Preprint del artículo Feltrero, R. (2007).

Tecnologías Cognitivas, ¿Metodologías

Convergentes? Anthropos, 214, 96-106
Citar según la versión impresa y adjuntar el URL correspondiente

Tecnologías Cognitivas: ¿Metodologías Convergentes?*

Roberto FELTRERO
Departamento de Ciencia Tecnología y Sociedad
Instituto de Filosofía del Consejo Superior de Investigaciones Científicas

1.Introducción
El uso de simulaciones computacionales en las más diversas ramas de la investigación
científica apunta a una curiosa convergencia metodológica. Curiosa porque, si bien los
tradicionales impulsos hacia la convergencia metodológica, auspiciados por la filosofía de la
ciencia, se han basado en el intento de implantación de métodos cognitivos sesudamente diseñados
y justificados por las mentes de los teóricos1, esta nueva convergencia se basa en el uso de
herramientas cognitivas externas cuyo máximo valor es que los resultados que ofrecen escapan a
las posibilidades de cálculo y predicción de un cerebro humano. Mientras que la calidad y
confiabilidad lógica, matemática o epistémica en general, se basaba anteriormente en el riguroso
control veritativo ejercido por los lenguajes a los que se traducía toda evidencia empírica, ahora se
valoran los resultados, obtenidos mediante simulaciones computacionales, cuya explicación parece
escapar a ese tipo de conceptualización rigurosa. El uso de metodologías basadas en tecnologías
cognitivas, cuyo ejemplo más destacado son los modelos de simulación computacional, no sólo se
ha generalizado para todo tipo de disciplinas, desde la biología hasta la economía, pasando incluso
por la filosofía (Grim, 2002, 2004), sino que, además, ha ampliado el campo de las investigaciones
científicas hacia áreas como los sistemas complejos o los sistemas evolutivos, abriendo espacios
que se han llegado a consolidar en nuevas disciplinas científicas como la vida artificial o la
bioinformática.
La dimensión de esta convergencia metodológica exige una reflexión filosófica que debe
comenzar por el análisis del papel cognitivo que esas tecnologías desempeñan en las tareas de los
científicos. La definición del propio concepto de tecnologías cognitivas puede ayudar a ese
análisis y, a partir de esa definición, a la comprensión de las consecuencias cognitivas y
valorativas de la convergencia metodológica que puede suponer el uso de simulaciones
computacionales en las más diversas áreas del conocimiento científico y humanístico. Se postula
que la convergencia metodológica se debe entender a partir de las funciones cognitivas de los
*
La redacción de este trabajo se ha beneficiado de la financiación del proyecto investigación del Ministerio de Ciencia
y Tecnología HUM2005-02105/FISO y de la beca I3P de posgrado que disfruto en el Instituto de Filosofía del CSIC.
1
El razonamiento deductivo y el inductivo son los ejemplos más claros del tipo de operaciones cognitivas “internas” a
menudo elevadas a la categoría de “la” metodología científica.
modelos computacionales, es decir, desde las posibilidades que ofrecen para externalizar diversas
estrategias cognitivas con precisión, de manera explícita y con innumerables posibilidades
metodológicas para implementar todo tipo de tareas computacionalmente plausibles. Lejos de
pretensiones sistematizadoras en las que los computadores pueden sustituir a los científicos, se
propone un análisis de las diversas formas en que los computadores pueden apoyar y extender las
posibilidades cognitivas de los científicos. Los modelos de simulación evolutiva serán analizados
como mejor ejemplo de las novedosas posibilidades y funciones cognitivas de los modelos de
simulación.

2. Tecnologías cognitivas
El estudio del uso de recursos y artefactos externos para llevar a cabo nuestras tareas
cognitivas se enmarca dentro de un multifacético marco de comprensión de la cognición humana
que se puede catalogar como el de la cognición corpórea, situada y distribuida (Beer, 2000; Clark,
1997, 1998). En este marco, se acepta que el análisis de las estrategias cognitivas implicadas en la
realización de una tarea debe integrar aquellos elementos del medio material, incluidos artefactos y
tecnologías, que prestan su ayuda en la realización de dicha tarea de manera significativa. La
cognición se considera así distribuida en el entorno material y tecnológico y, por tanto, el estudio
de sus estrategias debe incluir el contexto en el que éstas se desenvuelven. El estudio del contexto
material y tecnológico de las estrategias cognitivas comienza por la clarificación de los modos y
tipos de ayuda que nos prestan los artefactos y tecnologías externas en el desempeño de nuestras
tareas cognitivas (Clark, 2002). El que tales tecnologías cognitivas mejoren, aumenten, extiendan
o ayuden a nuestras capacidades cognitivas es algo que debe ser explicado, contextualizado y
definido para dominios concretos2. Un trabajo filosófico en esta línea es la clarificación del propio
concepto de tecnologías cognitivas. Esa clarificación puede servir para la catalogación de los
diversos artefactos y tecnologías en función, precisamente, de los usos cognitivos que posibilitan y
del alcance de los mismos para la conformación de nuevas estrategias y posibilidades cognitivas.
Los modelos de simulación computacional, sin duda, pertenecen al rango más complejo y
elaborado de dispositivos tecnológicos orientados a externalizar operaciones cognitivas. Se
propone catalogarlos como tecnologías cognitivas que extienden de manera significativa las
capacidades cognitivas de los científicos. Para el análisis de la posible convergencia metodológica
que nos ocupa es imprescindible esa clarificación para poder comprender las posibilidades y los
límites de las nuevas metodologías que propician las tecnologías cognitivas.
Los seres humanos usamos todo tipo de dispositivos, artefactos o procedimientos que
tenemos a nuestra disposición en nuestro entorno material para llevar a cabo parte de nuestras
tareas cognitivas. Confiamos parte de nuestra memoria a nuestra agenda, simplificamos
2
Un análisis de este tipo se ha llevado a cabo en (Feltrero, 2005)
operaciones de cálculo mediante reglas simples que aplicamos bien con lápiz y papel, o mediante
ábacos, o las automatizamos completamente mediante calculadoras. Hoy en día, las tecnologías
basadas en el procesamiento computacional de la información extienden estas posibilidades de
externalización de lo cognitivo hasta límites insospechados apenas hace unas décadas. Existen
innumerables estudios sobre el contexto material de la actividad cognitiva (Clark, 1997, 2003;
Fauconnier y Turner, 2002; Hutchins, 1995) y en todos ellos se pone de manifiesto el papel
insoslayable de esos artefactos a la hora de poder acometer tareas cognitivas complejas. Este tipo
de elementos materiales han sido catalogados en diversos marcos teóricos como artefactos
cognitivos (Hutchins, 1999), tecnologías que extienden nuestra mente (mind-extending
technologies) (Clark y Chalmers, 1998) o tecnologías cognitivas (Dascal, 2002; Gorayska y Mey,
1996).
Hutchins define artefactos cognitivos como “objetos físicos fabricados por los seres
humanos con el propósito de ayudar, aumentar o mejorar nuestras capacidades cognitivas”
(Hutchins, 1999, p. 126). Un hilo anudado al dedo para recordarnos una cita es el ejemplo más
simple de artefacto que, en este caso, “fabricamos” individualmente como ayuda a nuestras
capacidades memorísticas. Los computadores, por supuesto, caen bajo esta definición de manera
significativa pues no sólo sirven para aumentar y mejorar nuestra memoria, sino que nos
proporcionan todo tipo de procedimientos externos para un gran número de tareas cognitivas. Esta
definición, en principio, parece reducir el rango de lo definido a los artefactos físicos
intencionalmente fabricados para apoyar tareas cognitivas. Sin embargo, la enumeración que nos
plantea Hutchins en el artículo citado incluye otros muchos usos cognitivos de los elementos de
nuestro entorno que sobrepasan los límites de esa definición. Por ejemplo, en el uso que hacen los
navegantes de las estrellas para ayudarse en la navegación, existe un uso oportunístico del entorno
natural para la tarea cognitiva de trazar el rumbo. Mientras que el compás y los mapas son
artefactos cognitivos típicos, el uso de las estrellas no implica el diseño intencional que presupone
la definición. Más aún, afirma que ciertos procedimientos mentales memorizados, como el uso de
reglas mnemotécnicas o proverbios, sirven como artefactos cognitivos. En realidad, Hutchins
desarrolla con sus ejemplos una definición funcional de artefacto cognitivo en la que encaja todo
aquel procedimiento cognitivo, interno o externo, que usamos a modo de respuesta prefijada —y,
de algún modo, automatizada— que simplifica los requisitos cognitivos necesarios para resolver
una tarea. Por eso llega a afirmar que algunos elementos del lenguaje, como los conceptos, son
también elementos artefactuales que organizan el pensamiento.
En esta línea, la definición de Marcelo Dascal apuesta por extender la definición y
catalogar como ‘tecnología cognitiva’ “todo medio – material o mental – creado por el hombre con
el fin de contribuir a la realización de metas cognitivas” (Dascal, 2002, p. 37). Esta definición
aboga de una manera más clara por la inclusión de las metodologías asociadas a nuestros sistemas
representacionales, como los métodos formales de razonamiento o las definiciones. De hecho, el
artículo en el que encontramos esta definición está orientado a mostrar el lenguaje como una
tecnología cognitiva. Dascal explica que el lenguaje cumple funciones cognitivas en tres niveles:
como contexto principal de las operaciones cognitivas, como recurso a la hora de conceptualizar
otros dominios (mediante formulas argumentativas, metáforas, expresiones formales, etc.) y, en
general, como herramienta básica para organizar sistematicamente las operaciones y los
contenidos de nuestros sistemas cognitivos (op. cit.). Es este aspecto sistematizador el que puede
ayudarnos a precisar una útil distinción entre “artefactos” y “tecnologías” cognitivas. La visión
funcionalista de Hutchins no permite establecer una categorización clara de lo que podemos
considerar un artefacto cognitivo. Sus ejemplos muestran que todo aquello que puede funcionar
como artefacto cognitivo es un artefacto cognitivo. La definición de Dascal adolece del mismo
problema. En realidad, tecnologías cognitivas y artefactos cognitivos podrían ser sinónimos, como
de hecho se usan en la mayoría de la literatura al respecto. Sin embargo, la distinción puede ser
significativa para tratar el impacto de tecnologías avanzadas, como las tecnologías
computacionales, en nuestras actividades.
La mayoría de los ejemplos de Hutchins en este artículo, así como los que emplea para
explicar la distribución de lo cognitivo en las tareas de los navegantes de barcos (Hutchins, 1995)
o los pilotos de aviones (Hutchins y Klausen, 1996), apuntan a un uso de artefactos,
procedimientos y estrategias que nos permita simplificar y automatizar tareas. Es decir, son usados
como recursos técnicos de los que no se puede afirmar que amplíen nuestro potencial cognitivo
puesto que su función es transformar la naturaleza de las habilidades funcionales requeridas para
resolver un problema (Hutchins, 1995, pp. 153-155). En este sentido, la calculadora no aumentaría
nuestra capacidad cognitiva de cálculo, sino que posibilita sustituir las habilidades matemáticas
necesarias para el cálculo aritmético por la de coordinación senso-perceptiva necesaria para teclear
los números y las operaciones en el artefacto.
Esta concepción del uso y función de los artefactos cognitivos separa el conocimiento
necesario para usar el artefacto del conocimiento detallado sobre todas las diversas facetas de la
tarea cognitiva que ese artefacto apoya. Se trata de una definición funcionalista que podría
precisarse si observamos como “artefacto cognitivo” cualquier procedimiento automatizado,
material o mental, que resuelve en un solo paso un proceso cognitivo complejo. Sin embargo,
cuando pensamos en los sistemas representacionales a modo de tecnologías cognitivas, como hace
Dascal, nos encontramos ante recursos cognitivos con funcionalidad abierta que nos permiten
desarrollar nuevas estrategias para comprender, conceptualizar y modificar el mundo que nos
rodea. Desde este punto de vista, “tecnologías cognitivas” refiere al aspecto sistematizador de las
diversas funcionalidades que posibilita, más que a la realización de funciones concretas. No son
artefactos destinados a implementar una función cognitiva concreta, sino verdaderas metodologías
sistemáticas que permiten realizar innumerables funciones de muchas formas diferentes. En este
sentido, este tipo de tecnologías extienden nuestras capacidades porque se convierten en recursos
cognitivos nuevos para acometer todo tipo de tareas.
A mitad de camino entre los sistemas representacionales y el carácter artefactual de la
tecnología nos encontramos con el ejemplo más actual de tecnologías cognitivas implementadas en
medios materiales: las tecnologías computacionales3. Se propone que las tecnologías
computacionales se insertan en nuestras actividades como tecnologías cognitivas externas que
dirigen, modifican y desarrollan un gran número de nuestros procesos y habilidades cognitivas y,
por ello, deben ser consideradas como ejemplos canónicos de tecnologías cognitivas. Para
observar este hecho, nada mejor que acudir a la actividad cognitiva más compleja de los seres
humanos: la investigación científica. No en vano los computadores nacieron y encontraron sus
primeras aplicaciones en el ámbito de la investigación científica. Y no en vano las tecnologías
computacionales y las ciencias cognitivas van de la mano, junto a la nanotecnología y la
biotecnología, en los nuevos programas de investigación sobre las denominadas Tecnologías
Convergentes (Converging Technologies). Los desarrollos tecnológicos del siglo XXI ya no se
van a dedicar a la elaboración de soluciones ad hoc para implementar tal o cual funcionalidad, sino
que persiguen el desarrollo de técnicas para la construcción y modificación de los elementos
primarios de la materia (partículas atómicas), la vida (genes) y la información (bits). Este tipo de
sistematización y articulación práctica del conocimiento científico nos debe servir para precisar el
concepto de “tecnología” y acercarlo al de “ciencia”. Si bien es habitual unificar tecnología y
ciencia en mucha de la literatura filosófica actual (Echeverría, 2003), esta unificación se hace en lo
que respecta a sus dimensiones económicas, sociales y políticas, mientras que no se hace suficiente
hincapié en la forma en que la sistematización tecnológica proporciona un saber-cómo cada vez
más cercano al saber-qué científico. Los sistemas constructivos de la tecnología actual pueden
llegar a proporcionar tantas posibilidades cognitivas para construir nuestros mundos artificiales,
como los sistemas representacionales de la ciencia proporcionaron para descubrir y conceptualizar
el mundo real. La propuesta de una cierta convergencia metodológica a través de los modelos de
simulación computacional supone un estudio de las relaciones bidireccionales que se pueden
establecer entre la creación de mundos artificiales mediante dichos modelos y la mejora en

3
Se propone este término para englobar todas las aplicaciones de los microprocesadores y el manejo algorítmico de
información. Aunque los ordenadores personales sean el ejemplo más conocido, la realidad es que este tipo de
tecnología controla cada vez más aspectos fundamentales de la mayoría de nuestros recursos tecnológicos, desde las
centralitas de inyección electrónica de nuestro automovil hasta los más simples juguetes infantiles
nuestras estrategias cognitivas para conocer el mundo real. Para ello es necesario, en primer lugar,
analizar los usos cognitivos de esos modelos en la investigación científica.

3. Los usos cognitivos de los modelos computacionales en ciencia

Diversos estudios en filosofía de la ciencia han destacado que los modelos computacionales
aportan nuevas metodologías al razonamiento científico, sirviendo también como herramientas
para el estudio indirecto de la cognición científica (Thagard, 1988, 1992). La perspectiva clásica
en ciencia cognitiva, con la que los estudios citados comparten algunos de sus presupuestos, se ha
basado en el diseño de modelos que imitan o sustituyen a los cerebros de los científicos. En este
caso, sin embargo, se pretende estudiar cómo ciertos tipos de modelos son usados como apoyo a
las operaciones de esos cerebros. En este sentido, no se trata de elaborar una teoría sobre la
cognición científica, sino de enumerar las distintas estrategias cognitivas que los modelos de
simulación apoyan o posibilitan.
El uso de modelos en la investigación científica aporta diversas estrategias y resultados
cognitivos (Giere, 2002; Nersessian, 2002) que podemos describir en función de tres tipos
principales. Sirven para concentrar la atención en un aspecto particular del fenómeno estudiado.
En este sentido, Ronald Giere postula que la afirmación “M representa W” debe entenderse como
“S usa M para representar W con el propósito P” (Giere, 2002). Los modelos se usan así para
reducir la complejidad del mundo real y poder analizar con más detalle un aspecto más concreto
del dominio estudiado. Los modelos también se usan para la reconstrucción de la representación en
otro tipo de lenguaje. Tanto los modelos gráficos, como los modelos materiales, como los propios
modelos matemáticos, proporcionan nuevas perspectivas de los dominios o fenómenos estudiados
precisamente porque proporcionan nuevos lenguajes representacionales que facilitan el análisis o
la elaboración de hipótesis al científico. Los modelos gráficos son el ejemplo más utilizado de este
cambio representacional y no es difícil entender su insoslayable papel en la mayoría de disciplinas
científicas. Este tipo de multimodalidad representacional es fundamental tanto para la propia
investigación como para la comunicación de sus resultados. Finalmente, los modelos sirven
también para replantear las acciones científicas. El diseño o construcción de un modelo gráfico,
material o matemático tiene implicaciones en toda la práctica científica pues replantea tanto la
búsqueda heurística para la formación de hipótesis y teorías, como, obviamente, el trabajo
empírico dedicado a la contrastación de las mismas.
Los modelos computacionales amplían las funciones cognitivas de los modelos científicos
al uso. En primer lugar, porque representan explícitamente múltiples aspectos del dominio
estudiado, aspectos que pueden ser manipulados a voluntad del científico. En un modelo
computacional todas las variables pueden ser modificadas y analizadas matemáticamente por el
investigador, lo que hace posible análisis explícitos desde muy diversas perspectivas. Además,
podemos transformar esos datos en modelos gráficos o, incluso, materiales, por lo que, en realidad,
los modelos computacionales pueden ofrecer la estrategia cognitiva de la multimodalidad
representacional para todo tipo de problemas4. Finalmente, desde el punto de vista del
replanteamiento de la acción, en este caso acción epistémica (Kirsh y Maglio, 1994), constituyen
recursos muy valiosos para operaciones cognitivas dentro del ámbito de la creatividad científica.
Las actividades cognitivas tradicionalmente asociadas a este ámbito, entre las que destacan el
razonamiento heurístico, la formación de conceptos y teorías o los experimentos mentales, pueden
llevarse a cabo a través de los modelos computacionales.
No se trata, como se dijo antes, de que los modelos sustituyan al científico en estas labores,
sino de que la traducción de sus intuiciones, hipótesis, teorías o experimentos mentales al ámbito
de la simulación computacional proporciona una nueva forma de expresión de estas estratégicas
cognitivas con innumerables ventajas. Son destacables las que provienen de las constricciones
impuestas por la propia tarea de modelización a las distintas alternativas funcionales que una idea
científica presenta. Dependiendo del tipo de modelo elegido, podemos someter la hipótesis a
constricciones computacionales, neurales o evolutivas, bien sea que elijamos modelos dentro de lo
computable en términos clásicos, modelos conexionistas o modelos evolutivos. Es decir, una
primera piedra de toque para una hipótesis puede ser su plausibilidad computacional, neural o
evolutiva y los modelos de simulación por ordenador nos la proporcionan. En este sentido, los
distintos modelos de simulación computacional también nos proporcionan nuevos recursos
conceptuales para llevar a cabo el modelo. En lugar de restringirnos a los lenguajes científicos
usuales, es posible traducir las hipótesis en términos de reglas de producción, imágenes mentales,
modelos dinámicos, redes conceptuales basadas en prototipos o jerarquías, etc. (Thagard, 2004, p.
313). Todos estos recursos amplían sin ningún lugar a dudas los recursos de los científicos, pero es
en el campo de los modelos de simulación evolutiva donde encontramos las novedades más
interesantes que explican los saltos cualitativos que estas metodologías pueden aportar, novedades
que se detallan en el siguiente apartado.

4. Los modelos de simulación evolutiva: las ventajas de la opacidad

El estudio de los modelos de simulación computacional se incardina dentro de las
consideraciones sobre el papel fundamental de los computadores como artefactos técnicos en la
investigación científica. Ronald Giere ha desarrollado este tipo de estudio como medio para
distinguir la distribución de tareas cognitivas en el medio material de los análisis sobre la
4
Patrick Grim usa estas posibilidades gráficas de los modelos computacionales para estudiar problemas filosóficos tan
abstractos como el dilema del prisionero o la paradoja del mentiroso desde sus representaciones gráficas (Grim, 2002,
2004)
cognición social o colaborativa al uso (Giere, 2003a, p. 2). Sin embargo, la perspectiva de Giere
sobre el papel de los computadores, más en concreto de los modelos de simulación computacional,
parece no hacer honor a la distribución de tareas cognitivas que estos sistemas ofrecen al
científico. Giere afirma que las posibilidades de análisis matemático de estos modelos no difieren,
en principio de las posibilidades de una persona resolviendo ecuaciones diferenciales (Giere,
Steels, Franklin et al., 2001, p. 27). Aún cuando Giere afirma que sin los computadores no sería
posible la ciencia del siglo XX (véase el ejemplo del uso de computadores en el proyecto Hubble
que cita Giere (Giere, 2003b, p.2)) restringe las ventajas cognitivas de dicho uso a su papel como
potentes herramientas de cálculo. Esta postura se basa en su opinión de que cualquier computador
es sustituible, de manera teórica, por agentes humanos resolviendo ecuaciones en un tiempo finito,
aunque probablemente demasiado largo (op. cit.).
La visión de Giere deja fuera los resultados que se pueden conseguir con todo tipo de
sistemas con capacidad de aprendizaje y, particularmente, con los sistemas en lo que el aprendizaje
se consigue mediante estrategias evolutivas. Estos sistemas, combinados con el modelado de
sistemas y entornos complejos y con técnicas como las redes de propagación, las redes neuronales
recurrentes, etc. producen resultados explícitos que difícilmente pueden ser sistematizados por
científicos trabajando con lápiz y papel. Algunos ejemplos de este tipo de técnicas de simulación
se describen y discuten en (Bedau, 1997; Beer, 2001; Cangelosi y Parisi, 2001; E. A. Di Paolo,
Noble y Bullock, 2000). El aspecto más importante de este tipo de modelos es que los
investigadores no diseñan ni la estructura final ni el comportamiento del sistema, pues ambos son
resultado del proceso evolutivo. No existe diseño transparente producto de la mente del científico
puesto que éste opera a nivel de los algoritmos evolutivos y de aprendizaje de los componentes
más simples del modelo (neuronas artificiales, agentes simples, etc.). La funcionalidad global del
sistema, sus patrones de comportamiento, y la configuración final de la red de relaciones entre sus
unidades básicas es un resultado emergente del proceso de aprendizaje evolutivo. Mientras que la
estrategia de cálculo en el caso de los computadores del proyecto Hubble es transparente y está
relacionada con la propia descripción de la tarea, en el caso de los modelos de simulación
evolutiva, las ecuaciones diferenciales diseñadas para el algoritmo de aprendizaje y las
modificaciones sobre variables de nivel básico, que son introducidas para modificar el
comportamiento resultante, no muestran una relación transparente con el nivel de descripción del
comportamiento, es decir, con el nivel de descripción de la tarea encomendada al agente artificial.
Por tanto, a diferencia de máquinas calculadoras o de computadores usados convencionalmente, no
es posible considerar los modelos de simulación evolutiva como modelos algorítmicos del nivel
comportamental de un agente, construidos o diseñados por investigadores humanos dentro de la
máquina, ya sea en forma de hardware o de software. Más bien debemos considerarlos como
modelos materiales que presentan una estructura y funcionalidad cognitiva que debe ser estudiada,
analizada y comprendida a la luz del resto de datos que maneja el investigador. Funcionan, por
tanto, como nuevas herramientas activas capaces de extender las habilidades cognitivas del
científico y sus herramientas metodológicas puesto que los resultados que proporcionan no son
obvios para los agentes humanos operando con las metodologías tradicionales.
Los modelos de simulación computacional clásicos toman como punto de partida la
naturaleza autoexplicativa de los modelos algorítmicos para la comprensión y justificación de los
resultados científicos que proporcionan. Desde esta perspectiva, estos modelos simplemente
apoyan las tareas cognitivas del científico puesto que el conocimiento desplegado para el diseño
del algoritmo parte de, y es dirigido por, la mente del científico. Los modelos de simulación
evolutiva van un paso más allá y permiten probar el aparato conceptual del científico, por tanto,
sus hipótesis y teorías, a un nivel cognitivo, de la misma manera que se han usado los
experimentos mentales a lo largo de la historia de la ciencia (Kuhn, 1977, pp. 242-263).
La posibilidad de implementar nuevas estrategias cognitivas es clara con este tipo de
modelos. A diferencia de los experimentos mentales clásicos, no sólo pueden revelar
inconsistencias en el planteamiento del científico, sino que también pueden revelar implausibilidad
computacional, neural, evolutiva, etc., dependiendo de la metodología utilizada. La opacidad de
estos experimentos mentales es la clave de estas nuevas posibilidades y merece un análisis más
detallado (E. A. Di Paolo et al., 2000). El modelo de simulación evolutiva proporciona una
estructura resultante del proceso de evolución —p. ej., en modelos cognitivos, los patrones de
activación neuronal fijados por el proceso de aprendizaje evolutivo— que puede ser analizado con
detalle por los científicos. Cuanto más complejo es el dominio que se modela, nos encontramos
con más resultados emergentes del proceso evolutivo cuya estructura y funcionamiento presentan
un reto para su análisis y comprensión por el científico (Bedau, 1997, 1998). Es decir, el proceso
evolutivo genera hipótesis, computacionalmente plausibles, de cómo podría funcionar el dominio
real que el científico no había previsto ni anticipado. Se trata de un experimento mental opaco (E.
A. Di Paolo et al., 2000) que se lleva a cabo mediante una tecnología cognitiva externa y que se
inserta en el proceso de investigación creativa como un nuevo ciclo que permite elaborar nuevas
ideas o desechar aquellas computacionalmente implausibles. A partir de los resultados de este
análisis, el científico puede elaborar nuevas hipótesis sobre los detalles del mecanismo y sus
posibles correlatos en el dominio real. La novedad de las hipótesis radica en el hecho de que la
estructura resultante es difícil de anticipar o describir por un agente humano resolviendo
ecuaciones diferenciales, o con cualquier otra metodología analítica clásica. La complejidad de las
relaciones entre las variables del sistema y la influencia recursiva entre ellas provoca que la
matematización sea una tarea excesivamente compleja. Metodológicamente, por tanto, los modelos
de simulación evolutiva ofrecen nuevas posibilidades de estudio para fenómenos complejos que
implican un gran número de variables y componentes que interactúan entre sí mediante relaciones
recursivas y no lineales. Además, ofrecen la posibilidad de establecer relaciones causales
probables entre diferentes niveles de descripción de un problema (Feltrero y Barandiaran, 2003).
Por ello, son insoslayables para el uso de metodologías de descripción del comportamiento de un
sistema desde niveles básicos (down-top) que nos permitan comprender el papel de dichas
variables en el comportamiento global del sistema en su conjunto (p. ej. cómo afectan al
comportamiento o al aprendizaje de un sistema cognitivo pequeñas variaciones en los aspectos
más básicos de la estructura neuronal o de cada neurona). Estas funciones hacen de los modelos de
simulación evolutiva recursos cognitivos sumamente útiles para la búsqueda de hipótesis y de
explicaciones conceptuales detalladas sobre estos fenómenos complejos. Si a esto le unimos el
hecho de que la sistematización en el uso de computadores permite simular y reproducir el
comportamiento del sistema con métodos numéricos, gráficos, etc. que permiten el análisis
cualitativo del comportamiento de las distintas variables mediante diversos métodos, nos
encontramos ante versátiles herramientas cognitivas que externalizan la mayoría de las tareas
creativas del científico. Puesto que los científicos no tienen, a día de hoy, herramientas tan precisas
para trabajar con este tipo de fenómenos o para aplicar ese tipo de metodologías, es posible
concluir que una herramienta computacional como los modelos de simulación evolutiva extienden
la cognición científica.
Paradójicamente, la riqueza matemática y sintética de los modelos computacionales puede
ir acompañada de insuficiencias epistémicas producto de su opacidad. Los modelos de simulación
evolutiva no logran la clausura operacional lógica que nuestros razonamientos científicos exigen.
“La carencia de una certeza a priori sobre lo que pasa en una simulación es algo con lo que
tenemos que aprender a convivir si los vamos a aplicar a la comprensión de sistemas complejos
que involucran varios elementos interactuando entre sí.” (E. A. Di Paolo et al., 2000, p. 7). La
relación entre las reglas locales y los patrones globales puede resultar opaca al entendimiento
lingüístico humano, tanto por el número de interacciones como de repeticiones de las mismas que
requiere. Pero la opacidad no se reduce a los factores comprometidos en la emergencia desde
interacciones internas. Mientras que los métodos analíticos tradicionales proceden a través de
reglas de inferencia explícitas entre sus objetos formales, las simulaciones computacionales no
sólo exceden la capacidad de comprensión de los procesos implementados sino que incluyen (a
veces como elemento insustituible de la propia simulación) generadores de números
pseudoaleatorios y otros mecanismos de variabilidad. La importancia de la variación aleatoria en
los procesos evolutivos y del ruido en procesos de adaptación neuronal son razones suficientes
para usar esta nueva metodología como inspiración de nuestros marcos teóricos pero no como un
tipo de herramienta empírica para la contrastación de lo real. Por ello, la perspectiva cognitiva
sobre el uso de estas metodología se circunscribe al ámbito de la investigación teórica. Con todas
estas técnicas, se consigue que evolucionen estructuras y patrones que no habían sido previstos por
el científico y cuyo estudio es una importante fuente de nuevas hipótesis explicativas. Pero esas
hipótesis, han ser contrastadas en el dominio real y mediante metodologías clásicas para construir
la explicación científica.

5. Conclusión: un instrumento y múltiples metodologías

Los computadores sirven como herramientas de ayuda y apoyo cognitivo para innumerables
tareas científicas cuando son usados como potentes máquinas de cálculo y comunicación. Sin
duda, ese uso cognitivo está transformando la forma en que se hace ciencia en el siglo XXI,
mediante la simplificación de complejas tareas computacionales y mejorando la comunicación
entre los científicos. Pero las transformaciones son más radicales cuando nuevas metodologías
basadas en los computadores, como los modelos de simulación evolutiva, proporcionan
metodologías cognitivas que permiten avances sustanciales en el conocimiento de nuevos
dominios.
El papel cognitivo de los computadores, y más concretamente de los modelos de
simulación computacional, es uno de los retos más interesantes que presentan los estudios sobre
las estrategias cognitivas en la investigación científica moderna. En concreto, los sistemas
estudiados en muchas ramas de las llamadas Tecnologías Convergentes pueden presentarse en
forma de complejos sistemas de un gran número de partículas elementales interaccionando
mediante procesos no lineales (Cauller y Penz, 2002, p. 228). La investigación científica de tales
sistemas presenta grandes retos para la metodología científica tradicional y ha conllevado el
desarrollo de nuevas metodologías que usan los modelos de simulación computacional (E. Di
Paolo, Noble y Bullock, 1999; Giere, 2003b; Giere et al., 2001; Grim, 2004). Estas prácticas
científicas presentan nuevos retos a la hora de articular sus dimensiones cognitivas y
epistemológicas. La función cognitiva que se ha expuesto aquí nos explica que la relevancia
epistémica de estos modelos debe ser entendida desde su papel de tecnologías cognitivas. Por
tanto, se enmarcan dentro de las estrategias cognitivas de la investigación teórica.
El uso de simulaciones computacionales en todo tipo de disciplinas científicas no supone,
por tanto, una convergencia metodológica de carácter epistemológico. Al contrario, el carácter
sistemático pero abierto de las tecnologías computacionales proporciona innumerables métodos
distintos para elaborar las simulaciones y para aplicar todo tipo de metodologías de análisis sobre
sus resultados numéricos. Nada más lejos de la realidad que la idea de una sola técnica de
simulación de innegables bondades epistémicas hacia la que todas las disciplinas deban converger.
Aún cuando científicos de muy diversas disciplinas usen este tipo de metodologías, el carácter de
tecnología cognitiva de funcionalidad abierta de los modelos de simulación computacional no
implica ningún tipo de unificación. Ni en lo que respecta a las estrategias creativas de los
científicos, pues los simulaciones se pueden diseñar e implementar con diversas estrategias, ni, por
supuesto, en lo que respecta a las condiciones y requisitos de justificación, pues se trata de
herramientas dentro del ámbito de la búsqueda heurística que luego se han de integrar en la
justificación mediante metodologías epistemológicas tradicionales.
La convergencia metodológica que se postula es la del uso de los computadores, y sus
innumerables posibilidades sistematizadoras para el procesamiento y comunicación de la
información, como tecnologías cognitivas externas que permiten a los científicos ampliar las
estrategias disponibles para cada área de investigación. Más que ante una posible unificación
metodológica, nos encontramos ante la generalización del uso de una serie de estrategias
cognitivas que los científicos implementan a través de los computadores y que permiten la
extensión de sus posibilidades cognitivas y epistémicas. Además de las ventajas cognitivas
explicadas hasta ahora, el carácter sistematizador de las tecnologías computacionales presenta
innegables ventajas en el trabajo colaborativo de los científicos y, en este aspecto, la convergencia
puede ser muy positiva. Así, favorece el intercambio interdisciplinar, pues supone que los
científicos de diversas disciplinas podrán compartir un lenguaje común al que traducir sus
intuiciones —los algoritmos de los propios modelos de simulación—, así como el intercambio de
parte de su trabajo de manera que todos puedan reproducir, verificar, estudiar y aprender de esas
estrategias de investigación. Las posibilidades de comunicación e intercambio científico que los
computadores han demostrado hasta ahora, podrían así verse ampliadas y contribuir a una mayor
transparencia del trabajo científico, precisamente desde su estadio más básico: la elaboración de
hipótesis.
Podemos concluir, por tanto, que el uso de tecnologías cognitivas externas como las
tecnologías computacionales puede incrementar el potencial cognitivo del científico. Tanto en los
aspectos cuantitativos de las metodologías clásicas, es decir, aumento en la capacidad de cálculo y
de procesamiento de la información en general, como en los aspectos cualitativos aquí relatados,
es decir, la posibilidad del estudio de sistemas complejos y la consolidación de nuevas disciplinas,
la elaboración de simulaciones computacionales a modo experimentos mentales opacos que
pueden conducir a la generación de nuevas hipótesis, o la posibilidad de la convergencia
interdisciplinar a través de los modelos de simulación computacional.
 6. Bibliografía

Bedau, M. A. (1997). Emergent Models of Supple Dynamics in Life and Mind. Brain and
Cognition, 34, 5-27
Bedau, M. A. (1998). Philosophical Content and Method of Artificial Life. En T. W. Bynam y J.
H. Moor (Eds.), The Digital Phoenix: How Computers are Changing Philosophy (pp. 135-
152). Portland: Basil Blackwell
Beer, R. (2000). Dynamical Approaches to Cognitive Science. Trends in Cognitive Sciences, 4(3),
91-99 http://vorlon.cwru.edu/~beer/Papers/TICS.pdf
Beer, R. (2001). The Dynamics of Active Categorical Perception in an Evolved Model Agent.
(submitted to Behavioral and Brain Sciences)
http://vorlon.cwru.edu/~beer/Papers/BBSPaper.pdf
Cangelosi, A. y Parisi, D. (2001). Computer Simulation: A New Scientific Approach to the Study
of Language Evolution. En A. Cangelosi y D. Parisi (Eds.), Simulating the Evolution of
Language. London: Springer
Cauller, L. y Penz, A. (2002). Artificial Brains and Natural Intelligence. En M. S. Rocco y W. S.
Bainbridge (Eds.), Converging Technologies for Improving Human Performance;
Nanotechnology, Biotechnology, Information Technology and Cognitive Science (pp. 227-
230). Arlington, Virginia: NSF
Clark, A. (1997). Being There: putting Brain, Body, and World together again. Cambridge, Mass.:
MIT Press.
Clark, A. (1998). Embodied, situated and distributed cognition. En W. Bechtel y G. Graham
(Eds.), A Companion to Cognitive Science. Malden, MA: Blackwell Publishers
Clark, A. (2002). Towards a science of the bio-technological mind. International Journal of
Cognition and Technology, 1(1), 21-33
Clark, A. (2003). Natural-born Cyborgs. Minds, technologies and the future of human intelligence.
New York: Oxford University Press.
Clark, A. y Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19
Dascal, M. (2002). Language as a cognitive technology. International Journal of Cognition and
Technology, 1(1), 35-89 http://www.tau.ac.il/humanities/philos/dascal/papers/ijct-rv.htm
Di Paolo, E., Noble, J. y Bullock, S. (1999). Artificial Life: Discipline or Method? : ECAL' 99.
Di Paolo, E. A., Noble, J. y Bullock, S. (2000). Simulation models as opaque thought
experiments. En M. A. Bedau, J. S. McCaskill, N. H. Packard y S. Rasmussen (Eds.),
Artificial Life VII: Proceedings of the Seventh International Conference on Artificial Life
(pp. 497-506). Cambridge, MA: MIT Press
Echeverría, J. (2003). La Revolución Tecnocientífica. Madrid: FCE.
Fauconnier, G. y Turner, M. (2002). The way we think: Basic Books.
Feltrero, R. (2005). The role of computers in scientific research: a cognitive approach. En L.
Magnani y R. Dossena (Eds.), Computing, Philosophy and Cognition (pp. 1-12). London:
King’s College Publications
Feltrero, R. y Barandiaran, X. (2003). Conceptual and methodological blending in cognitive
science: The role of simulated and robotic models in scientific explanation, 12th.
International Congress of Logic Methodology and Philosophy of Science (Vol. Abstracts,
pp. 171). Oviedo, Spain
Giere, R. (2002). Models as Parts of Distributed Cognitive Systems. Disponible en:
http://www.tc.umn.edu/~giere/ [2003, 30/08]
Giere, R. (2003a). Computation and agency in scientific cognition. Disponible en:
http://www.tc.umn.edu/~giere/ [2004, Mayo]
Giere, R. (2003b). The role of computation in scientific cognition. Journal of Experimental &
Theoretical Artificial Intelligence, 15, 195-202 http://www.tc.umn.edu/~giere/
Giere, R., Steels, L., Franklin, S., Pickering, J., et al. (2001). Comments on Barbara Webb`s
 article: "Can robots make good models of biological behaviour?" Behavioral and Brain
Sciences, 24(6), 1051-1094
Gorayska, B. y Mey, J. (Eds.). (1996). Cognitive Technology. In Search of a Humane Inteface.
Oxford: Elsevier
Grim, P. (2002). Philosophy for Computers: Some Explorations in Philosophical Modeling. En J.
H. Moor y T. W. Bynam (Eds.), Cyberphilosophy: The Intersection of Phylosophy and
Computing. Oxford: Blackwell Publishing
Grim, P. (2004). Computational modeling as a philosophical methodology. En L. Floridi (Ed.),
Philosophy of computing and information (pp. 337-349). Oxford: Blackwell
Hutchins, E. (1995). Cognition in the wild. Cambridge, Ma: MIT Press.
Hutchins, E. (1999). Cognitive artifacts. En R. A. Wilson y F. C. Keil (Eds.), The MIT
encyclopedia of the cognitive sciences (pp. 126-128). Cambridge, MA: The MIT Press
Hutchins, E. y Klausen, T. (1996). Distributed Cognition in an Airline Cockpit. En D. Middleton
y Y. Engeström (Eds.), Communication and Cognition at Work. Cambridge: Cambridge
University Press
Kirsh, D. y Maglio, P. (1994). On distinguishing epistemic from pragmatic action. Cognitive
Science, 18, 513-549
Kuhn, T. (1977). The Essential Tension. Chicago: University of Chicago Press.
Nersessian, N. (2002). The cognitive basis of model-based reasoning in science. En P. Carruthers,
S. Stich y M. Siegal (Eds.), The Cognitive Basis of Science. London: Cambridge University
Press
Thagard, P. (1988). Computational philosophy of science. Cambridge, MA: MIT Press.
Thagard, P. (1992). Conceptual revolutions. Princeton: Princeton University Press.
Thagard, P. (2004). Computing in the Philosophy of Science. En L. Floridi (Ed.), Philosophy of
computing and information (pp. 307-317). Oxford: Blackwell