CAPÍTULO 01 · INTRODUCCIÓNEl Gran Debate: Algoritmos vs Empirismo
En la intersección entre la neurociencia y el desarrollo de software existe una pregunta que sacude nuestras arquitecturas modernas: ¿operan los cerebros biológicos como computadoras electrónicas gobernadas por reglas lógicas, o funcionan de una manera fundamentalmente distinta?[1]
El libro Why Brains Don't Compute del neurocientífico Dale Purves (Duke University) defiende una tesis provocadora: el cerebro no calcula. Si opera de forma empírica, no hay nada que computar.[2]
Existen dos formas primarias en las que los agentes biológicos o artificiales resuelven problemas: (1) siguiendo un conjunto de reglas lógicas, o (2) mediante aprendizaje por ensayo y error —es decir, de manera empírica. — Dale Purves
La perspectiva tradicional asume que el cerebro emplea algoritmos sofisticados para procesar el mundo. Sin embargo, la evidencia analizada por Purves sugiere que la computación basada en reglas no está a la altura de los retos biológicos del mundo real.[1]
CAPÍTULO 02 · REALIDADLa Realidad Objetiva vs. la Subjetiva
Una premisa cómoda es que el mundo físico existe tal cual lo percibimos y que nuestros sentidos lo miden con precisión. La neurociencia moderna —y la filosofía antes de ella— demuestra que esto es falso.[3]
🔍 El Problema Inverso
Los sensores biológicos —tus ojos, oídos, piel— no tienen reglas, transportadores ni fotómetros. La luz que llega a tu retina es producto simultáneo de iluminación, reflectancia del objeto y transmitancia atmosférica. Estos tres factores físicos están confundidos en un único valor de luminancia.[3]
Esto se llama el "problema inverso": una misma señal sensorial puede haberse generado por infinitas combinaciones físicas distintas. Un cerebro que intentara resolver esto algorítmicamente quedaría paralizado.
¿Qué significa esto en la práctica?
Cuando ves una taza roja sobre tu escritorio, tu cerebro no está midiendo ni la longitud de onda exacta de la luz, ni el ángulo de incidencia del sol, ni la composición química de la cerámica. Está activando una red de asociaciones que en el pasado, ante patrones similares, llevaron a comportamientos exitosos: agarrarla sin quemarse, no derramarla, distinguirla del fondo.
Lo que llamamos "percepción" es, en realidad, el ranking empírico de un patrón sensorial dentro de toda la historia evolutiva e individual de tu especie.
🎯 Berkeley tenía razón en el siglo XVIII
El filósofo George Berkeley argumentó en 1709 que la percepción de los objetos existe en nuestras cabezas, no en el mundo. Si tocas una brasa, ni el dolor ni el color rojo son propiedades del carbón: son construcciones del sistema nervioso evolucionadas para protegerte y guiarte.[3]
DEMO 01 · LÓGICAEl Mito de la Inteligencia Lógica
Si el cerebro fuera una máquina lógica, deberíamos ser excelentes con problemas de lógica. Pero somos pésimos. Purves cita un experimento clásico: pedir a estudiantes de secundaria estimar 1×2×3×4×5×6×7×8. La mediana de respuestas fue 512. La misma multiplicación al revés (8×7×6×5×4×3×2×1) recibió mediana de 2.250. La respuesta correcta es 40.320.[1]
El problema de Monty Hall
Hay un premio detrás de una de las tres puertas. Elige una. El presentador abrirá otra puerta sin premio. Luego decidirás si mantienes tu elección o cambias. Juega varias veces y observa los porcentajes.
La respuesta matemáticamente correcta es cambiar siempre: las probabilidades pasan de 1/3 (33%) a 2/3 (66%). Pero menos del 15% de las personas lo intuyen sin que se les explique. Eso es un cerebro que no calcula con reglas: es un cerebro que decide con experiencia, y aquí la experiencia engaña.[1]
CAPÍTULO 03 · HISTORIADe Al-Khwarizmi a Alan Turing
La palabra algoritmo deriva del matemático persa del siglo IX Al-Khwarizmi, latinizado como Algoritmi.[4] Pero la idea de computación tomó forma física recién en el siglo XIX:
🔧 Charles Babbage y la Máquina Diferencial (1822)
Babbage, profesor lucasiano en Cambridge, diseñó la Difference Engine para calcular funciones polinomiales y eliminar errores de las tablas logarítmicas. Tenía unas 25.000 piezas y nunca fue terminada en su vida. Una versión completa se construyó recién en los años 2000 y reside en el Museo de Ciencias de Londres.[4]
👩💻 Ada Lovelace: la primera programadora (1842)
Hija del poeta Lord Byron, Lovelace tradujo un artículo italiano sobre el trabajo de Babbage y agregó notas extensas describiendo cómo la Analytical Engine podía programarse usando tarjetas perforadas inspiradas en los telares Jacquard. Murió de cáncer a los 36 años, pero es considerada la primera persona que comprendió que una máquina podía hacer más que aritmética.[4]
🧮 George Boole y el álgebra lógica (1854)
Boole demostró que las expresiones lógicas pueden formalizarse algebraicamente, lo que permitiría décadas después construir circuitos electrónicos que ejecutaran funciones lógicas. Sin álgebra booleana no habría chips ni computadoras.[4]
🎰 Alan Turing y la Máquina Universal (1936)
En su artículo "On computable numbers", Turing definió un dispositivo teórico capaz de ejecutar cualquier procedimiento numérico. Esta es la base conceptual de toda computadora moderna: si un problema puede expresarse en código binario, una máquina de Turing universal puede resolverlo.[4]
⚡ ENIAC y las computadoras electrónicas (1946)
Construida en la Universidad de Pensilvania, ENIAC pesaba 30 toneladas, ocupaba 167 m², usaba válvulas de vacío y ejecutaba 5.000 operaciones por segundo. Sus primeras programadoras fueron mujeres expertas en cálculo balístico. Su primera tarea importante: calcular parámetros para el Proyecto Manhattan.[4]
Toda esta extraordinaria genealogía construyó máquinas que siguen reglas. Pero ningún cerebro humano sigue reglas en este sentido estricto. Y aquí es donde aparece la grieta.
CAPÍTULO 04 · REDESEl Otro Camino: Redes Neuronales Artificiales
En 1943, el psiquiatra Warren McCulloch y el lógico Walter Pitts publicaron un artículo en el MIT proponiendo que los problemas también podrían resolverse sin reglas explícitas: usando redes de unidades conectadas que cambian sus conexiones según el éxito o fracaso.[5]
El concepto languideció durante décadas eclipsado por el éxito de la computación algorítmica. Solo a partir de los años 80 —con el algoritmo de backpropagation formalizado por Paul Werbos— las redes neuronales artificiales (ANN) resucitaron.[5]
Una red neuronal artificial funciona así:
- Cada conexión tiene un peso (cuánto influye una neurona sobre otra).
- La red genera una respuesta y la compara con el resultado deseado.
- El error se propaga hacia atrás, ajustando los pesos.
- Tras millones de iteraciones, los pesos convergen hacia una solución útil.
Lo notable: la red no sabe cómo resuelve el problema. Su "conocimiento" está distribuido en miles o millones de pesos numéricos que no son interpretables como reglas. Suena familiar, ¿verdad?
CAPÍTULO 05 · JUEGOSAjedrez, Go y el Tamaño del Universo
Una forma poderosa de comparar las dos estrategias —algorítmica y empírica— es ver cuánto "espacio" tienen que explorar para ganar un juego. Si el espacio es pequeño, el algoritmo gana. Si es enorme, solo el aprendizaje empírico funciona.
Comparemos: se estima que hay 10⁸⁷ átomos en el universo observable.[6] El juego de Go tiene más posiciones posibles que átomos cuadrados. Ningún algoritmo —ni siquiera con supercomputadoras— puede evaluar este espacio exhaustivamente.
🏆 AlphaZero: la prueba viviente
En 2017, el programa AlphaZero de Google DeepMind aprendió a jugar Go, ajedrez y shogi solo jugando contra sí mismo, sin instrucción humana, sin reglas estratégicas precargadas. En 24 horas superó a los mejores motores algorítmicos del mundo.[6]
El secreto: aprendizaje empírico puro, como el de un cerebro biológico. La diferencia es solo de escala temporal: lo que la evolución tardó millones de años en darle a un cerebro humano, AlphaZero lo logró en horas.
Para Purves, esto es la validación funcional de su tesis: si los problemas reales (sobrevivir, reproducirse, perseguir presas, evitar peligros) tienen espacios de búsqueda aún mayores que el Go, solo una estrategia empírica puede resolverlos.[6]
CAPÍTULO 06 · PERCEPCIÓNLo Que Ves No Es Lo Que Existe
La prueba más fuerte de que el cerebro opera empíricamente está en la percepción visual. Cada ilusión óptica que conoces es, en realidad, una demostración de que el cerebro no mide el mundo: lo clasifica según la experiencia acumulada.[7]
Ilusión de luminosidad simultánea
Ambos círculos centrales tienen exactamente la misma luminancia (un fotómetro lo confirmaría). Pero tu cerebro percibe el de la izquierda como más claro.
¿Por qué? En la naturaleza, superficies vecinas suelen estar hechas del mismo material y bajo la misma iluminación. Por eso, en tu historia evolutiva, ver un parche con luminancia igual a su entorno oscuro ha sido extremadamente común cuando el objeto era oscuro. Ver el mismo parche en un entorno claro es común cuando el objeto es claro.
El cerebro no mide. Ranquea la probabilidad de fuente y elige la percepción que históricamente llevó al éxito.[7]
Ilusión de Ebbinghaus
Los círculos azules centrales son idénticos en tamaño. Tu cerebro distorsiona su percepción según el contexto.
Cuando un objeto está rodeado de cosas grandes, en la experiencia natural significa que el objeto central está más lejos o es más pequeño. Tu cerebro ranquea ese círculo bajo en la escala de "tamaño esperado". El círculo con vecinos pequeños recibe el ranking opuesto.[7]
Líneas idénticas, percepciones distintas
Las tres líneas miden exactamente lo mismo en píxeles. Pero la vertical "parece" más larga, y la oblicua "aún más".
En el mundo físico, las líneas verticales muy largas son raras (la gravedad limita la altura de los objetos) y las líneas oblicuas largas son aún más raras debido al escorzo perspectivo. Cuando ves una línea vertical, tu cerebro la "promueve" en el ranking de longitud porque históricamente esos píxeles correspondían a objetos extensos.[7]
CAPÍTULO 07 · COLOREl Color No Existe (en el mundo físico)
El color es uno de los misterios más bellos del libro. La luz tiene longitudes de onda, no colores. El "rojo" es una construcción de tu cerebro para distinguir patrones espectrales útiles para la supervivencia: frutas maduras, sangre, peligro.[8]
🌈 La constancia del color
Pon una taza azul bajo el sol. Luego entra a una habitación con luz cálida. El espectro físico que sale de la taza cambia radicalmente: ahora tiene mucha más luz amarilla reflejada. Sin embargo, sigues viéndola azul.[8]
Si tu cerebro midiera el espectro, debería decirte que la taza cambió de color. Pero no lo hace: la experiencia acumulada de "objetos azules bajo distintas iluminaciones" hace que el cerebro ranquee la percepción correcta sin necesidad de medir.
🎨 El efecto Bezold-Brücke
Descubierto en 1870, demuestra que la misma longitud de onda se percibe como colores diferentes según su intensidad. Una luz monocromática verde tenue se ve azulada; la misma luz brillante se ve amarillenta. Los pintores lo saben desde siempre: para representar luz tenue, oscurece los rojos y amarillos. Para luz fuerte, aclara los azules y verdes.[8]
Purves analizó millones de píxeles de fotos naturales y demostró que la frecuencia de aparición de patrones espectrales en la naturaleza predice las funciones psicofísicas del color humano. No hay un algoritmo que calcule el color: hay un cerebro que ha visto suficientes amaneceres.[8]
CAPÍTULO 08 · MOVIMIENTOEl Efecto Flash-Lag y el Tiempo
Si proyectas una barra que se mueve horizontalmente y al pasar por un punto exacto haces parpadear un destello justo allí, los observadores reportan que el destello aparece atrás de la barra. Cuanto más rápido se mueve la barra, mayor es el "retraso" percibido.[9]
Físicamente, ambos eventos ocurren en el mismo lugar y al mismo tiempo. El cerebro no está midiendo: está ranqueando la velocidad según experiencia previa con objetos en movimiento.
Lo mismo ocurre con el "efecto apertura": una varilla diagonal moviéndose horizontalmente, vista a través de una ventana circular, parece moverse en diagonal. ¿Por qué? Porque en el mundo físico, dada una varilla con cierta orientación dentro de una ventana, el movimiento más probable que la mantiene visible es perpendicular a su eje.[9]
CAPÍTULO 09 · MECANISMOSPlasticidad y la Química del Aprendizaje
Si el cerebro aprende empíricamente, ¿cómo lo hace físicamente? La respuesta es la plasticidad neuronal: el fortalecimiento o debilitamiento de las sinapsis según la experiencia.[10]
| Mecanismo | Duración | Función |
|---|---|---|
| Facilitación / Depresión sináptica | Milisegundos – minutos | Cambia liberación de neurotransmisor según calcio presináptico |
| Habituación y Sensibilización | Horas – días | Aumenta o disminuye respuesta refleja según repetición |
| Potenciación de Largo Plazo (LTP) | Días – meses | Base molecular de la memoria declarativa (hipocampo) |
| Cambios estructurales | Meses – años | Nuevas sinapsis, expresión génica, factores tróficos |
🎯 Dopamina: la moneda del refuerzo
En los años 50, James Olds y Peter Milner descubrieron que si implantaban un electrodo en cierta región del tronco encefálico de una rata, el animal se autoestimulaba hasta el agotamiento. Habían encontrado un "centro de recompensa".[10]
Hoy sabemos que esa red usa dopamina, producida principalmente en el área tegmental ventral (VTA). Esta sustancia no transmite "placer" directo, sino algo más sutil que el neurofisiólogo Wolfram Schultz llamó "error de predicción de recompensa": la dopamina se libera cuando un evento es mejor de lo esperado y se suprime cuando es peor.[10]
Solo unas 500.000 neuronas dopaminérgicas (el 0,00005% del cerebro) regulan qué conductas se refuerzan y cuáles se debilitan. Una minoría diminuta con un poder enorme.
CAPÍTULO 10 · REFLEJOS¿Todo Comportamiento Es un Reflejo?
Sir Charles Sherrington definió a principios del siglo XX el "arco reflejo": un receptor sensorial, un efector y conexiones neuronales entre ambos. La interpretación popular dice que los reflejos son acciones "simples", separadas de la cognición.[11]
Pero el propio Sherrington advirtió que la distinción es una "ficción conveniente": todo en el cerebro está conectado a todo lo demás. Los reflejos pueden concatenarse hasta generar respuestas arbitrariamente complejas.[11]
🦶 Ejemplo: pisar una chincheta
Al pisar una chincheta retiras el pie (reflejo flexor). Simultáneamente extiendes la pierna opuesta para no caerte (reflejo extensor cruzado). Al instante, la información sube a la corteza: piensas "¿quién dejó eso aquí?", sientes enojo, planificas una conversación, evocas memorias de incidentes pasados. Todo es una cadena de reflejos conectados.
La tesis radical de Purves: cognición, creatividad, libre albedrío son todos términos que describen reflejos extraordinariamente complejos, donde la conectividad sináptica ya determinada por experiencia previa se dispara ante un estímulo. No hay un homúnculo decidiendo dentro de tu cráneo. Hay una máquina biológica asombrosa que ya respondió antes de que tú "lo decidieras".[11]
EVALUACIÓN · QUIZPon a Prueba tu Comprensión
¿Internalizaste las ideas centrales del libro? Resuelve este quiz interactivo. Cada respuesta incluye retroalimentación.
🧠 Quiz: Why Brains Don't Compute
CAPÍTULO 11 · CIERREConclusiones Clave del Libro
El libro de Purves, condensado en su capítulo final "Summing Up", deja 11 puntos centrales. Vale la pena meditarlos uno por uno:[12]
| # | Tesis fundamental |
|---|---|
| 1 | Hay dos formas de resolver problemas: algorítmicamente o empíricamente. |
| 2 | Los sensores biológicos no pueden medir el mundo objetivo. |
| 3 | El sistema nervioso no puede vincular realidad física y experiencia subjetiva de forma directa. |
| 4 | Por implicación, los sistemas nerviosos deben operar empíricamente. |
| 5 | Esta conclusión se confirma al poder predecir percepciones desde experiencia acumulada. |
| 6 | Toda percepción difiere siempre de las mediciones físicas: ése es su sello biológico. |
| 7 | En tiempo evolutivo, el empirismo opera vía selección natural. |
| 8 | En tiempo individual, opera vía plasticidad neuronal. |
| 9 | Las respuestas ya están determinadas antes de que el estímulo llegue: la experiencia previa cableó la red. |
| 10 | La complejidad real de los problemas biológicos justifica la evolución de esta estrategia. |
| 11 | Las redes neuronales artificiales bien entrenadas podrían igualar y superar las capacidades del cerebro biológico. |
Si los cerebros operan empíricamente, no hay nada que computar.
🌌 Implicaciones filosóficas
Esta tesis tiene consecuencias profundas:
- El "libre albedrío" como lo entendemos se vuelve cuestionable: nuestras respuestas ya están escritas en la sinapsis antes de que las "decidamos".
- La objetividad de la ciencia es lograda solo mediante instrumentos —nuestros ojos no son fiables, por eso construimos microscopios y telescopios.
- La IA del futuro, si llega a ser consciente, lo será no por seguir reglas, sino por acumular una experiencia equivalente a la biológica.
- La educación debe rediseñarse pensando que aprendemos por exposición repetida y refuerzo, no por instrucción lógica.
📚 Referencias y Lecturas Recomendadas
Los siguientes enlaces han sido recopilados de la fuente original "Why Brains Don't Compute" de Dale Purves (Springer, 2021) para mayor profundización.
- 📘 Libro Completo (DOI): https://doi.org/10.1007/978-3-030-71064-4
- 📖 Capítulo 1 (Solving Problems): 10.1007/978-3-030-71064-4_1
- 📖 Capítulo 2 (Objective and Subjective Reality): 10.1007/978-3-030-71064-4_2
- 📖 Capítulo 7 (Learning Empirically): 10.1007/978-3-030-71064-4_7
- 📖 Capítulo 13 (Color): 10.1007/978-3-030-71064-4_13
- 📖 Capítulo 18 (Stereopsis): 10.1007/978-3-030-71064-4_18
- 📖 Capítulo 25 (Summing Up): 10.1007/978-3-030-71064-4_25
- 📄 Predictive Coding en Redes Neuronales: arxiv.org/abs/1805.10734v2
- 🎓 Purves, D. (2019). Brains as Engines of Association. Oxford University Press.
- 🎓 Sherrington, S. (1947). The Integrative Action of the Nervous System. Yale University Press.