ElemedexEnciclopedia de bolsillo de arquitecturas de IA

Glosario (MT) › Debates filosóficos

MT188

Abstracción

También: abstracción transformacional

En inglés: Abstraction

Formación de representaciones generales a partir de casos particulares, reteniendo lo relevante y descartando la variación irrelevante; clave en el debate sobre qué aprenden las redes.

Abstraer es pasar de lo particular a lo general: de muchos triángulos, cada uno con su tamaño, color y rotación, a la idea de triángulo. Locke sostuvo que esa idea general no debía ser oblicua ni rectángula, equilátera, isósceles ni escalena, sino «all and none of these at once» (todas y ninguna a la vez), y Berkeley se burló de semejante objeto contradictorio (Buckner, 2024, p. 101). Buckner (2024) distingue en la tradición empirista cuatro variantes: abstracción como sustracción (omitir los detalles que varían), como composición (armar ideas abstractas con otras más simples), como representación (razonar con un ejemplar particular que vale por toda la clase, a la manera de Berkeley y Hume) y como invariancia (lo que permanece constante bajo transformaciones) (2024, pp. 103–108).

Su propuesta, la abstracción transformacional, parte de que la variación entre ejemplares no es ruido caótico: posición, escala o rotación son «variables de estorbo» (nuisance variables) con simetrías explotables. Un sistema que aprende las transformaciones adecuadas puede llevar cualquier triángulo a una forma comparable con cualquier otro, de modo que las categorías queden separadas en un espacio de rasgos (2024, pp. 112–114). Las redes convolucionales lo harían con un «sándwich de abstracción»: la convolución compone y el pooling sustrae; los transformers lograrían la sustracción por medio de la atención (2024, p. 127).

Los críticos no niegan que esto funcione, sino que alcance. Chollet (2021) describe la generalización del aprendizaje profundo como interpolación sobre una variedad aprendida: generalización local, que no llega a la generalización extrema que requiere abstracción, razonamiento y modelos simbólicos (2021, sec. 5.1.2). M. Mitchell (2019) considera que formar abstracciones humanas sigue casi sin resolver y lo ilustra con los problemas de Bongard (2019, ch. 15). Buckner reconoce que el corazón de la disputa es ese: ¿las redes solo interpolan, o también extrapolan (2024, p. 221)?

Para la filosofía, la pregunta es si la abstracción exige símbolos y conceptos explícitos o puede ser una transformación subpersonal de la experiencia, como sugiere el empirismo moderado.

Fuentes

  • Buckner, C. J. (2024). From deep learning to rational machines: What the history of philosophy can teach us about the future of artificial intelligence. Oxford University Press. https://doi.org/10.1093/oso/9780197653302.001.0001 §
  • Chollet, F. (2021). Deep learning with Python (2nd ed.). Manning Publications. §
  • Mitchell, M. (2019). Artificial intelligence: A guide for thinking humans. Pelican Books. §