Etiqueta: SimplementeComplejo

16 de marzo de 2015

veces olvidamos que un mapa no es un territorio. Un mapa igual al territorio no sería muy útil, como ya escribió Borges, ya que el propósito de un mapa es que represente los aspectos relevantes del territorio. De manera similar, es importante distinguir entre los modelos (nuestras descripciones de los fenómenos) y lo que modelan (los fenómenos en sí). A grandes rasgos, en filosofía, el estudio del modelo es epistemología, mientras que el estudio de lo modelado es ontología.

No podemos decir que haya verdades absolutas, ya que siempre podemos tener más de una descripción (modelo) de cualquier fenómeno (modelado). Y no podemos decidir qué descripción es más adecuada independientemente de un contexto. Debido a esto, conviene más ser tolerantes a descripciones distintas a las nuestras, ya que en muchos casos no es que las descripciones “estén mal”, sino que simplemente están hechas desde una perspectiva (contexto) distinta.

Es importante tener presente la diferencia entre el modelo y lo modelado, entre epistemología y ontología, ya que si describimos un fenómeno como un “sistema complejo”, ésta será sólo una descripción. Una descripción no cambia al fenómeno, pero sí al entendimiento que tengamos de él. Una célula seguirá funcionando de la misma manera si la observamos como un sistema complejo o como un ente aislado. Entonces, la pregunta no es si un fenómeno es o no un sistema complejo, sino ¿cuándo conviene describir a un fenómeno como sistema complejo?

La elección de un modelo o una descripción depende también del propósito para el que queremos usar el modelo o la descripción. Una descripción de un fenómeno como sistema nos permite estudiar sus interacciones, pero puede ser menos clara. Podemos asumir que mientras menos incompleta sea, una descripción será más adecuada en una variedad mayor de contextos. Sin embargo, será una descripción con más información y no es seguro que esa información extra nos sea útil. Por lo tanto, debemos de buscar un balance entre cuán completa (y extensa) será una descripción y su simplicidad. Este balance determinará en parte cuán útil será la descripción. Y la utilidad de una descripción también dependerá del propósito. Por lo tanto, no podemos decir que un modelo sea verdadero o falso, sólo si es útil o no con respecto a un contexto particular.

El estudio de los sistemas complejos nos ayuda a describir a los componentes y las interacciones que le dan forma y funcionalidad a un fenómeno. Si para nuestro propósito las interacciones no son relevantes, no es necesario describir al fenómeno como sistema. Podemos llamar a esta visión “reduccionista”, la cual detallaremos en la próxima entrada. Pero ¿qué sucede cuando sí son relevantes las interacciones? Este será el tema de otra entrada más.

18 de octubre de 2014

¿Qué es la vida? ¿Cómo podemos distinguir lo vivo de lo no vivo? ¿Qué es lo que compartimos con bacterias y árboles, moscas y ballenas, algas y flores, hongos y leones, pero no con cristales, huracanes, nubes ni volcanes? Nos hemos hecho este tipo de preguntas desde la antigüedad, pero todavía no hemos encontrado una respuesta única. Sólo fue a finales del siglo XVII que gracias al desarrollo de los microscopios se conocieron los componentes de todos los seres vivos que conocemos: las células. Sin embargo, quedan preguntas abiertas: ¿qué distingue a las moléculas que componen a una célula viva de las mismas moléculas cuando declaramos a la célula muerta? Más aún, si las células están vivas y las moléculas no, ¿de dónde surge la vida?

Para la primera pregunta, varios autores han propuesto que la vida no es una propiedad de la materia o de la energía, sino de su organización. Esta (auto-)organización le permite a los sistemas vivos mantenerse lejos de un equilibrio termodinámico. No se viola la segunda ley de la termodinámica, ya que los seres vivos mantenemos un flujo constante de materia, energía e información con nuestro entorno. En otras palabras, somos sistemas abiertos y nuestra organización se mantiene a sí misma. Si se destruye esta organización, nuestros componentes no pueden mantener el flujo de materia, energía e información, y son víctimas de la degradación termodinámica de moléculas complejas a más simples. Nos lleva la entropía.

Para la segunda pregunta, podemos decir que la vida es una propiedad emergente de sus componentes. Las moléculas de una célula no están vivas, pero a través de sus interacciones producen propiedades en la célula que identificamos con la vida, tales como metabolismo, robustez, reproducción y evolución.

Notando que la vida no es una propiedad dependiente de sus componentes, sino de su organización, dentro del área de cibernética se empezaron a estudiar de manera abstracta las propiedades de los sistemas vivos a mediados del siglo XX. Dentro de esta tradición, se desarrollaron modelos de sistemas vivos en simulaciones de computadoras y en robots. A fines de los 80’s, Christopher Langton acuñó el término “vida artificial” en su sentido moderno, el cual considera a la simulación y la síntesis de sistemas vivos.

Podemos clasificar a la vida artificial en tres categorías: La vida artificial suave considera simulaciones en software con propiedades de sistemas vivos. La vida artificial dura incluye a robots e implementaciones en hardware de modelos biológicos. La vida artificial húmeda abarca los intentos de crear vida artificial a partir de la química en el laboratorio. En otras palabras, se intentan crear “protocélulas” que tengan propiedades similares a las de las células vivas pero construidas con componentes distintos.

El estudio científico de la vida artificial nos ha permitido comprender mejor propiedades y contrastar teorías sobre el origen de la vida y su evolución, la autonomía, la auto-organización, la adaptación, la ecología, las sociedades, el comportamiento, la información y las bases químicas de la vida.

La vida artificial también se empieza a aplicar a la tecnología, ya que nos permite no sólo comprender mejor a los sistemas vivos, sino construir sistemas artificiales con propiedades de sistemas vivos. Por ejemplo, es conveniente construir ciudades más como sistemas vivos que como máquinas, ya que necesitan adaptarse constantemente a su entorno dinámico.

Hay muchos ejemplos interesantes de arte basado en vida artificial. Por ejemplo, se ha propuesto usar modelos de parvadas de aves para generar animaciones musicales:

También, en España se ha organizado desde fines del siglo pasado VIDA, Concurso Internacional Arte y Vida Artificial, dentro del cual se han presentado diversas propuestas artísticas.

La vida artificial también ha contribuido a la filosofía. Nos podemos preguntar: si un ser vivo necesita conocimiento para sobrevivir en su entorno, ¿cómo se desenvuelve el conocimiento de las criaturas artificiales? Las respuestas nos pueden dar indicios sobre el conocimiento en los seres biológicos, además de que es más fácil intervenir a las criaturas artificiales para contrastar distintas teorías.

Hay varios retos abiertos en vida artificial. Ha habido progreso considerable durante su corta existencia, pero queda mucho por hacer en todos los temas relacionados con vida artificial. Las técnicas de vida artificial se han absorbido en otras disciplinas. Por ejemplo, en biología ahora es común usar modelos computacionales, pero no se les llama vida artificial. Si esta tendencia continúa, podríamos llegar a los principios de una “biología general”, donde el estudio de la síntesis y simulación de los sistemas vivos dejaría de ser “artificial”.

Por cierto, la próxima conferencia internacional de vida artificial se llevará a cabo durante el verano de 2016 en el Caribe Mexicano.

• Aguilar, W., Santamaría Bonfil, G., Froese, T., and Gershenson, C. (2014). The past, present, and future of artificial life. Frontiers in Robotics and AI 1 (8). http://dx.doi.org/10.3389/frobt.2014.00008
• Bedau, M. A. (2003). Artificial life: organization, adaptation and complexity from the bottom up. Trends Cogn. Sci. (Regul. Ed.) 7, 505–512. http://dx.doi.org/10.1016/j.tics.2003.09.012
• Langton, C. G. (1997). Artificial Life: An Overview. Cambridge, MA: MIT Press.

20 de marzo de 2014

Muchos grupos de animales pueden coordinarse sin necesidad de tener un líder. Enjambres, parvadas, cardúmenes, manadas y multitudes forman patrones globales a partir de interacciones locales entre los individuos. Este comportamiento colectivo sólo se empezó a comprender recientemente, ya que las computadoras son “microscopios” necesarios para poder explorar distintos tipos de interacciones en sistemas complejos con docenas o miles de integrantes.

La dinámica colectiva de animales es un ejemplo de auto-organización, la cual puede entenderse como el proceso mediante el cual se producen patrones o comportamientos globales a partir de reglas o estados locales. Para estudiar un sistema auto-organizante, necesitamos por lo menos describir dos escalas: los componentes y el sistema. Las propiedades del sistema son producto principalmente de las interacciones de los componentes. Es por eso que no se requiere de un líder o control central para obtener las propiedades globales.

Otro ejemplo de auto-organización se da con los machos de algunas especies de luciérnagas, las cuales se sincronizan siguiendo reglas sencillas. Un método sencillo con el cual se puede lograr la sincronización de luciérnagas es el siguiente: cada insecto emite luz con cierta regularidad (el período). Pero si detecta luz de cierta intensidad (de sus vecinos), ajusta su disparo para que el siguiente disparo coincida con los de sus vecinos. De esta manera, se generan grupos de luciérnagas que se van sincronizando, hasta que árboles enteros pueden centellear en sincronía. Mientras más machos puedan sincronizarse, podrán atraer a más hembras.

Ya que los componentes de los sistemas auto-organizantes usan sólo información local y no requieren de un líder o control central, estos sistemas son muy robustos (son resistentes a cambios en su entorno y a la pérdida de componentes) y también son adaptativos (pueden ajustarse a los cambios). Estas propiedades son comunes en los sistemas vivos, pero no lo son tanto en los sistemas artificiales. Para dotar a nuestra tecnología de robustez y adaptación, podemos usar el concepto de auto-organización guiada: podemos regular las interacciones entre los componentes para dirigir y controlar su auto-organización. Esto es distinto a diseñar qué es lo que debe de hacer cada componente, ya que bajo esta perspectiva los componentes se auto-organizan y así pueden adaptarse de manera robusta a cambios no esperados ni esperables.

En nuestro grupo, hemos aplicado el concepto de auto-organización guiada para coordinar semáforos. En lugar de tratar de predecir un flujo de vehículos que siempre cambia, cada semáforo sigue reglas simples para responder a la demanda y la disponibilidad inmediatas. Sólo se requiere información de sensores, ni siquiera es necesaria la comunicación entre intersecciones. Por ejemplo, si hay pocos vehículos en una calle, tendrán que esperar un poco más que si son muchos (a menos que no se aproxime nadie, entonces no necesitan esperar). Esto permite que se agrueguen más vehículos a los que estaban esperando, formando grupos de vehículos (pelotones). Cuando se forma un pelotón de cierto tamaño, este puede disparar una luz verde antes de llegar a la intersección, por lo que los vehículos no necesitarán siquiera reducir su velocidad, a menos que haya otro pelotón cruzando en esos momentos. En este caso, el tiempo de espera del pelotón será mínimo.

La auto-organización guiada puede aplicarse a resolver muchos otros problemas: aquellos que cambian constantemente y requieren que su solución cambie a la misma velocidad. No es casual que la naturaleza haya encontrado solución a muchos problemas usando auto-organización. Podemos aprender mucho de estos sistemas naturales para construir mejores sistemas artificiales.

Para saber más:
• Camazine, S., Deneubourg, J.-L., Franks, N. R., Sneyd, J., Theraulaz, G., and Bonabeau, E. (2003). Self-Organization in Biological Systems. Princeton University Press, Princeton, NJ, USA.
• Gershenson, C. (2007). Design and Control of Self-organizing Systems. CopIt Arxives, Mexico. http://tinyurl.com/DCSOS2007
• Gershenson, C. (2013). Living in living cities. Artificial Life, 19(3 & 4):401–420. http://dx.doi.org/10.1162/ARTL_a_00112

18 de octubre de 2013

Intuitivamente, podríamos pensar que para producir un comportamiento complejo, se requieren reglas complejas. En simulaciones de computadoras (ordenadores) se ha podido comprobar lo contrario: se pueden obtener comportamientos extremadamente complejos a partir de reglas extremadamente simples.

Un ejemplo es el “Juego de la Vida”, un “autómata celular” propuesto por el matemático John H. Conway en 1970. Consiste en una malla cuadriculada, donde cada celda puede tomar uno de dos valores: “viva” o “muerta”. Cada estado se puede representar con colores o con números, por ejemplo 1 = viva y 0 = muerta. Las reglas del Juego de la Vida son las siguientes. Para cada celda:

1. Se cuentan cuántas células vivas hay en los ocho vecinos cercanos (cero si no hay vecinos, ocho si toda la vecindad está ocupada).
2. Si la celda está viva, permanece viva sólo si tiene dos o tres vecinos (si hay uno o ninguno, se muere; si hay cuatro o más, también muere).
3. Si la celda está muerta y tiene exactamente tres vecinos, nace una célula nueva (si hay otro número de vecinos, permanece muerta).

Y ya. ¿Qué dinámica puede surgir a partir de sólo estas relgas?

Como se puede ver en el video, las reglas simples producen estructuras complejas, osciladores, estructuras móviles, generadores de estructuras, e incluso depredadores.

En ningún momento se especifica en las reglas que deba de haber estructuras móviles. ¿Cómo es que surgen? Podemos decir que emergen, en el sentido de que son propiedades que no se encuentran a nivel de celda, sino a un nivel superior. La complejidad de los patrones y estructuras del juego es un producto de las interacciones entre las celdas y de las estructuras que van emergiendo. Por ejemplo, se pueden usar las estructuras del juego de la vida para construir una computadora universal. Esto quiere decir que podemos calcular cualquier “función computable” a base de las reglas simples del Juego de la Vida.

Si podemos encontrar comportamientos tan complejos a partir de reglas muy simples, ¿qué límites habrá en la complejidad de otros sistemas complejos, compuestos por moléculas, organismos, personas y sociedades?

Para saber más:

• Golly: http://golly.sourceforge.net
• Wikipedia: http://es.wikipedia.org/wiki/Juego_de_la_vida
• Gershenson, C. (2013). Facing complexity: Prediction vs. adaptation. In Massip, A. and Bastardas, A., editors, Complexity Perspectives on Language, Communication and Society, pages 3–14. Springer, Berlin Heidelberg. [En Español: Enfrentando a la complejidad: Predecir vs. adaptar http://arxiv.org/abs/0905.4908 ]

14 de febrero de 2014

No me refiero a la emergencia de peligro, crisis o salidas. La emergencia es una propiedad característica de los sistemas complejos. A pesar de haberse debatido desde hace siglos, el concepto todavía tiende a generar más confusión que explicación. Osaré intentar reducir, aunque sea un poco, la confusión.

Una célula: ¿de qué está hecha? De moléculas. No decimos que las moléculas están vivas, pero la célula sí. ¿de dónde viene la vida? Se puede decir que la vida es una propiedad emergente. Puede sonar esotérico, pero una propiedad emergente simplemente está presente a una escala y a otra no. Otro ejemplo: una barra oro. Tiene propiedades como color, maleabilidad, conductividad y temperatura que aunque dependen de los átomos del oro, no pueden deducirse a partir de las propiedades de los átomos. No es necesario que haya alguna “sorpresa” para que ocurra la emergencia, “simplemente” se necesitan interacciones. Es ahí donde se generan las propiedades a distintas escalas. Si estudiamos un átomo de oro aislado, no podremos deducir las propiedades de la barra porque no nos fijamos en las interacciones. De igual manera, en una célula no podremos comprender la vida si nos enfocamos sólo en las moléculas sin considerar sus interacciones. Aristóteles lo describió como “el todo es más que la suma de sus partes”.

En la India antigua, se menciona el ejemplo de una tela: no es causada por los hilos que la conforman. En otras palabras, podemos tener una bola de hilos, pero eso no hace una tela (तन्त्र (tantra) en sánscrito). En nuestros tiempos, diríamos que la diferencia es la organización: los mismos componentes, diferentes propiedades emergentes. En este contexto, Stuart Kauffman (2002) da un ejemplo interesante en su libro Investigaciones: Si ponemos a todos los seres vivos de nuestro planeta en una enorme licuadora y apretamos MAX, unos instantes después todavía tendremos la misma diversidad de moléculas. Sin embargo, al estar estas lejos de un equilibrio termodinámico, decaerían rápidamente, ya que no subsistiría la organización que las mantiene y las produce. Lo que hace tan especial a nuestra biosfera no son sólo sus componentes, sino cómo están acomodados.

Dos ejemplos más: nuestro cerebro está compuesto por neuronas. Las neuronas no tienen mente, pero nosotros sí. ¿De dónde viene nuestra mente? Emerge de las interacciones entre nuestras neuronas, nuestro cuerpo y nuestro entorno. Si una neurona se activa, no podemos saber a qué pensamiento pertenece esa activación.

En el Juego de la Vida de Conway: las estructuras que se mueven en el espacio no están especificadas en las reglas del juego: son un producto emergente de las interacciones locales entre las celdas. Si observamos a sólo una celda, no sabremos si es parte de una estructura de mayor escala o no.

Si hay tantos ejemplos de emergencia, incluidos nosotros mismos, ¿por qué es un concepto tan conflictivo y esotérico? Es una consecuencia del reduccionismo (a tratarse próximamente), el cual trata de explicar el todo en términos de sus partes. A su vez, se asume muchas veces que los componentes son reales, mientras que las interacciones no lo son. Pero no podemos aceptar que todo a nuestro alrededor es simplemente muchas partículas elementales. Por ejemplo, ¿el dinero es real? ¿dónde está? Si me fijo en los átomos o quarks que forman un billete, ¿cómo puedo saber cuánto es su valor? El valor lo damos nosotros con nuestras interacciones y convenciones sociales. No podemos reducir el dinero a la física. Sin embargo, el dinero tiene un efecto en el mundo físico, ya que es gracias a él que se transforman muchísimos materiales.

No sé si el dinero es real o no (depende de lo que entendamos por realidad). Pero es tan (ir)real como la materia y la energía, ya que tiene un efecto causal en ellas. De la misma manera, las interacciones son tan (ir)reales como los componentes. Una bacteria huyendo de un glóbulo blanco y un glóbulo blanco persiguiendo a una bacteria desplazan moléculas, de las cuales no podemos entender mucho si no consideramos que la vida es algo más que moléculas. Ese algo más son interacciones organizadas. ¿Son reales?

Para saber más:

• Gershenson, C. (2013). The implications of interactions for science and philosophy. Foundations of Science, 18(4):781–790. http://arxiv.org/abs/1105.2827
• Gershenson, C. (2013). ¿Cómo hablar de complejidad? Llengua, Societat i Comunicació, 11:14–19. http://revistes.ub.edu/index.php/LSC/article/view/5682
• Kauffman, S. A. (2002). Investigations. Oxford University Press (Investigaciones, 2003, Tusquets).