COMPUTATIONAL PHILOSOPHY OF SCIENCEPaul Thagard1993 The MIT PressMassachusetts Institute of TechnologyCambridge, Massachusetts

---------

FILOSOFA COMPUTACIONAL DE LA CIENCIAPaul ThagardTraduccin en elaboracin*: Giovanna Winchkler y Juan Magarios de Morentin[Para el Seminario: "En el principio era la imagen"]

[xi] 1Prefacio

"Filosofa computacional de la ciencia" va a sonar para algunos odos como la empresa ms antinmica en la filosofa, despus de la tica de los negocios. Sin embargo, puede iluminar los problemas filosficos ms importantes, concernientes a la estructura y desarrollo del conocimiento cientfico, aproximando ideas y tcnicas del campo de la IA Este libro usa PI, un programa de computacin para resolucin de problemas e induccin, con el fin de ilustrar la pertinencia de las ideas computacionales a los problemas que se vinculan con el descubrimiento, evaluacin y aplicacin de las teoras cientficas.

La primera parte del libro se ocupa de los modelos computacionales del pensamiento cientfico y debera llamar la atencin de quienes estn interesados en la IA y en la psicologa cognitiva, al igual que la de los filsofos. Los captulos subsiguientes se dedican a problemas filosficos ms tradicionales, vinculados con la relacin entre cmo se realiza el razonamiento y cmo debera realizarse, con la verdad, con la justificacin de los mtodos cientficos y con la diferencia entre ciencia y seudociencia. Se aplican algunas conclusiones generales sobre la naturaleza del mtodo cientfico a los campos particulares de la psicologa y la IA El libro concluye con un captulo altamente especulativo acerca de lo que podran aadir los modelos computacionales a nuestra comprensin de dos aspectos clave del proceso de investigacin: las interrelaciones de la teora y el experimento, y la importancia de la racionalidad grupal en la ciencia.

He tratado de que este libro fuese accesible a una lectura de carcter interdisciplinario, aclarando los trminos filosficos y computacionales a medida que van surgiendo. Con el objeto de proporcionar los conocimientos bsicos a los lectores de diferentes mbitos sin interrumpir la argumentacin, el apndice 1 contiene cuatro tutoriales que brindan indispensables introducciones filosficas, computacionales y psicolgicas. Cada captulo concluye con un resumen de sus propuestas ms importantes.

Este libro se presenta con la esperanza de que se lea sin categorizaciones arbitrarias acerca de lo que sea filosofa, IA o psicologa y con la conviccin de que slo a travs de la cooperacin interdisciplinaria puede alcanzarse una comprensin del razonamiento cientfico.

[xiii]Agradecimientos

Este libro ha contado con la ayuda de muchas personas e instituciones. Lo inici cuando era Profesor Asociado de Filosofa en la Universidad de Michigan-Dearborn; estoy agradecido por la libertad que all me concedieron mis colegas. Gran parte del trabajo se realiz mientras estuve tambin asociado en el Cognitive Science Program de la Universidad de Michigan, Ann Arbor, la cual brind distintos tipos de apoyo. El libro se complet usando las excelentes instalaciones del Cognitive Science Laboratory en la Universidad de Princeton, donde ahora me encuentro realizando investigacin interdisciplinaria como parte del Human Information Processing Group.

En el perodo durante el cual muchas ideas de este libro se desarrollaron, tuve la fortuna de colaborar con John Holland, Keith Holyoak y Richard Nisbett en nuestro libro de 1986: Induction: Processes of Inference, Learning, and Discovery. Algunos temas desarrollados aqu se esbozaron de manera preliminar en l. Tengo una deuda especial con Keith Holyoak, ya que el sistema de procesamiento PI, cuyas implicaciones filosficas y aplicaciones se discuten extensamente aqu, es un proyecto en colaboracin con l. Estoy agradecido a Richard Nisbett por haberme introducido en el trabajo de la psicologa cognitiva, y a John Holland por supervisar mi M.S. en ciencia de la computacin.

Los primeros borradores de este libro recibieron valiosos comentarios de Paul Churchland, Robert Cummins, Daniel Hausman, Stephen Hanson, Gilbert Harman, Ziva Kunda, Richard Nisbett y Ian Pratt. Estoy particularmente agradecido a Lindley Darden por sus detallados comentarios acerca de dos borradores.

Durante los aos en que se desarroll este libro, he sido beneficiado con subsidios por parte de la National Science Foundation, la Sloan Foundation, la Systems Development Foundation, la Basic Research Office del Army Research Institute for Behavioral and Social Science, y la McDonnell Foundation.

Algunas secciones del libro provienen de artculos previamente publicados. Agradezco a los correspondientes editores por el permiso para usar el siguiente material:

(Falta el listado de ese material, p. xiv)

[1] Captulo 1La computacin y la filosofa de la ciencia

La epistemologa sin contacto con la ciencia se convierte en un esquema vaco. La ciencia sin epistemologa, si es que puede concebirse, es primitiva y confusa. (Albert Einstein, 1949, pp. 683ss)

1.1. Un nuevo enfoque

La filosofa de la ciencia y la IA tienen mucho para aprender una de otra. Las principales preguntas para las que una investigacin multidisciplinaria puede ser de utilidad, son:

1. Qu son las teoras cientficas?

2. Qu es explicacin cientfica y resolucin de problemas?

3. Cmo se descubren y evalan las teoras?

4. Cmo adquieren significado los conceptos tericos?

5. Cules son los roles de la teorizacin y la experimentacin en el proceso de la investigacin cientfica?

6. Cmo pueden los estudios que describen cmo se hace la ciencia tener importancia para los juicios normativos sobre cmo debe hacerse?

Este libro presenta un conjunto completo de respuestas a estas preguntas en un marco computacional. He aqu un esquema preliminar de lo que se va proponiendo en los captulos siguientes:

1. Las teoras son estructuras complejas de datos en los sistemas computacionales; consisten en paquetes muy organizados de reglas, conceptos y soluciones a problemas.

2. Explicacin y resolucin de problemas son procesos computacionales mediatizados por las reglas, conceptos y soluciones a los problemas que pueden constituir las teoras.

3. El descubrimiento y evaluacin de las teoras son subprocesos que se desencadenan en el contexto de la explicacin y la resolucin de problemas.

4. Los conceptos tericos son significativos porque se generan en los procesos de [2] descubrimiento y por sus conexiones con otros conceptos.

5. La teorizacin y la experimentacin cumplen roles complementarios en la investigacin cientfica, sin ser dominante ninguno de los dos.

6. Los estudios que describen cmo se hace la ciencia pueden brindar una contribucin esencial a la decisin de cmo debe hacerse la ciencia.

En los captulos subsiguientes se irn concretando estas vagas propuestas. Para precisarlas, describir un programa de IA para resolucin de problemas e induccin y mostrar cmo su operacin ayuda a ilustrar los procesos mediante los cuales se construyen y usan las teoras cientficas. Demostrar que usando los recursos de la IA, pueden desarrollarse interpretaciones filosficas ms ricas de la resolucin cientfica de problemas, del descubrimiento y de la justificacin, que las que son posibles con las tcnicas tradicionales de la lgica y de la teora de conjuntos. No pretendo haber resuelto los mltiples y difciles problemas concernientes a temas como la explicacin y la justificacin, a los que me dedico aqu; espero mostrar, en cambio, que el enfoque computacional ofrece ideas y tcnicas para representar y usar el conocimiento, que sobrepasan las habitualmente empleadas por los filsofos. Antes de sumergirme en los detalles computacionales, quiero situar esta empresa a la que me estoy refiriendo como "filosofa computacional de la ciencia", en relacin a dominios ms familiares.

1.2. Inteligencia artificial, psicologa y filosofa histrica de la ciencia

La inteligencia artificial (IA) es la rama de la ciencia de la computacin que procura lograr que las computadoras realicen tareas inteligentes. En sus cortas tres dcadas de vida, la IA ha desarrollado numerosas herramientas computacionales para describir la representacin y el procesamiento de la informacin. Los psiclogos cognitivistas han encontrado que estas herramientas son valiosas para desarrollar teoras acerca del pensamiento humano. De modo semejante, la filosofa computacional de la ciencia puede usarlas para describir la estructura y desarrollo del conocimiento cientfico.

En gran medida, los intereses de la IA, la psicologa cognitiva y la filosofa computacional de la ciencia, se superponen, si bien la filosofa tiene un inters mayor en los temas normativos que los otros dos campos. Debemos distinguir entre los temas descriptivos vinculados a cmo piensan los cientficos y los temas normativos, vinculados a cmo deben pensar los cientficos. La psicologa cognitiva se dedica a la investigacin emprica de los procesos mentales y los temas normativos le interesan slo en la medida en que contribuyan a caracterizar el alejamiento de la gente de las normas asumidas (ver Nisbett y Ross, 1980, para un panorama reciente). De la misma manera, la IA entendida como modelizacin cognitiva puede confinarse a lo descriptivo ms que a lo normativo. Sin embargo, la IA se relaciona a veces tambin con el mejoramiento del desempeo de la gente y entonces le interesa lo que es ptimo y normativo. [3] La discusin de las cuestiones normativas es inevitable en filosofa de la ciencia, aunque veremos en el captulo 7, que los problemas descriptivos y los normativos estn ntimamente relacionados.

En general, la investigacin actual en IA se divide en dos campos que han sido caracterizados pintorescamente como "pulcros" ("neats") y "desprolijos" ("scruffies"). La distincin se basa en gran medida en actitudes referentes a la importancia de la lgica formal para comprender la inteligencia. Los pulcros, como John McCarty (1980) y Nils Nilsson (1983), ven la lgica como esencial para la IA, la cual de este modo consiste principalmente en la construccin de sistemas formales en los cuales la deduccin lgica es el proceso central. Por el contrario, la IA desprolija, representada por ejemplo por Marvin Minsky (1975) y Roger Schank (1982), asume un enfoque mucho ms psicolgico al sostener que es ms probable que la IA tenga resultados provechosos si evita el rigor de la lgica formal y, en cambio, investiga las estructuras y los procesos ms variados hallados en el pensamiento humano. Usando el trmino que aplican los programadores de computacin para designar un programa complejo y asistemticamente armado, Minsky seala que el cerebro es un "kluge" ([o "kludge"], inelegante pero eficaz). Un tercer enfoque incidente en la IA, el de los sistemas de produccin de Newell y Simon (1972), cae en algn lado entre los campos pulcros y desprolijos. Los psiclogos van desde los pulcros que enfatizan el papel de la lgica en el pensamiento (Braine, 1978; Rips, 1983) hasta los desprolijos que niegan que la lgica sea en absoluto central (Johnson-Laird, 1983; Cheng et al., 1986).

La filosofa tiene tambin sus pulcros y sus desprolijos. Nunca nadie fue ms pulcro que los positivistas lgicos, que usaron las tcnicas de la lgica formal para analizar la naturaleza de las teoras y otras cuestiones fundamentales. No es entonces sorprendente que los filsofos inclinados hacia lo formal muestren un inters creciente en empeos de la IA tales como el anlisis algortmico y la programacin lgica (Glymour, Kelly y Scheines, 1983). Pero esta tendencia refleja la relacin solamente entre la IA pulcra y la filosofa de la ciencia pulcra. Dado que toda realizacin en computadora requiere formalizacin y que sta fue la marca identificadora de los positivistas lgicos, uno podra suponer que todos los enfoques de la IA caen dentro del campo positivista. Sin embargo, tal conclusin implica un lamentable desprecio por los recursos intelectuales de la IA.

En las dcadas de 1950 y de 1960, la filosofa de la ciencia asisti a una rebelin contra las interpretaciones lgico positivistas de la ciencia, encabezada por escritores como Hanson (1958) y, especialmente, Kuhn (1970b). (En el tutorial A, apndice 1, puede verse un esquema de los desarrollos de la filosofa de la ciencia.) Los crticos sostuvieron que el nfasis positivista en los modelos formales los haba apartado cada vez ms de la prctica de la ciencia corriente. Muchos filsofos de la ciencia han adoptado desde entonces una metodologa que evita la formalizacin, ofreciendo en lugar de ella consideraciones menos precisas de los mtodos de los cientficos, basndose en estudios de casos histricos. Kuhn, por ejemplo, hizo un uso abundante de ejemplos como el de la teora del oxgeno de Lavoisier y la teora de la relatividad de Einstein, para vertebrar su interpretacin del desarrollo de la ciencia.

[4] La filosofa histrica de la ciencia ha aportado una interpretacin mucho ms rica y sutil de la naturaleza de la ciencia, que la que se pudo desarrollar en el marco de los positivistas lgicos. Pero le ha faltado uno de los rasgos ms atractivos del programa positivista: el rigor analtico. Kuhn describi las revoluciones cientficas como la superacin de un paradigma por otro, pero dej notoriamente impreciso el concepto central de paradigma. De modo semejante, el influyente trabajo de Laudan (1977) sobre la ciencia como actividad de resolucin de problemas, nunca dijo mucho acerca de la naturaleza de la resolucin de problemas.

La filosofa computacional de la ciencia, que este libro coloca en la interseccin de la IA desprolija y la filosofa histrica de la ciencia, puede llenar esas lagunas. Espero mostrar, ofreciendo anlisis computacionales detallados de la estructura y desarrollo del conocimiento, que la filosofa postpositivista de la ciencia puede tener algn rigor en su desprolijidad.

Tanto Hanson como Kuhn hicieron uso de las ideas de la psicologa de la gestalt al desarrollar sus interpretaciones alternativas frente a los testimonios lgico positivistas de la ciencia. La filosofa computacional de la ciencia est an ms estrechamente ligada con la psicologa, en virtud del eslabn entre la IA desprolija y la psicologa cognitiva actual, que emplea cada vez ms los modelos computacionales en cuanto herramientas tericas. Estos tres campos pueden colaborar en el desarrollo de un anlisis computacional acerca de cmo piensan los cientficos humanos. Hay investigadores en filosofa de la ciencia e IA que preferiran dejar la psicologa fuera de la escena, con lo cual la ciencia algn da sera realizada en verdad por computadoras usando procesos muy diferentes de los usados por los humanos. Pero, al menos por ahora, la ciencia es una empresa humana y la comprensin del desarrollo del conocimiento cientfico depende de un balance de los procesos de pensamiento de los humanos. Por lo cual la filosofa computacional de la ciencia se solapa tanto con la psicologa cognitiva como sta lo hace con la IA desprolija. Hasta sus prescripciones normativas acerca de cmo conviene hacer ciencia, deberan tomar las limitaciones cognitivas humanas como sus puntos de partida, segn el enfoque desarrollado en el captulo 7.

La filosofa computacional de la ciencia y gran parte de la psicologa cognitiva actual emplean modelos computacionales. Pero, por qu? En la prxima seccin esbozar las ventajas metodolgicas de usar programas de computacin para comprender el pensamiento.

1.3. Por qu escribir programas?

Los programas de computacin ofrecen a la psicologa cognitiva y a la filosofa computacional de la ciencia al menos tres grandes beneficios: 1) la ciencia de la computacin proporciona un vocabulario sistemtico para describir estructuras y mecanismos; 2) la implementacin de las ideas en un programa ejecutable es una prueba de su coherencia interna; y 3) la ejecucin del programa puede proporcionar pruebas [5] acerca de las consecuencias previstas e imprevistas de las hiptesis. La psicologa cognitiva actual est empapada de nociones computacionales, tales como bsqueda, activacin expansiva (spreading activation), memoria intermedia (buffer), recuperacin, etc. El nacimiento de la psicologa cognitiva en la dcada del 60 dependi de la metfora computacional que brind por primera vez recursos precisos para describir estructuras y procesos internos muy ricos. En la dcada del 70, el campo interdisciplinario de la Ciencia Cognitiva reuni investigadores de diversos mbitos, todos ellos interesados en comprender la naturaleza de la mente, con la compartida esperanza de que los modelos computacionales ayudaran.

El anlisis computacional de la mente depende de estas correspondencias:

Pensamiento Programa

Estructuras mentales Estructuras de datos

Procesos Algoritmos

Los conductistas argumentaron que las especulaciones sobre los contenidos de la mente eran un bagaje metafsico; pero la computadora hizo posible que las estructuras mentales y los procesos supuestos se concretaran, an cuando el problema de verificar su existencia siga siendo difcil. Puede concebirse un programa como una serie de estructuras de datos junto con una serie de algoritmos que operan mecnicamente con las estructuras de datos. Las estructuras pueden ser muy simples, digamos, una lista de elementos como (1 2 3). O bien, se hacen mucho ms complejas, como en el lenguaje de procesamiento de listas LISP, en el cual es fcil crear estructuras consistentes en listas organizadas incrustadas en otras listas. Pueden entonces escribirse algoritmos (procedimientos bien definidos) que operan sobre esas estructuras de datos, creando otras nuevas. (Ver el tutorial C para una introduccin rpida al papel de las estructuras de datos y los algoritmos en programacin.)

De la misma manera, el enfoque actual ms plausible y desarrollado acerca de la mente postula estructuras mentales o representaciones internas acompaadas por procesos para usar tales representaciones (Gardner, 1985). Podemos desarrollar modelos ms detallados de la mente escribiendo programas que tengan estructuras de datos correspondientes a las representaciones supuestas y algoritmos que correspondan a su vez a los procesos supuestos. Para que pueda ejecutarse en la computadora, el programa ha de ser explcito, y el ejercicio de elaboracin de las estructuras y los procesos coordinados, llevar, en general, al desarrollo de un modelo ms rico y ms complejo que el posibilitado por la especulacin no asistida por computadora. Es mucho lo que se puede aprender acerca de un dominio cientfico cuando se lo intenta analizar dentro de un complejo esquema de representacin. Al respecto, el captulo 2 seala que el enfoque computacional pone a disposicin estructuras de datos ms ricas que las que se tomaran en cuenta de otro modo. Los filsofos en particular, han tendido a restringir sus discusiones a un conjunto ms limitado de estructuras (oraciones o proposiciones) y a una clase de procesos ms limitado (la deduccin). Como veremos, [6] propiciar la investigacin de procesos menos restringidos, como los que subyacen al descubrimiento cientfico, es ms propio de la computacin que de la deduccin, haciendo posible la investigacin de procesos menos restringidos, como los que subyacen al descubrimiento cientfico.

Dado que se supone que los procesos mentales son computacionales, la computadora puede ser una herramienta ms poderosa para la psicologa que para la economa o la meteorologa, que usan simulaciones dbiles, frente a las simulaciones fuertes de la psicologa. En una simulacin dbil, la computadora funciona como un dispositivo de clculo que saca las consecuencias de las ecuaciones matemticas que describen los procesos simulados. Una computadora puede simular eficazmente un ciclo de negocios o un huracn, pero nadie afirma que tenga, de hecho, depresin econmica o fuertes vientos. En una simulacin fuerte, la simulacin misma semeja el proceso simulado. Por ejemplo, un tnel de viento usado para estudiar la aerodinmica de los automviles es una simulacin fuerte, puesto que el flujo de aire sobre el vehculo en el tnel es similar al flujo de aire sobre el vehculo en una autopista. Por el contrario, un modelo computado de la aerodinmica del automvil sera solamente una simulacin dbil. Mientras que para la mayora de los campos la computadora proporciona slo simulaciones dbiles, la psicologa tiene la posibilidad de contar con simulaciones fuertes, si la teora computacional de la mente es correcta.

Desde luego que la mera caracterizacin de las estructuras de datos y procesos en trminos computacionales no nos dice cmo opera la mente. Pero el solo hecho de conseguir que el programa funcione, ofrece una prueba de varias clases. Algunos psiclogos no computacionales tienden a suponer que nada puede programarse, lo cual no es ms creble que pensar, como lo hacen algunos cientficos de la computacin, que un experimentador inteligente puede obtener cualquier dato psicolgico. Un programa de computacin debe tener, para que pueda funcionar, por lo menos una interrelacin coherente de las estructuras y los algoritmos. Adems, la amenaza de la explosin combinatoria impone una severa restriccin sobre la factibilidad de los programas: si el programa requiere aumentar exponencialmente el tiempo de ejecucin, agotar muy pronto los recursos de las computadoras ms poderosas. De manera que el mismo desarrollo de una simulacin en computadora ofrece una valiosa prueba de la coherencia interna de un conjunto de ideas.

Un modelo psicolgico debera ser ms que internamente coherente: queremos que d cuenta de los datos experimentales de cmo piensa la gente. Algunas veces, si el modelo es complejo, no es fcil ver cules son sus consecuencias. Los modelos cognitivos, como muchos otros modelos de las ciencias sociales suelen proponer numerosos procesos interactivos. El programa de computacin permite que el investigador vea si el modelo tiene todas las consecuencias, y slo esas, que se espera que tenga. La comparacin de estas consecuencias con las observaciones experimentales brinda un modo de validar el modelo con mucho mayor detalle de lo que podran permitir los clculos con lpiz y papel. La filosofa computacional de la ciencia puede aprovechar los mismos beneficios de la formacin de modelos y de la prueba de modelos que los que proporciona la IA a la psicologa cognitiva.

[7] 1.4. PsicologismoPor lo tanto, la filosofa computacional de la ciencia est ntimamente vinculada con la psicologa cognitiva y la IA. Si las ciencias cognitivas sugieren una revisin de las consideraciones clsicas acerca de la estructura y el desarrollo del conocimiento, se esperara de esas posiciones una significacin epistemolgica inmediata. Pero a causa de la ruptura entre filosofa y psicologa producida en la segunda mitad del siglo diecinueve, la mayora de los filsofos desarrollaron posiciones epistemolgicas independientes por completo del trabajo de los psiclogos empricos. La mezcla de discusiones filosficas y psicolgicas se ha rotulado como "psicologismo".

La razn ms fundamentada del temor que tienen los filsofos de una asociacin con la psicologa, es que los intereses normativos de la filosofa se diluiran o abandonaran. Considrese el siguiente argumento contra el psicologismo, semejante a los de Frege (1964) y Popper (1972). La epistemologa, dice el argumento, est tan desvinculada de la psicologa como lo est la lgica. La psicologa describe qu inferencias realiza la gente, pero a la lgica le interesa qu inferencias debera hacer la gente; lo normativo, ms que lo descriptivo. Del mismo modo, la epistemologa es la teora normativa del conocimiento objetivo y no necesita tener en cuenta la naturaleza de los sistemas de creencias en los individuos tal como lo determina la psicologa. Las proposiciones u oraciones que los expresan, pueden ser las conclusiones de los argumentos y pueden escribirse en libros que estn a disposicin del pblico. El examen de la estructura de los sistemas de creencias individuales sera slo para estimular una clase de subjetivismo que abandona los nobles intereses tradicionales de la epistemologa, la justificacin y la verdad, por un vago relativismo. (El relativismo es la posicin filosfica que sostiene que la verdad es relativa y puede variar de persona a persona o en el tiempo, sin estndares objetivos.)

Sin embargo, un inters por la psicologa no necesita engendrar el escepticismo epistemolgico. Haack (1978) recomend un psicologismo dbil, segn el cual la lgica es prescriptiva de los procesos mentales. Esta posicin se diferencia tanto del antipsicologismo, que es el enfoque de Frege/Popper por el cual la lgica nada tiene que ver con los procesos mentales, como del psicologismo fuerte, que sostiene que la lgica es a la vez descriptiva y prescriptiva respecto de los procesos mentales. ("Dbil" y "fuerte" no tienen aqu relacin con su uso en la seccin anterior referente a la simulacin.) El psicologismo dbil usa a la psicologa emprica como punto de partida, ya que presupone una consideracin emprica de los procesos mentales acerca de los cuales cabe ser prescriptivo. Pero va ms all de la mera descripcin de los procesos mentales corrientes, para considerar qu clase de prcticas inferenciales son normativamente correctas. De este modo, el psicologismo dbil puede evadir la acusacin de relativismo, motivo principal de la resistencia a admitir lo relevante que es la psicologa para la epistemologa. Tal evasin requiere, sin embargo, dar cuenta de cmo las cuestiones empricas descriptivas conciernen a las cuestiones prescriptivas, aunque no ofrezcan respuestas completas.

[8] El conocimiento es tanto privado como pblico, alojndose en los cerebros de pensadores particulares, pero tambin est sujeto a la comunicacin y evaluacin intersubjetiva. El psicologismo dbil se propone capturar estos dos aspectos. La verdadera prueba entre psicologismo y antipsicologismo consiste en ver qu sistema puede desarrollar una propuesta comprehensiva y rica acerca del conocimiento humano. Puede considerarse a este libro como un intento computacionalmente orientado para describir algunos resultados posibles de un programa de investigacin psicolgica dbil. Otros intentos afines incluyen la naturaleza epistemolgica de Quine (1969), la epistemologa gentica de Piaget (1970), la epistmica de Goldman (1978, 1986) y la epistemologa evolutiva de Campbell (1974). Esta ltima se comenta en el captulo 6.

Comparto con estos autores la concepcin de que el mtodo filosfico debera ser ms afn con la construccin de teoras en la ciencia, que con la clase de anlisis conceptual que ha predominado en gran parte de la filosofa del siglo veinte. No se realizarn anlisis precisos de conceptos individuales porque hay bases para dudar de si tales anlisis deban hacerse (ver secciones 2.3.1 y 4.4) y porque resulta mucho ms interesante la empresa mayor consistente en describir las conexiones sistemticas entre procesos como la explicacin y la formacin de hiptesis.

1.5. Plan general

La exploracin de la filosofa computacional de la ciencia comienza en el prximo captulo, con una exposicin de las estructuras y procesos bsicos relacionados con una comprensin del conocimiento cientfico. El programa PI de IA proporciona un ejemplo concreto de cmo puede organizarse y usarse el conocimiento en la resolucin de problemas. El captulo 3 desarrolla luego una propuesta computacional de la naturaleza de las teoras y explicaciones cientficas. El captulo 4 describe cmo puede implementarse computacionalmente la inferencia abductiva y da cuenta desde ese enfoque, de diversas clases de descubrimientos cientficos. Expone tambin cmo pueden formarse y adquirir significado los nuevos conceptos. En el captulo 5 desarrollo una propuesta para la evaluacin de la teora como inferencia para la mejor explicacin y describo su realizacin en PI. El captulo 6 usa las ideas sobre descubrimiento y evaluacin de teoras desarrolladas en captulos anteriores, para criticar el modelo darwiniano de desarrollo del conocimiento, que sostienen los epistemlogos evolucionistas. Los tres captulos que siguen, pasan a las cuestiones normativas. El captulo 7 elabora un modelo para alcanzar conclusiones normativas a partir de consideraciones descriptivas y en el captulo 8, este modelo se aplica a los problemas de la justificacin de la inferencia para la mejor explicacin y a la defensa del realismo cientfico. El captulo 9 expone los problemas normativos que se plantean al distinguir ciencia y seudociencia. Finalmente, en el captulo 10, ofrezco algunas sugerencias especulativas sobre los aportes que la filosofa computacional de la ciencia puede aportar a los problemas vinculados con la relacin [9] entre teora y experimento y el papel de la racionalidad de los grupos en la ciencia. He agregado tres apndices para poner los detalles que en otro lugar hubiesen distrado la atencin del argumento principal. El primero de ellos, consiste en cuatro tutoriales que proporcionan informacin bsica relativa a filosofa de la ciencia, la lgica, la estructuras de datos y algoritmos, y los esquemas. El segundo, brinda un resumen de la estructura del programa de computacin PI expuesto en los captulos 2-5, y el tercero, presenta un ejemplo de funcionamiento de PI.

1.6. Resumen

La filosofa computacional de la ciencia es un intento de comprender la estructura y desarrollo del conocimiento cientfico en trminos de la elaboracin de estructuras computacionales y psicolgicas. Su objetivo es brindar nuevas propuestas acerca de la naturaleza de las teoras y las explicaciones, y de los procesos que subyacen su desarrollo. Aunque presenta analogas con las investigaciones en IA y psicologa cognitiva, difiere de stas en que tiene una componente esencial normativa.

[11] Captulo 2La estructura del conocimiento cientfico

Este captulo inicia un anlisis computacional del conocimiento cientfico exponiendo cmo puede representarse y usarse en programas de computacin ese conocimiento. La IA ofrece un nuevo conjunto de tcnicas para representar diferentes partes del corpus cientfico, incluyendo leyes, teoras y conceptos. Con el objeto de mostrar concretamente que se necesitan representaciones complejas de estos ingredientes esenciales del conocimiento cientfico, voy a describir PI, un programa en funcionamiento, para la resolucin de problemas y la induccin.

2.1. Estructura y Proceso

En el captulo anterior vimos que la fuerte influencia de las ideas computacionales en psicologa obedece a buenas razones. La IA ha enriquecido a la psicologa con una cantidad de nuevas ideas concernientes a las representaciones y los procesos y con una nueva metodologa para probar las ideas mediante la simulacin por computadora. Este captulo y otros subsiguientes mostrarn que hay razones igualmente buenas para una aproximacin computacional a la epistemologa y la filosofa de la ciencia.

El argumento a favor de la relevancia epistemolgica de la computacin descansa sobre un punto simple pero en extremo importante: no se puede separar estructura de proceso. No podemos discutir sobre la estructura del conocimiento sin prestar atencin a los procesos necesarios para usarla. Este punto es familiar para la mayora de los practicantes de la IA, pero es nuevo para los filsofos, quienes durante este siglo han tenido una perspectiva relativamente simple de la estructura del conocimiento. Desde el trabajo precursor de Frege y Russell, la lgica formal ha sido el modo cannico de descripcin de la estructura del conocimiento. En el clculo de predicados de primer orden, una oracin atmica simple como por ejemplo, "Fred est enojado" se representa mediante un predicado y un argumento, como A(f). El uso del clculo de predicados por parte de la IA, es menos crptico, de manera que la misma oracin se representa como enojado (Fred). Las oraciones ms complejas se componen usando conectores como y, o, si-entonces, y por cuantificadores como algunos y todos. Por ejemplo, la oracin "Todos los criminales estn enojados." puede representarse como (para todo x) (si criminal(x) entonces enojado(x)). El clculo de predicados es potente como punto de partida para representar el conocimiento, pero veremos ms abajo que no proporciona suficiente estructura para todos los objetivos del procesamiento. [12] (Los lectores que necesiten una breve introduccin al clculo de predicados podr consultar el tutorial B.)

La tcnica ms estudiada para usar el conocimiento es, en la filosofa del siglo XX, la deduccin en los sistemas lgicos, en los cuales las reglas de inferencia pueden definirse con precisin. Por ejemplo, el modus ponens es la regla de inferencia que permite la inferencia de q a partir de si p entonces q y de p. Pero un sistema de procesamiento debe contar con algo ms que la deduccin. Si el sistema es grande, ensamblar la informacin pertinente en un momento determinado puede ser un gran problema. En los sistemas epistemolgicos basados en la lgica, se considera generalmente que un corpus de conocimiento consiste en todas las consecuencias deductivas de un conjunto de enunciados, an cuando el conjunto de consecuencias fuese infinito. En el caso de los sistemas ms realistas, resulta esencial preguntarse qu debemos inferir cundo? As, an en un sistema diseado para realizar la deduccin, necesitamos procesos que tengan en cuenta qu informacin hay disponible y qu reglas de inferencia resultan apropiadas.

En todo sistema diseado para el aprendizaje y para la actuacin, para la adquisicin del conocimiento y para su uso, se necesitan procesos no deductivos. El descubrimiento cientfico es multifactico y requiere diversos procesos para la generacin de los conceptos, la formacin de las leyes generales, y la creacin de las hiptesis. Estos procesos dependen, como veremos, de complejas representaciones de conceptos y leyes.

Mi compromiso en este libro es con el conocimiento cientfico. Por lo tanto, la prxima seccin discutir cules son las clases de estructuras y de procesos ms importantes para caracterizar el conocimiento cientfico. Luego describir un amplio sistema de procesamiento, para ilustrar, con mucho mayor detalle, cmo se interrelacionan estructura y proceso.

2.2. Conocimiento cientfico

Para representar el conocimiento cientfico, necesitamos hallar una expresin formal para, al menos, tres clases de informacin: observaciones, leyes y teoras. Los filsofos de la ciencia han discrepado respecto de la importancia relativa de estos aspectos en el desarrollo del conocimiento cientfico. En una interpretacin simple del desarrollo de la ciencia, los cientficos comienzan realizando observaciones experimentales y luego las usan para generar leyes y teoras. En otra interpretacin, igualmente simple e inconducente, los cientficos comienzan con leyes y teoras y realizan predicciones que luego comprueban con las observaciones. En la mayor parte de la prctica cientfica, sin embargo, hay una accin recproca de hiptesis y observaciones, en la que nuevas observaciones llevan a nuevas leyes y teoras y a la inversa (ver el captulo 10). Para describir los procesos de la ciencia computacionalmente, debemos ser capaces de formalizar observaciones, leyes y teoras en estructuras que puedan formar parte de programas de computacin. Sostendr, adems, que tambin se requiere usar una representacin rica de los conceptos cientficos. La formalizacin es necesaria [13] pero no suficiente para la representacin, ya que podramos formalizar un cuerpo de conocimiento cientfico segn el clculo de predicados o la teora de conjuntos, sin representarlo de un modo computacionalmente aplicable. La formalizacin y la representacin deben ir de la mano, poniendo el conocimiento en una forma que pueda procesarse.

La observacin particular de que un espcimen, llammoslo espcimen27, es azul, se puede representar fcilmente en el clculo de predicados como azul (espcimen27). Hay observaciones ms complejas que se refieren a las relaciones entre objetos, a las cuales el clculo de predicados puede representar mediante ms de un argumento. Por ejemplo, la observacin de que un espcimen est a la izquierda de otro, se puede representar como izquierda-de (espcimen27, espcimen42). Las relaciones son an ms importantes en la medida en que se agregue, adems, informacin temporal: podemos formalizar la informacin de que el espcimen 27 era azul en el tiempo t, escribiendo azul (espcimen27, t). De esta manera, el clculo de predicados aparece como un recurso excelente para representar observaciones, en especial cuando se trata de relaciones. Toda representacin del conocimiento cientfico debe ser capaz de distinguir entre x a la izquierda de y, e y a la izquierda de x, cuyo clculo de predicados se realiza muy cmodamente, mediante el contraste de izquierda de (x, y) con izquierda de (y, x).

La ciencia obviamente realiza algo ms que coleccionar observaciones. Un objetivo central es organizar las observaciones mediante leyes. En fsica pueden ser muy generales, como la ley segn la cual dos objetos cualquiera tienen una fuerza gravitacional mutua. En las ciencias sociales y en gran parte de la fsica del siglo XX, es comn hablar de efectos ms que de leyes, indicando una relacin estadstica ms que la plena generalidad. Las leyes generales pueden representarse naturalmente mediante expresiones cuantificadas en el clculo de predicados. Por ejemplo, la ley elemental segn la cual el cobre conduce la electricidad se escribe como (para todo x) (si cobre(x) entonces conduce-electricidad(x)). Puede parecer entonces, que el clculo de predicados es todo lo que necesitamos tambin para las leyes.

Pero esta conclusin desatiende el punto importante mencionado ms arriba, acerca de los procesos. Si todo lo que quisimos hacer con las leyes era usarlas en las deducciones lgicas, entonces el clculo de predicados puede estar bien. Pero las leyes pueden jugar muchos otros papeles importantes. Las leyes se descubren usando observaciones, sirven para predecir nuevas observaciones, ayudan mucho en la resolucin de problemas y en la explicacin, y se explican mediante teoras. Para funcionar en todos estos procesos, es til darles a las leyes una representacin ms compleja, tal como la que se us para las reglas del sistema PI discutido ms abajo.

Desde un punto de vista lgico, las teoras semejan leyes generales. La teora de la gravitacin de Newton, por ejemplo, dice que entre cualesquiera dos cuerpos hay una fuerza. Esto puede representarse mediante la regla Si x es un cuerpo e y es un cuerpo, entonces hay una fuerza z entre x e y. Pero las teoras difieren de las leyes tanto en sus orgenes como en sus roles explicativos. Mientras las leyes son generalizaciones a partir de observaciones, las teoras se evalan mostrando su capacidad de explicar las leyes (ver captulo 5). Adems, como las teoras van ms all de lo que se observa, [14] para postular entidades tales como electrones, quarks ygenes, no pueden descubrirse del modo empricamente directo

en que se pueden descubrir en cambio las leyes. Dado que las teoras cumplen diferentes papeles, pueden necesitar una clase ms rica de representacin para poder funcionar en diferentes procesos. Podemos necesitar, por ejemplo, seguir las huellas del xito en la explicacin de una teora para evaluarla en comparacin con otras teoras.El encuadre general de la estructura del conocimiento cientfico que estoy proponiendo aqu es corriente en la filosofa de la ciencia actual. Tiene tres niveles, consistentes en: observaciones, observaciones que se generalizan como leyes, leyes que son explicadas como teoras. En trminos ms simples, la estructura resultante aparece como la que se representa en la figura 2.1. Un ejemplo concreto es una teora de la luz, tal como la teora de partculas de Newton o la teora de las ondas que la reemplaz en el siglo XIX. Estas teoras estaban destinadas a explicar leyes generales tales como que la luz se refleja y se refracta de determinadas maneras, lo que, a su vez, se basaba en observaciones particulares. De modo semejante, los psiclogos proponen teoras acerca de cmo la gente procesa la informacin, con el objeto de explicar efectos experimentales, que son generalizaciones estadsticas a partir de los resultados observados de los experimentos. (Los crticos de este encuadre de los tres niveles han mantenido que toda observacin est "cargada de teora"; ver la seccin 5.7).

La representacin de las observaciones, leyes y teoras requiere el uso de predicados como azul, cobre, o electrn. Desde la perspectiva del clculo de predicados, no hay nada misterioso sobre estos predicados: no son ms que marcas sobre el papel, simples unidades sintcticas. (Los lgicos distinguen entre sintaxis, semntica y pragmtica. La sintaxis se refiere a las propiedades que tienen los smbolos en virtud de su forma. La semntica se refiere a las relaciones de los smbolos con el mundo y la pragmtica trata del uso de los smbolos. Ver Morris, 1938.) Desde un punto de vista semntico, los predicados parecen ser directos, porque la teora de modelos de Tarski proporciona una semntica para el clculo de predicados, bajo la forma de una definicin de verdad (ver [15] tutorial B). Los predicados estn asociados con conjuntos de objetos en un dominio, interpretados como aquellos objetos respecto de los cuales el predicado es verdadero. Sin embargo, veremos en el captulo 4 que la semntica terico-modlica es inadecuada como teora del significado de los predicados cientficos.

Los cientficos son ms conscientes del valor de los conceptos que los lgicos. Sin conceptos apropiados, la formacin de leyes y teoras tiles es imposible. Por ejemplo, Einstein e Infeld (1938, p.133) incluyen la siguiente exclamacin en su exposicin sobre el concepto fsico de campo: "Cun difcil sera descubrir estos hechos sin el concepto de campo! La expresin para una fuerza que acta entre un cable por el cual fluye la corriente y un polo magntico, es muy complicada. En el caso de dos solenoides [bobinas de cable], tendramos que investigar la fuerza con la cual actan dos corrientes, la una sobre la otra. Y si lo hacemos con la ayuda del campo, advertimos inmediatamente el carcter de todas esas acciones en el momento en que se ve la similitud entre el campo del solenoide y el de la barra imantada." Para entender la importancia de los conceptos en esta clase de descubrimiento y en el pensamiento cientfico en general, resulta necesaria una representacin de los conceptos ms rica que los meros predicados. El captulo 4 en particular describir cmo el desarrollo de los conceptos tericos exige que los conceptos tengan una estructura interna rica.

2.3. Estructura y Proceso en PI

Con el objeto de tratar ms concretamente la importancia de representaciones ricas, esbozar ahora un programa de IA llamado PI, que simboliza "proceso de induccin" y se pronuncia "pie". PI ejecuta, en el lenguaje de programacin LISP, un modelo general de resolucin de problemas y de inferencia inductiva, desarrollado en colaboracin con el psiclogo cognitivista Keith Holyoak. La intencin, al describir PI, no es proponerlo como lenguaje cannico para hacer ciencia; se describirn sus limitaciones. Tampoco se supone que PI constituya en s mismo una solucin a la multitud de difciles problemas que hay en filosofa de la ciencia en relacin con la explicacin, la justificacin, etc. Lo que presento aqu es un ejemplo de cmo interactan representacin y proceso y cmo se puede comenzar a desarrollar en un marco computacional, una interpretacin general integrada del descubrimiento cientfico y la justificacin. Ms descripciones acerca de las operaciones de PI pueden hallarse en otros trabajos (Holland et al., 1986; Thagard y Holyoak, 1985); los apndices 2 y 3 contienen informacin mucho ms detallada sobre la implementacin de PI en LISP.

2.3.1. Representacin del conocimientoPI representa resultados particulares de observaciones e inferencias mediante mensajes, que son como las oraciones en el clculo de predicados y lo que se denomina [16] "hechos" en los sistemas de produccin. Un mensaje es una lista que incluye la siguiente informacin: predicado, argumento, valor de verdad, fiabilidad y nombre del mensaje. Por ejemplo, la observacin de que el planeta Marte es rojo est representada por la lista (rojo (Marte) verdad 1). Una estructura similar puede tambin representar hiptesis simples. La informacin de que por hiptesis Marte pueda estar desprovisto de vida podra representarse por la lista (tiene-vida (Marte) se proyecta como falso .7 hiptesis-26). Adems de los obvios valores de verdad verdad y falso, PI permite proyectar otros ms como tanteo. El nmero .7 indica cunta confianza tiene el sistema en el mensaje y el nombre del mensaje puede usarse para almacenar informacin adicional, por ejemplo, sobre la evidencia de las hiptesis. As, los mensajes de PI, aunque comiencen con una estructura que proviene del clculo de predicados, aaden ms informacin, la cual jugar un papel importante en la resolucin de problemas y la inferencia inductiva.

Las leyes estn representadas por reglas, que son enunciados si-entonces, como Si x es cobre entonces x conduce electricidad. An ms que para los mensajes, las reglas resultan tiles para aadir mucha ms estructura que la que podra tener un enunciado del clculo de predicados. Para empezar, queremos darle nombre a las reglas, para poder realizar un seguimiento de sus xitos y fracasos. Los xitos y fracasos se resumen en una cantidad llamada fuerza, que en PI es un nmero entre 0 y 1. Como podremos ver abajo, es importante para la resolucin de problemas que las reglas estn asignadas a los conceptos; as, el perfil completo de la regla anterior sobre el cobre, podra serLos programadores de LISP reconocern esto como una lista de propiedad del tomo Regla-22. Los programadores de Pascal lo van a considerar como un registro con varios campos. Los programadores de Basic y Fortran tendrn que verlo como una clase de ordenamiento ms complejo de lo que estn acostumbrados a usar. Los lgicos denominan, en general, a la condicin de una regla, su "antecedente" y a la accin de la regla, su "consecuente". Condiciones y acciones complejas permiten la representacin de leyes matemticas. La ley F = ma de Newton se convierte en Si x es fuerza e y es masa y z es aceleracin, entonces, x = y veces z.

Los conceptos en PI son an ms complicados, ya que estn representados mediante estructuras ricas semejantes a los marcos de Minsky (1975). Un marco representa una clase tpica de objeto o situacin (ver los tutoriales C y D por conocimientos bsicos). Cada uno de los conceptos de PI incluye informacin sobre su lugar en una red jerrquica de conceptos: por ejemplo, los perros son clases de animales y tienen [17] collies y labradores como subclases, de modo que el concepto de perro tiene a animal como superordinado y a collie y labrador como subordinados. Adems, los conceptos incluyen mensajes a los efectos de que puedan caer bajo el concepto diversos objetos. Lo ms importante es que los conceptos van acompaados de reglas que describen propiedades generales. Lo que sigue es la representacin del concepto de sonido que se us en la simulacin que realiza PI, del descubrimiento de la teora ondulatoria del sonido:

[18]Las condiciones, acciones, canal, estado, fiabilidad y fuerza, las establece el programador. Las dems propiedades de la regla, desde Emparejamientos-viejos hacia abajo, estn inicialmente vacas, pero el programa las va llenando a medida que se ejecuta. Por ejemplo, es muy importante conocer los emparejamientos viejos (qu mensajes coincidieron previamente con todas las condiciones e hicieron que la regla se activase) para evitar la aplicacin reiterada de la misma regla en una misma inferencia, impidiendo as que se activen otras reglas. En los sistemas que se basan en reglas, esto se llama "refraccin". La pregunta Satisface-objetivo? se us para rastrear si la activacin de una regla podra satisfacer los objetivos de un problema, con el propsito de asegurar que esa regla se activar. El Valor-actual se calcula cuando las condiciones de una regla se emparejan y determina si tal regla ser seleccionada como una de las que se activarn, tomando en cuenta factores como su fuerza y su grado de activacin. Las Instancias-de-accin son las acciones de la regla con variables ligadas cuando las condiciones se emparejan con los mensajes. El Apndice 2 proporciona un esbozo de las funciones de activacin de reglas de LISP en PI.

Ntese que las reglas como Regla-3 no constituyen un anlisis estricto o definicin de "sonido". Expresan aquello que es propio de los sonidos, no aquello que es universalmente necesario y suficiente para que algo sea un sonido. Los diccionarios son de poca ayuda para formar estas definiciones, como lo muestra la siguiente entrada tpica de diccionario (Guralnik, 1976, p. 1360):

sonido 1. a) vibraciones en el aire, agua, etc. que estimulan los nervios auditivos y producen la sensacin de or. b) la sensacin auditiva producida por tales vibraciones.En primer lugar, esta definicin es altamente terica, por cuanto se basa en el punto de vista cientfico de que los sonidos son vibraciones. En segundo lugar, resulta ser ms bien circular, puesto que el diccionario define "auditivo" en trminos de "or" y "or" en trminos de percibir sonidos. Esta circularidad no es problema para dar cuenta del significado en informes como los que se discuten en el captulo 4.

Las reglas generalmente especifican lo que es caracterstico de objetos tpicos y no lo que es universalmente cierto de ellos. Gracias a las crticas de Wittgenstein (1953) y Putnam (1975) en filosofa, Rosch (1973) en psicologa y Minsky (1975) en IA, la nocin tradicional del concepto como definido por condiciones necesarias y suficientes, se ha desacreditado. Wittgenstein seal que no hay definiciones que capturen todas las instancias de conceptos complejos tales como "juego" y slo esas. Es poco frecuente hallar estas definiciones fuera de la matemtica. Los experimentos de Rosch y otros mostraron que los conceptos de la gente se organizan en torno a prototipos: un petirrojo, por ejemplo, es un pjaro ms prototpico que un avestruz. Minsky [19] sostuvo que, para que haya una mayor flexibilidad computacional, los conceptos deberan representarse como marcos que describen casos tpicos o idealizados. En conformidad con ello, las reglas proporcionan, en PI, una descripcin aproximada de lo que es tpico de los sonidos y no su definicin. La nocin tradicional de concepto como algo plenamente definido genera una interpretacin engaosamente estricta de su significado, tema que ser importante ms adelante, en las discusiones acerca de cmo los conceptos se vuelven significativos (captulo 4) y de la inconmensurabilidad de los esquemas conceptuales (captulo 5).

Por qu PI usa mensajes, reglas y conceptos con tanta estructura? La justificacin para complicar estas estructuras es, simplemente, que se puedan usar en procesos complejos: soportan un modelo de resolucin de problemas e inferencia inductiva mucho ms elaborado e interesante de lo que hubiera sido posible sin ellos. La cuestin de si un modelo computacional del pensamiento debe tener estructuras independientes que se correspondan con los conceptos, es un tema controvertido; las importantes arquitecturas cognitivas de Anderson (1983) y Laird, Rosenbloom y Newell (1986), no las tienen. Yo sostengo que constituyen una parte valiosa de una teora de la cognicin.

2.3.2. Resolucin de Problemas

Resolucin de problemas y activacin expansiva de conceptos La actividad central de PI es la resolucin de problemas. Dado un conjunto de condiciones iniciales y de objetivos, activa reglas que conducirn desde las condiciones iniciales hasta los objetivos. Aqu est su simple representacin del problema de explicar por qu el sonido se propaga y refleja:

La solucin a este problema es una secuencia de activaciones de reglas que van en este caso, desde la suposicin de que algn $x es una instancia arbitraria de sonido hasta la conclusin de que el sonido se refleja y se propaga. Una vez que el sistema tiene la teora ondulatoria del sonido, la explicacin puede consistir en una aplicacin directa de las reglas segn las cuales los sonidos son ondas y las ondas se propagan y reflejan. Sin embargo, la decisin sobre cules reglas activar, depende de muchas cuestiones no lgicas, tales como qu reglas estn disponibles en la memoria, qu reglas son ms fuertes, en el sentido de que tienen el mejor registro de xitos, y qu reglas parecen ms pertinentes a la situacin concreta. (Para una exposicin detallada de la operacin de estos factores en los sistemas basados en reglas, ver Holland et al., 1986).Cuando la gente resuelve problemas, slo parte de la informacin ms relevante est disponible en su memoria en un momento determinado cualquiera. PI modela la variacin [20] en la accesibilidad a los elementos presentes en la memoria de un cientfico individual mediante un proceso de activacin expansiva de conceptos y reglas. En cualquier momento dado, slo se activa parte de la serie completa de conceptos y slo se encuentran disponibles para activarse algunas reglas del total de ellas. Las reglas se asignan a los conceptos: como hemos visto, asignadas al concepto de sonido, hay reglas como aquella por la cual si x es un sonido e y es alguna persona que est cerca de x, entonces y oye x. Asignados al concepto de sonido, hay tambin mensajes que codifican hechos acerca de sonidos particulares, tal como aquel segn el cual un sonido particular es bajo. PI compara todas las reglas de los conceptos activos con todos los mensajes de los conceptos activos; las reglas cuyas condiciones se emparejan se convierten as en candidatas a activarse. Puede activarse al mismo tiempo un nmero cualquiera de reglas, simulando procesamiento en paralelo. (El paralelismo es computacional y epistemolgicamente importante; ver el captulo 10). Cuando una regla se activa, se vuelven activos los conceptos que usa al funcionar. As, si la regla "Si x es un perro, entonces x tiene pelo" se empareja con el mensaje "Lassie es un perro" y entonces se produce el nuevo mensaje "Lassie tiene pelo", siendo igualmente importante el hecho de que se activa el concepto de pelo. De este modo, en el prximo paso, se activarn nuevas series de mensajes y reglas sobre pelo. La activacin puede propagarse hacia atrs, desde el objetivo hacia conceptos y reglas potencialmente tiles. Adems, en la versin actual de PI (a diferencia de la versin descripta en Holland et al., 1986), la activacin se propaga automticamente hacia arriba y hacia abajo en la jerarqua de conceptos; por ejemplo, desde el sonido hacia arriba, hacia la sensacin y el fenmeno superordinado y desde el sonido hacia abajo, hacia sus subordinados, como la msica, la voz, el silbido, el disparo. El proceso de activacin de las reglas y propagacin de los conceptos contina hasta haberse alcanzado los objetivos del problema. El proceso se esquematiza en la figura 2.2.

PI resuelve la cuestin de explicar la propagacin y reflejo del sonido formando una teora ondulatoria del sonido. Cmo fue exactamente lo que ocurri cuando el pensador griego o romano descubri por primera vez la teora ondulatoria del sonido, no se sabe, pero algunos fragmentos de Crisipo (Sambursky, 1973) y Vitruvio (1960) sugieren que se haba efectuado una asociacin entre el sonido y las ondas acuticas. PI ha simulado diversas maneras en que los conceptos de sonido y de onda pueden haberse vuelto simultneamente activos; por ejemplo, a travs de asociaciones que partiendo del sonido, van hacia, sucesivamente, la msica, los instrumentos musicales, las cuerdas, las vibraciones de onda. La solucin de PI para el problema de explicar por qu el sonido se propaga y se refleja pasa por activaciones de reglas y por la propagacin de la activacin, incluyendo la activacin del concepto de onda que posibilita la formacin de la hiptesis de que el sonido es una onda. En la figura 2.3 se presenta una cadena de asociaciones que van del sonido a la onda, simuladas en PI. Las activaciones de reglas estn indicadas con flechas, y la propagacin de la activacin hacia subordinados y superordinados se indica mediante lneas verticales. En esta simulacin, la activacin se propaga del sonido hacia su subordinado, la msica y otra vez hacia abajo, hacia los instrumentos musicales. Luego la regla segn la cual la msica instrumental se ejecuta con un instrumento se dispara y se activa el instrumento-de-cuerdas en cuanto subordinado de instrumento.

[21]

[22]

Se activan entonces dos reglas: los instrumentos de cuerdas vibran y lo que vibra se mueve de arriba abajo. Finalmente, la relacin de que las ondas son una clase de movimiento de arriba abajo lleva a la activacin del concepto de onda. Ver el Apndice 3 para una descripcin ms completa de la ejecucin de PI en este ejemplo. Obviamente, esta es slo una de las muchas cadenas de asociaciones que pueden haber ocurrido cuando la teora ondulatoria del sonido fue descubierta en la antigedad por los griegos. En una simulacin ms realista ocurriran muchas otras activaciones y desencadenamientos de reglas, simultneamente con los que acaban de describirse. Pero de cualquier modo, la simulacin da una idea de cmo podra producirse una asociacin entre sonido y onda durante un intento por explicar por qu el sonido se propaga y se refleja.

Resolucin Analgica de Problemas La resolucin de problemas puede estar facilitada en gran medida por el uso de soluciones que en el pasado hayan tenido xito. Keith Holyoak y yo hemos adaptado el mecanismo de propagacin directa de PI de modo que proporcione un anlisis de cmo pueden usarse las soluciones viejas para resolver problemas nuevos (Holyoak y Thagard, 1986). Las dos cuestiones claves en la resolucin analgica de problemas son: 1) Cmo se recuperan las soluciones exitosas pertinentes mientras se est resolviendo un problema? 2) Cmo se saca partido de la analoga, una vez que se encontr una solucin pertinente? En PI, las activaciones con propagacin dirigidas ofrecen respuestas semejantes para estas dos preguntas.

Actualmente ejecutamos una simulacin muy simplificada del problema de los rayos de Duncker (1945). El problema de los rayos consiste en resolver cmo usar una fuente de rayos para destruir un tumor en un paciente, teniendo en cuenta que una radiacin a toda potencia destruira el tejido entre la fuente y el tumor, llevando a la muerte del paciente. La gente tiene grandes dificultades para proponer una solucin a este problema (Gick y Holyoak, 1980, 1983), pero su desempeo mejora mucho cuando se le da a conocer antes un problema anlogo. El problema de la fortaleza consiste en tratar de resolver cmo puede un ejrcito [23] capturar una fortaleza, siendo imposible el ataque frontal con participacin de todo el ejrcito. Una solucin es dividir el ejrcito y usarlo para atacar la fortaleza desde diferentes puntos. Esta situacin sugiere una solucin anloga para el problema de los rayos, indicando una irradiacin del tumor con rayos de menor intensidad desde diferentes direcciones.

Nuestra simulacin actual modeliza la resolucin analgica de problemas en los siguientes pasos. En primer lugar, debe resolverse el problema de base (aqu, el de la fortaleza) y su solucin debe almacenarse mediante asociacin con los conceptos mencionados en la descripcin de tal problema. El problema de la fortaleza resuelto, por ejemplo, se representa mediante la siguiente estructura:

Nombre: capturar _ fortaleza

Tipo-de-dato: problema

Inicio: (ejrcito (obj_1) verdad)(fortaleza (obj_2) verdad)(camino (obj_3) verdad)(entre (obj_3 obj_1 obj_2) verdad)

Objetivos: (capturar (obj_1 obj_2) verdad)(destruido (obj_1) falso)

Activacin: 1

Conceptos-asignados-a: (ejrcito fortaleza caminos entre capturar destruido)

Reglas-usadas: regla_1_ejrcito, etc.

Efectores: (dividir (obj_1) verdad)(mover-separadamente-hasta (obj_1 obj_2) verdad)

En segundo lugar, se intenta la solucin para el problema central (aqu, el de los rayos). Ello inicia, en dos direcciones, la activacin expansiva dirigida: hacia adelante, partiendo de los conceptos mencionados en las condiciones iniciales del problema central, mediante activacin de reglas y, hacia atrs, partiendo de los conceptos mencionados en las condiciones fijadas para los objetivos. En tercer lugar, este proceso de activacin de reglas lleva a la activacin de conceptos a los que se les ha asignado el problema de la fortaleza. La figura 2.4 muestra un camino posible de activacin usado por PI para simular. Aqu, una asociacin que va desde rayo a disparar a bala a fusil a armas a luchar a conflicto a batalla a ejrcito, lleva a la activacin del concepto ejrcito. Algunas de estas asociaciones se dan mediante la activacin de reglas, como por ejemplo, que los rayos pueden disparar, mientras que otras se dan mediante relaciones subordinado/superordinado, por ejemplo, desde luchar a su superordinado, conflicto y hacia abajo, a otro subordinado, batalla. Gracias al paralelismo simulado por PI, una asociacin del objetivo de destruir el tumor, lleva, al mismo tiempo, de destruir a vencer (ya que una manera de destruir algo es vencerlo) y luego, a conquistar y capturar. Dado que la solucin almacenada del problema de la fortaleza est asignada a los conceptos recientemente activados de ejrcito y captura, esto acumula gradualmente la [24] activacin. Cuando el grado de activacin excede un umbral, PI desencadena un intento de explotar la analoga con mayor detalle.

Para poder aprovechar una analoga es necesario haber notado las correspondencias entre las soluciones a los dos problemas y calcular cmo usar los pasos clave en la solucin del primer problema para sugerir una solucin al segundo. El cuarto paso, entonces, es realizar un diagrama de las soluciones a los dos problemas, que destaque los componentes anlogos. PI obtiene este diagrama del registro de las activaciones expansivas, ya que en l figuran los conceptos que fueron responsables por la activacin posterior de otros. Por lo tanto, puede rastrear hacia atrs desde ejrcito, para determinar que fue activado por rayo, y establecer que la fuente de los rayos en el problema de los rayos y el ejrcito en el problema de la fortaleza, son anlogos. Por supuesto que el camino de la activacin hacia ejrcito inclua adems otros conceptos, pero rayo es el nico concepto que fue activado como parte de la descripcin del problema objetivo.

El establecimiento de los componentes anlogos posibilita el quinto paso, en el que se realizan acciones anlogas dentro del problema objetivo. PI almacena, junto con una solucin al problema, una lista de "efectores", las acciones proyectadas para actuar y que llevaron a la solucin del problema. En el problema de la fortaleza, los efectores fueron la divisin del ejrcito y el desplazamiento independiente de las divisiones hacia la fortaleza. Usando el diagrama ya establecido, PI determina que podra hallarse una solucin al problema de los rayos alcanzando los dos sub-objetivos de dividir el rayo y desplazar sus componentes de manera separada hacia el objetivo. En este punto, se reanuda el intento de resolver el problema del rayo mediante los procesos estndar de desencadenamiento-de-reglas y activacin expansiva. Ahora, los nuevos sub-objetivos proporcionan una descomposicin del problema del rayo, errneamente estructurado [25] antes. La analoga con el problema de la fortaleza no brinda una solucin completa al problema del rayo, pero permite sugerir los pasos clave de la solucin.

Despus que PI resuelve un problema analgicamente, produciendo una solucin mediante el uso de otra previa, construye un esquema analgico, que constituye una abstraccin de esas dos soluciones anteriores (ver el tutorial D para una introduccin a la nocin psicolgica de esquema). Dado que el problema de la fortaleza ha contribuido a solucionar el problema del rayo, PI examina cmo estn enunciados los dos problemas, para ver qu tienen en comn. Trata de obtener una versin abstracta de los dos problemas, usando las reglas almacenadas con los conceptos de los correspondientes problemas. En los problemas de la fortaleza y del rayo, hay suficiente semejanza como para producir la siguiente estructura:

Nombre: capturar-fortaleza/destruir-tumor

Tipo-de-dato: esquema de problema

Inicio: (fuerzas ($x) verdad)(objetivo ($y) verdad)

Meta: (vencer ($x $y) verdad)

Efectores: (dividir ($x) verdad)(desplazarse_separadamente_hacia ($x $y) verdad)

Luego se asocia esta estructura con los conceptos pertinentes, tales como fuerzas, y queda disponible para futuras resoluciones de problemas analgicas. Puede resultar mucho ms conveniente usar este esquema que los dos problemas de los que est formado, puesto que ser ms fcil diagramar un nuevo problema concreto para esta abstraccin que para los problemas de la fortaleza o del rayo. Cualquier nuevo problema cuyos conceptos activen suficientemente los de fuerzas, objetivo y vencer, ser capaz de aprovechar la posible solucin de dividir las fuerzas.

Los procesos descriptos simulan muchos de los resultados experimentales de Duncker (1945) y de Gick y Holyoak (1980, 1983). Holyoak y Thagard describen cmo tal modelo puede dar cuenta de resultados experimentales como la eficacia de la intuicin en la resolucin de problemas, la eficacia de los esquemas de problemas y el hecho de que las similitudes estructurales (que cumplen un papel causal en la determinacin de las soluciones) son ms importantes que las similitudes superficiales en la transferencia analgica.

Procesos extralgicos Un lgico naturalmente preguntar, por qu preocuparse de toda esta activacin expansiva? Por qu no tomar las consecuencias lgicas de las creencias actuales y agregarlas simplemente a la serie de creencias? Ya hemos visto que ninguna memoria finita podra manejar tal procedimiento. Un sistema no debe trastornar una memoria finita con hechos intiles. Sin embargo, an se podra decir que sera ms elegante considerar, en cada paso, todos los mensajes y reglas almacenados en la memoria. El problema computacional respecto de esta sugerencia es, simplemente, que hay demasiados en un sistema tan grande como el de un ser [26] humano. Lo que aparece como limitaciones en la memoria humana (nuestra incapacidad de pensar en todas las cuestiones pertinentes en un tiempo dado) puede ser, de hecho, importante para el pensamiento, puesto que no seramos capaces de extraer ninguna conclusin si estuvisemos abrumados de informacin. Un sistema de resolucin de problemas debe tener la capacidad de enfocar la atencin sobre las inferencias que la experiencia seale que pueden brindar prometedoras vas de solucin. El mecanismo de activacin propagada en PI est destinado a mostrar cmo la resolucin de problemas puede enfocarse a partir de las reglas pertinentes y las analogas prometedoras.

Debera estar claro ahora por qu los conceptos tienen que ser tan complejos. En PI, los conceptos cumplen el papel crucial de propagar la activacin, de determinar qu informacin est disponible en todo momento, y se vuelven activos o cesan de activarse declinando cuando ya no se los usa. Organizan conjuntamente diversos mensajes y reglas. Su papel en la resolucin analgica de problemas es central, tanto por su capacidad de hallar analogas tiles mediante la activacin expansiva, como por aprovecharlas usando los rastros de activaciones.

En el captulo 3, propongo que no podemos comprender las teoras y las explicaciones en la ciencia sin tener en cuenta qu clase de procesos complejos de resolucin de problemas y de aprendizaje esta usando PI para el estudio. Si ello es correcto, entonces los anlisis computacionales dados ms arriba son de un inters ms que psicolgico, ya que seran igualmente esenciales para la comprensin filosfica del conocimiento cientfico.

De este modo, PI necesita estructuras de datos complejas para ser capaz de realizar procesos que controlen efectivamente la solucin de problemas y la induccin. Contrapngase esto a la programacin lgica, usando el lenguaje Prolog (Clocksin y Mellish, 1981). Prolog es til para muchas aplicaciones por su sintaxis semejante a la lgica y su mecanismo de deduccin. Las expresiones en Prolog son semejantes a las del clculo de predicados, aunque deban tambin entenderse como instrucciones de programacin. Por ejemplo, el enunciado "Todo cobre conduce electricidad" se representa en Prolog como conduce-electricidad (x) cobre (x). En cuanto procedimiento, esto se interpreta como Si usted quiere mostrar que algo conduce electricidad, primero muestre que es cobre. Por ejemplo, si la base de datos contuvo el enunciado cobre(espcimen47) y se pregunta al sistema si conduce-electricidad(espcimen47), usar la regla anterior para deducir que, en verdad, el espcimen 47, conduce electricidad. La deduccin se hace mediante un probador de resolucin de teoremas: Prolog compara las negaciones de la expresin que ha de ser probada con la serie de expresiones ya afirmadas y trata de obtener una contradiccin. Si obtiene una contradiccin, entonces la afirmacin en cuestin se considera probada y se la aade a la base de datos.

Es ms fcil escribir programas que razonen en Prolog que en LISP porque el mecanismo de inferencia ya est en su lugar. Se puede, por supuesto, escribir un probador de resolucin de teoremas, en LISP o en cualquier otro lenguaje de programacin, pero Prolog tiene la ventaja de proveer al programador de un mecanismo de inferencia desde el primer momento. Sin embargo, la ventaja, cuando se trata de producir modelos cognitivos de los [27] que necesita la filosofa computacional de la ciencia, es ilusoria. Feigenbaum and McCorduck (1983, p. 122) sostienen que "los xitos ms importantes de la IA se deben a su dominio de los mtodos mediante los cuales se puede usar el conocimiento para controlar la bsqueda de soluciones a problemas complejos. Lo ltimo que un ingeniero del conocimiento deseara hacer es traspasar el control a un proceso automtico de prueba de teoremas que conduce bsquedas masivas sin que el conocimiento ejerza, en la base de conocimientos, el seguimiento de cada uno de los pasos. Tales bsquedas descontroladas pueden ser extremadamente consumidoras de tiempo." PI usa estructuras de datos complejas, como conceptos y reglas, para darles a sus procedimientos de resolucin de problemas e induccin un control mayor del que podra tener un simple sistema deductivo.

Desde luego que, dado que Prolog es un lenguaje de programacin completo, al igual que un mecanismo deductivo, puede usarse para producir estructuras de datos y procesos muy parecidos a los que PI emplea en LISP. En este punto, sin embargo, se termina cualquier semejanza entre Prolog y la lgica, y su mecanismo deductivo de prueba de teoremas deja de cumplir un papel serio en el modelo cognitivo que se est desarrollando.

La justificacin dada hasta ahora para el mecanismo de activacin expansiva del PI, es tanto psicolgica, porque imita en alguna medida el acceso a la memoria humana (ver Holland et al., 1986, cap. 2), como computacional, porque es necesario acotar y enfocar la resolucin de problemas. Un argumento computacional an ms fuerte surge de la naturaleza de la induccin. La activacin restringida de los conceptos, reglas y mensajes resulta decisiva para orientar y encuadrar la realizacin de inferencias inductivas. 2.3.3. InduccinHe tratado de demostrar antes la necesidad de restringir la deduccin para poder controlar qu inferencias deductivas se obtienen, y cundo. Las restricciones son an ms esenciales para la inferencia inductiva, es decir, la inferencia que lleve a conclusiones que no se siguen necesariamente de lo que ya se conoce. La induccin es por naturaleza ms riesgosa que la deduccin, puesto que puede llevar a conclusiones que no slo son intiles sino, adems, falsas. Al menos en la deduccin, lo que se sigue de premisas verdaderas, debe ser verdadero, mientras que la induccin implica de manera inevitable algn tipo de variacin. Aunque el lector pueda haber observado numerosas instancias de conduccin de electricidad por el cobre; generalizar que todo cobre conduce electricidad introduce, a pesar de todo, incertidumbre.

Puede parecer menos que ptimo disear un sistema que restrinja la atencin a slo una fraccin de la informacin almacenada en la memoria. En discusiones sobre induccin, filsofos como Carnap (1950) y Harman (1973) han abogado por condiciones de evidencia total, segn las cuales las inferencias inductivas de uno deberan tomar en cuenta toda la evidencia pertinente a la conclusin. Tal exigencia es, impracticable computacionalmente, puesto que requerira una bsqueda comprehensiva en toda la informacin almacenada. Necesitamos medios ms prcticos para concentrarnos en la informacin pertinente a los fines de nuestros propsitos.

[28]

Adems, al hacer inducciones, no queremos solamente alcanzar conclusiones bien garantizadas: queremos tambin producir reglas que sern tiles para su uso futuro en la resolucin de problemas y en la explicacin. Por ejemplo, puedo inducir que todas las tejas del techo de mi casa tienen entre 1.000 y 2.000 manchitas, pero por qu molestarse en contarlas? Del mismo modo, es poco probable que el lector dedique mucho tiempo a generalizar sobre el nmero de lneas o palabras que hay en cada pgina de este libro. La induccin debe tomar en cuenta los objetivos del sistema. (Ver Holland et al., 1986, cap. 1, para una exposicin ms completa de la pragmtica de la induccin; comprese con la discusin de la importancia de los intereses en el razonamiento, en Harman, 1986.)

As, PI slo realiza induccin en el contexto de la resolucin de problemas. En cada paso de un intento de solucin a un problema, PI monitorea la lista de los mensajes, reglas y conceptos, que est activa en ese momento. De esta manera, no se realizar ninguna inferencia inductiva que no sea pertinente a la situacin vinculada con la resolucin del problema en curso. PI desencadena intentos en varias clases de inferencia inductiva, incluyendo por lo comn generalizacin, abduccin y formacin de conceptos; ver la figura 2.5, que completa la figura 2.2.

Tratar la generalizacin muy brevemente, ya que se discute con mayor extensin en otro trabajo (Holland et al., 1986, cap. 8). Si la lista de mensajes activos de PI incluye la informacin de que algunos objetos caen bajo dos conceptos, entonces se realiza el intento de ver si esto se aplica generalmente. Por ejemplo, los mensajes (cobre (espcimen14) verdad 1) y (conduce_electricidad (espcimen14) verdad 1) desencadenarn intentos de generalizar que todo lo que es cobre conduce electricidad y que todo lo que conduce electricidad es cobre. Se utiliza luego ms informacin almacenada con los conceptos de cobre y conduce_electricidad para determinar si alguna de estas generalizaciones est garantizada. El [29] intento de generalizar se interrumpir pronto si un control de los conceptos pertinentes determina que hay ejemplos en contra de la posible generalizacin o que la generalizacin ya se haba realizado. De otro modo, PI considera si hay suficiente evidencia para garantizar la generalizacin, tomando en cuenta tanto la cantidad de instancias en comn como el conocimiento de base sobre la variabilidad de las clases de cosas en cuestin. La variabilidad es importante en la determinacin de cuntas instancias se requieren para que se satisfagan las condiciones que permiten considerar aceptable una generalizacin. Por ejemplo, el lector estara ms dispuesto a generalizar a partir de unas pocas instancias que el metal conduce electricidad, que a generalizar que una nueva clase de pjaro tiene un color determinado, porque los pjaros varan ms en cuanto a su color, que los metales en cuanto a sus propiedades elctricas.

La generalizacin en PI tiene mucho en comn con la teora tradicional de la confirmacin, que analiza cmo pueden confirmarse las leyes a partir de los casos (Hempel, 1965), pero tambin hay importantes diferencias. En primer lugar, PI no trata la confirmacin de las leyes aisladamente, sino que ve a la generalizacin como algo que se desencadena durante la actividad cientfica de la resolucin de problemas; esto aade un componente pragmtico, dirigido a objetivos determinados, que contribuye a evitar las famosas paradojas de la teora de la confirmacin (Holland et al., captulo 8). En segundo lugar, PI no trata solamente los casos que confirman las leyes, sino tambin el conocimiento de base sobre la variabilida. Esto requiere usar la informacin almacenada en conceptos relativos a las relaciones de superordinacin y subordinacin. Por ejemplo, para poder generalizar que los cuervos son negros, es necesario saber que los cuervos son una clase de pjaro y que el negro es una clase de color y qu otras clases de pjaros y de colores hay (el algoritmo que usa PI est esquematizado en el apndice 2). De este modo, los recursos de resolucin de problemas y representacin del conocimiento de PI van mucho ms all de lo que puede hacerse en la teora clsica de la confirmacin.

Otras clases de aprendizaje (formacin de conceptos y abduccin) se discutirn en captulos subsiguientes. El captulo 4 describe el papel de la abduccin en la formacin de hiptesis y la importancia de la formacin de los conceptos mediante la combinacin conceptual para la creacin de conceptos tericos. El punto fundamental para tener en mente aqu es que PI nunca pierde tiempo tratando de formar todas las hiptesis posibles o todos los conceptos posibles. La abduccin y la combinacin conceptual se desencadenan slo cuando estn activos los conceptos y las reglas pertinentes. La concentracin en lo que es pertinente e importante se logra mediante el control de la propagacin de la activacin a travs del proceso de resolucin de problemas.

2.3.4. Las limitaciones de PIPI tiene muchos rasgos convenientes para un modelo de los procesos cognitivos de los cientficos, pero tambin tiene claras limitaciones. Las simulaciones ejecutadas hasta ahora han sido pequeas, no habiendo usado ninguna ms de 60 reglas o conceptos, de modo que slo captura una reducida parte del conocimiento del dominio: ver el apndice 3, para un [30] ejemplo. Un test ms fuerte del modelo requerir simulaciones que implican formalizar grandes cantidades de conocimiento del dominio, sin preseleccin de conceptos y reglas que aseguren los caminos de la solucin deseada. Las soluciones a los problemas en curso no emplean virtualmente conocimientos sobre el espacio, el tiempo y la causalidad, los cuales son importantes para la resolucin de problemas y la explicacin (ver la seccin 3.5.2). Algunos mecanismos que emplea PI, tales como su particular clase de activacin propagada mediante la activacin de reglas y las relaciones superordinado/subordinado, tienen que ser ya testeados por experimentos psicolgicos. Su mecanismo de generalizacin slo es capaz de inferir leyes cualitativas muy simples, puesto que carece de los mecanismos heursticos para formar leyes matemticas que estn presentes en el programa BACON (Langley et al., 1987) y la capacidad de usar el conocimiento relativo a un dominio para orientar la bsqueda de reglas que tiene el programa Meta-DENDRAL (Buchanan y Mitchell, 1978). La implementacin de la resolucin analgica de problemas que realiza PI tambin necesita mejoramiento; se ha desarrollado un mtodo muy superior de proyeccin de una analoga en otra, pero an no se lo ha integrado con PI (Holyoak y Thagard, 1987). Ms limitaciones de PI relativas al descubrimiento y a la justificacin de hiptesis se indicarn en los captulos 4 y 5. No obstante, PI ofrece un esquema computacional inicial para investigar las cuestiones vinculadas con el conocimiento cientfico.

2.4. Equivalencia expresiva y de procedimiento

Pese a los argumentos anteriores relativos a la importancia de conceptos en la representacin del conocimiento, quiz haya algunos escpticos que quieran sostener su carcter de prescindible sobre la base general de que su contenido puede traducirse a estructuras ms simples. A mediados de los 70, hubo una bulliciosa actividad en IA, que empleaba la ambigua pero sugerente nocin de marco, de Minsky. Hayes (1979) seal que hay una traduccin natural de las representaciones de marcos al clculo de predicados: se puede transformar un marco en una conjuncin de oraciones en el clculo de predicados, en la cual cada oracin representa la informacin en una ranura del marco. De este modo, toda la informacin de las reglas y conceptos de PI podra traducirse en oraciones del clculo de predicados.

Sin embargo, la existencia de tal traduccin de ninguna manera disminuye la importancia de contar con representaciones ricas de reglas y conceptos. Comparemos dos sistemas de numeracin: los nmeros arbigos 1, 2, 3 y los nmeros romanos, I, II, III. Si a los nmeros romanos se aade el cmodo nmero 0, entonces hay una evidente traduccin de nmeros arbigos a nmeros romanos, de modo que podra decirse que no hay entre estos dos sistemas una diferencia interesante. Pero consideremos nuestros algoritmos para realizar multiplicaciones y divisiones grandes. A una edad temprana aprendemos cmo dividir, [31] digamos 598 por 46, a lo largo de estas lneas: 46 en 59 est una vez, con un resto de 13 y 46 est en 138 3 veces, de manera que la respuesta es 13. Comparemos con el intento de dividir DXCVIII por XLIV. La representacin romana no se presta tan fcilmente a un algoritmo simple para realizar una divisin grande. De este modo, aunque podamos decir que los nmeros romanos y arbigos son expresivamente equivalentes porque pueden traducirse el uno al otro y as tienen el mismo contenido, sera un error decir que son equivalentes en cuanto al procedimiento, puesto que no son apropiados para todos los procedimientos.

La sola distincin entre equivalencia expresiva y equivalencia de procedimiento, tiene muchas aplicaciones. Dada la equivalencia expresiva entre dos sistemas y un procedimiento en uno de ellos, siempre podemos encontrar un procedimiento correspondiente en el otro. Pero el procedimiento hallado puede ser muy ineficiente. Para el caso de los nmeros romanos, podemos traducirlos simplemente a nmeros arbigos, usar nuestros algoritmos familiares con ellos y luego volverlos a traducir, en lugar de intentar la obtencin de un algoritmo para la divisin grande, directamente. Es evidente, sin embargo, que este proceso toma mucho tiempo extra, de manera que no constituye una ventaja frente al uso de los nmeros arbigos. De manera similar, los procedimientos en los sistemas de marcos pueden ser ms eficientes para clases particulares de inferencias que los hallados en sistemas lgicos menos especializados. Cualquier computadora digital es computacionalmente equivalente a una mquina de Turing, la cual es un dispositivo extremadamente simple consistente slo en una cinta con recuadros y una cabeza que puede escribir ceros y unos en los recuadros. Pero este hecho no es de mucho inters para comprender la inteligencia, ya que las mquinas de Turing son lentas y penosas de programar. El diseo de sistemas inteligentes, por seleccin natural o por ingenieros humanos, tiene en cuenta, inevitablemente, la velocidad de las operaciones. De aqu la gran importancia que tiene para comprender la naturaleza de la mente, la actual oleada de investigaciones sobre cmo las arquitecturas paralelas para computadoras pueden acelerar el procesamiento (vase el captulo 10 y Thagard, 1986).

La distincin entre la equivalencia expresiva y la equivalencia de procedimiento es importante tambin para la psicologa terica. Hubo entusiastas debates en torno de si la mente emplea imgenes mentales adems de proposiciones y si emplea grandes estructuras llamadas "esquemas" adems de proposiciones ms simples (vase tutorial D). Algunos tericos han argumentado que, dado que el contenido de toda imagen o esquema puede traducirse a proposiciones, no hay necesidad de proponer las estructuras adicionales. Pero las imgenes y los esquemas podran tener procedimientos asociados con ellos, que seran mucho ms difciles de realizar en un sistema puramente proposicional; las imgenes, por ejemplo, se pueden hacer rotar o pueden manipularse de modo sistemtico. As, usando factores tales como la velocidad de procesamiento y diferencias cualitativas, puede encontrarse evidencia emprica que sostenga la existencia en el pensamiento humano, de estructuras ms complejas que las halladas en las reglas y conceptos de PI.

[32] 2.5. ResumenUna comprensin del conocimiento cientfico requerir la representacin de las observaciones, leyes, teoras, conceptos y soluciones a problemas. Para producir una descripcin completa de los roles que estos elementos cumplen en actividades tales como la resolucin de problemas y el descubrimiento, es necesario usar representaciones con ms estructura de la que admitira un modelo lgico. Los conceptos de PI requieren mucha estructura interna a causa de la forma en que agrupan la informacin y propagan la activacin por el sistema durante la resolucin de los problemas. La equivalencia expresiva de dos sistemas no implica la equivalencia de procedimiento, y las cuestiones de procedimiento son centrales a la comprensin del desarrollo y aplicacin del conocimiento cientfico.

[33] Captulo 3Teoras y explicaciones

Las teoras cientficas son nuestros logros epistmicos ms importantes. Nuestro conocimiento de los aspectos individuales de la informacin es poco comparado con teoras tales como la teora general de la relatividad y la teora de la evolucin por seleccin natural, que configuran nuestra comprensin de muchas clases diferentes de fenmenos. Podramos inclinarnos a pensar que el conocimiento comn (ver) cambia y se desarrolla meramente mediante aadidos y supresiones de fragmentos de informacin; sin embargo, el cambio terico exige alteraciones globales mucho ms complejas. Pero, qu son estas entidades que constituyen la parte ms impresionante de nuestro conocimiento?

Los investigadores en filosofa de la ciencia de los ltimos cincuenta aos han usado tres clases de aproximaciones al problema de la naturaleza de las teoras cientIficas. Siguiendo la clasificacin semitica tradicional del captulo 2, llamar a estos enfoques, sintctico, semntico y pragmtico. Los positivistas lgicos consideraron las teoras cientficas como estructuras sintcticas -series de oraciones, con una formalizacin axiomtica ideal en un sistema lgico (Hempel, 1965, pp. 182-183). En la dcada pasada, una concepcin semntica (de teora de conjuntos) (ver) de las teoras se fue volviendo cada vez ms popular; esta concepcin abstrae de formulaciones sintcticas particulares de teoras y las interpreta en trminos de conjuntos de modelos, en el sentido tarskiano explicado en el tutorial B (revisar). Otra tendencia reciente, difundida entre filsofos con una inclinacin ms histrica, ha sido pragmtica porque considera a las teoras como dispositivos usados por los cientficos en contextos particulares (revisar). Entre los filsofos que construyen teoras pragmticamente, estn Kuhn (1970b), quien enfatiza el rol de los paradigmas en las comunidades histricas, y Laudan (1977), quien subraya el papel de las teoras en la resolucin de problemas empricos y conceptuales.

Las prximas secciones describen algunas de las fortalezas y debilidades de estos tres enfoques. Sostendr que un testimonio plenamente adecuado de las teoras cientficas, debe ser pragmtico: la concentracin formalista sobre los slos rasgos sintcticos o semnticos de las teoras, descuida inevitablemente algunos de sus aspectos esenciales. Sin embargo, los testimonios pragmticos de orientacin histrica de Kuhn y otros, han fracasado en el desarrollo de anlisis filosficos adecuados porque han sido incapaces de aadir suficiente contenido a nociones [34]ambiguas como paradigmas y soluciones de problemas. Usando ideas computacionales, puede desarrollarse un testimonio pragmtico ms poderoso. Voy a construir una teora en cuanto complejo de estructuras de datos de la clase descripta en el captulo anterior y voy a plantear que el resultado es prctica, histrica, y filosficamente superior a los enfoques sintcticos y semnticos.

3.1. Requisitos para una exposicin de la naturaleza de las teoras

Qu debemos pedirle a un testimonio sobre la naturaleza de las teoras cientficas? Pienso que ha de ser adecuado en tres niveles distintos pero relacionados: el prctico, el histrico y el filosfico. Queremos un testimonio que 1) sirva para describir la prctica cotidiana de los cientficos en cuanto a su uso de las teoras, 2) organize los modos en que las teoras estn desarrolladas histricamente, 3) de lugar a tratamientos filosficamente satisfactorios de temas tan importantes en la filosofa de la ciencia como la naturaleza de la explicacin.

Un testimonio que sea prcticamente adecuado, debe mostrar cmo pueden funcionar las teoras en las distintas maneras en que las usan los cientficos en la explicacin, la resolucin de problemas, el desarrollo de conceptos, etc. El uso en estas operaciones intelectuales supone que una teora debe ser una entidad psicolgicamente real, capaz de funcionar en las operaciones cognitivas de los cientficos. Tal funcionamiento no es una cuestin puramente individual, porque una teora debe tener la capacidad de que los miembros de una comunidad cientfica la compartan y que los nuevos miembros de esa comunidad, la aprendan. Si la filosofa de la ciencia ha de ser filosofa de la ciencia ms que epistemologa abstracta, entonces tendr que relacionarse con la psicologa puesto que su testimonio de la estructura del conocimiento cientfico da cuenta de la manera en que se estructura el conoci