Segunda clase — Metáforas, máquinas y el cerebro computacional

Posición cronológica: segunda sesión. Sale del marco histórico-filosófico de la clase 1 y entra al cómo se ha pensado el cerebro a través de metáforas técnicas. Texto de cabecera: Daugman (2001), Brain Metaphor and Brain Theory, complementado por Hinton (1992) que es a la vez lectura y eje de la presentación de los estudiantes.

1. Tema central

La clase argumenta una tesis fuerte de filosofía de la ciencia aplicada a la neurociencia: las teorías del cerebro siguen, históricamente, a las tecnologías dominantes de cada época. No es una observación anecdótica; es una clave epistemológica. Si las metáforas modelan lo que vemos, entonces evaluar críticamente la metáfora vigente es parte del trabajo filosófico de la neurociencia.

El recorrido va de las metáforas hidráulicas (Hipócrates, Galeno, Freud) a las mecánicas (Hobbes, La Mettrie, el pato de Vaucanson), de las eléctricas (Galvani, von Helmholtz, Hodgkin-Huxley) a las telegráficas y telefónicas (Ramón y Cajal + von Helmholtz), y finalmente a las computacionales (von Neumann, Turing, Marr) y conexionistas (Pitts-McCulloch, Rosenblatt, Hinton). En el camino aparece el modelo trinitario de Marr (computación / algoritmo y representación / implementación) como dispositivo para no confundir niveles.

Plan didáctico de la clase

Apertura. ¿Por qué hablamos de "neurociencia" en plural? Convergencia interdisciplinar (~1960) entre neuroanatomía, neurofisiología, psicología, lingüística, ciencia cognitiva.
Distinción. Neurociencia (cerebro) vs ciencia cognitiva (mente) vs filosofía de la neurociencia (qué hace la neurociencia, qué explicaciones usa, qué es una representación, qué es una reducción).
Herramientas para el pensamiento. Las teorías necesitan vocabulario. Las metáforas y analogías son ese vocabulario: medio para un fin, no descripción literal.
Recorrido histórico de metáforas (núcleo de la clase) en seis capas tecnológicas.
Salto a la computacional. Turing, von Neumann, niveles de Marr (computacional / algorítmico / implementación).
Conexionismo. McCulloch–Pitts (1943), Perceptrón de Rosenblatt (1958), distribuido vs localista (preámbulo a Hinton).
Crítica de Daugman. Cada metáfora abre y a la vez recorta. La computacional no es la metáfora final: es la actual.
Apertura a Clase 3. Si todo es metáfora, ¿qué dice el cerebro real? La anatomía funcional como contrapeso material.

2. Conceptos clave

Metáfora teórica — no mero adorno; estructura las preguntas legítimas, las técnicas y las explicaciones plausibles. Daugman insiste: cada metáfora ilumina y oculta.
Modelos hidráulicos del cuerpo y la mente — los cuatro humores de Hipócrates-Galeno, y la dinámica hidráulica del aparato psíquico de Freud (presión, represión, descarga).
Mecanicismo de la modernidad — La Mettrie, L'Homme Machine (1748); pato de Vaucanson (1739) como modelo demostrativo de que la fisiología puede entenderse como mecánica.
Electricidad nerviosa — Galvani (1791), galvanómetro, von Helmholtz mide la velocidad del impulso nervioso (no es instantáneo: ~30 m/s). Apertura para Hodgkin-Huxley (1952) con su modelo matemático del potencial de acción.
Metáfora telegráfica/telefónica — Ramón y Cajal dibuja neuronas con axones-cables. La idea: el sistema nervioso es una central de conmutación.
Bit y todo-o-nada — von Neumann lee el potencial de acción como un bit; teoría de la información de Shannon entra en escena.
Computacionalismo clásico — Turing (máquina universal), von Neumann (The Computer and the Brain, póstumo 1958). La mente como manipulación reglada de símbolos.
Niveles de análisis de Marr (1982) — computacional (qué problema se resuelve), algorítmico (qué procedimiento y representación), implementacional (qué hardware). El profesor lo presenta como herramienta para dividir y conquistar, no como ontología.
Conexionismo / redes neuronales — Pitts y McCulloch (1943): neuronas formales como funciones lógicas. Rosenblatt (1958): perceptrón con aprendizaje supervisado. Minsky & Papert (1969): crítica que congela el campo. Renacimiento conexionista de los 80 con backprop y Hinton.
Vías visuales dorsal y ventral — qué (ventral, hacia temporal) vs dónde/cómo (dorsal, hacia parietal). Caso clínico de Goodale-Milner: pacientes que coordinan visomotrizmente pero no identifican; otros (visión ciega/blindsight) muestran lo inverso.

3. Autores y lecturas asociadas

Daugman (2001) — Brain Metaphor and Brain Theory: lectura central. Ver [[02_Lecturas/01_fundamentos_y_marco/02_daugman_metaforas_del_cerebro]] y [[Fuentes/pdf/2a - Daugman - (2001) Brain Metaphor and Brain Theory]].
Hinton (1992) — How Neural Networks Learn from Experience, lectura central, base de la presentación estudiantil. [[Fuentes/pdf/2b - Hinton - (1992) How Neural Networks Learn from Experience]] y [[Fuentes/pdf/2b - Hinton - (1992) How Neural Networks Learn from Experience]].
Hipócrates / Galeno — teoría de los humores.
Hobbes, Leviathan, cap. I — pensamiento como movimientos en la cabeza.
La Mettrie (1748), L'Homme Machine.
Galvani, Volta, von Helmholtz, Du Bois-Reymond — electrofisiología clásica.
Hodgkin & Huxley (1952) — modelo matemático del potencial de acción (Nobel 1963).
Ramón y Cajal — doctrina neuronal.
Shannon (1948) — A Mathematical Theory of Communication.
Turing (1936/1950) — máquina universal; el profesor cita el clásico Mind paper.
von Neumann (1958) — The Computer and the Brain (póstumo).
Pitts & McCulloch (1943) — A Logical Calculus of the Ideas Immanent in Nervous Activity.
Rosenblatt (1958) — perceptrón.
Minsky & Papert (1969) — Perceptrons.
Marr (1982) — Vision: niveles de análisis.
Dennett, Intuition Pumps and Other Tools for Thinking — referenciado por el profesor para los "7 secretos de las computadoras revelados".
Goodale & Milner (1992) — Separate visual pathways for perception and action — fundamento de las dos vías.

4. Hilos argumentales

Esta clase es bisagra teórica del curso. Recibe de la clase 1 la pregunta cómo pensamos el cerebro y la traduce a su versión histórica concreta: con qué herramientas conceptuales lo hemos pensado. Entrega a las siguientes:

Tercera clase hereda el vocabulario neuronal (axón, dendrita, sinapsis, mielina) y la insistencia en que el cerebro no es un mosaico de funciones, sino una red de procesamiento distribuido.
Cuarta clase retoma la advertencia metafórica como problema epistemológico: cuando vemos una imagen fMRI estamos viendo una metáfora visual de un proceso indirecto.
Quinta clase discute si la metáfora computacional reemplaza al vocabulario psicológico ordinario o si solo lo desplaza (la falacia mereológica de Bennett & Hacker, que aparece en lecturas de la clase 5, es directamente una crítica al uso ingenuo de la metáfora computacional).
Sexta clase aplica el modelo de las dos vías (que aquí aparece como anticipo) al caso paradigmático de la visión.
Presentación Hinton es el laboratorio práctico: cómo es realmente una red neuronal artificial, qué representaciones aprende, cuán literal o metafórica es la analogía con el cerebro biológico.

5. Glosario mini

Idealización vs. simplificación — distinción metodológica clave (Hinton la usa explícitamente). Idealizar es asumir condiciones contrafácticas (sin ruido, sin retardo) para volver tratable el problema; simplificar es soltar detalles considerados irrelevantes.
Código poblacional — la información no vive en una neurona única sino en patrones de actividad de una población. Robustez por redundancia distribuida.
Representación distribuida — patrón de activación repartido entre muchas unidades; ningún nodo individual "contiene" el concepto. Opuesto al abuelita-neuron (grandmother cell).
Niveles de Marr — computacional / algorítmico-representacional / implementacional. El profesor lo trae para que no confundamos pregunta de hardware con pregunta de algoritmo.
Blindsight / visión ciega — paciente con lesión cortical occipital que niega ver objetos pero los esquiva o señala mejor que el azar. Evidencia de procesamiento visual disociado de la conciencia.

6. Estructura conceptual (Mermaid)

flowchart LR
    H[Hidráulica<br/>Hipócrates-Galeno-Freud] --> M[Mecánica<br/>Hobbes, La Mettrie]
    M --> E[Eléctrica<br/>Galvani-Helmholtz<br/>Hodgkin-Huxley]
    E --> T[Telegráfica/Telefónica<br/>Cajal, central de conmutación]
    T --> C[Computacional clásica<br/>Turing, von Neumann, Marr]
    C --> X[Conexionismo<br/>Pitts-McCulloch, Rosenblatt, Hinton]
    C -.crítica.-> X
    X --> P[Programa actual:<br/>aprendizaje + representaciones<br/>distribuidas]
    C --> P

7. Tabla comparativa: tres familias de metáforas

Familia	Pregunta-modelo	Limitación filosófica
Hidráulica	¿Qué flujo equilibra?	Solo procesos continuos; sin computación ni representación.
Mecánica-eléctrica	¿Qué pieza conmuta cuándo?	Captura propagación pero no contenido informacional.
Computacional simbólica	¿Qué reglas sobre qué símbolos?	Asume simbolización previa (chinese-room de Searle); poco plausible biológicamente para todo.
Conexionista / sub-simbólica	¿Qué patrón de pesos aproxima qué función?	Opacidad de las representaciones aprendidas; aprendizaje (backprop) cuestionable como modelo biológico literal.

8. Preguntas guía

Daugman dice que cada metáfora ilumina y oculta. ¿Qué ilumina y qué oculta específicamente la metáfora computacional clásica frente al conexionismo?
¿Qué se gana, y qué se pierde, al adoptar los tres niveles de Marr como esquema explicativo en lugar de un fisicalismo de un solo nivel?
Pitts-McCulloch demostraron que redes de neuronas formales pueden implementar cualquier función lógica. ¿Eso prueba que el cerebro es computacionalmente equivalente a una máquina de Turing? Justifica.
La metáfora del "todo-o-nada" (bit) para el potencial de acción es históricamente productiva. ¿Qué fenómenos neurales no captura (pista: codificación temporal, sincronía, oscilaciones gamma)?
¿Cómo articula el caso de blindsight la tensión entre niveles de Marr y la pregunta filosófica por la conciencia?

9. Cross-refs al backup

[[01_Clases/clase-02-metaforas-y-cerebro-computacional/00_notas]] — apuntes en bruto.
[[02_Lecturas/01_fundamentos_y_marco/02_daugman_metaforas_del_cerebro]] — desarrollo Daugman.
[[02_Lecturas/01_fundamentos_y_marco/03_hinton_redes_neuronales]] — desarrollo Hinton 1992.
[[Fuentes/pdf/2a - Daugman - (2001) Brain Metaphor and Brain Theory]] — PDF.
[[Fuentes/pdf/2b - Hinton - (1992) How Neural Networks Learn from Experience]] — PDF.
[[10_LogicaFormal/hinton/PlanPresentacion]] — plan completo de la presentación estudiantil sobre Hinton.
[[Fuentes/textos/2b - Hinton - Redes Neuronales que Aprenden de la Experiencia]] — traducción anotada.

10. Para el estudiante

Lo que esta clase no dice es que el cerebro sea literalmente una computadora ni literalmente una red neuronal artificial. Lo que dice es algo más sutil y más interesante: cada generación de neurocientíficos hereda una caja de metáforas que viene de la tecnología disponible, y esa caja determina qué cuenta como explicación. Por eso filosofía y neurociencia no son disciplinas separadas que se prestan datos: la filosofía es la rama de la neurociencia que audita sus metáforas. Y por eso la presentación sobre Hinton no es un anexo: es el ejercicio en que una metáfora computacional específica (la red multicapa con backprop) se examina hasta el detalle técnico, para ver dónde su poder explicativo es genuino y dónde es solo proyección.