Teoría de la complejidad
La complejidad desde el concepto implica y predice una discusión con las características propias del concepto mismo. En términos del lenguaje nos introducimos en este breve ensayo a una recursividad, característica propia de la teoría de la complejidad. El hablar de complejidad nos lleva en una dirección distinta del pensamiento, la complejidad implica dejar de pensar de manera secuencial. El pensamiento complejo implica el razonamiento cualitativo, es decir la priorización de las cualidades de lo observado sobre lo que se puede medir de aquello que se observa. (Soto, 2006). En base a la aproximación de la complejidad se parte de la consideración de la cualidad como unidad, pero esta unidad es intercomplementada con la unidad de la cantidad o quanta, ambos elementos de un mismo sistema explicativo. Esta inter-complementación es la base de la discusión y exposición de dos visiones, que desde nuestro punto de vista, son fundamentales en la exposición de la teoría de los sistemas complejos y la aplicación de dichos fundamentos en el modelaje computacional a partir de un lenguaje de ecuaciones no lineales o en un lenguaje de la metáfora desde la perspectiva de la complejidad social, dichos planteamientos pueden girar en torno a una explicación fundamental dentro de la psicología y las ciencias cognitivas, la mente humana. Es pertinente destacar que la aportación de las teorías sociales al ámbito de la complejidad es fundamental en la estructuración de la dinámica transdisciplinaria de la teoría de la complejidad. Por lo cual su importancia no es de menospreciarse sino de recalcarse como un elemento indispensable que no se contrapone a las aproximaciones desde la informática y los sistemas computaciones dinámicos complejos, sino más bien, es en el hecho de otorgarle a estas teorías sociales la aportación y la conformación como elemento fundamental en la explicación de la realidad, una realidad vista desde la complejidad. El pensamiento complejo intenta romper con la perspectiva bivalente de la realidad, es decir, emprende la búsqueda por el punto intermedio entre las perspectivas del reduccionismo y el holismo (Soto, 2006). Pero para poder emprender esta exposición, es fundamental mencionar algunos principios y consideraciones generales sobre la teoría de la complejidad.
1. Entre el orden y el caos
Entender el pensamiento complejo implica el entendimiento de la relación entre conceptos como orden y caos. Tanto el orden como el caos se deben de entender como conceptos complementarios y no como conceptos opuestos. Un mundo de conceptos que aparece en un mundo impregnado de borrosidad (Munné, 1995; citado en Soto, 2006), es decir, de conjuntos borrosos (Zadeh, 1965; citado en Soto, 2006) y pensamiento borroso (Kosko, 1994; citado en Soto, 2006). Un mundo cuyo espectáculo consiste en un movimiento incesante de nacimiento, de desarrollo y de destrucción de las formas, en donde el sujeto es el actuante que sobrevive a las catástrofes (Thom, 1972; citado en Soto, 2006). Un mundo donde la forma original (gran escala) es reproducida por otra (pequeña escala) que se le parece (Mandelbrot, 1982; citado en Soto, 2006), donde la parte reproduce al todo y viceversa. Es dentro de este espacio de formas e interacciones multivalentes donde el orden y el caos coexisten. Es entonces cuando la lógica multivalente se presenta como la mejor estrategia para aprehender la incertidumbre que se había querido dominar por la probabilidad (Soto, 2006). Lo que sucede es que la realidad es caótica, ordenada es nuestra forma de ver el mundo. Es gracias a una distancia temporal con el conjunto de sucesos en el pasado que se pueden establecer secuencias lógicas para explicar los fenómenos que se estudian (Soto, 2006). El principio dialógico donde “orden y desorden son dos enemigos: uno suprime al otro, pero, al mismo tiempo, en ciertos casos, colaboran y producen la organización y la complejidad. El principio dialógico nos permite mantener la dualidad en el seno de la unidad. Asocia dos términos a la vez complementarios y antagonistas” (Morin, 1977). Pero en el ámbito de las explicaciones relacionadas al problema dicotómico recurrente en psicología y la filosofía de la mente, qué nos dice el principio dialógico. Pensar de manera dialógica a la mente nos lleva a entender que los procesos mentales producen mentes que a la vez producen procesos mentales. La complejidad nos ofrece la concepción de que el todo es más que la suma de las partes, donde el cuerpo y la mente son dialógicos, es decir, se combate la noción dualista y monista del problema cuerpo-mente, apostando por una reflexión intermedia donde el cuerpo se conforma de una organización similar a la mente y esta a su vez está conformada de estructuras y de relaciones concordantes y sinérgicas con el cuerpo.De acuerdo al principio de recursividad organizacional “un proceso recursivo es aquel en el cual los productos y los efectos son, al mismo tiempo, causas y productores de aquellos que les produce” (Morin, 1977). En base a este principio entramos en la discusión de causalidad. En psicología se ha creído que la realidad es lineal y que esta realidad se apega a relaciones convencionales que se pueden traducir en sistemas variables, manipulables y estables (Soto, 2006). En base a la causalidad el pensamiento secuencial admite cadenas lógicas de desenvolvimiento: donde A implica sólo B. Pero de acuerdo a un sistema complejo, el comportamiento siempre es imprevisible en su totalidad, aleatorio en ocasiones e inmanejable situacionalmente en otros. Un sistema complejo es in-interpretable como unidad. De acuerdo a este planteamiento, la causalidad funge como la explicación de ciertos aspectos de relación entre elementos pero no explican en su totalidad el fenómeno. Un ejemplo de esto es el enfoque desde las neurociencias computacionales donde se ha planteado la idea de que la mente está gobernada por dinámicas no lineares de sistemas complejos. La teoría de los sistemas complejos no lineares se forjan sobre una metodología interdisciplinaria para explicar la emergencia de ciertos fenómenos macroscópicos a partir de las interacciones no lineares de elementos microscópicos dentro de un sistema complejo (Klaus Meinzer, 2008).
Por su parte el principio holográmatico se presenta a partir de una analogía donde “en un holograma físico, el menor punto de la imagen del holograma contiene la casi totalidad de la información del objeto representado. No solamente la parte está en el todo, sino que todo está en la parte. El principio hologramático está presente en el mundo biológico y en el mundo sociológico” (Morin, 1977). De acuerdo a lo mencionado por Soto (2006) el principio hologramático nos ayuda a pensar que la realidad no está hecha de partes que se desconectan del todo que las contiene, como se puede suponer desde el reduccionismo. El todo no puede concebirse sin las partes ni las partes sin el todo. El todo necesita de las partes para ser concebido como tal. Haciendo dos precisiones: la primera es que, en general, la parte es distinta del todo, pero siempre lo contiene parcialmente; la segunda es que la parte no contiene del todo al todo , a no ser que la parte sea igual al todo (Kosko, 1993; citado en Soto, 2006). Es decir, la parte y el todo se contienen mutuamente, aunque de diferente forma. En un sistema explicativo complejo se tendrían que tomar los elementos débiles posibles para complejizar la problematización del suceso. Desde una perspectiva de la complejidad hasta los elementos mínimos resultan ser sustantivos para generar un dominio de explicación (Soto, 2006).
En base al abordaje de los principios de la complejidad se puede plantear la idea de que lo preciso se encuentra más en nuestra mente que dentro de la naturaleza de las cosas (Moles, 1990: citado en Soto, 2006) La incertidumbre es incómoda porque hace a un lado los referentes que brindan seguridad ontológica. (Soto, 2006). Por tanto, la complejidad es la aceptación de las contradicciones. En base a este planteamiento es como se introducen los conceptos de borrosidad, error y vaguedad.
La borrosidad empieza donde empiecen las contradicciones, donde A y no A valga hasta cierto grado (Kosko, 1993: citado en Soto, 2006), donde los valores absolutos comienzan a desdibujarse, donde predomina lo indefinido. El problema de la discordancia: el mundo es borroso, la descripción no. Todos los enunciados de la lógica formal y de la programación de ordenadores, son verdaderos del todo o falsos del todo, es decir, toman las formas de los contornos y simbolismos del uno y el cero. Pero los enunciados del mundo no son así (Kosko, 1993: Soto, 2006).
Por vaguedad se puede entender toda aquella indeterminación asociada a categorías de lo impreciso. Existen fenómenos vagos que cambian de una circunstancia a otra. Un gran número de fenómenos nos parecen vagos porque no disponemos de técnicas de medición adecuadas. Existiendo fenómenos donde aquellos conceptos que sirven para enunciarlos son vagos en sí mismos. La vaguedad permite encontrar el significado de las cosas que queremos decir sin explicarlas. El sentido común es el conjunto de vaguedades en movimiento que logran hacer que lo cotidiano de la vida adquiera significado. El sentido común permite la resolución de problemas gracias a las informaciones borrosas, vagas e imprecisas que contiene (Soto, 2006).
En cuanto al error este se puede entender como una forma mental en contradicción con una verdad establecida (Moles, 1990: citado en Soto, 2006). Pero las verdades pueden ser entendidas como conjuntos de convenciones a las que llegan distintos grupos humanos. Las verdades psicológicas, y podríamos decir que de las ciencias cognitivas, atraviesan por serias dificultades (Gergen,1991: citado en Soto, 2006), porque su cimiento es un consenso y no un descubrimiento. El error se encuentra en el sentido de contradicción, no en el valor de verdad de las premisas, es decir, en la situación. Es mediante la exposición de estos conceptos y de los principios como la complejidad tiende un puente entre el orden y el caos. Siendo la complejidad, el orden y el caos, lo que conforma la estética de la naturaleza. Donde una situación es la ocurrencia de un número infinito de posibilidades (Soto, 2006).
2. La compleja mente social
La complejidad puede conformarse como un elemento más dentro del sistema de orden y caos. En este apartado pondremos a exposición ciertos aspectos relacionados con la discusión desde un enfoque de la complejidad de algunas nociones del ser, la mente y el individuo social.De acuerdo con Shutz (1962; citado en Soto, 2006) se ha hecho énfasis en buscar las verdades objetivas sin indagar las actividades subjetivas de la mente, únicas a partir de las cuales se constituye el sentido óntico del mundo de la vida. Necesitamos dirigir la mirada hacia otro sitio que no sean exclusivamente las correlaciones de los “hechos sociales”, en busca de los mecanismos causales y las condiciones operativas cuya referencia es necesaria para explicar la actividad social. Embonando en una idea de perceptibilidad (Soto, 2006). Es decir, debemos de redirigir la concepción de nuestra realidad en base a una sensibilidad de aquello que ha sido denegado o excluido por las formas “tradicionales” de hacer ciencia, la subjetividad.
La aplicación del principio de recursividad organizacional para una psicología social de lo complejo nos lleva a pensar que individuo y sociedad no se encuentran separados sino mutuamente implicados. La psicología social no puede ser una ciencia basada en el descubrimiento de las causas y efectos, y su mejor trabajo tampoco puede tener pretensiones especiales de universalidad (Harré, Clarke y De Carlo, 1984; citado en Soto, 2006). Es por ello que surge la necesidad de un posicionamiento desde la psicología, en base a los elementos e interrelaciones de la complejidad. Este posicionamiento se relaciona directamente con varios aspectos: a) la psicología es un trozo de pensamiento que estudia pensamiento, b) la producción del conocimiento siempre se da en un contexto lleno de impresiciones (Ibañez, 1997; citado en Soto, 2006) y las verdades psicológicas son siempre imprecisas; c) los procesos mentales como la memoria, el olvido, etc., pueden y deben ser tratados como textualidad (Parker, 1997:citado en Soto, 2006), como procesos sociales y no como procesos cerebrales; y d) tanto las estructuras sociales como lo roles son una narrativa desarrollada de manera conjunta (Devies y Harré, 1990: citado en Soto, 2006)
Desde las limitaciones, las ciencias humanas se confrontaron desde su origen con fenómenos imprecisos y conceptos que eran necesarios tratarlos como tales. Debieron por ello desarrollar una epistemología y una lógica de lo probable y lo impreciso y aprender a servirse de ellas con rigor, lo que jamás excluyó todos los riesgos que, intrínsecamente, contiene esta manera de proceder. (Moles, 1990: 396). De nuevo, surgen las limitaciones de la medición de aquello que es impreciso, el error se muestra como un consenso, no así la verdad, ya que el descubrimiento del error en la metodología de las ciencias cognitivas y la psicología social, puede dar pauta a una aproximación de la verdad. Es por ello que el cambio de perspectibilidad de la realidad, es necesario. Es por ello que se asiste al encuentro de la complejidad, abandonando posturas clásicas que suponen que la vida se estudia en abstracto porque es necesario entender que la vida se estudia desde la vida misma (Morin, 1980; citado en Soto, 2006); renunciando a la suposición de que somos un trozo congelado de naturaleza estudiando la naturaleza (Morin, 1977; citado en Soto, 2006); y aceptando que somos una parcela de pensamiento que estudia pensamiento (Morin, 1991; citado en Soto, 2006). A la noción de verdad que conocemos más o menos todos le falta una dimensión temporal ligada al termino hasta ahora para relativizar dicha noción al patrimonio de registros que hemos estado en condiciones de acumular (Geymonat, 1985; citado en Soto, 2006).
La propuesta de la compleja mente social gira en torno a las metáforas como el mejor recurso para identificar una situación, un hecho, un fenómeno, un proceso o un acontecimiento. Aquello que no puede ser nombrado con facilidad porque se encuentra entre lo que tiene nombre y lo que no lo tiene debido a que es borroso e impreciso. Una metáfora es una figura literaria que nos permite realizar ciertas comparaciones. De acuerdo a Lakoff y Jonson (1980; citado en Soto, 2006), la metáfora surge de la inserción de un determinado contexto, de una nota que proviene de otro distinto. Otro elemento fundamental es el gesto que a su vez es un estado expresivo que puede modificar la relación con el entorno; de ahí que el gesto sea un símbolo en tanto que representa algo que proviene de otra cosa. Siendo la comunicación el intercambio de gestos significantes (Mead, 1934; citado en Soto, 2006)
Conformados en una dinámica de complejidad, los sujetos simbólicos de la acción construyen historias que contradicen la historia oficial al plasmar con sus narrativas una perspectiva del mundo (basada en testimonios personales) que había sido regulada a través de la imposición de una mirada previamente diseñada de la realidad (Soto, 2006). Tal como sostenía Norbert Lechner (1998; citado en Soto, 2006) donde el proceso de modernización iba más allá de lo económico y que modificaba tanto la estructura social como la esfera de la política, tanto la sociabilidad cotidiana como los universos simbólicos y los mapas mentales. Entender que lo social está en la mente nos lleva a comprender que la mente humana es el lugar geométrico de la sociedad (Collins, 1994; Soto, 2006). Comprender que lo mental está en lo social es el equivalente a suponer que nosotros estamos en el pensamiento y no el pensamiento está en nosotros (Pierce, en Collins, 1994; citado en Soto, 2006)
Las teorías sociales de la mente centran su atención en el lenguaje como vehículo del pensamiento. Sacan la mente fuera del cuerpo y lo sitúan en lo social, en el conjunto de interacciones de los organismos biológicos que terminan por ser sociales. Desde esta óptica, el pensamiento puede ser entendido como una conversión de gestos (Soto, 2006). Sin embargo, desde las concepciones deterministas, se ha rechazado la idea de que la mente es una entidad elaborada por la cultura (Lakof y Jonson, 1980 , citado en Soto, 2006) Es por ello que la mente no puede ser estudiada a la vieja usanza porque no puede medirse en tanto no es un objeto; tampoco puede pesarse como el cerebro ni mucho menos puede decirse que está hecha de partículas, células o algo por el estilo. El estudio de la mente no puede reducirse al estudio del cerebro. Es decir el estudio de la mente no puede quedar atrapado en el mito de la objetividad. El imperativo lógico para el psicólogo, el filósofo y el neurofisiologo es dar cuenta de cómo percibimos y tenemos conocimiento de nuestro mundo (Segal, 1986; citado en Soto, 2006)
Pero....qué tienen que decir las ciencias cognitivas, especialmente las neurociencias computacionales. ¿Hay posturas de complejidad en estos campos?
3. Redes complejas: el cerebro computado
Podemos empezar este apartado con lo señalado por el premio nobel de física, influyente científico de la teoría cuántica, Werner Hissenberg (1932; citado en Soto, 2006), en relación al principio de incertidumbre: “es imposible medir simultáneamente de forma precisa la posición y el momento lineal de una partícula. El conocimiento de la posición y de la velocidad de una partícula son complementarios, no pueden ser precisos al mismo tiempo”. Una de las profundas implicaciones observadas a partir del principio de incertidumbre fue el hecho de atender que la observación del objeto modifica al objeto observado. E incluso se puede agregar que la modificación del objeto observado tiene repercusiones en todo aquello que se pueda decir de dicho objeto (Soto, 2006). Pero dicho principio no implica que la velocidad y la posición de una partícula, o de un sistema de partículas, puedan ser medidos por medio de sistemas dinámicos complejos no lineales.En general, un sistema dinámico es un sistema multicomponente dependiente del tiempo conformado por elementos con estados locales que determinan un estado global de todo el sistema (Mainzer, 2008) En el caso de la no linealidad, varias actividades de retroalimentación tienen lugar entre los elementos del sistema. Estos problemas surgidos a partir de la presencia de muchos elementos corresponden a las ecuaciones no lineales y no integrables con inestabilidades y en algunas ocasiones el caos (Mainzer, 2008). En el caso de la no linealidad, causas similares conducen a efectos exponencialmente ampliados y separados, es decir, pequeños cambios en los parámetros o pequeñas perturbaciones añadidas a los valores de las variables pueden producir enormes cambios en los valores posteriores de las variables debido a su sensibilidad a las condiciones iniciales. En este caso, el conjunto es más que la suma de sus elementos. La teoría matemática de la dinámica no lineal distingue diferentes tipos de ecuaciones de tiempo dependiente, generando diferentes tipos de comportamiento, tales como los puntos fijos, los ciclos de límite, y el caos (Mainzer, 2008).
En el caso del ruido, las trayectorias se propagan de manera ilimitada por todo el espacio de las fases . Un atractor caótico es finito y limitado siempre en una determinada región del espacio de fases. Dicho atractor caótico está determinado por una trayectoria en una región limitada de un espacio de fase con un comportamiento aperiódico y dependencia sensible a las condiciones iniciales. Aperiodicidad significa que los estados de un sistema dinámico no vuelven a sus valores anteriores. Pero los valores de los estados pueden volver más o menos a la proximidad de los valores anteriores. Por lo tanto , aperiodicidad es una cuestión de grado que se puede estudiar en las parcelas de recurrencia de los puntos medidos . Dichas parcelas muestran cómo la trayectoria reconstruida se vuelve a producir o se repite . La integral de correlación define la densidad de puntos en una parcela de recurrencia donde las series de tiempo medido están más cerca que un cierto grado de distancia . Si una serie de tiempo se genera por un sistema caótico , la trayectoria de la serie de tiempo; que se reconstruye a partir de los datos de medición de la incrustación, tiene las mismas propiedades topológicas del atractor original del sistema , siempre y cuando la dimensión de la incrustación sea lo suficientemente grande . Takens probó un método para encontrar una dimensión de incorporación adecuada para la reconstrucción de un atractor . Sin embargo, este método produce ningún procedimiento para la búsqueda de un atractor caótico, porque su existencia ha sido ya asumida con el fin de determinar su dimensión a partir de los datos medidos (Mainzer, 2008).
Otra forma de caracterizar la dinámica caótica es para medir la fuerza de su dependencia sensible a los datos iniciales. Consideremos dos trayectorias a partir de casi los mismos datos iniciales. En una dinámica caótica sólo una pequeña diferencia en las condiciones iniciales puede resultar en dos trayectorias divergentes con velocidad exponencial en el espacio de fases después de un corto período de tiempo. En este caso, es difícil calcular de previsiones a largo plazo, debido a que los datos iniciales sólo se pueden determinar con un grado de precisión finita. Pequeñas desviaciones en los dígitos detrás del punto decimal de los datos de medición pueden llevar a pronósticos completamente diferentes. Esta es la razón por la que los intentos de pronóstico del tiempo fallan en una situación inestable y caótica. En principio, el aleteo de una mariposa puede provocar un cambio global del desarrollo de un ciclón (Mainzer, 2008).
Todas las técnicas de control del caos hacen uso del hecho de que los sistemas caóticos se pueden controlar si las perturbaciones son contrarrestadas por impulsos pequeños y si estos son aplicados de manera inteligente. Un sistema caótico puede ser estabilizado sobre cualquiera de un número infinito de estados inestables por la aplicación continua de pequeñas correcciones. Dos características del caos hacen que la aplicación de técnicas de control sea posible. En primer lugar, los sistemas caóticos alternativamente visitan pequeñas vecindades de un número infinito de órbitas periódicas. La presencia de un número infinito de órbitas periódicas incrustadas dentro de una trayectoria caótica implica la existencia de una enorme variedad de diferentes comportamientos dentro de un único sistema. Por lo tanto, el control del caos abre la posibilidad de una gran flexibilidad en el rendimiento operativo dentro de un único sistema. Una segunda característica del caos, que es importante para las aplicaciones de control, es su sensibilidad exponencial. De ello se desprende que el estado del sistema caótico puede ser alterado drásticamente por la aplicación de pequeñas perturbaciones. Por lo tanto, los sistemas caóticos no controlados fluctúan salvajemente. Pero, por otro lado, los sistemas caóticos controlados pueden ser dirigidas de un estado a otro muy diferente utilizando controles muy pequeños. Obviamente, el control de las estrategias requiere que el estado del sistema se encuentre cerca al estado deseado. En tal caso, la dinámica del sistema se puede linealizar, haciendo cálculos de control rápidos y eficaces . En los sistemas caóticos , la ergodicidad asegura que el estado del sistema no deambule arbitrariamente cerca del estado deseado . Sin embargo, en los sistemas dimensionales o en los sistemas de variación lenta , el tiempo necesario para que el estado se mueva por sí mismo de un estado a otro puede ser prohibitivo. En este caso, las estrategias de control no lineales se han ideado en el entendido de que utilizan la sensibilidad caótica para dirigir el estado del sistema desde cualquier punto inicial dado a un estado deseado . Dado que los sistemas caóticos amplifican los impulsos de control de forma exponencial , el tiempo necesario para dirigir dicho sistema puede ser muy corto. Estas estrategias se han demostrado tanto en sistemas en los que se desea un efecto de gran tamaño utilizando los gastos de parámetros muy modestos (por ejemplo , la energía y de combustible ) y en sistemas en los que se necesita una rápida conmutación entre los estados ( por ejemplo , aplicaciones de computación y la comunicación ) . La dinámica no lineal no sólo hace producir el caos y el ruido, sino también el orden. La aparición del orden y las estructuras en la evolución puede explicarse por la dinámica de atractores en sistemas complejos ( Mainzer , 2008 ). Siendi el resultado de patrones colectivos de elementos interactuantes en el sentido del problema de muchos cuerpos que no se pueden reducir a las características de los elementos individuales en un sistema complejo ( Mainzer , 2008).
Las Interacciones no lineales en los sistemas complejos suelen tener efectos sinérgicos , las cuales no pueden ser rastreados a causas individuales ni se pronostican en el largo plazo o pueden ser controlados en todos sus detalles . Una vez más , el conjunto es más que la suma de sus partes. Este lema popular para la emergencia es precisamente correcto en el contexto de la no linealidad. El formalismo matemático de sistemas dinámicos complejos se toma de la mecánica estadística . Si las condiciones externas de un sistema cambian mediante la variación de ciertos parámetros de control ( por ejemplo , temperatura ) , el sistema puede sufrir un cambio en sus estados globales macroscópicos en algún punto crítico . Por ejemplo , el agua como un sistema complejo de moléculas cambia espontáneamente de un líquido a un estado de congelación a una temperatura crítica de cero Celsius. En la física , las transformaciones de los estados colectivos se denominan transiciones de fase . Obviamente estas transformaciones describen un cambio de comportamiento auto - organizado entre los elementos que interactúan en un sistema complejo. Según Landau , las macrovariables adecuadas que caracterizan el cambio del orden mundial se denominan parámetros de orden . Por ejemplo , la aparición de la magnetización en un material ferromagnético es un comportamiento auto - organizada de dipolos atómicos que es modelada por una transición de fase de un parámetro de orden , esto es la distribución media de microestados de los dipolos , cuando el sistema se hibrida con el punto de Curie . El concepto de parámetros de orden puede ser generalizado para las transiciones de fase , cuando el sistema es conducido fuera del equilibrio mediante el aumento de la energía ( Haken y Mikhailov , 1993; citado en Mainzer, 2008 ) . Si , por ejemplo , el fluido de una corriente es conducida más y más lejos del equilibrio térmico , mediante el aumento de la velocidad del fluido ( parámetro de control ) , a continuación, los patrones de fluidos de complejidad creciente emergen vórtices de puntos fijos , y de oscilaciones periódicas a turbulencia caótica . En términos generales, podemos decir que las viejas estructuras se vuelven inestables , rompiéndose por el cambio de los parámetros de control , surgiendo nuevos patrones y atractores(Mainzer, 2008)
De una forma matemática, tal como podemos observar, las ecuaciones diferenciales no lineales se emplean para modelar la dinámica del sistema complejo . En primer lugar, se estudia el comportamiento de los elementos en el nivel micro , en las proximidades de un punto crítico de inestabilidad. En un análisis lineal de estabilidad , se pueden distinguir los modos estables e inestables que aumentan a la escala macroscópica , dominando las macro-dinámicas de todo el sistema . Por lo tanto , algunos pocos modos inestables se convierten en los parámetros de orden de todo el sistema . Desde un punto de vista metodológico , la introducción de parámetros de orden para el modelado de la auto-organización y la emergencia de nuevas estructuras es una reducción enorme de complejidad. El estudio de , tal vez , miles de millones de ecuaciones , que caracterizan el comportamiento de los elementos en el micronivel , se sustituye por algunas pocas ecuaciones de parámetros de orden , lo cual otorga una caracterización de las macro-dinámicas de todo el sistema . Los sistemas dinámicos complejos y sus transiciones de fase proporcionan un formalismo exitoso para modelar la autoorganización y la emergencia . Más adelante, el conocimiento de las características de los parámetros de orden y los valores críticos de los parámetros de control abren la oportunidad de influir en la dinámica entera y crear estados deseados de los sistemas técnicos mediante auto organización (Mainzer, 2008).
Desde el punto de vista fisiológico el caos total y global de un sistema es peligroso. Pero las caóticas fluctuaciones locales pueden ser fisiológicamente ventajosas. Las periodicidades sostenidas son a menudo insalubres. Para mantener la salud, las variables de un sistema fisiológico deben ser capaces de extenderse sobre una amplia gama para proporcionar adaptación flexible. Las personas sanas tienen una mayor variabilidad en las tasas de corazón que aquellos con enfermedades del corazón. (Mainzer, 2008)
Por lo tanto, las fluctuaciones caóticas locales pueden proporcionar la plasticidad de hacer frente a las exigencias de un entorno impredecible y cambiante. Los sistemas caóticos se pueden controlar con más precisión y más rápido que los sistemas lineales. En los sistemas lineales, la respuesta de la salida depende linealmente de la entrada. Pequeños cambios en un parámetro de un sistema lineal producen sólo pequeños cambios en la salida. La variable de control de una respuesta fisiológica caótica puede necesitar cambiar por sólo una pequeña cantidad para inducir el gran cambio deseado en el estado fisiológico. Por otra parte, un sistema fisiológico caótico puede cambiar muy rápidamente de un estado fisiológico a otro (Mainzer, 2008).
A partir de esta explicación de cómo es que los modelos no lineales complejos se matematizan y se manipulan, es preciso, finalmente hacer mención al enfoque que desde las neurociencias computacionales se ha planteado, la idea de que la mente está gobernada por dinámicas no lineares de sistemas complejos. La teoría de los sistemas complejos no lineares se forjan sobre una metodología interdisciplinaria para explicar la emergencia de ciertos fenómenos macroscópicos a partir de las interacciones no lineares de elementos microscópicos dentro de un sistema complejo (Mainzer, 2008).
La auto-organización neuronal en el nivel celular y subcelular se determina por el procesamiento de la información en y entre las neuronas. Transmisores químicos pueden efectuar el procesamiento de la información neuronal con mecanismos directos e indirectos de gran plasticidad. La Potenciación a largo plazo (LTP) de la interacción sináptica es un tema muy interesante de la investigación cerebral reciente. La LTP parece desempeñar un papel esencial para la auto-organización neural de funciones cognitivas tales como la memoria y el aprendizaje. En el enfoque de los sistemas complejos, el nivel microscópico de las neuronas interactuantes debe ser modelado por ecuaciones de acoplamiento diferencial que modelen la transmisión de los impulsos nerviosos por cada neurona. La ecuación de Hodgkin-Huxley es un ejemplo de una ecuación de reacción de difusión no lineal con una solución exacta de una onda en movimiento, dando una predicción precisa de la velocidad y la forma del impulso nervioso del voltaje eléctrico. De esta forma los impulsos nerviosos emergen como nuevas entidades dinámicas, siendo “los atomos” de las complejas dinámicas neurales. En el nivel macroscópico, los impulsos nerviosos generan asambleas celulares cuyas macrodinámicas son dominadas por parámetros de orden. En el siguiente nivel las asambleas celulares de diversos procesos perceptivos interactúan en un escenario complejo. En este caso, cada asamblea célula es una unidad de disparo, generando una asamblea celular de asambleas celulares cuyo macrodinámica se caracteriza por algunos parámetros de orden, siendo que los parámetros de orden pueden representar propiedades similares de los objetos percibidos. En este nivel el observador se vuelve consciente de la percepción. Siendo que la asamblea celular de la percepción está conectada con la zona neuronal que es responsable de los estados de conciencia. De acuerdo a la teoría de la complejidad los estados cerebrales surgen y persisten durante una pequeña fracción de tiempo, después desaparecen y son reemplazados por otros estados, lo que hace al cerebro de los animales tan exitoso para su adaptación a los ambientes cambiantes e impredecibles (Mainzer, 2008)
Los procesos computacionales operan sobre representaciones simbólicas las cuales son referidas a situaciones del mundo externo. De acuerdo a la teoría de la correspondencia de la verdad de Tharski, si se decodifica la representación simbólica, entonces tenemos la situación del mundo real como su significado, como las operaciones simbólicas están completamente determinados por algoritmos, se supone que los procesos del mundo real pueden ser completamente controlados. Pero en discordancia con esta postura se plantea que los humanos no se basan en representaciones explícitas (declarativa), basado en normas, sino también en la intuición y el conocimiento implícito (procesal) (Dreyfus, 1982; Searle, 1983; citado en Mainzer, 2008). Wittgenstein mencionaba que nuestro conocimiento depende de las situaciones. Por tanto la contextualización de las representaciones es un problema grave de la informática. Destacando lo dicho por Merleau-Ponty (1962; citado en Mainzer, 2008) cuando señalaba que las habilidades humanas intencionales no necesitan ninguna representación simbólica, pero estas son entrenadas, aprendidas, y encarnadas por el organismo.
La computación organica aplica los principios de la evolución y de la vida a los sistemas técnicos. Los principios dominantes en el complejo mundo de la evolución son la auto-organización y auto-control. Pero aún no existe un programa limitado, con el fin de predecir el desarrollo de patrones aleatorios. En general, hay tres razones por las limitaciones computacionales en la dinámica de sistemas. (1) Un sistema puede ser indecidible en un estricto sentido lógico. (2) Más adelante, un sistema puede ser determinista, pero no lineal y caótico. En este caso, el sistema depende sensiblemente de diminutos cambios de los datos iniciales. El pronóstico a largo plazo es limitado, y los costes computacionales de predicción aumentan exponencialmente después de unos pocos pasos de predicciones futuras. (3) Finalmente, un sistema puede ser estocástico y no lineales, en la medida que el subsiguiente estado del sistema está determinado tanto por las acciones predecibles del proceso como por elementos aleatorios. Siendo las predicciones probabilísticas las únicas posibles (Mainzer, 2008).
En los campos de la ingeniería eléctrica, la información y la informática, el concepto de las redes neuronales celulares (RNCs) se ha convertido recientemente en un paradigma influyente de la investigación sobre complejidad, realizándose en torno a la tecnología informática y el desarrollo del chip (Chua y Roska, 2002; Mainzer, 2007). De manera general las redes neuronales celulares son circuitos analógicos no lineales que procesan señales en tiempo real. Se trata de un sistema multicomponente de unidades idénticas espaciadas regularmente llamadas células, que se comunican directamente entre sí sólo a través de sus vecinos más cercanos, siendo los procesadores del host RNC los que aceptan y generan señales analógicas en tiempo continuo con números reales como valores de interacción. La dinámica del estado de una célula se define por una ecuación diferencial no lineal ( ecuación de estado RNC ) con medidas escalares para el estado , para el output, el input , el umbral, y los coeficientes , llamados pesos sinápticos , modelando, de esta forma, la intensidad de las conexiones sinápticas de la célula con las entradas y salidas de las células vecinas. La ecuación de salida de la RNCs conecta los estados de una célula con los outputs. Los arreglos RNCs son muy útiles para los estándares en el cómputo visual . Ejemplos de ello son RNCs que detectan patrones, ya sea en binario ( negro y blanco ) o imágenes de entrada en escala de grises . Es por ello que las RNCs cuentan con un poder de computación paralelo masivo, un procesamiento de información analógico y una capacidad de computación universal (Mainzer, 2008).
Por su parte en los sistemas dinámicos complejos de organismos, el monitoreo y el control es realizado en niveles jerárquicos. Desde el punto de vista de la ciencia de sistemas, el reto de la computación orgánica es la emergencia controlada . Una aplicación importante es la dinámica no lineal del funcionamiento cerebral. Los cerebros son sistemas neuronales que permiten adaptación rápida a situaciones cambiantes durante el tiempo de vida de un organismo. El cerebro humano es un complejo sistema de neuronas auto-organizadas en patrones macroscópicos de interacciones neuroquímicas. Técnicamente, la auto organización y la emergencia de patrón se pueden realizar a través de redes neuronales, trabajando como cerebros con topologías apropiadas y algoritmos de aprendizaje. Las redes neuronales son sistemas complejos de elementos de umbral con estados de disparo y no disparo, de acuerdo con las estrategias de aprendizaje. Además de las redes homogéneos deterministas de Hopfield, existen los llamadas máquinas de Boltzmann con arquitectura de red estocástica de elementos procesadores no deterministas, es decir ,en la medida que el subsiguiente estado del sistema está determinado tanto por las acciones predecibles del proceso como por elementos aleatorios,y una representación distribuida de conocimiento que se describe matemáticamente por una función de energía . Aunque los sistemas de Hopfield utilizan una estrategia de aprendizaje de Hebb, las máquinas de Boltzmann abogan a favor de una estrategia de propagación hacia atrás (regla Widrow -Hoff ) con neuronas ocultas en una red de múltiples capas ( Mainzer , 2003; 2008 ). En general, dichas aplicaciones tecnológicas tienen como objetivo descubrir un algoritmo de aprendizaje para disminuir la medida de discrepancia informático -teórica del modelo interno del cerebro con respecto al mundo y al entorno real a través de la auto-organización.
Es entonces cuando se divisa que de acuerdo con el enfoque de los sistemas complejos, los componentes se caracterizan por ciertas microestados que generan macrodinámicas de todo el sistema. Dentro de estas dinámicas las conexiones son implícitas, es decir, existen aunque estas conexiones elementales no hayan sido explicitadas por el diseñador o investigador. Por tanto las conexiones pueden existir entre componentes elementales sin siquiera darse cuenta, como observador, de esta dinámica. . Estas conexiones pueden generar patrones adaptativos de conducta con altos grados de aptitud (parámetro de orden) . En el complejo mundo real , existen muchas fuerzas y propiedades obtenidas, incluso si el diseñador no los representa explícitamente. Los sistemas complejos pueden ser sistemas multicomponentes de, por ejemplo, átomos, moléculas, células u organismos. Si se cambian ciertos parámetros de control, las interacciones de los elementos en los sistemas de múltiples componentes pueden conducir a nuevas propiedades colectivas macroscópicas, de orden o caos, que no pueden ser reducidas a los elementos individuales en el micronivel (Mainzer, 2008).
Es por ello que la computación orgánica y neural no sólo tienen como objetivo modelar, sino también construir sistemas de computación auto-organizadas que muestren un comportamiento emergente deseado como los organismos en evolución natural (Horn, 2001; Kephart y Chess, 2003; Müller-Schloer, 2005; Mainzer, 2008). En el sentido de sistemas dinámicos no lineales, el todo es más que la suma de sus partes (Mainzer, 2008).
4. Perspectivas sobre la teoría de la complejidad
La teoría de la complejidad, abordada desde las neurociencias computacionales, se nos muestra como una aproximación al estudio de la evolución natural del cerebro y la mente. Donde la evolución natural genera sistemas nerviosos que trabajan con mecanismos neuroquímicos. Permitiendo a los organismos aprender , adaptarse y cambiar su entorno de forma autónoma. Pensamiento , sentimiento y conciencia son considerados estados mentales de la dinámica neural, evolucionando en el organismo humano e interactuando con su entorno a partir de una mente encarnada, donde la representación simbolica del lenguaje no es un factor determinante. Siendo a través de los niveles jerárquicos de la autoorganización neural como se lleva a la aparición de los estados mentales y las funciones que pueden, en principio, ser modeladas con parámetros de orden de la dinámica no lineal .A partir de la dinámica no lineal y las ecuaciones no lineales, es como la tecnología puede utilizar las respectivas leyes de la dinámica no lineal para encontrar soluciones similares o nuevos sistemas de auto-organización , por ejemplo , en la biónica , la inteligencia artificial y la vida artificial. De igual forma la dinámica no lineal de los sistemas complejos autoorganizados generan propiedades emergentes y funciones que a menudo no se pueden pronosticar en el largo plazo . Por lo tanto, los sistemas neuropsíquicos pueden conducir a sentimientos , percepciones individuales, las intenciones y autoconciencia que no se pueden derivar de las actividades neuronales individuales, sino por la interacción sinérgica de todo el sistema. Sin embargo , los sistemas computacionales complejos pueden llevar al caos , al azar y la indeterminación . Por lo tanto , los sistemas computacionales (por ejemplo , sistemas estocásticos ) también pueden simular la dinámica del cerebro con sus características indeterminadas .5. Hacia una teoría de la mente unificada
A pesar de que el abordaje de la complejidad fue breve, la discusión teórica vislumbra de una mayor extensión, se nos divisan dos visiones diferentes de la complejidad de acuerdo a los campos de estudio. Por una parte las teorías sociales nos adentran e impulsan al estudio de las cualidades dinámicas en torno a la aproximación de la borrosidad y la incertidumbre mediante las metáforas del lenguaje. Por otro lado tenemos las dinámicas no lineales matematizadas por el modelaje computacional y el abordaje de la metáfora de cerebro-computadora a partir de la dinámica compleja de las redes de asambleas neuronales. Pero aún hay indeterminación. Sera que las aproximaciones desde la complejidad de estas visiones puedan conformarse dentro de un mismo sistema ¿Cómo es que la complejidad social se dinamiza con la complejidad neural? ¿Es el caos de este sistema el concepto de mente humana? ¿Una mente social dinamizada por la unicidad del cuerpo-mente?Referencias
Mainzer, K. (2008). The emergence of mind and brain: an evolutionary, computational, and philosophical approach.Progress in brain research, 168, 115-132.
Soto, R. J. (2006). Psicología social y complejidad. México: Universidad Autónoma Metropolitana. pp. 35-46; 57-79; 93-106.
Morin, E. (1977). Metodo I:
La naturaleza de la naturaleza. Madrid: Teorema, (sexta edición)
No hay comentarios:
Publicar un comentario