Del conexionismo al deep learning. Discusiones para la validación de teorías cognitivas

Abstract

Partiendo de la revisión crítica y el análisis del campo de la inteligencia artificial, este artículo busca sostener la tesis de que las teorías cognitivas conexionistas pueden validarse mediante el diseño de modelos cognitivos artificiales basados en técnicas actuales de aprendizaje profundo. Se postula que, si estos modelos se diseñan con base en los principios del paradigma conexionista de las ciencias cognitivas, pueden ofrecer una representación confiable y empíricamente sostenible de la cognición. Se argumenta que la tecnología computacional actual es lo suficientemente sofisticada para emular las condiciones inherentes al enfoque conexionista y a la neurofisiología subyacente a los procesos cognitivos perceptuales. Como ilustración, se examina el proceso de percepción de profundidad visual, defendiendo la idea de que estos modelos autónomos, que incorporan mecanismos de aprendizaje y adaptación, pueden desempeñarse como herramientas experimentales de corroboración o refutación de la teoría cognitiva. A partir de las evidencias encontradas en la literatura, se concluye que el desarrollo de estos modelos es apropiado para la captura de regularidades funcionales de la cognición y constituye una plataforma experimental robusta para la validación de postulados conexionistas.