¿Cómo hace exactamente una araña recién salida del cascarón para tejer una telaraña perfecta y característica de su especie, sin haber visto nunca una telaraña de este tipo, y mucho menos haber sido entrenada para tejerla? ¿Cómo saben las mariposas qué hacer? ¿Por qué los perros y los gatos se comportan como tales? ¿Por qué los conejos se comportan como lo hacen? El instinto es una posible respuesta. La gente, especialmente los psicólogos, han considerado durante mucho tiempo que el instinto es un determinante importante del comportamiento. Pero, ¿cómo funciona el instinto? ¿Cuáles son los mecanismos relevantes que permiten que el instinto funcione como lo hace?
Actualmente tenemos una buena comprensión de cómo los humanos aprenden a través de la formación de la memoria. Esta información puede utilizarse para entender cómo funciona el instinto, ya que el comportamiento instintivo rígido es el polo opuesto al comportamiento humano aprendido flexible. Incluso puede haber un continuo de aprendizaje-memoria de la flexibilidad sináptica, con los humanos en un extremo y criaturas como las arañas en el otro.
Ambos extremos de un continuo de aprendizaje-memoria son adaptativos. La flexibilidad dependiente de la experiencia a lo largo de un extenso período de desarrollo permite a los humanos adquirir habilidades complejas y comportamientos inteligentes. La rigidez preestablecida evita los riesgos y peligros del desarrollo y la crianza al permitir un comportamiento «adulto» desde el principio, lo que nos lleva al tema de la evolución.
Evolución
Los instintos obviamente evolucionaron junto con el resto del cuerpo del organismo a través de los mismos principios de variación y selección natural que impulsan y explican la evolución filogenética. Aquí estamos hablando de la evolución del comportamiento como un paralelo a la evolución filogenética. Sabemos que el ADN es el mecanismo genético que media en la evolución filogenética, pero ¿puede ser también responsable de la evolución del comportamiento y del instinto? Si es así, ¿cómo puede ocurrir exactamente? ¿Qué mecanismos pueden permitir que el comportamiento se herede?
Información sobre el mecanismo
Los modelos computacionales de aprendizaje y memoria nos permiten comprender mejor cómo funcionan los mecanismos biológicos centrales relevantes porque las simulaciones animan las relaciones causales. De especial interés es cómo se entrenan las redes neuronales artificiales (RNA) conocidas como modelos de redes neuronales conexionistas de procesamiento distribuido paralelo. Discuto estos métodos en mi libro (Tryon, 2014) Cognitive Neuroscience and Psychotherapy: Network Principles for a Unified Theory, pero los resumo a continuación. Esta tecnología se conoce como aprendizaje automático porque los ordenadores pueden simular el aprendizaje y la memoria humana y animal. Esta tecnología también se conoce como aprendizaje profundo en reconocimiento a su notable capacidad para simular la cognición humana utilizando modelos de redes neuronales conexionistas.
Los logros más notables en este sentido incluyen cuando el ordenador Deep Blue de IBM ganó el campeonato de ajedrez a los humanos en 1997. Cuando Watson de IBM ganó el campeonato de Jeopardy a los humanos en 2011. Cuando Watson de IBM ganó el Heads-up no-limit Texas hold’em a los humanos en 2015. Cuando la mente profunda de Google ganó el campeonato AlphaGo a los humanos en 2016. En algunos de estos casos, las máquinas tuvieron que aprender a «entender» el lenguaje natural tan bien como los humanos. En todos estos casos, las máquinas tuvieron que discernir relaciones sutiles, formular estrategias y hacerlo con más eficacia que los mejores expertos humanos. Bengio (2016) resumió los principales avances en inteligencia artificial en la popular revista Scientific American. Engelking (2017) revisó los progresos que está realizando el Instituto Allen de Inteligencia Artificial; el mayor instituto de inteligencia artificial sin ánimo de lucro del país, fundado en 2014, en la revista Discover.
Examinemos más de cerca los mecanismos relevantes que permiten el aprendizaje a través de la formación de la memoria. Me limito a hablar de los principios básicos para evitar entrar en demasiados detalles técnicos. Estos principios pertenecen a las simulaciones de redes neuronales y a los sistemas biológicos. Creo que estos principios son suficientes para que usted entienda en general cómo podrían funcionar los instintos.
El primer principio es que los sistemas nerviosos son redes de redes neuronales compuestas por muchas neuronas. Se estima que los seres humanos tienen 100 mil millones de neuronas. Se calcula que incluso los sistemas nerviosos de las arañas tienen unas 100.000 neuronas. Cada neurona humana se conecta con muchas otras neuronas. En algunos casos, una neurona humana puede conectarse hasta con otras 10.000 neuronas. Se calcula que el cerebro humano contiene 100 billones de sinapsis. Sabemos que la genética, el ADN, es responsable de la construcción de las redes neuronales durante el desarrollo embriológico. También sabemos que las diferentes criaturas tienen un ADN diferente que es responsable de sus diferentes sistemas nerviosos.
El segundo principio es que las neuronas de todas las especies están conectadas a otras neuronas por medio de sinapsis, pequeños huecos en los que se segregan neurotransmisores. Algunos de estos neurotransmisores facilitan la conducción eléctrica de una neurona a otra. Otros neurotransmisores inhiben la conducción eléctrica de una neurona a otra. Sabemos que la genética, el ADN, es responsable de la construcción de estas sinapsis. Por lo tanto, parece muy posible que las propiedades excitatorias/inhibitorias de las sinapsis se establezcan durante su construcción, en lugar de ser modificadas por la experiencia. Esta posibilidad es fundamental para la explicación del funcionamiento de los instintos que se presenta a continuación. Podría llevarse a cabo silenciando o eliminando los genes que permiten la flexibilidad sináptica dependiente de la experiencia.
Una gran cantidad de conocimientos científicos apoya la opinión de que las sinapsis son fundamentales para el aprendizaje y la memoria (Hell & Ehlers, 2008). El aprendizaje humano flexible requiere que las propiedades excitatorias/inhibitorias de las sinapsis puedan establecerse mediante mecanismos de plasticidad sináptica dependientes de la experiencia. Las redes neuronales artificiales, como las que participan en los campeonatos informáticos mencionados anteriormente, simulan sistemas nerviosos primitivos mediante ordenadores o chips neuromórficos. Las neuronas simuladas están interconectadas por sinapsis simuladas denominadas pesos de conexión porque conectan matemáticamente las neuronas simuladas entre sí. Las entradas a estas RNA no dan lugar inicialmente a salidas significativas deseadas porque las sinapsis simuladas aún no están ajustadas a su nivel óptimo. Las ecuaciones se utilizan para simular los mecanismos de plasticidad dependientes de la experiencia biológica. Se utilizan para cambiar y optimizar progresivamente los pesos de las conexiones durante los ensayos de aprendizaje simulados, de modo que la RNA finalmente funcione de forma eficaz, como se ilustra en los campeonatos informáticos mencionados anteriormente. El punto central de interés aquí es que la capacidad de una RNA «adulta» completamente entrenada para realizar adecuadamente todas las maravillosas funciones que puede hacer depende directamente de los niveles finales de excitación/inhibición que caracterizan a las sinapsis simuladas. El problema de ajustar todos los pesos de las conexiones a niveles óptimos es demasiado complicado para programarlo directamente. Se requiere un proceso de retroalimentación impulsado por la experiencia para que estos niveles sinápticos simulados se establezcan en estados óptimos. Para que una RNA pueda rendir a un alto nivel, suele ser necesario un amplio entrenamiento. Un proceso similar de modificación sináptica impulsada por la experiencia permite todas las habilidades cognitivas y motoras que las personas adquieren a través del aprendizaje.
El instinto parece preestablecer las conexiones sinápticas a valores «adultos» durante la embriología. Es decir, los genes que se encargan de construir las sinapsis como parte de las redes neuronales que median el instinto parecen fijar también sus propiedades funcionales a niveles excitatorios o inhibitorios óptimos que replican lo que se habría conseguido si la red hubiera pasado por una fase de aprendizaje rigurosa y exhaustiva del desarrollo. El ADN parece codificar los valores sinápticos finales «adultos» en el caso de las arañas, donde el instinto parece dominar su comportamiento. La genética parece ejercer un efecto menor, pero aun así digno de mención, en lo que se denominan comportamientos biológicamente preparados, como nuestros miedos a las alturas y a la oscuridad.
La capacidad del ADN para presentar las propiedades de las sinapsis individuales a través de redes neuronales complejas explica cómo pueden heredarse los comportamientos. Esto explica cómo las arañas pueden tejer complejas redes poco después de nacer. También explica por qué los perros y los gatos se comportan de forma diferente. La variación genética explica las diferencias individuales de comportamiento, es decir, por qué las arañas de la misma especie pueden comportarse de forma diferente, o por qué los perros y los gatos difieren en su temperamento.