María Josefina D'Alessio

Neurons that fire together, wire together, o, en

Cada cambio sináptico que sigue la regla de Hebb refuerza la probabilidad de que se reproduzca la misma actividad. Gracias a la plasticidad sináptica, vastos tapices neuronales formados por millones de neuronas se suceden en un orden cada vez más exacto y reproducible. El ratón que recorre su laberinto por el camino óptimo, la violinista que con sus dedos hace brotar un sinfín de notas o la niña que recita una poesía despiertan una sinfonía neural en que cada movimiento, nota o palabra están registrados en varias centenas de millones de sinapsis.

La habituación significa que el organismo se adapta a la presencia repetida de un estímulo (por ejemplo, una molécula en el agua) y finalmente ya no responde a él. La asociación, por otro lado, consiste en describir y retener en la memoria qué elementos del ambiente predicen las fuentes de alimento o de peligro.

Y es esto lo interesante del aprendizaje: la posibilidad de ajustarse, lo más rápido posible, a condiciones imprevisibles.

En fecha más reciente, la humanidad descubrió que esta notable capacidad de aprendizaje puede verse aún más fortalecida con ayuda de una institución: la escuela. La pedagogía activa es un privilegio de nuestra especie: ningún otro animal se toma el tiempo de enseñarles nuevos talentos a sus hijos, deliberadamente, prestando atención a sus dificultades y errores.

Un excelente sitio inglés, el de la Education Endowment Foundation (EEF), aporta largas listas de las más exitosas intervenciones pedagógicas.

Así, los recursos o “trucos del oficio pedagógico” que resultan más efectivos con todos los niños son aquellos que tienden a serlo también con quienes tienen déficits de aprendizaje: solo hay que aplicarlos con mayor enfoque, paciencia, sistematicidad y tolerancia al error.

Aun dentro de su dominio preferencial, el reconocimiento veloz de las formas, los algoritmos actuales chocan con un segundo problema: son mucho menos eficaces que el cerebro humano. Y en el estadío que alcanzó en la actualidad, el machine learning consiste en poner a funcionar procesadores en millones, e incluso miles de millones, de pruebas de práctica. Esa modalidad pierde de vista la economía de los datos, ya que considera que machine learning es sinónimo de big data: sin una enorme cantidad de información, los algoritmos no consiguen extraer conocimientos abstractos generalizables a situaciones nuevas. En síntesis, no hacen el mejor uso de los datos.

Solo el Homo sapiens logra generar de manera sistemática pensamientos simbólicos abstractos y actualizar su plausibilidad ante nuevas observaciones.

Así, tanto en los cerebros como en las máquinas, aprender requiere buscar la combinación óptima de parámetros que, una vez reunidos, definen cada detalle del modelo mental.