Suscríbete a DeepL Pro para poder editar este docu

Entra en www.DeepL.com/pro para más información.

Actas de la 22ª Conferencia Internacional Conjunta sobre Inteligencia Artificial

Inteligencia Artificial y Pensamiento Humano

Robert Kowalski
Imperial College London Reino
Unido rak@doc.ic.ac.uk
Resumen pensamiento y comportamiento humano. Me centraré, en
particular, en las formas en que puede ayudarnos tanto a
La investigación en IA se ha basado en las herramientas y comunicarnos más eficazmente con otras personas como a
técnicas de muchas disciplinas diferentes, incluyendo la tomar mejores decisiones en nuestras vidas. Argumentaré
lógica formal, la teoría de la probabilidad, la teoría de la que proporciona una base teórica tanto para directrices sobre
decisión, la ciencia de la gestión, la lingüística y la filosofía. el estilo de redacción en inglés como[Williams, 1990, 1995],
Sin embargo, la aplicación de estas disciplinas en la IA ha como para consejos sobre cómo tomar mejores decisiones
requerido el desarrollo de muchas mejoras y extensiones. como[Hammond et al., 1999]. Este documento se basa
Entre los más poderosos están los métodos de la lógica en[Kowalski, 2011], que contiene los fundamentos técnicos
computacional. del modelo de agente ALP, así como referencias a trabajos
Argumentaré que la lógica computacional, integrada en un relacionados.
ciclo de agente, combina y mejora tanto la lógica tradicional
como la teoría de decisión clásica. También argumentaré que
muchos de sus métodos pueden ser utilizados, no sólo en la
IA, sino también en la vida ordinaria, para ayudar a la gente
a mejorar su propia inteligencia humana sin la ayuda de las
computadoras. Mantenimiento Logros
porter gáto
ía Adelante mo
1 Introducción razón g Hacia atrás
razón g
La lógica computacional, como otros tipos de lógica, viene
en muchas formas. En este trabajo, me centraré en la forma Conse-
de programación de la lógica abductiva (ALP) de la lógica Adelante
computacional. argumentació
Adelante n
Argumentaré que el modelo de agente ALP, que incorpora razón g Decidir
el ALP en un ciclo de agente, es un modelo poderoso de
respuesta de estímulo
pensamiento tanto descriptivo como normativo. Como asociaciones
modelo descriptivo, incluye los sistemas de producción como
un caso especial; y como modelo normativo, incluye la lógica
clásica y es compatible con la teoría clásica de la decisión. Observe
El Mundo Actú
Estas propiedades descriptivas y normativas del modelo de a
agente ALP lo convierten en una teoría de proceso dual, que Figura 1. El ciclo básico del agente de la fosfatasa alcalina
combina el pensamiento intuitivo y deliberativo. Como la
mayoría de las teorías, las teorías de proceso dual también
vienen en muchas formas. Pero en una forma, como lo 2 Una breve introducción a los agentes de
expresaron Kahneman y Frederick[2002], el pensamiento ALP
intuitivo "propone rápidamente respuestas intuitivas a los El modelo de agente ALP puede ser visto como una variante
problemas de juicio a medida que surgen", mientras que el del modelo BDI, en el que los agentes utilizan sus creencias
pensamiento deliberativo "supervisa la calidad de estas para satisfacer sus deseos generando intenciones, que son
propuestas, que puede respaldar, corregir o anular". planes de acción seleccionados. En los agentes de la ALP, las
En este trabajo, me ocuparé principalmente de las creencias y los deseos (u objetivos) se representan como
características normativas del modelo de agente ALP, y de condicionales en la forma clausal de la lógica. Las creencias
las formas en que puede ayudarnos a mejorar nuestro propio se representan como cláusulas de programación de la lógica,

11
y los objetivos se representan como cláusulas más generales,
con el poder expresivo de la lógica de primer orden (FOL)
completa. Por ejemplo, la primera frase de abajo expresa una
meta, y las otras cuatro oraciones expresan creencias:
Si hay una emergencia , entonces la
manejo yo mismo o consigo ayuda o me escapo.
Hay una emergencia si hay un
incendio. Recibo ayuda si estoy en un
tren y alerto al conductor del tren.
Aviso al conductor del tren si estoy en un tren y
Presiono el botón de alarma.
Estoy en un tren.
En este documento, las metas son primero condiciones
escritas, porque, al igual que las reglas de producción,
siempre se utilizan para razonar hacia adelante. Las creencias
suelen ser la primera conclusión escrita, porque, al igual que
los programas lógicos, se utilizan para razonar hacia atrás.
Pero a veces las creencias son primero condiciones escritas,
porque en el ALP se pueden usar para razonar hacia atrás o
hacia adelante. En la semántica, no importa si los
condicionales de cualquier tipo se escriben hacia adelante o
hacia atrás.
2.1 Semántica Teórico-Modelo y Operativa
Informalmente hablando, en la semántica de los agentes de la
ALP, las creencias describen el mundo tal como el agente lo
ve, y las metas describen el mundo tal como el agente
quisiera que fuera. En las bases de datos deductivas, las
creencias representan los datos, y las metas representan las
consultas a las bases de datos y las restricciones de
integridad.
Más formalmente, en la semántica teórico-modelo del
modelo de agente ALP, la tarea de un agente que tiene
creencias B, objetivos G y observaciones O es generar un
conjunto de acciones y suposiciones sobre el mundo de tal
manera que:
G O es cierto en el modelo mínimo
determinado por B .
En el caso simple de que B sea un conjunto de cláusulas de
cuerno, B siempre tiene un modelo mínimo único. Otros
casos pueden reducirse a los de la cláusula de la trompa, pero
estos tecnicismos no son importantes en este caso.
En la semántica operativa, los agentes del PLA razonan
hacia adelante a partir de las observaciones, y hacia adelante
y hacia atrás a partir de las creencias, para determinar si
alguna instancia de las condiciones de una meta es
verdadera, y para derivar la instancia correspondiente de la
conclusión de la meta como una meta de logro, para hacerla
verdadera. El razonamiento hacia adelante a partir de las
observaciones es como el encadenamiento hacia adelante en
los sistemas de producción, pero tiene la semántica de
apuntar a hacer que la meta sea verdadera, haciendo que su
conclusión sea verdadera siempre que sus condiciones se
12
conviertan en realidad. Los objetivos condicionales
entendidos de esta manera también se denominan objetivos
de mantenimiento.
Las metas de logro se resuelven razonando hacia atrás,
buscando un plan de acciones cuya ejecución resuelva las
metas. El razonamiento regresivo es una forma de reducción
de objetivos, y las acciones ejecutables son un caso especial
de subobjetivos atómicos.
Supongamos, por ejemplo, que observo que hay un
incendio. Entonces puedo razonar con la meta y las creencias
dadas anteriormente, concluyendo razonando hacia adelante
que hay una emergencia, y derivando la meta de logro, la
trato yo mismo o consigo ayuda o me escapo. Estas tres
alternativas representan un espacio de búsqueda inicial.
Puedo resolver la meta de logro razonando hacia atrás,
reduciendo la meta que obtengo ayuda a los subobjetivos
consecutivos, alerto al conductor del tren y presiono el botón
de alarma. Si este último subobjetivo es una acción atómica,
entonces puede ser ejecutado directamente. Si la acción tiene
éxito, entonces hace que el objetivo de logro y esta instancia
del objetivo de mantenimiento sean ambos verdaderos.
En la semántica teórico-modelo, el agente necesita generar,
no sólo acciones, sino también suposiciones sobre el mundo.
Estos supuestos explican el uso del término secuestro en el
ALP. El secuestro es la generación de supuestos para explicar
las observaciones O. Por ejemplo, si en lugar de observar el
fuego, observo que hay humo, y creo:
hay humo si hay un incendio.
entonces el razonamiento al revés de la observación genera
una suposición de que hay un incendio. El razonamiento hacia
adelante y hacia atrás continúa como antes.
En la semántica teórico-modelo y operacional, las
observaciones O y las metas G son tratadas de manera similar,
razonando hacia adelante y hacia atrás para generar acciones
y otras suposiciones, para hacer G O verdadero en el modelo
mínimo del mundo determinado por B . En el ejemplo anterior,
dado O = {hay humo}, entonces = {hay un incendio, presiono
el botón de alarma} junto con B hace que G y O sean
verdaderas. La semántica operacional es sólida con respecto a
la semántica teórica del modelo. Con modestas suposiciones,
también es completo.
2.2 Elegir la mejor solución
Puede haber varias alternativas que, junto con B, hacen que G
y O sean verdaderas. Estos pueden tener diferentes valores, y
el reto para un agente inteligente es encontrar el mejor posible
dentro de los recursos computacionales disponibles.
En la teoría clásica de la decisión, el valor de una acción se
mide por la utilidad esperada de sus consecuencias. En la
filosofía de la ciencia, el valor de una explicación se mide de
manera similar en términos de su probabilidad y poder
explicativo. (Cuantas más observaciones se expliquen, mejor.)
En los agentes ALP, se pueden utilizar las mismas medidas
para evaluar tanto las acciones de los candidatos como las
explicaciones de los candidatos. En ambos casos, las
suposiciones de los candidatos se evalúan mediante
razonamientos a futuro para generar las consecuencias de las
suposiciones de ......
En los agentes ALP, la tarea de encontrar lo mejor se
incorpora a la estrategia de búsqueda para razonar hacia atrás
y generar, utilizando alguna forma de búsqueda de lo mejor
primero, como A* o ramificación y encuadernación. Esta tarea
es análoga al problema mucho más simple de la resolución de
conflictos en los sistemas de producción.
Los sistemas de producción convencionales evitan la teoría
de decisiones complejas y el razonamiento abductivo,
principalmente mediante la compilación de objetivos,
creencias y decisiones de alto nivel en heurísticas de bajo nivel
y asociaciones de estímulos y respuestas. Por ejemplo:
si hay humo y estoy en un tren, entonces
presiono el botón de alarma.
En los agentes de ALP, estas reglas de nivel inferior y el
pensamiento y la toma de decisiones de nivel superior pueden
combinarse, como en las teorías de proceso dual, para obtener
lo mejor de ambos mundos.
Al igual que los agentes BDI, los agentes ALP entrelazan el
pensamiento con la observación y la acción, y no necesitan
construir planes completos antes de comenzar a actuar. Sin
embargo, mientras que la mayoría de los agentes de BDI
seleccionan y se comprometen con un plan único a la vez, los
agentes de ALP seleccionan y se comprometen sólo con
acciones individuales.
A diferencia de la mayoría de los agentes BDI, los agentes
ALP pueden intercalar la búsqueda de varios planes
alternativos para mejorar las probabilidades de éxito. Por
ejemplo, en una emergencia, un agente puede presionar el
botón de alarma e intentar escapar más o menos al mismo
tiempo. El hecho de que un agente de ALP trabaje en un plan
o en varios planes alternativos a la vez depende de la estrategia
de búsqueda. La búsqueda por profundidad funciona en un
plan a la vez, pero otras estrategias de búsqueda son a menudo
más deseables.
El modelo de agente de la fosfatasa alcalina puede
utilizarse para desarrollar agentes artificiales, pero también
puede utilizarse como modelo descriptivo del pensamiento y
la decisión humanos. Sin embargo, en el resto de este trabajo
argumentaré que también puede ser utilizado como un
modelo normativo (o prescriptivo), que combina y mejora
tanto la lógica tradicional como la teoría clásica de la
decisión.
El argumento para basar una mejor teoría de decisión en el
modelo de agente ALP depende de la afirmación de que la
lógica clausal de la ALP es un modelo plausible del lenguaje
del pensamiento (LOT). En las próximas secciones, apoyaré
esta afirmación comparando la lógica clausal con el lenguaje
natural. Además, argumentaré que la gente puede utilizar este
modelo para ayudarles a comunicarse con otras personas de
forma más clara y coherente. Volveré sobre el uso del modelo
de agente ALP, para ayudar a las personas a tomar mejores
decisiones, en la sección 6.
13
3 Lógica de la cláusula como LOTE de un
agente
En la filosofía del lenguaje, hay tres escuelas principales de
pensamiento con respecto a la relación entre el lenguaje y el
pensamiento:
• El LOT es una representación privada, lingüística,
independiente de las lenguas públicas y naturales.
• El LOT es una forma de lenguaje público; y el lenguaje
natural que hablamos influye en nuestra manera de
pensar.
• El pensamiento humano no tiene una estructura
lingüística.
El modelo de agente ALP pertenece a la primera escuela de
pensamiento, se opone a la segunda escuela, pero es
compatible con la tercera. Se opone a la segunda escuela, en
parte porque el modelo lógico del pensamiento ALP no
requiere la existencia de lenguajes naturales y en parte
porque, según los estándares de IA, el lenguaje natural es
demasiado ambiguo e incoherente para servir como un
modelo útil del pensamiento humano. Pero apoya a la tercera
escuela, porque, como veremos en la sección 4, tiene una
implementación conexionista, que oculta su naturaleza
lingüística.
En AI, la noción de que alguna forma de lógica es la LOTE
de un agente está fuertemente asociada con GOFAI (good old
fashioned AI), que ha sido parcialmente eclipsada en los
últimos años por los enfoques conexionistas y bayesianos.
Argumentaré que el modelo de pensamiento del ALP concilia
potencialmente el conflicto entre la lógica, el conexionismo
y los enfoques bayesianos. Esto se debe a que la lógica
clausal de la ALP es mucho más simple que la FOL estándar,
tiene una implementación conexionista que se acomoda a la
probabilidad bayesiana, y tiene una relación similar a la FOL
estándar que la LOT tiene con el lenguaje natural.
El primer paso del argumento se basa en la teoría de la
relevancia[Sperber y Wilson, 1986], que sostiene que la
gente entiende el lenguaje natural al intentar extraer la mayor
cantidad de información con el menor costo de
procesamiento. De ello se deduce, como corolario de la
teoría, que, cuanto más cerca esté una comunicación de su
significado previsto, más fácil será para un lector (u oyente)
extraer ese significado de la comunicación.
Por lo tanto, una manera de determinar si hay una LOT, y
cómo podría ser, es examinar situaciones en las que puede ser
una cuestión de vida o muerte que los lectores entiendan una
comunicación como es debido y con el menor esfuerzo
posible. Veremos que, en el caso del Aviso de Emergencia del
metro de Londres, la comunicación es fácil de entender porque
sus frases en inglés están estructuradas explícita o
implícitamente como condiciones lógicas.
3.1 Qué hacer en caso de emergencia
Presione el botón de señal de alarma para alertar al
conductor.
 El conductor se detendrá si alguna parte del tren está en
una estación. De lo contrario, el tren continuará hasta la
siguiente estación, donde se puede prestar ayuda más
fácilmente. Hay una penalidad de 50 libras por uso
inapropiado.
La primera frase es un procedimiento de reducción de
objetivos, cuya lógica subyacente es una cláusula de
programación lógica:
se avisa al conductor si pulsa el
botón de señalización de alarma.
La segunda frase está explícitamente en forma de claúsula de
programación lógica, pero es ambigua; y se ha omitido una de
sus condiciones. Podría decirse que su significado es:
el conductor parará el tren en una
estación si el conductor es alertado y
cualquier parte del tren está en la estación.
La lógica de la tercera frase es de dos frases, por ejemplo:
el conductor parará el tren en la siguiente estación
si el conductor está avisado y no hay
ninguna parte del tren en una estación.
es más fácil prestar ayuda en caso de emergencia
si el tren está en una estación.
Presumiblemente, la cláusula relativa que comienza por donde
añade una conclusión extra a la oración en lugar de una
condición extra. Si la cláusula relativa tuviera por objeto
añadir una condición adicional, esto significaría que el
conductor no pararía necesariamente el tren en la siguiente
estación, sino en la siguiente estación, donde se puede prestar
ayuda con mayor facilidad.
La cuarta frase también es un condicional, pero disfrazado:
Usted puede estar sujeto a una
penalización de £50 si utiliza el botón de
señalización de alarma de forma inadecuada.
Podría decirse que la Notificación de Emergencia es
relativamente fácil de entender, porque su expresión está
relativamente cerca de su significado previsto en el LOTE.
Además, es coherente, porque las oraciones consecutivas
están lógicamente conectadas entre sí y con los objetivos y
creencias preexistentes del lector sobre qué hacer en una
emergencia.
Una de las razones por las que las oraciones en inglés no
están más cerca de su significado previsto es porque omitir
condiciones y otros detalles a veces promueve la coherencia.
Williams[1990, 1995] enfatiza otra forma de lograr
coherencia: colocar las ideas viejas y familiares al principio
14
de las oraciones y las nuevas ideas al final. En una sucesión
de oraciones, una nueva idea al final de una oración se
convierte en una vieja idea que puede ser puesta al principio
de la siguiente oración.
Las primeras tres frases de la Notificación de Emergencia
ilustran el consejo de Williams. He aquí otro ejemplo, que
ilustra el tipo de razonamiento que se aplica en el modelo de
agente ALP:
Está lloviendo.
Si está lloviendo y sales sin paraguas, entonces te
mojarás.
Si se moja, es posible que se resfríe.
Si coges un resfriado, entonces te arrepentirás.
No querrás sentirlo.
Así que no quieres salir sin paraguas.
En la sección 4 argumentaré que el tipo de coherencia
ilustrada en estas frases puede entenderse en términos de
conexiones lógicas entre las conclusiones y las condiciones
de las frases.
3.2 El lenguaje natural y el LOTE
En contraste con el problema de entender las comunicaciones
que están diseñadas para ser tan claras y coherentes como sea
posible, el problema de entender las comunicaciones
ordinarias y cotidianas en lenguaje natural es mucho más
difícil. Este problema más difícil tiene dos partes. La primera
parte es identificar el significado que se pretende dar a la
comunicación. Por ejemplo, para entender la ambigua frase
inglesa "he gave her the book" es necesario identificar a los
individuos, dicen Juan y María, a los que se refieren "él" y
"ella".
La segunda parte es representar el significado deseado en
forma canónica, de modo que las comunicaciones
equivalentes se representen de la misma manera. Por
ejemplo, las siguientes oraciones en inglés tienen el mismo
significado:
Juan le dio el libro a María.
Juan le dio el libro a María.
María recibió el libro de Juan.
El libro fue dado a María por Juan.
El uso de una forma canónica en una representación mental
hace más fácil razonar con la representación más tarde. En
este caso, el significado común de las diferentes frases podría
ser representado en la forma lógica give(john, mary, book) o
en la forma más precisa:
event(e1000). act(e1000, dar). agent(e1000, john).
recipient(e1000, mary). object(e1000, book21).
isa(book21, book).
La forma más precisa es una forma de distinguir entre
eventos similares y libros similares.
 De los principios de la teoría de la relevancia se deduce que,
si quieres que tus comunicaciones sean fáciles de entender,
entonces debes expresarlas de una forma que se acerque a sus
representaciones mentales. Deben ser claros, para que extraer
su significado sea fácil, y sencillos, para que su significado se
acerque a la forma canónica en la que están representados.
Por ejemplo, no diga"Cada ave que pertenece a la clase aves
tiene plumas". Pero di:
cada ave tiene plumas. cada ave pertenece a
la clase aves. o un ave tiene plumas si el ave
pertenece a la clase aves.
dependiendo de lo que quieras decir. En inglés escrito, los
diferentes significados pueden ser señalados por la presencia
o ausencia de comas antes y después de la cláusula relativa
que comienza con la palabra "which". En la lógica clausal,
están representados por la diferencia entre conclusiones y
condiciones.
Ejemplos como estos sugieren que la diferencia y la relación
entre las condiciones y las conclusiones son una característica
fundamental del LOTE, y añaden más apoyo a la tesis de que
algo como la forma condicional de la lógica clausal es un
candidato plausible para el LOTE.
3.3 FOL estándar y lógica de cláusulas
Se han utilizado varias formas de lógica para la representación
del conocimiento en la IA, y la lógica clausal rival como
candidato para el LOT. Pero en comparación con la FOL
estándar, la lógica clausal no sólo se destaca por su forma
simple y condicional, sino que es igual de poderosa.
Compensa la falta de cuantificadores existenciales explícitos
empleando la Skolemización para dar a los individuos que se
supone que existen un nombre, como los nombres e1000 y
book21 anteriores. En otro sentido, también es más poderoso
que el FOL, cuando se usa en conjunción con la semántica del
modelo mínimo.
El razonamiento es también mucho más simple en la lógica
clausal que en la FOL estándar, y en su mayor parte puede
reducirse a un razonamiento sólo hacia adelante y hacia atrás.
En conjunción con la semántica del modelo mínimo, el
razonamiento en la lógica clausal también incluye el
razonamiento por defecto con la negación como fracaso.
Podría decirse que la relación entre el FOL estándar y la
forma clausal es similar a la relación entre el lenguaje natural
y el LOT. En ambos casos, las inferencias pueden dividirse en
dos tipos, realizados en dos etapas. El primer tipo convierte
las frases en forma canónica, y el segundo tipo razona con la
forma canónica resultante.
En FOL, la primera clase de regla de inferencia (incluyendo
tanto la Skolemización como la sustitución de no(A o B) por
no A y no B) puede ser vista como la conversión de oraciones
en forma de claúsulas. El segundo tipo (incluyendo la
inferencia de P(t) de XP(X)) puede ser visto como
razonamiento con forma clausal, y está incorporado en el
razonamiento hacia adelante y hacia atrás.
Como hemos visto, en el lenguaje natural, hay muchas
maneras de expresar la misma información. De manera
15
similar, en la FOL, existen infinitas formas arbitrariamente
complejas de expresar información de manera equivalente.
Por ejemplo, para expresar que todas las aves tienen plumas y
que John es un pájaro, podemos escribir, no sólo
X(plumas(X)plumas(X)) bird(john), sino también:
¬(X ((plumas(X)¬pájaro(john))(pájaro(X)¬pájaro(john)))).
En forma clausal sólo hay una forma de expresar la misma
información canónicamente, en este ejemplo en forma de dos
cláusulas: plumas(X) si es pájaro(X) y pájaro(john).
Por lo tanto, la lógica clausal está en relación con el FOL
estándar, al igual que el LOT está en relación con el lenguaje
natural. De la misma manera que el LOTE puede ser
considerado como una forma simplificada y canónica de
oraciones sin ambigüedades en lenguaje natural, la lógica
clausal es una forma simplificada y canónica de FOL. Esta
analogía apoya aún más el argumento para ver la lógica
clausal como una formalización del LOTE.
Ciertamente, en el caso de los agentes artificiales en la IA,
la lógica clausal ha demostrado ser un lenguaje práctico de
representación de conocimientos, independiente de cualquier
lenguaje que un agente pueda utilizar para comunicarse con
otros agentes. En el caso de los agentes humanos, la lógica
clausal también puede ayudar a las personas a comunicarse
más eficazmente, expresando sus comunicaciones de una
forma más cercana al LOTE.
La lógica clausal puede ayudar a las personas a
comunicarse de manera más coherente, ayudándolas a
vincular la nueva información con la antigua. Este modelo de
coherencia explota el hecho de que la lógica clausal se presta
a una representación conexionista, en la que la información
se almacena en un gráfico de conexión de metas y
creencias[Kowalski, 1975, 1979, 2011].
4 Una forma conexionista de lógica de
cláusulas
Similar a la forma en que la lógica clausal implementa FOL,
convirtiendo primero las frases en forma canónica, el
procedimiento de prueba gráfica de conexión implementa la
lógica clausal, calculando previamente los vínculos entre las
condiciones y las conclusiones, y etiquetando los vínculos
con sus sustituciones unificadoras. Estos enlaces pueden
activarse más tarde, ya sea hacia delante o hacia atrás, a
medida que surja la necesidad. Los enlaces que se activan
con frecuencia pueden compilarse en atajos, que consiguen
los mismos efectos más directamente, a modo de reglas
heurísticas y asociaciones de estímulo-respuesta.
Aunque la lógica clausal es una representación simbólica,
una vez calculados todos los vínculos y sus sustituciones
unificadoras, los nombres de los símbolos predicados ya no
importan. Todo razonamiento adicional puede reducirse a la
activación de los enlaces y a la generación de nuevas
cláusulas, cuyos nuevos enlaces se heredan de los enlaces de
sus cláusulas principales. En muchos casos, las cláusulas
padre pueden ser borradas o sobreescritas, cuando todos sus
enlaces han sido activados.
 Cualquier enlace puede ser seleccionado para su
activación en cualquier momento. Pero la mayoría de las
veces, tiene sentido activar los enlaces sólo cuando se añaden
nuevas cláusulas al gráfico como resultado de nuevas
observaciones, incluidas las observaciones de las
comunicaciones.
La activación de los enlaces puede ser guiada asignando
diferentes fortalezas a diferentes observaciones y objetivos,
reflejando su importancia relativa (o utilidad). Además, se
pueden asignar diferentes ponderaciones a los diferentes
enlaces, lo que refleja la información estadística sobre la
frecuencia con la que su activación ha contribuido a
resultados útiles en el pasado.
Gol: si C entonces
D propiedades y puede intentar juzgar sus probabilidades.
D si E y F
C si A B si A
D si G y H
Figura 2. Un gráfico de conexión simplificado de metas y creencias.
Fíjese que sólo A, F y H están "aterrizados" en el mundo. B, C y D
son conceptos mentales que ayudan al agente a organizar sus
pensamientos y regular su comportamiento. El estado de E y G es
indeterminado. Nótese también que el mismo efecto puede obtenerse
más directamente por medio de la meta de nivel inferior si A luego
((E y F) o (G y H)).
La fuerza de las observaciones y los objetivos puede
propagarse a lo largo del gráfico en proporción a los pesos de
los enlaces. El procedimiento de prueba resultante, que activa
los enlaces con la mayor fuerza ponderada actual, es similar a
las redes de activación de[Maes, 1990]. Además, implementa
automáticamente un estilo ALP de razonamiento hacia
adelante y hacia atrás, combinado con una forma de búsqueda
de lo mejor primero.
El modelo de gráfico de conexión del pensamiento puede
dar la impresión engañosa de que el pensamiento no tiene
ningún carácter lingüístico o lógico. Pero la diferencia entre
pensar en los gráficos de conexión y el razonamiento en la
lógica clausal no es otra que la distinción informática
convencional entre una implementación optimizada, de bajo
nivel, que está cerca del hardware, y una representación de alto
nivel, que está cerca del dominio del problema.
El modelo de gráfico de conexión de la mente añade más
apoyo al argumento de que el pensamiento tiene lugar en un
LOT que es independiente del lenguaje natural. El LOT puede
16
facilitar el desarrollo del lenguaje natural, pero no depende de
su existencia previa.
El modelo de gráfico de conexión también sugiere que
expresar pensamientos en lenguaje natural es como
descompilar programas de bajo nivel en especificaciones de
programas de alto nivel. En informática, la descompilación de
programas es difícil. Esto puede ayudar a explicar por qué a
menudo es difícil poner nuestros pensamientos en palabras.
5 Representación de la incertidumbre
Los enlaces en los gráficos de conexión incluyen enlaces
internos, que organizan los pensamientos del agente, y enlaces
externos, que fundamentan los pensamientos del agente en la
realidad. Los enlaces externos son activados por
observaciones y por las propias acciones del agente. También
pueden incluir enlaces a propiedades no observadas del
mundo. El agente puede hacer suposiciones sobre estas
La probabilidad de que una suposición sea cierta contribuye
a la probabilidad de que las acciones de un agente tengan un
resultado particular. Por ejemplo:
Usted será rico si compra un billete de
lotería y su número es elegido.
Lloverá si haces una danza de la
lluvia y los dioses están contentos.
Puedes controlar tus propias acciones (como comprar un
boleto o hacer una danza de la lluvia), pero no siempre
puedes controlar las acciones de los demás o el estado del
mundo (tu número es elegido o los dioses están
complacidos). En el mejor de los casos, usted sólo podrá
juzgar la probabilidad de que el mundo esté o estará en un
estado en particular (¿uno en un millón?). David Poole[1997]
ha demostrado que asociar probabilidades con tales
supuestos da a ALP el poder expresivo de las redes
bayesianas.
6 Mejorar la toma de decisiones
La incertidumbre sobre el estado del mundo es sólo una de
las complicaciones que contribuyen al problema de decidir
qué hacer. Para reducir esta complejidad, la teoría clásica de
las decisiones simplifica los supuestos. La más restrictiva de
ellas es la suposición de que todas las alternativas entre las
que hay que decidir se dan por adelantado. Por ejemplo, si
usted está buscando un nuevo trabajo, asumiría que todas las
opciones de trabajo están dadas, y se centraría en el problema
de decidir cuál de las opciones dadas es más probable que
resulte en el mejor resultado.
Pero como señalan[Keeney, 1992; Hammond et al., 1999;
Carlson et al. , 2008]] y otros analistas de decisiones, esta
suposición no sólo no es realista como modelo descriptivo de
la toma de decisiones humanas, sino que tampoco es útil
como modelo normativo (o prescriptivo): Para tomar una
buena decisión entre alternativas, es necesario primero
establecer las metas (o problema) que motivan las
alternativas. Estos objetivos pueden provenir de objetivos de
 mantenimiento representados explícitamente o pueden estar Ralph Keeney. Pensamiento centrado en valores: un camino
ocultos implícitamente en reglas heurísticas de bajo nivel o hacia la toma de decisiones creativas. Harvard University
en asociaciones de estímulo-respuesta. Press.
Por ejemplo, usted podría recibir una oferta de un nuevo Robert Kowalski. A proof procedure using connection graphs,
trabajo cuando no está buscando uno, y podría estar tentado JACM, 22(4):572-595.
a limitar sus opciones simplemente a decidir entre aceptar o
rechazar la oferta. Pero si usted da un paso atrás y piensa en Robert Kowalski. Lógica para la resolución de problemas.
el contexto más amplio de sus metas, entonces podría generar Holanda del Norte Elsevier (1979). También en
otras alternativas, como quizás usar la oferta de trabajo para http://www.doc.ic.ac.uk/~rak/.
negociar una mejora en su empleo actual. [Kowalski, 2011]. Robert Kowalski. Lógica Computacional y
El análisis de decisiones proporciona estrategias Pensamiento Humano - Cómo ser Artificialmente
informales para tomar mejores decisiones al prestar mayor Inteligente. Cambridge University Press.
atención a las metas que motivan las alternativas. El modelo
de agente ALP proporciona un marco simple, que puede Pattie Maes. Los agentes situados pueden tener objetivos.
ayudar a formalizar tales estrategias, integrándolas con un Robot. Sistema Autónomo 6(1-2):49-70.
modelo integral de pensamiento humano. En particular, David Poole, 1997] David Poole. La lógica de elección
muestra cómo los mismos criterios de utilidad esperada, que independiente para modelar múltiples agentes bajo
se utilizan en la teoría clásica de la decisión para elegir entre incertidumbre. Inteligencia Artificial, 94:7-56.
alternativas, también pueden utilizarse para guiar la búsqueda
Daniel Sperber y Deidre Wilson. Relevancia. Blackwell,
de alternativas en alguna forma de búsqueda de la mejor a la
Oxford.
primera. Además, muestra cómo la heurística e incluso las
respuestas de estímulo pueden integrarse con el pensamiento Joseph Williams. Estilo: Hacia la claridad y la gracia.
lógico y la teoría de la decisión en el espíritu de los modelos University of Chicago Press.
de proceso dual.
7 4. Conclusiones
He esbozado dos maneras en las que el modelo de agente ALP,
basado en muchos desarrollos diferentes de la Inteligencia
Artificial, puede ser utilizado por la gente común para mejorar
su propia inteligencia humana. Puede ayudarles a expresar sus
pensamientos de manera más clara y coherente, y puede
ayudarles a tomar mejores decisiones. Creo que la aplicación
de estas técnicas es una dirección fructífera de investigación
para el futuro, y un área prometedora para la colaboración
entre los investigadores de la IA y los investigadores en
disciplinas más humanistas.

Agradecimientos
Muchas gracias a Tony Burton, Keith Clark, Jacinto Dávila,
Luis Pereira, Fariba Sadri y Maarten van Emden y Toby
Walsh por sus útiles comentarios sobre los borradores
anteriores de este documento.

Referencias
Carlson et al., 2008] Kurt A. Carlson, Chris Janiszewski,
Ralph L. Keeney, David H. Krantz, Howard C.
Kunreuther, Mary Frances Luce, J. Edward Russo, Stijn M.
J. van Osselaer y Detlof von Winterfeldt. Un marco teórico
para la elección basada en objetivos y para el análisis
prescriptivo. Marketing Letters, 19(3-4):241-254.
Hammond et al., 1999] John Hammond, Ralph Keeney y
Howard Raiffa. Smart Choices - Una guía práctica para
tomar mejores decisiones. Harvard Business School Press.
Daniel Kahneman y Shane Frederick. Representatividad
revisitada: sustitución de atributos en el juicio intuitivo. En
Heurística y Sesgos - La Psicología del Juicio Intuitivo.
Cambridge University Press.

17