tiene ciertas técnicas experimentales, tiene un cierto nivel de comprensión, está tratando de superar los límites de lo posible, y esto es bueno, no lo critico, la gente hace lo que puede. Por otro lado, sería bueno saber si te estás moviendo en la dirección correcta. Y puede suceder que si tomamos el punto de vista de Marra-Gallistel como base,con el que personalmente simpatizo, trabajarás de manera diferente, buscarás experimentos de otro tipo.Entonces, creo que la idea clave de Marr es, como usted dijo, encontrar unidades atómicas adecuadas para describir el problema, en otras palabras, un "nivel de abstracción" adecuado, si puedo decirlo. Y si tomamos un ejemplo concreto de una nueva área de neurociencia llamada Connectomics, donde el objetivo es encontrar un diagrama de las conexiones de organismos muy complejos, para encontrar las conexiones de todas las neuronas en la corteza del cerebro humano o del ratón. Este enfoque ha sido criticado por Sydney Brenner, quien es [históricamente] uno de sus autores. Los defensores de esta área no se detienen y no preguntan si el diagrama de conexión es un nivel adecuado de abstracción, tal vez no lo sea. ¿Cuál es tu opinión sobre esto?Chomsky: Hay preguntas mucho más simples. Por ejemplo, aquí en el MIT, hubo un programa interdisciplinario de nematodos (gusano redondo - aprox. perev. ) C. elegans durante varias décadas, y, según tengo entendido, incluso con esta pequeña criatura que conoce el diagrama de conexión completo, hay 800 neuronas más o menos ...Creo que 300 ...Chomsky: ... De todos modos, no Puedes predecir lo que hará [C. nematode C. elegans]. Tal vez simplemente no estás mirando allí.
Me gustaría pasar al tema de varias metodologías en IA. Entonces, la "Buena Inteligencia Artificial" (GOFAI), como ahora se la llama, se basó en formalismos estrictos en la tradición de Gotlob Frege y Bertrand Russell, en lógica matemática, por ejemplo, o sus ramas, como el razonamiento no monotónico, etc. Desde el punto de vista de la historia de la ciencia, es interesante que estos enfoques fueron casi completamente excluidos de la corriente principal y fueron reemplazados, en el área que ahora se llama IA, con modelos de probabilidad y estadísticos. Mi pregunta es: ¿cómo se puede explicar este cambio? ¿Es este un paso en la dirección correcta?Chomsky: Escuché el informe de Pat Winston sobre esto hace un año. Uno de los puntos que tenía era: la inteligencia artificial y la robótica llegaron a la etapa en la que se pueden hacer cosas realmente útiles, por lo que la atención se centró en aplicaciones prácticas y, por lo tanto, se dejaron de lado preguntas científicas más fundamentales, simplemente porque todos fueron capturados por el éxito de la tecnología y logro de ciertas metas.Es decir, todo fue a la ingeniería ...Chomsky: Sí, lo es ... Y es bastante comprensible, pero, por supuesto, esto aleja a las personas de las preguntas iniciales. Debo admitir que era muy escéptico sobre estas obras originales ( en el nuevo paradigma de la IA probabilística - aprox. Transl. ). Me pareció que todo era demasiado optimista, se suponía que sería capaz de lograr resultados que requieren una comprensión real de los sistemas apenas estudiados, y que no puede llegar a su comprensión simplemente arrojando una máquina complicada. Si intentas hacer esto, llegas al concepto de éxito autorreforzante, porque obtienes el resultado, pero es muy diferente de cómo se hace en las ciencias.Por ejemplo, tome el caso limitante, suponga que alguien quiere abolir la facultad de física y hágalo bien. Y "correcto" es tomar muchos videos sobre lo que está sucediendo en el mundo exterior, y alimentarlos a la computadora más grande y más rápida, gigabytes de datos, y hacer un análisis estadístico integral, bueno, ya sabes, métodos bayesianos, de ida y vuelta. (Un enfoque moderno para el análisis de datos basado en la teoría de probabilidad - Ed.)- y obtendrá algo así como una predicción sobre lo que sucederá fuera de su ventana en el próximo segundo. De hecho, obtendrá una predicción de calidad mucho mejor que la que el departamento de física podría brindarle. Bueno, si el éxito se determina al obtener la aproximación más cercana en una masa de datos brutos caóticos, entonces, por supuesto, esta es una forma mucho mejor de lo que los físicos suelen trabajar, bueno, ya sabes, no más experimentos de pensamiento en una superficie perfectamente plana, etc. . Pero no obtendrá el nivel de comprensión que siempre ha sido el objetivo de la ciencia, solo obtendrá una aproximación de lo que está sucediendo.Y esto se hace en todas partes. Suponga que quiere predecir el clima para mañana. Una forma: OK, tengo probabilidades estadísticas a priori, por ejemplo: hay una alta probabilidad de que mañana el clima sea el mismo que ayer en Cleveland, y lo uso, y la posición del sol tendrá más influencia, y también la uso, así que , hiciste varios supuestos, realizas un experimento, miras los resultados una y otra vez, corriges con los métodos bayesianos, obtienes las mejores probabilidades a priori. Obtiene una buena aproximación de cómo será el clima mañana. Pero esto no es lo que hacen los meteorólogos: solo quieren entender cómo funciona. Y estos son solo dos conceptos diferentes de lo que es el éxito, lo que es el logro. En mi ciencia, la ciencia del lenguaje, esto es todo el tiempo. En ciencia cognitiva computacional,aplicado al lenguaje, el concepto de éxito es solo eso. Es decir, obtienes más y más datos, mejores estadísticas, obtienes una aproximación cada vez más precisa a un cuerpo de texto gigantesco, por ejemplo, todos los archivos del Wall Street Journal, pero no aprendes nada sobre el idioma.Un enfoque completamente diferente, que creo que es correcto, es tratar de ver si puedes entender cuáles son los principios fundamentales y su relación con las propiedades clave, y ver que en la vida real, miles de variables diferentes interferirán contigo, como lo que está sucediendo ahora. ventana, y las tratará más adelante si desea una aproximación más precisa. Estos son solo dos conceptos diferentes de la ciencia. El segundo es lo que la ciencia ha sido desde Galileo, esta es la ciencia moderna. La aproximación de datos en bruto es como un nuevo enfoque, pero en realidad, cosas similares existieron en el pasado. Este es un nuevo enfoque que se acelera por la existencia de grandes cantidades de memoria, procesamiento muy rápido, que le permite hacer cosas que antes no podía hacer manualmente. Pero creoque dirige áreas como la ciencia cognitiva computacional en la dirección de la aplicabilidad quizás práctica ...… ?:... Pero lleva lejos de la comprensión. Sí, tal vez incluso una ingeniería efectiva. Y esto, por cierto, es interesante lo que pasó con la ingeniería. Cuando llegué al MIT en la década de 1950, era una universidad de ingeniería. Había una muy buena facultad de matemáticas y física, pero eran facultades de servicio. Enseñaron a los ingenieros todo tipo de trucos que podían usar. En la Facultad de Ingeniería Electrónica, estudiaste cómo ensamblar un circuito. Pero desde la década de 1960 hasta nuestros días, todo es completamente diferente. No importa cuál sea tu especialidad de ingeniería: estudias las mismas ciencias básicas y matemáticas. Y luego, tal vez aprendas un poco sobre cómo aplicarlo. Pero este es un enfoque completamente diferente. Se hizo posible, gracias al hecho de que, por primera vez en la historia de la humanidad, las ciencias básicas, como la física, realmente podían ayudar a los ingenieros. TambiénLas tecnologías comenzaron a cambiar muy rápidamente, por lo que tiene poco sentido estudiar las tecnologías actuales si cambian de todos modos en 10 años. Por lo tanto, estás estudiando ciencias fundamentales, que serán aplicables, sin importar lo que venga después. Y casi lo mismo sucedió en la medicina. Entonces, en el siglo pasado, nuevamente, por primera vez, la biología tenía algo que decir en la medicina práctica y, por lo tanto, tenía que conocer la biología si quería convertirse en médico, además de que la tecnología cambió. Creo que esta es una transición de algo como el arte que estás aprendiendo a aplicar: una analogía será la comparación de datos que no entiendes, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en el Nuevo Tiempo Hablando en términos generales, la ciencia de Galileo.si después de 10 años todavía cambian. Por lo tanto, estás estudiando ciencias fundamentales, que serán aplicables, sin importar lo que venga después. Y casi lo mismo sucedió en la medicina. Entonces, en el siglo pasado, nuevamente, por primera vez, la biología tenía algo que decir en la medicina práctica y, por lo tanto, tenía que conocer la biología si quería convertirse en médico, además de que la tecnología cambió. Creo que esta es una transición de algo como el arte que estás aprendiendo a aplicar: una analogía será la comparación de datos que no entiendes, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en el Nuevo Tiempo Hablando en términos generales, la ciencia de Galileo.si después de 10 años todavía cambian. Por lo tanto, estás estudiando ciencias fundamentales, que serán aplicables, sin importar lo que venga después. Y casi lo mismo sucedió en la medicina. Entonces, en el siglo pasado, nuevamente, por primera vez, la biología tenía algo que decir en la medicina práctica y, por lo tanto, tenía que conocer la biología si quería convertirse en médico, además de que la tecnología cambió. Creo que esta es una transición de algo como el arte que estás aprendiendo a aplicar: la analogía será la comparación de datos que no entiendes, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia que apareció en el Nuevo Tiempo Hablando en términos generales, la ciencia de Galileo.Y casi lo mismo sucedió en la medicina. Entonces, en el siglo pasado, nuevamente, por primera vez, la biología tenía algo que decir en la medicina práctica y, por lo tanto, tenía que conocer la biología si quería convertirse en médico, además de que la tecnología cambió. Creo que esta es una transición de algo como el arte que estás aprendiendo a aplicar: una analogía será la comparación de datos que no entiendes, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en el Nuevo Tiempo Hablando en términos generales, la ciencia de Galileo.Y casi lo mismo sucedió en la medicina. Entonces, en el siglo pasado, nuevamente, por primera vez, la biología tenía algo que decir en la medicina práctica y, por lo tanto, tenía que conocer la biología si quería convertirse en médico, además de que la tecnología cambió. Creo que esta es una transición de algo como el arte que estás aprendiendo a aplicar: una analogía será la comparación de datos que no entiendes, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en el Nuevo Tiempo Hablando en términos generales, la ciencia de Galileo.que aprenderá a aplicar: la analogía será la comparación de datos que no comprende, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en los tiempos modernos, más o menos, la ciencia de Galileo.que aprenderá a aplicar: la analogía será la comparación de datos que no comprende, de alguna manera especial, y tal vez incluso la construcción de algo que funcione: la transición a la ciencia, que apareció en los tiempos modernos, más o menos, la ciencia de Galileo.Ya veo Volviendo al tema de la estadística bayesiana en modelos de lenguaje y cognición. Hubo una disputa bien conocida con su participación, argumentó que hablar sobre la probabilidad de una propuesta no era razonable en sí mismo ...Chomsky: ... Bueno, puede obtener un número si lo desea, pero no significa nada.No significa nada. Pero parece que hay una forma casi trivial de unificar el método probabilístico, suponiendo que hay representaciones mentales internas muy ricas que consisten en reglas y otras estructuras simbólicas, y el objetivo de la teoría de la probabilidad es simplemente conectar los datos ruidosos y fragmentados de nuestro mundo con estos datos internos. Estructuras simbólicas. Y no es necesario que diga nada acerca de cómo aparecieron estas estructuras, podrían existir inicialmente, o algunos parámetros se ajustan allí, depende de su concepto. Pero la teoría de la probabilidad funciona como un pegamento entre datos ruidosos y representaciones mentales muy ricas.
Chomsky: No hay nada malo con la teoría de la probabilidad, las estadísticas.¿Pero ella tiene un papel?ChomskySi puedes usarlo, bien. Pero la pregunta es, ¿por qué lo estás usando? En primer lugar, la primera pregunta, ¿tiene sentido entender datos ruidosos? ¿Tiene sentido entender lo que sucede afuera, afuera de la ventana?Pero estamos siendo bombardeados con estos datos. Este es uno de los ejemplos de Marr: encontramos datos ruidosos constantemente, comenzando desde nuestra retina hasta ...Chomsky:Eso es asi. Pero aquí está lo que dice: preguntémonos cómo el sistema biológico selecciona lo importante del ruido. La retina no intenta duplicar el ruido entrante. Ella dice: ahora buscaré esto en la imagen, esto y esto. Es como aprender un idioma. Un bebé recién nacido está rodeado de una variedad de ruidos, como dijo William James, "un desastre que florece y zumba". Si un mono, un gatito, un pájaro, cualquiera, oye este ruido, eso es todo. Sin embargo, el niño de alguna manera, inmediatamente, reflexivamente, selecciona del ruido una parte separada que está conectada con el lenguaje. Este es el primer paso.
¿Cómo lo hace él? No con la ayuda del análisis estadístico, porque el mono también puede realizar en forma grosera el mismo análisis probabilístico. Él está buscando una cosa específica. Entonces, los psicolingüistas, neurolingüistas y otros están tratando de descubrir detalles específicos del sistema informático y la neuropsicología, que de alguna manera están relacionados con aspectos específicos del entorno. Entonces, resulta que realmente hay circuitos neuronales que responden a ciertos tipos de ritmo, que se manifiestan en el lenguaje, como la longitud de las sílabas, etc. Y existe evidencia de que una de las primeras cosas que busca el cerebro de un niño son las estructuras rítmicas. Y volviendo a Gallistel y Marr, el cerebro tiene un cierto sistema informático adentro, que dice: "OK, eso es lo que haré con estas cosas".y después de aproximadamente nueve meses, el niño típico ya excluyó, quitó de su inventario, esas diferencias fonéticas que no están en su propio idioma. Es decir, desde el principio, cualquier niño está sintonizado a cualquier idioma. Pero, digamos, un niño japonés a la edad de nueve meses no reaccionará a la diferencia entre "P" y "L", es, por así decirlo, eliminado. Por lo tanto, el sistema considera muchas posibilidades y las limita solo a las que forman parte del lenguaje, y este es un conjunto muy limitado. Puede encontrar un anti-lenguaje en el que un niño nunca puede hacer esto, y mucho más. Por ejemplo, si hablamos del lado más abstracto del lenguaje, en este momento hay una fuerte evidencia de que algo tan simple como un orden de palabras lineal, lo que viene después de qué, no está incluido en los sistemas informáticos sintácticos y semánticos,su dispositivo es simplemente tal que no están buscando un orden lineal. Se puede ver que los conceptos más abstractos de distancia se utilizan principalmente y esto no es una distancia lineal, y se puede encontrar confirmación neurofisiológica para esto. Puede dar un ejemplo: si se le ocurre un lenguaje artificial que usa un orden de palabras lineal, como, por ejemplo, hace que la oración afirmativa sea negativa al hacer algo con la tercera palabra. Las personas podrán resolver este rompecabezas, pero aparentemente, las partes lingüísticas estándar del cerebro no están activadas; otras zonas están activadas, es decir, las personas perciben esto como un rompecabezas y no como una tarea de lenguaje. Y para resolverlo, la gente tiene que esforzarse más ...que se utilizan principalmente conceptos más abstractos de distancia y que esto no es una distancia lineal, y se puede encontrar confirmación neurofisiológica para esto. Puede dar un ejemplo: si se le ocurre un lenguaje artificial que usa un orden de palabras lineal, como, por ejemplo, hace que la oración afirmativa sea negativa al hacer algo con la tercera palabra. Las personas podrán resolver este rompecabezas, pero aparentemente, las partes lingüísticas estándar del cerebro no están activadas; otras zonas están activadas, es decir, las personas perciben esto como un rompecabezas y no como una tarea de lenguaje. Y para resolverlo, la gente tiene que esforzarse más ...que se utilizan principalmente conceptos más abstractos de distancia y que esto no es una distancia lineal, y se puede encontrar confirmación neurofisiológica para esto. Puede dar un ejemplo: si se le ocurre un lenguaje artificial que usa un orden de palabras lineal, como, por ejemplo, hace que la oración afirmativa sea negativa al hacer algo con la tercera palabra. Las personas podrán resolver este rompecabezas, pero aparentemente, las partes lingüísticas estándar del cerebro no están activadas; otras zonas están activadas, es decir, las personas perciben esto como un rompecabezas y no como una tarea de lenguaje. Y para resolverlo, la gente tiene que esforzarse más ...haces que la oración afirmativa sea negativa al hacer algo con la tercera palabra. Las personas podrán resolver este rompecabezas, pero aparentemente, las partes lingüísticas estándar del cerebro no están activadas; otras zonas están activadas, es decir, las personas perciben esto como un rompecabezas y no como una tarea de lenguaje. Y para resolverlo, la gente tiene que esforzarse más ...haces que la oración afirmativa sea negativa al hacer algo con la tercera palabra. Las personas podrán resolver este rompecabezas, pero aparentemente, las partes lingüísticas estándar del cerebro no están activadas; otras zonas están activadas, es decir, las personas perciben esto como un rompecabezas y no como una tarea de lenguaje. Y para resolverlo, la gente tiene que esforzarse más ..., ...: …Esto es evidencia y, por supuesto, quieres más. Pero esta evidencia es tal que usted mira desde el lado de la lingüística cómo funcionan los idiomas: no hay cosas como la tercera palabra en una oración. Tomemos una oración simple: “Las águilas volando instintivamente nadan”, aquí “instintivamente” está conectado con la palabra “nadar”, y no con la palabra “volando”, aunque toda la oración no tiene sentido. Y aquí está el efecto del reflejo. "Instintivamente", un adverbio, no busca el verbo más cercano, busca un verbo estructuralmente más adecuado. Este es un cálculo mucho más complicado. Pero este es el único cálculo que generalmente se usa. El ordenamiento lineal es un cálculo muy simple, pero nunca se usa. Hay mucha evidencia como esta, y muy poca evidencia neurolingüística, pero apuntan en la misma dirección.Y cuando miras estructuras más complejas, encuentras más y más de esto.Esto, en mi opinión, es una forma de entender cómo funciona realmente el sistema, cómo sucedió con el sistema de visión en el laboratorio Marr: personas como Shimon Ullman descubrieron cosas bastante notables como el principio de rigidez. No podrá encontrar esto mediante el análisis de datos estadísticos. Encontró esto con experimentos cuidadosamente planeados. Luego buscas en neurofisiología y ves si puedes encontrar algo que realice estos cálculos. Pienso lo mismo en el lenguaje, lo mismo en el estudio de nuestras habilidades aritméticas, la planificación, casi en todas partes. Simplemente trabajando con datos en bruto: no llegará a ningún lado con esto, y Galileo no habría venido. De hecho, volviendo a esto, en el siglo XVII, no fue fácil para personas como Galileo y otros grandes científicos convencer a la National Science Foundation de aquellos tiempos, es decir, aristócratas, queque su trabajo tenía sentido. Quiero decir: ¿por qué estudiar cómo una bola rueda en un plano perfectamente plano sin fricción, porque no existen? ¿Por qué no estudiar cómo crecen las flores? Si intentaras estudiar el crecimiento de las flores en esos días, probablemente obtendrías un análisis estadístico de cómo funciona todo.Es importante recordar que en la ciencia cognitiva todavía estamos en la era pre-Galilea, apenas estamos comenzando a hacer descubrimientos. Y creo que se puede aprender algo de la historia de la ciencia. Uno de los principales experimentos en la historia de la química en 1640 más o menos, cuando alguien demostró, para placer de todo el mundo científico, hasta Newton, que el agua puede convertirse en materia viva. Así es como lo hicieron, por supuesto, nadie sabía nada sobre la fotosíntesis: tomaron un montón de tierra y la calentaron para que se evaporara todo el agua. Lo pesó, insertó una rama de sauce en él y riegó el agua desde arriba, midiendo el volumen de esta agua. Cuando todo está listo y el sauce ha crecido, nuevamente tomas la tierra y evaporas el agua, lo mismo que antes. Por lo tanto, usted ha demostrado que el agua puede convertirse en roble u otra cosa. Este es un experimento, y parece ser incluso cierto, pero no sabes lo que estás buscando.Y esto era desconocido hasta que Priestley descubrió que el aire es un componente del mundo, tiene nitrógeno, etc., y aprendió sobre la fotosíntesis, etc. Luego puede repetir el experimento y comprender lo que está sucediendo. Pero un experimento que parece exitoso puede llevarte fácilmente en la dirección equivocada porque no entiendes lo suficiente lo que debes buscar. E incluso irá por el camino equivocado si intenta estudiar el crecimiento de los árboles de esta manera: solo tome una serie de datos sobre cómo crecen los árboles, aliméntelos a una computadora poderosa, realice un análisis estadístico y obtenga una aproximación de lo que sucedió.Pero un experimento que parece exitoso puede llevarte fácilmente en la dirección equivocada porque no entiendes lo suficiente lo que debes buscar. E incluso irá por el camino equivocado si intenta estudiar el crecimiento de los árboles de esta manera: solo tome una serie de datos sobre cómo crecen los árboles, aliméntelos a una computadora poderosa, realice un análisis estadístico y obtenga una aproximación de lo que sucedió.Pero un experimento que parece exitoso puede llevarte fácilmente en la dirección equivocada porque no entiendes lo suficiente lo que debes buscar. E incluso irá por el camino equivocado si intenta estudiar el crecimiento de los árboles de esta manera: solo tome una serie de datos sobre cómo crecen los árboles, aliméntelos a una computadora poderosa, realice un análisis estadístico y obtenga una aproximación de lo que sucedió.En biología, ¿considera el trabajo de Mendel como un ejemplo exitoso de cómo tomar datos ruidosos? Es importante que los números sean numéricos y saltar para postular un objeto teórico ...Chomsky: ... Y tirar una gran cantidad de datos que no funcionaron.... Pero después de ver la correlación que tenía sentido, desarrolle una teoría.ChomskySí, hizo todo bien. Permitió que la teoría gestionara datos. También hubo evidencia que contradecía la teoría, que fue más o menos descartada, ya sabes, que generalmente no se incluye en el artículo. Y él, por supuesto, habló de cosas que nadie podía encontrar, así como era imposible encontrar unidades cuya existencia él probara. Pero sí, así es como funciona la ciencia. Así es en química. La química, antes de mi infancia, no hace mucho tiempo, se consideraba como la ciencia de la informática. Porque no se puede reducir a la física. Por lo tanto, esta es solo una forma de calcular el resultado de los experimentos. El átomo de Bohr fue tan percibido. Una forma de calcular el resultado de los experimentos, pero esto no puede ser ciencia real, porque no puede reducirse a la física y, de repente, resultó ser cierto, porque la física estaba equivocada. Cuando surgió la física cuántica,se hizo posible combinar con una química sin cambios. Es decir, todo el proyecto con la reducción fue simplemente incorrecto. El proyecto correcto era ver cómo se podían combinar estas dos visiones del mundo. Y resultó que, sorpresa: estaban unidos por cambios radicales en la ciencia aguas abajo. Quizás exactamente lo mismo con la psicología y la neurociencia. Quiero decir, la neurociencia ni siquiera está tan avanzada ahora como la física hace un siglo.Y esto será una desviación del enfoque reduccionista con la búsqueda de moléculas ...Chomsky: Sí. De hecho, el enfoque reduccionista ya se ha equivocado varias veces. Un enfoque de unificación tiene sentido. Pero la unificación puede diferir de la reducción, ya que la ciencia básica puede ser defectuosa, como es el caso de la física y la química, y sospecho con un alto grado de probabilidad lo mismo en el caso de la neurociencia y la psicología. Si Gallistel tiene razón, entonces tiene sentido decir que sí, se pueden combinar, pero con un enfoque diferente de la neurociencia.¿Deberíamos luchar por una unificación rápida, o es mejor desarrollar estas áreas en paralelo hasta ahora?ChomskyLa unificación es una búsqueda tan intuitiva del ideal, parte del misticismo científico, por así decirlo. Es como buscar una teoría general del mundo. Tal vez no existe, tal vez las diferentes partes funcionan de manera diferente, pero existe una suposición, hasta que se me haya dado una refutación convincente, mi suposición es que existe una teoría general del mundo, y mi tarea es tratar de encontrarla. La unificación puede no manifestarse a través de la reducción, y esto sucede a menudo. Esta es la lógica principal del enfoque de David Marr: lo que descubres a nivel computacional debe combinarse con lo que una vez encontrarás a nivel de mecanismos, pero tal vez no en los términos en los que ahora comprendemos estos mecanismos.Y Marra implica que no puede trabajar en los tres niveles en paralelo [nivel computacional, algorítmico y de implementación], debe moverse de arriba a abajo, y este es un requisito muy estricto, dado que este no suele ser el caso en la ciencia.Chomsky: No pudo decir que todo debería ser difícil. Por ejemplo, el descubrimiento de algo nuevo sobre los mecanismos puede llevarlo a un cambio en el concepto de computación. El orden lógico no coincide necesariamente con el orden de la investigación, ya que en la investigación todo sucede al mismo tiempo. Pero creo que en una aproximación aproximada, la imagen es cierta. Aunque debo decir que el concepto Marra fue desarrollado para sistemas de entrada ...Sistemas de procesamiento de información ...Chomsky:Sí, como la visión. Hay datos, este es un sistema de procesamiento de datos, y algo sucede en él. Y esto no funciona muy bien para los sistemas cognitivos. Tomemos su habilidad aritmética ...Es muy débil, pero está bien ...Chomsky: Bien [risas]. Pero esta es una habilidad interna, sabes que tu cerebro es la unidad de control de algo así como una máquina de Turing, y tiene acceso a datos externos, como memoria, tiempo ... Teóricamente, puedes multiplicar cualquier cosa, pero en la práctica, por supuesto, esto no tan Si intenta estudiar qué tipo de sistema interno tiene, entonces la jerarquía Marr no funciona muy bien. Puedes hablar sobre el nivel computacional: tal vez las reglas dentro de mí son los axiomas de Peano [ aprox. ed.: teoría matemática (llamada así por el matemático italiano Giuseppe Peano), que describe el núcleo de las reglas básicas de los números aritméticos y naturales, de los cuales puede derivar muchos datos aritméticos útiles] o algo más, no importa: este es el nivel computacional. Teóricamente, aunque no sabemos cómo, solo se puede hablar sobre el nivel neurofisiológico, nadie sabe cómo, pero no existe un nivel algorítmico real. Como no hay cálculo de conocimiento, es simplemente un sistema de conocimiento. No está claro cómo entender la naturaleza del sistema de conocimiento: no hay algoritmo, porque no hay proceso. Esto solo se puede hacer usando un sistema de conocimiento en el que haya un proceso, pero ya será algo completamente diferente.Pero dado que cometemos errores, ¿significa esto que el proceso va mal?ChomskyEste es el proceso de uso del sistema interno. Pero el sistema interno en sí mismo no es un proceso, porque no tiene un algoritmo. Toma las matemáticas ordinarias. Si toma los axiomas de Peano y las reglas de inferencia, definen todos los cálculos aritméticos, pero no hay algoritmo. Si pregunta cómo los aplica el especialista en teoría de números, entonces, por supuesto, hay muchas opciones: por ejemplo, no comienza con axiomas, sino con reglas de inferencia. Tomas el teorema y ves si el lema puede deducirse, y si funciona, entonces verás si resulta que basa este lema en algo, y al final obtienes una prueba: un objeto geométrico.Pero esta es una actividad fundamentalmente diferente, diferente de sumar números pequeños en mi cabeza, y por supuesto, tengo algún tipo de algoritmo en mi cabeza.ChomskyNo necesariamente Este proceso tiene un algoritmo en ambos casos. Pero no hay un algoritmo del sistema en sí, este es un error categórico. No se pregunta qué proceso definen los axiomas y las reglas de inferencia de Peano; allí no hay ningún proceso. Puede haber un proceso para usarlos. Y esto puede ser un proceso complicado, y esto es cierto en el caso de sus cálculos. El sistema interno que tiene no es una cuestión de proceso. Pero si usa su sistema interno, surge la pregunta, y puede realizar la multiplicación de muchas maneras. Por ejemplo, si agrega 7 y 6, un algoritmo dice: “Veré cuánto se tarda en llegar a 10”: se necesitan 3, y ahora quedan 3 más, así que pasaré de 10 y agregaré 3 más, y habrá 13. Este es un algoritmo adicional; de hecho, así es como me enseñaron en el jardín de infantes. Esta es una forma de agregar números.Pero hay otras formas de agregar: no hay un algoritmo correcto. Estos son algoritmos para realizar el proceso del sistema cognitivo en su cabeza. Y ahora para este sistema no está preguntando sobre algoritmos. Puede preguntar sobre el nivel de computación, sobre el nivel de los mecanismos. Pero el nivel algorítmico para este sistema no existe. Lo mismo con el lenguaje. El lenguaje es como una habilidad aritmética. Hay un sistema que determina el sonido y el significado de un sinfín de posibles oraciones. Pero no hay duda de qué tipo de algoritmo hay. Tampoco hay duda de qué sistema aritmético formal le dice cómo probar teoremas. Usar el sistema es un proceso, y puedes estudiarlo en términos de niveles de Marr. Pero es importante designar conceptualmente estas diferencias.Parece una tarea increíble pasar de la teoría del nivel computacional, como los axiomas de Peano, al nivel 3 de Médula ...Chomsky: mecanismos ...... mecanismos e implementaciones ...Chomsky: Sí. Y ...... sin un algoritmo, al menos.ChomskyCreo que esto no es cierto. Tal vez la información sobre cómo se usa el sistema le dirá algo sobre los mecanismos. Pero una mente superior, quizás más alta que la nuestra, verá que hay un sistema interno, que tiene una base fisiológica y que será posible estudiarlo, esta base fisiológica. Sin siquiera mirar el proceso en el que se utiliza este sistema. Quizás observar el proceso le brinde información útil sobre dónde ir. Pero conceptualmente esta es una tarea diferente. La pregunta es qué forma de investigar es mejor. Entonces, tal vez la mejor manera de estudiar la conexión entre los axiomas y las neuronas de Peano es observar cómo los matemáticos prueban los teoremas. Pero esto es solo porque le daré información de apoyo. El resultado final real será una comprensión del sistema cerebral, su base fisiológica,sin referencia a ningún algoritmo. Los algoritmos tienen que ver con los procesos que los usan y pueden ayudarlo a obtener respuestas. Es posible cómo las superficies inclinadas pueden decirle algo sobre la tasa de caída, pero si observa las leyes de Newton, no dicen nada sobre los planos inclinados.Bueno La lógica de estudiar los sistemas cognitivos y lingüísticos utilizando el enfoque de Marr es comprensible, pero como no reconoce la competencia lingüística como una característica genética, puede aplicar esta lógica a otros sistemas biológicos: el sistema inmune, el sistema cardiovascular ...Chomsky: Exactamente, creo que es muy similar Puedes decir lo mismo sobre el sistema inmunitario.E incluso puede ser más fácil hacerlo con estos sistemas que con el pensamiento.ChomskyPero esperarás otras respuestas. Puedes hacer esto con el sistema digestivo. Supongamos que alguien está estudiando el sistema digestivo. Es poco probable que estudie lo que sucede cuando tienes gripe estomacal, o cuando comiste bigmack, o algo más. Volvamos a fotografiar lo que está sucediendo fuera de la ventana. Una forma de estudiar el sistema digestivo es recopilar todo tipo de datos sobre lo que hace el sistema digestivo en diversas circunstancias, ingresar datos en una computadora, realizar un análisis estadístico: obtienes algo. Pero esto no será lo que haga el biólogo. Él quiere desde el principio abstraerse de lo que se considera, posiblemente falso, porque siempre puede cometer un error, con variables irrelevantes, como si tiene gripe estomacal.Pero esto es exactamente lo que hacen los biólogos: toman a las personas enfermas con un sistema digestivo enfermo, las comparan con las sanas y miden las propiedades moleculares.Chomsky: Lo hacen en una etapa más avanzada. Ya saben mucho sobre la estructura del sistema digestivo antes de comparar pacientes. De lo contrario, no sabrán qué comparar y por qué uno está enfermo y el otro no.Se basan en análisis estadísticos para identificar características distintivas. Este es un enfoque muy bien financiado porque usted afirma estar estudiando pacientes.ChomskyEsta bien puede ser una forma de obtener financiamiento. Esta es la forma de obtener fondos para la lingüística diciendo que podría ayudar a tratar el autismo. Esta es generalmente una pregunta diferente [risas]. Pero la lógica de la búsqueda es comenzar a estudiar el sistema, abstrayéndose de lo que usted, con un alto grado de probabilidad, considera ruido irrelevante. Intenta encontrar la esencia básica, y luego se pregunta qué sucede si traemos algo más, la misma gripe estomacal.De todos modos, parece que hay una dificultad en aplicar los niveles de Marr a sistemas de este tipo. Si pregunta qué tipo de tarea computacional resuelve el cerebro, entonces parece haber una respuesta, funciona casi como una computadora. Pero si pregunta qué tipo de problema computacional resuelve el fácil, incluso es difícil pensar en ello; obviamente, esta no es una tarea de procesamiento de información.Chomsky: Esto es así, pero no hay razón para creer que toda la biología sea computacional. Puede haber razones para pensar que pensar es así. Y de hecho, Gallistel no dice que todo lo que está en el cuerpo necesita ser estudiado a través de la búsqueda de unidades de lectura / escritura / dirección.Simplemente parece contradictorio en términos de evolución. Estos sistemas evolucionaron juntos, reutilizando partes similares, moléculas, trayectorias. Las células son dispositivos informáticos.ChomskyNo estudias el pulmón haciendo preguntas sobre qué células calculan. Usted estudia el sistema inmune y el sistema visual, pero no espera encontrar la misma respuesta. El cuerpo es un sistema altamente modular, tiene muchos subsistemas complejos que están más o menos integrados internamente. Operan bajo diferentes leyes. La biología también es modular. No puede suponer que todo esto es solo un enorme lío de objetos que se comportan de la misma manera.Por supuesto que no, pero quiero decir que sería posible aplicar el mismo enfoque para estudiar cada uno de los módulos.Chomsky: No necesariamente, porque los módulos son diferentes. Algunos de los módulos pueden ser computacionales, otros no., , , … , — ?:Por supuesto Puedes entender mucho sobre, por ejemplo, qué hace que un embrión se convierta en un pollo y no, digamos, un ratón. Este es un sistema muy complicado, que incluye todo tipo de interacciones químicas y otras cosas. Incluso con un nematodo, el hecho de que todo esté determinado simplemente por una red neuronal es completamente obvio, y hay evidencia de investigación sobre este tema. Debe observar las complejas interacciones químicas que ocurren en el cerebro, en el sistema nervioso. Es necesario mirar en cada sistema por separado. Estas interacciones químicas pueden no estar relacionadas con sus habilidades aritméticas, lo más probable es que sí. Pero pueden relacionarse muy fácilmente con si decides levantar la mano o bajarla.Aunque, si comienza a estudiar las interacciones químicas, esto lo llevará a lo que llamó una descripción repetida del fenómeno, solo en otras palabras.Chomsky: O una explicación. Porque es posible, son muy importantes, críticamente relacionados.Pero si hace una explicación en términos de "la sustancia X debe estar activada" o "el gen X debe estar presente", en realidad no explica cómo funciona el cuerpo. Acabas de encontrar la palanca y haces clic en ella.Chomsky: Pero luego buscas más y descubres qué hace que este gen funcione de esta manera en tales condiciones, o que funcione de manera diferente en otras condiciones.Pero si los genes tienen el nivel incorrecto de abstracción, entonces estás en fuga.Chomsky: Entonces no obtienes la respuesta correcta. O tal vez no.
Por ejemplo, es bien sabido que es difícil calcular cómo se desarrolla un organismo a partir del genoma. Hay varios tipos de procesos que tienen lugar en una célula. Si solo observa la acción de un gen, puede estar en el nivel incorrecto de abstracción. Nunca está claro, por lo tanto, es necesario estudiar esto. No creo que haya un algoritmo para responder tales preguntas.Me gustaría cambiar la conversación hacia la evolución. Criticaste un punto de vista muy interesante, al que llamaste "empirismo filogenético". Usted criticó esta posición por falta de poder explicativo. Ella simplemente declara lo siguiente: entonces, pensar es lo que es, porque se eligieron tales adaptaciones al medio ambiente. Seleccionado por selección natural. Usted argumentó que esto no explica nada, porque siempre puede apelar a estos dos principios: mutación y selección.Chomsky: Bueno, puedes renunciar a ellos, pero pueden tener razón. Puede suceder que el desarrollo de sus habilidades aritméticas surgió de mutaciones y selecciones aleatorias. Si resulta que esto es así, bueno, está bien.Suena a verdad (verdad conocida - aprox. Transl. ).Chomsky: Pero no digo que esto no sea cierto. Los truismos son la verdad [risas].Pero no explican nada.ChomskyQuizás este sea el nivel más alto de explicación que pueda obtener. Puedes inventar el mundo, no creo que sea nuestro mundo, pero puedes inventar un mundo en el que no ocurra nada excepto cambios aleatorios en los objetos y la selección basada en fuerzas externas. No creo que nuestro mundo esté tan organizado, y no creo que haya al menos un biólogo que lo piense así. Hay muchas formas en que las fuerzas naturales determinan los canales en los que puede tener lugar la selección, algunas cosas suceden, otras no. Muchas cosas en el cuerpo no funcionan de esa manera. Tome al menos el primer paso, la meiosis: ¿por qué las células se dividen en esferas en lugar de cubos? Estas no son mutaciones aleatorias o selección natural: estas son las leyes de la física. No hay razón para pensar que las leyes de la física se detienen aquí, funcionan en todas partes.Sí, por supuesto, limitan la biología.Chomsky: Bueno, es decir, todavía no se trata solo de mutaciones y selección al azar. Estos son: mutaciones aleatorias, selección y todo lo demás que importa, por ejemplo, las leyes de la física.¿Hay un lugar para estos enfoques, que ahora se llaman "genómica comparativa"? El Broads Institute aquí [en el MIT / Harvard] crea grandes cantidades de datos de diferentes genomas de diferentes animales, diferentes células en diferentes circunstancias y secuencia cualquier molécula que sea posible. ¿Hay algo que se pueda aprender acerca de las tareas cognitivas de alto nivel de estos experimentos evolutivos comparativos, o es este un enfoque inmaduro?Chomsky: No estoy diciendo que este sea el enfoque equivocado, pero no sé qué se puede aprender de esto. Como tu, - ? , Foxp2? [ . : , , , . , . , .]:Foxp2 es interesante, pero no tiene nada que ver con el lenguaje. Se asocia con habilidades motoras finas y cosas similares. Esto tiene que ver con el uso del lenguaje, por ejemplo, cuando dices: controlas tus labios, etc., pero es muy periférico al lenguaje, y esto ya se sabe. Entonces, por ejemplo, si usa órganos o signos articulatorios, bueno, por ejemplo, un gesto con la mano es el mismo lenguaje. De hecho, incluso se analiza y se produce en la misma parte del cerebro, aunque en un caso las manos se mueven, en los otros labios. Entonces, sea lo que sea la externalización, todo está en la periferia. Creo que es bastante difícil hablar de eso, pero si observas la estructura del lenguaje, recibirás evidencia de esto. Hay ejemplos interesantes en el aprendizaje de idiomas, donde hay un conflicto entre la eficiencia computacional y la eficiencia comunicativa.Tome este ejemplo, que ya mencioné, con ordenamiento lineal. Si desea saber a qué verbo está adherido un adverbio, el niño utiliza reflexivamente la distancia estructural mínima en lugar de la distancia lineal mínima. Sí, es más fácil usar la distancia lineal mínima desde un punto de vista computacional, pero para esto es necesario que exista un concepto de orden lineal. Y si el orden lineal es solo un reflejo del sistema sensoriomotor, lo que parece razonable, entonces no lo será. Aquí hay evidencia de que la proyección del sistema interno en el sistema sensoriomotor es periférica al funcionamiento del sistema informático.Pero, ¿puede ser que el sistema informático presente sus limitaciones? ¿Cómo limita la física la meiosis?ChomskyQuizás, pero no hay evidencia. Por ejemplo, el extremo izquierdo, el izquierdo en el sentido de uno anterior, tiene otras características que el derecho. Si desea hacer una pregunta, por ejemplo: "¿A quién ve?" Pones la palabra "Quién" al principio, no al final. De hecho, en cualquier idioma en el que el grupo de interrogatorio, quién cuyo libro se está moviendo a otro lugar, se mueve hacia la izquierda, no hacia la derecha. Es muy probable que esto sea una limitación del procesamiento de la información. La oración comienza con lo que el oyente te dice: así es como me veo. Si fuera al final, entonces tendría una propuesta completamente declarativa, y solo al final sabría qué información le estoy preguntando. Si dice esto, esta es una limitación del procesamiento de la información. Entonces, si es así, la externalización afecta la naturaleza computacional de la sintaxis y la semántica.Hay casos en los que encuentra conflictos obvios entre la efectividad computacional y comunicativa. Tome un ejemplo simple: si digo: "Visitar parientes puede ser una carga", esto es ambiguo. ¿Le están visitando parientes? ¿O vas a visitar familiares? Resulta que en todos los casos conocidos, la ambigüedad surge simplemente del hecho de que permitimos que las reglas funcionen libremente, sin restricciones. Por lo tanto, es computacionalmente eficiente, pero ineficiente para la comunicación, ya que conduce a una ambigüedad insoluble.O tome un ejemplo de sugerencias con el efecto de un camino de jardín que conduce en la dirección incorrecta. Sugerencias como: "El caballo corrió más allá del establo cayó". (el caballo que fue enviado al establo se cayó - aprox.) Las personas, cuando ven tal oferta, no la entienden, porque está construida de tal manera que te lleva por el sendero del jardín. "El caballo pasó corriendo por el granero" suena como una oración, y luego te quedas perplejo: ¿qué hace la palabra "cayó" al final? Por otro lado, si lo piensas bien, esta es una propuesta totalmente correcta. Significa que un caballo que fue atravesado por un granero ha caído. Pero las reglas del lenguaje, cuando simplemente funcionan, pueden darte oraciones incomprensibles debido al fenómeno del sendero del jardín.Y hay muchos ejemplos de este tipo. Hay cosas que simplemente no puedes decir por alguna razón. Si digo: los mecánicos arreglaron los autos. Y usted dice: "Se preguntaban si la mecánica del automóvil lo había arreglado". Puede hacer preguntas sobre los automóviles: "¿Cuántos automóviles en los que estaban interesados, los reparó la mecánica?" Más o menos posible. Supongamos que quieres hacer una pregunta sobre mecánica. "¿Cuántos mecánicos preguntaron si arreglaron los autos?" Por alguna razón, ya no funciona; Esta es una idea clara, pero no se puede decir. Si estudia este caso en detalle, las reglas computacionales más eficientes no le permiten decir eso. Pero para la expresión del pensamiento, para la comunicación, sería mejor si pudieras decir esto, de ahí el conflicto.Y, de hecho, en cada caso de tal conflicto, la eficiencia computacional gana. La externalización es inferior en todos los casos a las ambigüedades, pero solo por razones computacionales, aparentemente, el sistema dentro de sí mismo no se preocupa por la externalización. Puede que no lo haya demostrado de manera suficientemente plausible, pero simplemente si lo dice en voz alta, este será un argumento suficientemente convincente.Esto nos dice algo sobre la evolución. Lo que afirma este hecho: durante la evolución del lenguaje, se desarrolló un sistema informático, y solo entonces se externalizó. Y si piensa en cómo podría desarrollarse el lenguaje, casi ha llegado a esta posición. En algún momento de la evolución humana, y esto es obvio, recientemente, si observamos los datos arqueológicos, tal vez en los últimos cien mil años, y no es nada, en algún momento apareció un sistema informático con nuevas propiedades que no existían. otros organismos tienen tales propiedades de tipo aritmético ...Es decir, ¿le permitió pensar mejor antes de la externalización?ChomskyElla te hace pensar. Un pequeño parpadeo del cerebro, que ocurre en un individuo, no está en un grupo. Esa persona tenía la capacidad de pensar, el grupo no. Entonces no tiene sentido externalizar. Entonces, si este cambio genético se propaga, y por ejemplo, muchas personas lo tienen, entonces tiene sentido buscar una forma de proyectarlo en el sistema sensoriomotor, y esto es externalización, pero este es un proceso secundario.Solo si la externalización y el sistema interno de pensamiento no están conectados de manera impredecible.ChomskyNo predecimos, y esto tiene poco sentido. ¿Por qué estaría conectada a un sistema externo? Por ejemplo, tus habilidades aritméticas no están conectadas a él. Y hay muchos otros animales, como los pájaros cantores, que tienen un sistema informático interno, una canción de pájaro. Este no es el mismo sistema, pero es un sistema informático interno. Y ella está externalizada, pero a veces no. En algunas formas, el polluelo domina una canción de esta especie, pero no la reproduce hasta la madurez. En este período temprano tiene una canción, pero no tiene un sistema de externalización. Esto también es cierto para las personas: el niño humano comprende mucho más de lo que puede reproducir, una gran cantidad de evidencia experimental, lo que sugiere que el niño tiene un sistema interno, pero no puede externalizarlo. Quizás no tiene suficiente memoriao alguna otra razón.. , , , . , MIT, , , , , , , . , -, , ? , ? , — , .
:La filosofía de la ciencia es una disciplina muy interesante, pero no creo que realmente haga una contribución a la ciencia: aprende de la ciencia. Ella está tratando de entender qué están haciendo las ciencias, por qué los logros están sucediendo en ellas, qué caminos están mal, si se puede codificar y comprender. Lo que considero importante en la historia de la ciencia. Creo que aprendemos mucho de la historia de la ciencia de lo que puede ser muy importante para el desarrollo de las ciencias. Especialmente cuando entendemos que en las ciencias cognitivas todavía estamos en la etapa pre-Galilea. No sabemos que estamos buscando algo que Galileo ya ha encontrado, y hay algo que aprender. Por ejemplo, un hecho sorprendente de las primeras ciencias, no necesariamente de Galileo, pero en general desde la época de los descubrimientos de Galilea, es que las cosas simples pueden ser muy confusas. Entonces sostengo esta taza, y si el agua hierve, entonces el vapor se elevará, pero si tomo mi mano, la taza caerá.¿Por qué cae la copa y sube el vapor? Durante mil años seguidos, esta fue una respuesta completamente satisfactoria: se esfuerzan por su estado natural.?:Esta es la física aristotélica. Los mejores y más grandes científicos creían que esta es la respuesta. Galileo se permitió dudar. Tan pronto como te permitas dudar, inmediatamente descubres que tu intuición está equivocada. Como una gota de masa pequeña y masa grande, y así sucesivamente. Todas tus intuiciones te están engañando: los acertijos están por todas partes. En la historia de la ciencia hay algo para estudiar. Tomemos el mismo ejemplo que les di, "instintivamente las águilas voladoras nadan". Nadie pensó que era un misterio. Pero si lo piensas, entonces es muy misterioso; utilizas cálculos complejos en lugar de simples. Si te dejas sorprender por esto, como una taza que cae, haces la pregunta "¿Por qué?" Y luego te encuentras en el camino de respuestas bastante interesantes. Como, por ejemplo: el orden lineal no es parte de un sistema informático,lo cual es una suposición importante sobre la arquitectura del pensamiento: dice que el orden lineal es solo una parte del sistema de externalización, es decir, el sistema secundario. Y esto abre una gran cantidad de otras formas.O tome otro ejemplo: la diferencia entre reducción y unificación. La historia de la ciencia ofrece algunas ilustraciones muy interesantes en química y física, y creo que son bastante relevantes para el estado de las ciencias cognitivas y neurofisiológicas de nuestro tiempo.Epílogo del traductor: durante el tiempo transcurrido desde que se publicó la entrevista, Chomsky publicó otros materiales interesantes: puede sugerir leer una conversación de 2,5 horas con el físico estadounidense Lawrence Krauss, o con el nuevo libro de Chomsky y Berwick, "Talking Man", si le interesan las preguntas evolución y lenguaje.
Traducido por Tatyana Volkova.