La inteligencia artificial (IA) ha experimentado un desarrollo vertiginoso en las últimas décadas, buscando replicar o superar capacidades tradicionalmente humanas. Gran parte de este avance se basa en la investigación sobre la cognición cerebral, intentando simular las actividades fisiológicas reales de nuestro cerebro a través de software. Sin embargo, esta réplica biológica enfrenta un desafío fundamental: la incapacidad actual para simular los estados mentales y emocionales subjetivos de los seres humanos. La imperfección inherente de la IA existente impulsa la necesidad de una nueva dirección de investigación, una que combine los sistemas de inteligencia artificial con los principios de la psicología cognitiva.
El objetivo de esta fusión es claro y ambicioso: promover el desarrollo de la inteligencia artificial para dotar a las computadoras de habilidades cognitivas avanzadas similares a las humanas. Esto implica ir más allá del simple procesamiento lógico para permitir que las máquinas reconozcan emociones, comprendan los sentimientos humanos y, eventualmente, logren el diálogo y la empatía, tanto con humanos como con otras IAs. Este artículo subraya el potencial y la importancia del desarrollo de la IA para comprender, poseer y discriminar los estados mentales humanos, argumentando su valor de aplicación a través de ejemplos típicos de interacción humano-computadora, como la atractividad facial, la computación afectiva y la emoción musical. Se busca así allanar el camino para la investigación de la inteligencia artificial a un nivel superior.
- Los Fundamentos: IA y la Psicología Cognitiva
- Salvando la Brecha: Simulación de la Cognición Humana
- Aplicaciones Prácticas: Donde la Teoría se Encuentra con la Realidad
- IA Cognitiva vs. Computación Cognitiva: Claridad en los Conceptos
- La IA Cognitiva en Acción: Ejemplos del Mundo Real
- El Papel de los Datos y la Búsqueda Cognitiva
- Preguntas Frecuentes
- Conclusión
Los Fundamentos: IA y la Psicología Cognitiva
La revisión actual de la inteligencia artificial basada en la psicología cognitiva, si bien prometedora, aún no es completamente exhaustiva. Este campo introduce nuevas teorías y métodos de diversas disciplinas como la psicología, la neurociencia y la informática para simular mecánicamente las actividades psicológicas humanas. Al reproducir la psicología de las personas, estas áreas se integran y promueven mutuamente, colaborando para crear una inteligencia artificial más universal y autónoma. Esto permite una mejor interacción humano-computadora y eleva el nivel de inteligencia social de las máquinas.
Con el avance de la psicología, el alcance y la elección de los objetos de investigación se han vuelto más amplios y universales. Esto ha facilitado la rápida penetración de los productos de inteligencia artificial en el campo de la psicología, dando lugar a sistemas de reconocimiento de emociones basados en expresiones faciales, análisis de opinión pública mediante big data, diagnóstico médico inteligente a partir de imágenes, sistemas de alerta temprana de suicidio y sistemas de gestión de vigilancia inteligente. Estos avances, a su vez, impulsan el desarrollo de la psicología y acortan los ciclos de investigación.
La investigación en inteligencia artificial aún se encuentra en una etapa de desarrollo en lo que respecta a la simulación de aspectos humanos como la memoria, la atención, la percepción, la representación del conocimiento, las emociones, las intenciones y los deseos. Dado que la IA existente no es perfecta, la dirección de investigación clave es combinar los sistemas de IA con la psicología cognitiva. Esto busca impulsar el desarrollo de la inteligencia artificial, dotando a las computadoras de la capacidad de simular la cognición avanzada humana, permitiéndoles aprender y pensar, reconocer emociones, comprender sentimientos y, en última instancia, lograr el diálogo y la empatía.
Salvando la Brecha: Simulación de la Cognición Humana
Actualmente, el desarrollo de la inteligencia artificial se basa mayoritariamente en la investigación de la cognición cerebral, buscando reproducir las actividades fisiológicas reales del cerebro humano a través de software informático. Sin embargo, esta replicación biológica no logra simular adecuadamente los cambios psicológicos subjetivos. Por ejemplo, en términos de memoria, el olvido humano es no activo; cuanto más queremos olvidar algo, más memorable se vuelve. En contraste, el olvido en las máquinas es una eliminación activa, lo que se desvía de nuestras expectativas psicológicas.
En el proceso de promover el progreso de la inteligencia artificial, la psicología y su derivada, la filosofía de la mente, desempeñan un papel fundamental, directo o indirecto. Pueden considerarse como teorías de apoyo esenciales para la IA. Por ejemplo, la teoría actual del aprendizaje por refuerzo en IA se inspira en la teoría conductista de la psicología: cómo un organismo desarrolla gradualmente expectativas de estímulos en respuesta a recompensas o castigos del entorno, resultando en comportamientos habituales que maximizan el beneficio. Los desafíos actuales que enfrenta la comunidad de inteligencia artificial, como la respuesta emocional de las máquinas de IA y la toma de decisiones en estados ambiguos, también dependen de avances en los campos correspondientes de la psicología.
La psicología cognitiva se centra principalmente en el estudio de los procesos mentales avanzados de la cognición humana, incluyendo el pensamiento, la decisión, el razonamiento, la motivación y la emoción. La característica más importante que distingue a los humanos de las máquinas es que los humanos procesan la entrada externa retroalimentando diferentes actitudes hacia las cosas a través de nuestras unidades de conocimiento internalizado sobre el mundo exterior, estimulando orientaciones emocionales subjetivas como satisfacción, insatisfacción, agrado, desagrado, etc. Estos rasgos emocionales etiquetados son generados por la psicología cognitiva humana. Midiendo los cambios emocionales subjetivos, se actualiza la estructura de conocimiento interna y se guía a la máquina de inteligencia artificial a reaprender, de modo que se incorporen en la IA actitudes humanas, preferencias y otras experiencias emocionales subjetivas.
En 2020, Taylor integró la psicología cognitiva en el campo emergente de la inteligencia artificial explicable (XAI) con el objetivo de mejorar la interpretabilidad, la equidad y la transparencia del aprendizaje automático. La evolución de la IA en la psicología cognitiva muestra una trayectoria creciente de integración.
Aplicaciones Prácticas: Donde la Teoría se Encuentra con la Realidad
La psicología cognitiva ha sido muy instructiva para el desarrollo de la IA, y el diseño actual de la IA hace referencia extensiva a los modelos cognitivos humanos. El proceso de la actividad mental humana se simula en varios aspectos como la atención, la codificación y la memoria. La inteligencia artificial cognitiva-psicológica ha sido investigada en muchos campos. A continuación, analizaremos y resumiremos tres escenarios de aplicación típicos que guían el aprendizaje de la IA a través de los procesos mentales superiores de la cognición humana, incluyendo orientaciones mentales subjetivas como el pensamiento y la emoción. La inteligencia artificial es entrenada para reconocer emociones, comprender sentimientos humanos y replicar la psique humana, lo que a su vez acelera la investigación en psicología cognitiva.
La Predicción de la Atractividad Facial
Los diferentes juicios estéticos sobre los rostros humanos son una de las manifestaciones más comunes de la psicología visual humana. Es una fuente importante de generación de emoción social y juega un papel crucial en la interacción y comunicación social humana. Aunque la belleza se considera subjetiva en la vida diaria, la ciencia ha encontrado un alto grado de consistencia en la percepción humana de la belleza facial a través de razas, edades, géneros, clases sociales y antecedentes culturales. Esta observación sugiere que la atractividad facial refleja, hasta cierto punto, puntos en común psicológicos humanos generales.
SCUT-FBP5500 es una base de datos para la predicción de la atractividad facial, recopilada por el Laboratorio de Interacción Humano-Computadora de la Universidad Tecnológica del Sur de China. Contiene 5,500 fotos frontales de rostros con diferentes atributos y etiquetas de características, incluyendo puntuaciones de valor facial (1-5). Estas características de preferencia mental se utilizaron experimentalmente como datos de entrenamiento para formar representaciones de estados mentales. Luego, se emplearon diferentes modelos informáticos (AlexNet, ResNet-18, ResNeXt-50) para clasificación, regresión y ranking, formando una plantilla de atractividad facial basada en aprendizaje profundo.
La evaluación de estos modelos utilizando indicadores como el coeficiente de correlación de Pearson (PC), el error absoluto máximo (MAE) y el error cuadrático medio (RMSE) ha mostrado resultados prometedores. Utilizando el método de validación cruzada de cinco pliegues, se encontró que el coeficiente de correlación de Pearson superó el 0.85, el error absoluto máximo se mantuvo alrededor de 0.25 y el error cuadrático medio estuvo entre 0.3 y 0.4, demostrando la viabilidad de la simulación.
Otros enfoques han mejorado la precisión, como el uso de partes faciales específicas y esquemas de aprendizaje multi-tarea. Se ha demostrado que aprender características compartidas para tareas relacionadas (evaluación de belleza, reconocimiento de género y raza) mejora el rendimiento. La aplicación de redes neuronales convolucionales multi-flujo que procesan tanto partes específicas del rostro como el rostro completo también ha mostrado mejoras significativas en conjuntos de datos de referencia como SCUT-FBP5500.
La investigación en este campo también ha explorado el aprendizaje de preferencias estéticas individuales a partir de un número limitado de imágenes anotadas, superando técnicas existentes. A lo largo de años de investigación en la intersección de inteligencia artificial y atractividad facial, se ha demostrado que, aunque es difícil establecer reglas claras e interpretables para definir la atractividad, es posible explorar la relación entre rostros comunes y atractivos y describir cuantitativamente las preferencias estéticas cualitativas mediante la inteligencia artificial. Los resultados se ajustan a los estándares estéticos contemporáneos, lo que demuestra que es factible que las computadoras simulen habilidades cognitivas humanas avanzadas para reconocer emociones y comprender sentimientos, y que el desarrollo de la inteligencia artificial basada en la psicología cognitiva tiene un potencial y una importancia considerables.
Un ejemplo del impacto de la integración de diferentes características faciales en la predicción de la atractividad se ilustra en la siguiente tabla:
| Rendimiento Predictivo | F | S | LBP | F × S | F × LBP | S × LBP | F × S × LBP |
|---|---|---|---|---|---|---|---|
| LR | 0.502 | 0.616 | 0.658 | 0.683 | 0.654 | 0.637 | 0.722 |
| KNN | 0.619 | 0.672 | 0.694 | 0.753 | 0.771 | 0.782 | 0.794 |
| SVM-LIN | 0.649 | 0.738 | 0.712 | 0.768 | 0.732 | 0.724 | 0.797 |
| SVM-RBF | 0.702 | 0.713 | 0.741 | 0.763 | 0.754 | 0.781 | 0.806 |
Tabla 1. Rendimiento de la predicción de atractividad facial con diferentes características. F: Características de Forma, S: Características de Estructura, LBP: Patrones Binarios Locales de Textura. LR: Regresión Logística, KNN: K-Vecinos Más Cercanos, SVM: Máquina de Vectores de Soporte (LIN: Lineal, RBF: Base Radial).
Como se observa en la Tabla 1, la integración de las tres características (Forma, Estructura y Textura) utilizando SVM-RBF alcanzó el coeficiente de correlación de Pearson más alto (0.806), demostrando que la combinación de información de diferentes niveles de características faciales mejora significativamente la capacidad de la IA para predecir la atractividad facial.
Computación Afectiva: Entendiendo las Emociones
La emoción es un estado psicológico de actitud positiva o negativa hacia las cosas externas y la realidad objetiva. Se define como un conjunto de fenómenos psicológicos expresados en forma de emociones, sentimientos o pasiones. Las emociones no solo se refieren a las emociones humanas, sino también a todos los sentimientos sensoriales, físicos, psicológicos y espirituales humanos. Investigaciones han demostrado que la inteligencia humana no solo se manifiesta en el pensamiento racional y la capacidad de razonamiento lógico, sino también en una rica capacidad emocional. Hace más de 40 años, Herbert Simon, premio Nobel, enfatizó en psicología cognitiva que la resolución de problemas debe incorporar la influencia de las emociones.
El concepto de computación afectiva fue introducido por primera vez por Picard (1995), quien la definió como “computación que puede medir, analizar e influir en las emociones en respuesta a las expresiones externas humanas”. Esto abrió un nuevo campo en la informática, con la idea de que las computadoras deberían tener emociones y ser capaces de reconocerlas y expresarlas como lo hacen los humanos, haciendo así la interacción humano-computadora más natural.
Como medio importante de comunicación interpersonal, la emoción transmite información sobre el estado emocional y explica actividades psicológicas complejas y motivos de comportamiento a través de indicadores fisiológicos como texto de lenguaje humano, cambios de volumen de entonación, expresión facial, postura corporal y ondas cerebrales. Ekman (1972), un profesor estadounidense de psicología, propuso el Sistema de Codificación de la Acción Facial (FACS) para la expresión de emociones faciales. Mediante la combinación de diferentes unidades de codificación y motoras, se pueden formar cambios de expresión complejos en el rostro. FACS puede analizar emociones utilizando arquitecturas avanzadas de aprendizaje profundo que identifican regiones faciales importantes y capturan información estructural del rostro.
La fórmula de computación emocional correspondiente se puede derivar basándose en la codificación del movimiento facial, como se muestra en la Tabla 2.
| Expresión | Fórmula de AU |
|---|---|
| Felicidad | AU6 + AU12 |
| Tristeza | AU1 + AU4 + AU15 |
| Sorpresa | AU1 + AU2 + AU5 + AU26 |
| Miedo | AU1 + AU2 + AU4 + AU5 + AU7 + AU20 + AU26 |
| Ira | AU4 + AU5 + AU7 + AU23 |
| Asco | AU9 + AU15 + AU16 |
| Desprecio | AU12 + AU14 |
Tabla 2. Fórmulas de emociones basadas en Unidades de Acción (AU) del Sistema de Codificación de la Acción Facial (FACS).
En la interacción humana, el habla es la forma más común de comunicación. Como señal audiovisual básica, el habla no solo permite identificar diferentes locutores, sino también distinguir eficazmente diferentes estados emocionales. La investigación internacional sobre el habla emocional se centra en el análisis de características acústicas de las emociones, como el ritmo, la fuente sonora, los picos de resonancia y el espectro. En los últimos años, el aprendizaje profundo ha sido ampliamente estudiado y tiene muchas aplicaciones en la computación de emociones del habla. Redes como las LSTM bidireccionales con auto-atención dirigida (BLSTM-DSA) han demostrado ser efectivas para aprender dependencias a largo plazo y capturar emociones ocultas en las frases, logrando tasas de reconocimiento superiores al 70% en tareas de reconocimiento de emociones del habla en bases de datos como IEMOCAP y EMO-DB.
La postura humana a menudo transmite información emocional durante la interacción. Los investigadores han combinado la postura humana con la inteligencia artificial para evaluar cuantitativamente la representación externa del estado mental de una persona ante diferentes situaciones, utilizando dispositivos de captura de movimiento e información corporal. Ejemplos incluyen asientos inteligentes que monitorean el estado emocional del conductor o análisis postural para diseñar entornos de oficina más cómodos.
El electroencefalograma (EEG) es otra herramienta utilizada para reconocer emociones. Se basa en registrar el potencial biológico espontáneo del cerebro desde el cuero cabelludo. El conjunto de datos DEAP, por ejemplo, registra señales de EEG y periféricas de participantes viendo videos musicales, quienes luego califican su estado emocional. Se investigan las correlaciones entre las frecuencias de la señal EEG y las calificaciones de los participantes. La fusión de decisiones a partir de resultados de clasificación de diferentes modalidades ha logrado altas tasas de reconocimiento para estados emocionales individuales y combinados.
La siguiente tabla resume la precisión de clasificación del conjunto de datos DEAP utilizando diferentes modelos de reconocimiento:
| Estímulo | Clasificador | Emociones | Sujetos | Precisión (%) |
|---|---|---|---|---|
| Video | GELM | 4 | 32 | 69.67 |
| Audio | MLP | 4 | 30 | 78.11 |
| Video | Nearest neighbour | 4 | 32 | 73.62 |
| Video | Domain-adaptation | 5 | 14 | 39.05 |
| Video | SVM Valence-dominance | 10 | - | 63.04 |
| Video | K-NN | 2 | 30 | 69.50 |
Tabla 3. Precisión de clasificación del conjunto de datos DEAP basada en diferentes modelos de reconocimiento.
La investigación en computación afectiva multimodal, combinando señales como el habla y la expresión facial, ha demostrado ser prometedora. Por ejemplo, un algoritmo de discriminación asistida automática de depresión que integra habla y expresión facial ha alcanzado altas tasas de reconocimiento. La fusión de información de diferentes modalidades mejora la capacidad de la IA para comprender estados emocionales complejos. Los resultados de la integración de reconocimiento de voz y expresión facial en este sistema se muestran en la Tabla 4.
| Resultados de reconocimiento del habla (%) | Resultados de reconocimiento de expresión facial (%) | Resultados de reconocimiento después de la fusión (%) | |
|---|---|---|---|
| Antes de la mejora de la señal de voz | 62.4 | 85.5 | 75.75 |
| Señal de voz mejorada | 78.8 | 85.5 | 82.29 |
Tabla 4. Tasas de reconocimiento con integración de voz y expresión facial.
Como se desprende de la Tabla 4, la integración de la señal de voz mejorada con el reconocimiento de expresión facial alcanzó una tasa de reconocimiento del 82.29%, superando significativamente los resultados de cada modalidad por separado. Este avance proporciona una base de juicio más objetiva para el diagnóstico de la depresión en la salud médica psicológica, lo que tiene un valor de vanguardia y aplicación.
La computación afectiva es una combinación de la ciencia computacional con la fisiología, la psicología, la ciencia cognitiva y otras disciplinas. Basándose en la cognición y estructura de conocimiento común de los humanos sobre diferentes expresiones emocionales, estudia las emociones en el proceso de interacción humano-humano e humano-computadora. Guía el diseño de inteligencia artificial con funciones de reconocimiento y retroalimentación emocional, comprende las intenciones emocionales humanas y realiza respuestas apropiadas para lograr la interacción emocional humano-computadora.
IA Cognitiva vs. Computación Cognitiva: Claridad en los Conceptos
La línea entre la computación cognitiva y la IA cognitiva a menudo se difumina, y los términos a veces se usan indistintamente. Ambos caen en una amplia categoría de máquinas diseñadas para replicar el pensamiento humano. Ambos utilizan una amplia gama de tecnologías de IA: procesamiento del lenguaje natural (NLP), aprendizaje automático (ML), aprendizaje profundo, minería de datos, reconocimiento de patrones y otros. Sin embargo, se pueden encontrar diferencias entre las dos tecnologías en sus objetivos finales.
La computación cognitiva tiende a encontrarse en sistemas diseñados para mejorar la toma de decisiones humanas. Su objetivo es forjar una asociación entre humanos y máquinas para capacitar a los humanos para tomar decisiones más inteligentes y rápidas.
La IA cognitiva, sin embargo, no solo imita el pensamiento humano, sino que también puede actuar de forma autónoma. Su objetivo es analizar información, aprender de ella, tomar decisiones y realizar tareas de forma independiente, con poca o ninguna intervención humana. Mientras que la IA cognitiva puede tomar sus propias decisiones, la computación cognitiva ayuda a las personas a tomar decisiones más informadas.
En resumen, la IA (Inteligencia Artificial) es un término general que se refiere a sistemas con inteligencia generalmente atribuida a los humanos. La IA cognitiva es una subcategoría de la IA que emula específicamente la forma en que funciona un cerebro humano y puede actuar de forma autónoma. La computación cognitiva, aunque similar en su base tecnológica, se centra en ayudar a los humanos a tomar mejores decisiones, actuando más como un socio que como un agente completamente autónomo.
La IA Cognitiva en Acción: Ejemplos del Mundo Real
Los casos de uso de la IA cognitiva están evolucionando rápidamente. Aquí hay algunos ejemplos de cómo se utiliza la IA cognitiva hoy en día:
- Conducción autónoma: La IA cognitiva es fundamental para los coches autónomos. Estos vehículos utilizan IA para percibir su entorno, tomar decisiones y navegar, todo sin intervención humana. Procesan datos de sensores de manera centrada en el ser humano para comprender lo que sucede en la calle.
- Automatización del trading: En el sector financiero, la IA cognitiva automatiza los sistemas de trading. Estos sistemas analizan de forma independiente las tendencias del mercado, hacen predicciones y ejecutan operaciones sin intervención humana. Al reaccionar más rápido a los cambios del mercado que los humanos, tiene el potencial de ejecutar operaciones mejores y más rentables.
- Creación de contenido: La IA cognitiva también se utiliza para generar de forma autónoma materiales escritos, como artículos, anuncios y otros activos digitales y en papel. Las organizaciones de medios la utilizan para escribir noticias basadas en datos en vivo (resultados deportivos, informes financieros). Tiene un enorme potencial para agilizar y acelerar la creación de contenido.
- Control de hogares inteligentes: En hogares modernizados, la IA cognitiva puede controlar la iluminación, la temperatura y los sistemas de seguridad basándose en las preferencias del propietario. Puede aprender del comportamiento del propietario y ajustarse automáticamente para mejorar la comodidad y ahorrar energía.
Aunque a menudo todavía se requiere supervisión humana para garantizar que la IA cognitiva funcione de manera óptima, estos sistemas están diseñados principalmente para tomar decisiones y realizar acciones de forma independiente de los humanos.
El Papel de los Datos y la Búsqueda Cognitiva
Los datos son el corazón del potencial de la IA cognitiva. Pero los modelos de IA cognitiva son tan buenos como los datos en los que se entrenan. Las organizaciones que invierten en recopilar, almacenar y analizar datos de alta calidad están mejor posicionadas para maximizar el poder de la IA y obtener una ventaja competitiva.
La búsqueda cognitiva es una tecnología emergente que combina inteligencia artificial (IA), procesamiento del lenguaje natural (NLP) y aprendizaje automático (ML) para comprender la intención del usuario al realizar una consulta y, posteriormente, proporcionar resultados más relevantes que las búsquedas tradicionales. Dado que la búsqueda cognitiva puede aprender y mejorar con el tiempo, esto proporciona una gran ventaja sobre los métodos de búsqueda tradicionales.
Preguntas Frecuentes
- ¿Qué es la IA Cognitiva?
- La IA cognitiva es un subcampo de la inteligencia artificial que intenta imitar la forma en que el cerebro humano piensa y aprende, utilizando tecnologías como el procesamiento del lenguaje natural y el aprendizaje automático para entender la intención humana y razonar.
- ¿En qué se diferencia la IA Cognitiva de la Computación Cognitiva?
- Aunque usan tecnologías similares, la computación cognitiva se enfoca en ayudar a los humanos a tomar mejores decisiones (asociación humano-máquina), mientras que la IA cognitiva busca actuar de forma autónoma, tomando sus propias decisiones y realizando tareas independientemente.
- ¿Puede la IA Cognitiva entender las emociones humanas?
- Este es uno de los principales objetivos de la investigación actual en IA cognitiva y computación afectiva. Mediante la integración con la psicología cognitiva y el análisis de señales como expresiones faciales, voz y datos fisiológicos, la IA está progresando en el reconocimiento y comprensión de las emociones, aunque la simulación completa de la experiencia subjetiva sigue siendo un desafío.
- ¿Cuáles son algunos ejemplos de aplicaciones de la IA Cognitiva?
- Actualmente se utiliza en vehículos autónomos, sistemas de trading automatizados, generación automática de contenido y control avanzado de hogares inteligentes.
Conclusión
La relación entre la inteligencia artificial y la neurociencia cognitiva, particularmente la psicología cognitiva, es una de profunda interdependencia y potencial. Mientras la IA se inspira en la compleja arquitectura y procesos del cerebro humano para avanzar, la psicología cognitiva encuentra en la IA una herramienta poderosa para validar teorías y acelerar la investigación. El desafío de dotar a las máquinas con la capacidad de comprender y simular estados mentales subjetivos, como las emociones y la empatía, es un motor clave para la innovación. A través de campos como la predicción de la atractividad facial y la computación afectiva, vemos cómo la IA comienza a replicar aspectos de la cognición humana que antes parecían inalcanzables. La distinción entre IA cognitiva y computación cognitiva subraya las diferentes metas en esta búsqueda: la autonomía de la máquina frente a la potenciación de la decisión humana. Con el continuo avance y la disponibilidad de datos de alta calidad, la IA cognitiva está preparada para transformar aún más nuestra interacción con la tecnología y el mundo que nos rodea, acercándonos a sistemas que no solo piensen lógicamente, sino que también comprendan y respondan al rico tapiz de la experiencia humana.
Si quieres conocer otros artículos parecidos a IA y Neurociencia Cognitiva: Un Vínculo Vital puedes visitar la categoría Neurociencia.