Arquitecturas cognitivas: integrar capacidades no demuestra inteligencia general

En septiembre de 1987, John E. Laird, Allen Newell y Paul S. Rosenbloom publicaron SOAR: An Architecture for General Intelligence. El título declaraba un programa de investigación: construir una organización computacional capaz de sostener muchas tareas cognitivas. No anunciaba que la inteligencia artificial general, o IAG, hubiera sido alcanzada.

Esa diferencia sigue siendo la mejor herramienta para leer una arquitectura cognitiva. Una arquitectura especifica piezas relativamente estables —memorias, representaciones, aprendizaje, decisión y acción— y reglas para coordinarlas. El conocimiento concreto de una tarea se añade después. Que las piezas estén integradas es una propiedad del diseño; que el sistema sea general es una afirmación empírica que exige demostrar amplitud y transferencia.

La capacidad transferible consiste en separar cinco niveles que suelen mezclarse: arquitectura, programa o conocimiento añadido, datos del entorno, tarea evaluada y resultado medido. Cuando un titular salta de cualquiera de los cuatro primeros a “inteligencia general”, esa cadena permite localizar exactamente la evidencia que falta.

Qué es una arquitectura cognitiva

Una arquitectura cognitiva es una hipótesis implementable sobre los mecanismos que producen conducta inteligente. Puede especificar cómo entra la información, qué se mantiene activo, cómo se recuperan recuerdos, cómo compiten acciones posibles y cómo una experiencia cambia decisiones futuras. Su ambición es reutilizar ese armazón en tareas diferentes, no diseñar desde cero un sistema incompatible para cada una.

El término no implica copiar cada detalle del cerebro. SOAR organiza estados, operadores y reglas simbólicas. ACT-R se presenta oficialmente como una teoría para simular y entender la cognición humana. Otros enfoques combinan módulos simbólicos con aprendizaje neuronal. Comparten una pregunta de integración, pero pueden perseguir metas distintas: construir un agente eficaz, explicar tiempos de respuesta humanos o explorar una teoría computacional de la mente.

Por eso “arquitectura cognitiva” tampoco es sinónimo de IAG. Una hoja de cálculo tiene módulos coordinados y memoria, pero eso no la hace general. El calificativo cognitivo expresa qué funciones intenta organizar y qué fenómenos pretende explicar. La generalidad debe aparecer en el comportamiento: tareas nuevas, transferencia, adaptación y resistencia a cambios de contexto.

SOAR: arquitectura no es programa

El manual oficial de SOAR formula una hipótesis central: la conducta deliberada orientada a metas puede describirse como selección y aplicación de operadores sobre un estado. El estado representa la situación actual; un operador propone una transformación; el objetivo define el resultado buscado. La arquitectura ejecuta ciclos para proponer, comparar, seleccionar y aplicar operadores.

La memoria de trabajo contiene la situación presente, incluidos datos sensoriales, inferencias, metas activas y operadores. La memoria de producciones almacena conocimiento procedimental en reglas parecidas a “si ocurre esto, propone o aplica aquello”. Una memoria de preferencias ayuda a escoger entre operadores. Cuando el conocimiento disponible no permite continuar, SOAR crea un subestado para resolver ese bloqueo o impasse.

El límite aparece en la misma documentación: la arquitectura no resuelve ningún problema sin conocimiento procedimental añadido. SOAR es el mecanismo común; un programa SOAR contiene las reglas y representaciones necesarias para una tarea o familia de tareas. Atribuir al armazón todas las capacidades de una demostración sería como atribuir a un lenguaje de programación el conocimiento del programa escrito con él.

Uno de sus mecanismos de aprendizaje, chunking, resume el procesamiento que permitió resolver un impasse y crea una nueva producción. La próxima vez, el sistema puede evitar parte del razonamiento intermedio. Eso demuestra una vía de aprendizaje procedimental dentro de la arquitectura. No garantiza que la regla aprendida se transfiera a cualquier dominio ni que una generalización incorrecta sea inocua; ambas cosas se tienen que medir.

Tres preguntas para no mezclar familias de sistemas

La primera pregunta es: ¿el trabajo propone mecanismos generales o optimiza una función concreta? Una red neuronal puede aprender millones de parámetros para una tarea y ser parte de una arquitectura mayor, pero el tamaño no la convierte por sí solo en una teoría integrada de memoria, metas y acción. A la inversa, un diseño simbólico no obtiene percepción robusta porque incluya una casilla llamada “visión”.

La segunda pregunta es: ¿el sistema intenta producir conducta o simular un fenómeno natural? Una arquitectura cognitiva puede predecir cómo una persona recuerda o decide; una reconstrucción neurobiológica puede reproducir propiedades eléctricas de tejido. Ambos proyectos informan el estudio de la mente, pero una simulación fiel de una parte no implica que el sistema posea la función del organismo completo.

La tercera pregunta es: ¿la evidencia muestra profundidad en un dominio o transferencia entre dominios? Un agente puede superar a especialistas humanos bajo reglas cerradas y carecer de mecanismo para actuar fuera de ellas. La excelencia especializada es evidencia fuerte sobre esa tarea, no evidencia débil de todas las demás.

AlphaGo: integración especializada

El paper de AlphaGo publicado el 27 de enero de 2016 describe una combinación precisa: una red de políticas seleccionaba movimientos, una red de valor evaluaba posiciones y una búsqueda de Monte Carlo exploraba continuaciones. Las redes aprendieron primero de partidas de expertos y después mediante aprendizaje por refuerzo con partidas contra sí mismas. El sistema venció 5-0 al campeón europeo Fan Hui.

AlphaGo integra percepción del tablero, evaluación, aprendizaje y planificación bajo búsqueda. En ese sentido ofrece una arquitectura de decisión sofisticada. Pero cada componente comparte la misma interfaz: posiciones y movimientos legales del Go, recompensa final de victoria o derrota y reglas estables. El trabajo no prueba que el mismo sistema pueda aprender medicina, negociar un requisito o usar lenguaje cotidiano sin rediseño y datos específicos.

La lección es metodológica. Para reclamar generalidad no basta con contar módulos o señalar que el agente aprende. Hay que medir cuánto del mecanismo, del conocimiento y de la representación sobrevive cuando cambia la tarea. Si todo excepto la etiqueta debe reconstruirse, la transferencia es pequeña aunque el rendimiento original sea extraordinario.

Blue Brain: simulación biológica no es agente general

El proyecto Blue Brain perseguía otra pregunta. Su descripción oficial fija como meta construir reconstrucciones y simulaciones digitales biológicamente detalladas del cerebro de ratón. En 2015 presentó una primera reconstrucción de un microcircuito neocortical. El artículo primario en Cell delimitó el objeto: 0,29 milímetros cúbicos de corteza somatosensorial de rata juvenil, unos 31.000 neuronas, ocho millones de conexiones y 37 millones de sinapsis reconstruidas.

Esas cifras describen resolución y escala dentro de un tejido específico. No describen un cerebro humano completo, una mente ni un agente que persiga metas. El equipo presentó la reconstrucción como un primer borrador construido a partir de datos experimentales dispersos y principios organizativos. Su valor estaba en reproducir y explorar fenómenos fisiológicos y generar predicciones que pudieran contrastarse.

SOAR y Blue Brain operan en niveles distintos. SOAR pregunta qué organización computacional puede coordinar resolución de problemas. Blue Brain pregunta cómo reconstruir estructuras y dinámicas biológicas. Una explicación funcional puede ignorar detalle celular; una simulación celular puede no especificar metas, aprendizaje de tareas o acción. Ninguna sustituye automáticamente a la otra.

Una matriz para evaluar generalidad

Amplitud: ¿cuántas familias de tareas distintas completa bajo un protocolo común? Resolver cien variantes del mismo juego aporta profundidad, no necesariamente amplitud. Las tareas deben exigir capacidades diferentes y evitar que una sola interfaz preparada haga todo el trabajo.

Coste de adaptación: ¿aprende una tarea nueva con instrucciones, unos pocos ejemplos o un ciclo completo de ingeniería y entrenamiento? Un sistema puede aparecer en muchos dominios porque especialistas construyeron programas diferentes sobre la misma arquitectura. Eso demuestra reutilización del armazón, pero no aprendizaje autónomo entre dominios.

Transferencia y retención: ¿una habilidad reduce el esfuerzo para aprender otra? ¿El aprendizaje nuevo conserva el anterior? El test debe separar transferencia positiva de simple reutilización de hardware y medir también interferencia o olvido.

Robustez: ¿mantiene el comportamiento cuando cambian formulación, ruido, objetivos parciales o entorno? Una demostración preparada puede ocultar supuestos rígidos. Las pruebas fuera de distribución y los casos adversos muestran si el mecanismo reconoció el patrón o memorizó la superficie.

Autonomía y corrección: ¿detecta que le falta información, solicita ayuda y permite detener o revisar decisiones? Más integración aumenta posibilidades, pero también encadena errores. Un registro de qué memoria, regla, observación u operador influyó puede ser más valioso que una explicación genérica del diseño.

Aplicaciones que sí prueban algo

Una demostración útil de arquitectura cognitiva debe identificar qué componentes intervinieron y qué se midió. Un robot que sigue una instrucción jerárquica puede mostrar interacción entre percepción, memoria de trabajo, selección de operadores y aprendizaje. Una simulación de conducta puede comparar tiempos o errores del modelo con personas. Un tutor puede representar el estado del alumno y adaptar una acción bajo reglas verificables.

No todo producto que usa IA en medicina, búsqueda o industria es una arquitectura cognitiva. El nombre comercial no revela memorias, mecanismos ni flujo de control. Para sostener la atribución hacen falta documentación del sistema, experimento, tarea y resultado. Sin esa cadena, el ejemplo solo demuestra que una aplicación contiene IA, no que pruebe una teoría de cognición.

Qué se puede afirmar sobre IAG

Una arquitectura orientada a generalidad puede ser una condición de ingeniería valiosa: obliga a decidir cómo compartir conocimiento, aprender y actuar. No es una certificación. La evidencia tendría que mostrar aprendizaje de tareas nuevas, transferencia, retención, combinación de percepción y acción, robustez fuera del entorno preparado y límites reconocibles.

SOAR demuestra que un armazón puede coordinar memoria, reglas, operadores, subproblemas y aprendizaje procedimental. AlphaGo demuestra que redes y búsqueda pueden integrarse para alcanzar rendimiento excepcional en Go. Blue Brain demuestra el valor científico de reconstruir tejido neuronal con detalle. Los tres son logros reales precisamente porque se mantienen sus denominadores.

Separar arquitectura de programa, integración de transferencia y simulación de conducta permite evaluar cualquier promesa futura. La pregunta decisiva no es cuántos componentes tiene el sistema, sino qué capacidades conserva cuando cambia el problema y cuánto trabajo externo necesita para adaptarse. Ahí empieza la evidencia de generalidad; antes de ese punto solo hay una propuesta, por interesante que sea.