La neurociencia computacional es otra herramienta. El cerebro es un problema muy difícil, y algunos científicos intentan descifrar sus secretos a nivel de sinapsis y canales iónicos. Otros trabajan en disparos neuronales, neurotransmisores o personas con enfermedades cerebrales.
Pero el trabajo experimental solo nos lleva tan lejos. Parafraseando a Rutherford, sin modelos, la recopilación de datos experimentales es solo una recopilación de sellos. A menudo se dice que la neurociencia es “rica en datos, pero pobre en teoría”, y ahí es donde entran en juego los neurocientíficos computacionales.
Sí, “todos los modelos están equivocados, pero algunos son útiles”. Pero sin un modelo para probar, ¿qué estamos haciendo? Los experimentos de neuroimagen ciertamente prueban hipótesis, pero al final del día, ¿qué tan útil (o interesante?) Es decir “el comportamiento X activa preferentemente la región A del cerebro?”
- ¿JARVIS pasaría la prueba de Turing?
- ¿Cuáles son las mejores cosas que ha hecho IBM Watson?
- ¿Cuál es la comparación entre SVM y otros algoritmos de redes neuronales?
- ¿Deberíamos tener miedo de la IA?
- ¿El papel de un gerente de producto en una empresa de TI es reemplazable por IA o algo similar en el futuro previsible?
Mejor sería un modelo que diga que las neuronas corticales visuales aprenden la percepción visual a través de la integración probabilística bayesiana de información previa. Esto proporciona un modelo matemático y una base para el aprendizaje sensorial que luego se puede probar directamente de forma experimental (permitiendo a los investigadores perfeccionar un modelo más “correcto”) que luego lleva sus propias predicciones sobre cómo funciona el cerebro.
No es una forma “diferente” de hacer investigación, es un complemento poderoso para el trabajo experimental.