A pesar de los eventos representados en The Imitation Game, Alan Turing no inventó la máquina que descifró los códigos de Alemania durante la Segunda Guerra Mundial, Polonia sí. Pero el brillante matemático inventó algo nunca mencionado en la película: una herramienta matemática para juzgar la fiabilidad de la información. Su herramienta aceleró el trabajo de descifrar mensajes codificados utilizando versiones mejoradas de las máquinas polacas.
contenido relacionado
- Los refrigerios de medianoche son malos para tu cerebro
- El cerebro de las palomas funciona como el nuestro
- ¿Tomas mejores decisiones cuando tienes hambre?
Ahora los investigadores que estudian a los monos rhesus han descubierto que el cerebro también usa esta herramienta matemática, no para decodificar mensajes, sino para juntar evidencia poco confiable para tomar decisiones simples. Para el neurocientífico de la Universidad de Columbia Michael Shadlen y su equipo, el hallazgo respalda una idea más amplia de que todas las decisiones que tomamos, incluso las que parecen irracionales, se pueden dividir en operaciones estáticas racionales. "Creemos que el cerebro es fundamentalmente racional", dice Shadlen.
Inventado en 1918, la máquina alemana Enigma creó un cifrado de sustitución intercambiando las letras originales en un mensaje por otras nuevas, produciendo lo que parecía puro galimatías. Para complicar el cifrado, el dispositivo tenía discos giratorios en su interior que giraban cada vez que se presionaba una tecla, cambiando la codificación con cada pulsación de tecla. El proceso fue tan complejo que incluso con una máquina Enigma en la mano, los alemanes solo podían descifrar un mensaje conociendo la configuración inicial de esos diales de cifrado.
Una máquina alemana Enigma, enemiga de los descifradores de códigos de la Segunda Guerra Mundial. (La Biblioteca Walker de la Historia de la Imaginación Humana) Turing creó un algoritmo que redujo el número de configuraciones posibles que las máquinas de descifrado británicas, llamadas bombas, tenían que probar cada día. Trabajando en las instalaciones secretas de Bletchley Park en el Reino Unido, Turning se dio cuenta de que era posible descubrir si dos mensajes habían venido de máquinas con rotores que comenzaran en las mismas posiciones, una información clave para descubrir esas posiciones. Alinee dos mensajes codificados, uno encima del otro, y la posibilidad de que dos letras sean iguales es ligeramente mayor si ambos mensajes provienen de máquinas con la misma configuración inicial. Esto se debe a que en alemán, como en inglés, ciertas letras tienden a ser más comunes, y el proceso de cifrado conservó este patrón.
El algoritmo de Turing esencialmente sumó las probabilidades de que esas pistas sean útiles. También indicó cuándo las probabilidades acumuladas eran lo suficientemente buenas como para aceptar o rechazar que los dos mensajes que se compararon provenían de máquinas con los mismos estados de rotor. Esta herramienta estadística, llamada prueba de razón de probabilidad secuencial, demostró ser la solución óptima al problema. Ahorró tiempo al permitir que los descifradores de códigos de Bletchley decidan si dos mensajes fueron útiles mientras observaban la menor cantidad de letras posible. Turning no fue el único matemático que trabajó en secreto para llegar a esta idea. Abraham Wald, de la Universidad de Columbia, lo usó en 1943 para determinar cuántas bombas necesitaba explotar la Marina de los EE. UU. Para estar razonablemente seguro de que un lote de municiones no era defectuoso antes de enviarlo.
Ahora Shadlen ha descubierto que los humanos y otros animales podrían usar una estrategia similar para dar sentido a la información incierta. Tratar con la incertidumbre es importante, porque pocas decisiones se basan en evidencia perfectamente confiable. Imagínese conduciendo por una calle sinuosa por la noche bajo la lluvia. Debe elegir girar la rueda hacia la izquierda o hacia la derecha. Pero, ¿cuánto puede confiar en las tenues luces traseras de un automóvil a una distancia desconocida por delante, la oscura línea de árboles con su forma confusa o los marcadores de carril apenas visibles? ¿Cómo se junta esta información para mantenerse en el camino?
Los monos en el laboratorio de Shadlen enfrentaron una decisión igualmente difícil. Vieron dos puntos mostrados en el monitor de una computadora e intentaron ganar un premio eligiendo el correcto. Las formas que aparecían en la pantalla una tras otra insinuaban la respuesta. Cuando apareció un símbolo de Pac-Man, por ejemplo, el punto izquierdo era probablemente, pero no ciertamente, la respuesta correcta. Por el contrario, un pentágono favoreció el punto correcto. El juego terminó cuando un mono decidió que había visto suficientes formas para arriesgarse a adivinar girando sus ojos hacia uno de los puntos.
La corteza intraparietal lateral, la parte del cerebro medida en este estudio, se encuentra en el lóbulo parietal. (Imagen cortesía del Instituto Nacional sobre el Envejecimiento / Institutos Nacionales de Salud) Hay muchas estrategias que podrían haberse usado para elegir el punto correcto. Un mono solo podía prestar atención a las mejores pistas e ignorar a los demás. O simplemente podría hacerse una elección después de cierto tiempo, independientemente de cuán seguro estuviera un mono sobre la evidencia que había visto hasta ese momento.
Lo que realmente sucedió fue una acumulación de información en el cerebro, ya que el animal evaluó la confiabilidad de cada forma y las sumó a un total acumulado. Shadlen monitoreó esta acumulación insertando electrodos sin dolor en los cerebros de los monos. Las pistas de alta probabilidad desencadenaron grandes saltos en la actividad cerebral, mientras que las pistas más débiles produjeron saltos más pequeños. Parece que se tomaron decisiones cuando la actividad a favor de la izquierda o la derecha cruzó un cierto umbral, al igual que los resultados del algoritmo de Turing.
"Descubrimos que el cerebro toma una decisión de una manera que pasaría bien con un estadístico", dice Shadlen, cuyo equipo publicará los resultados en un próximo número de la revista Neuron.
Jan Drugowitsch, neurocientífico de la Ecole Normale Supérieure en París, está de acuerdo. "Esto es un caso muy fuerte de que el cerebro realmente trata de seguir la estrategia descrita aquí", dice. Pero, ¿pueden las opciones más complicadas, como dónde ir a la universidad o con quién casarse, se reducen a estrategias estadísticas simples?
"No sabemos que los desafíos que enfrenta el cerebro para resolver grandes problemas son exactamente los mismos que los desafíos en las decisiones más simples", dice Joshua Gold, neurocientífico de la Facultad de Medicina de la Universidad de Pensilvania. "En este momento es pura conjetura que los mecanismos que estudiamos en el laboratorio tienen que ver con decisiones de alto nivel".
