De modelos internos hacia la IA metacognitiva

En varios artículos publicados en Biological Cybernetics en las décadas de 1980 y 1990, Kawato y sus colegas propusieron modelos computacionales que explican cómo se adquieren los modelos internos en el cerebelo. Estos modelos fueron respaldados más tarde por experimentos neurofisiológicos utilizando monos y por experimentos de neuroimágenes que involucraron a humanos. Estos primeros estudios influyeron en la neurociencia desde el control básico sensoriomotor hasta funciones cognitivas superiores. Uno de los enigmas más desconcertantes relacionados con los modelos internos es entender los mecanismos neuronales que permiten a los animales aprender problemas de gran dimensión con tan pocas pruebas. La conciencia y la metacognición—la capacidad de monitorear los propios pensamientos, pueden ser parte de la solución a este enigma. Basado en revisiones de literatura de los últimos 20 años, aquí proponemos un modelo de neurociencia computacional de metacognición. El modelo comprende una arquitectura modular jerárquica de aprendizaje por refuerzo de pares de modelos generativos-inversos en paralelo y en capas. En la corteza prefrontal, una red ejecutiva distribuida llamada "red de monitoreo de la realidad cognitiva" (CRMN) orquesta la participación consciente de los pares de modelos generativos-inversos en la percepción y la acción. Basado en desajustes entre cómputos de modelos generativos e inversos, así como en errores de predicción de recompensas, CRMN calcula una "señal de responsabilidad" que regula la selección y el aprendizaje de pares en la percepción, la acción y el aprendizaje por refuerzo. A los pares que mejor capturan el mundo externo, que son competentes en movimientos (pequeño desajuste) y que son capaces de aprendizaje por refuerzo (pequeño error de predicción de recompensa) se les asigna una alta señal de responsabilidad. CRMN selecciona pares con señales de responsabilidad más altas como objetos de metacognición, y la conciencia se determina por la entropía de las señales de responsabilidad en todos los pares. Este modelo podría llevar a una IA de nueva generación, que exhibe metacognición, conciencia, reducción de dimensiones, selección de módulos y representaciones correspondientes, y aprendizaje a partir de muestras pequeñas. También puede conducir al desarrollo de un nuevo paradigma científico que permita el estudio causal de la conciencia mediante la combinación de CRMN y neurofeedback decodificado.