Utilizamos cookies propias y de terceros para mejorar nuestros servicios y facilitarle el uso de la web mediante el análisis de sus preferencias de navegación. También compartimos la información sobre el tráfico por nuestra web a los medios sociales y de publicidad con los que colaboramos. Si continúa navegando, consideramos que acepta nuestra Política de cookies .

Actualidad científica

Síguenos
  • Google+
  • RSS
  • Noticias
  • 06/03/2019

Autoorganización

Con individuos más capaces los sistemas colectivos no son mejores

Cuando se profundiza en el comportamiento de los sistemas colectivos descentralizados, algunas de las suposiciones iniciales acaban puestas en entredicho.

Science Advances

Menear

En un experimento, los movimientos de unos sistemas descentralizados hacia un blanco dependían de las decisiones independientes de sus componentes, que recordaban varios resultados anteriores (su número viene dado por el código de colores): cuando esa capacidad memorística llegaba a cierto umbral, los sistemas actuaban peor [Lucy Reading-Ikkanda / Quanta Magazine; fuente: Sci. Adv, 2019, 5; eaau5992].

El poeta John Donne inmortalizó eso de que «ningún hombre es una isla», pero tampoco lo son las demás especies. Muchos sistemas naturales o artificiales se caracterizan por lo colectivo, se trate de las neuronas que disparan sincronizadamente y de las celulas inmunitarias que se agrupan, de los bancos de peces y bandadas de pájaros que se mueven en armonía, de nuevos modelos empresariales y diseños de ordenador que actúan sin un líder individual. «Los sistemas colectivos son más la regla que la excepción», como dice Albert Kao,  del Instituto de Santa Fe, que modeliza la toma de decisiones en sistemas así.

A los sistemas colectivos, sean biológicos, tecnológicos o sociales, se los suele considerar «descentralizados», es decir, carentes de un nodo principal de control que coordine sus componentes individuales. El control se distribuye entre los componentes, que toman sus propias decisiones basándose solo en información local; los comportamientos complejos surgen de sus interacciones. Este tipo de organización puede resultar ventajoso, entre otras razones, porque su aguante: aunque una parte no funcione bien, el sistema podrá seguir funcionando; la diferencia es grande con lo que sucede cuando un cerebro o líder centrales dejan de hacer su trabajo.

Ha habido una moda de la descentralización, en particular entre quienes esperaban revolucionar los mercados con la tecnología blockchain, y las sociedades, con un gobierno más disperso. «Parte de esto dimana de una ideología política que prefiere las formas de gobierno que van de abajo arriba y los sistemas que cuentan con frenos naturales contra el surgimiento de la desigualdad», según ha escrito en un mensaje de correo electrónico Jessica Flack, bióloga evolucionista y científica de la complejidad, del Instituto de Santa Fe también. «Y parte, de sesgos de la ingeniería [...]  que suponen que las estructuras de ese tipo son más robustas y menos propensas a que se pueda manipularlas para sacar partido de ellas».

Pero «lo que se habla de estas cosas es en su mayor parte ingenuo» La raya entre la centralización y la descentralización es a menudo borrosa, y siguen abiertas preguntas profundas sobre el flujo y la agregación de la información en esas redes. Hasta las premisas más básicas e intuitivas al respecto tienen que ser sometidas a más examen, ya que los elementos de juicio que se van consiguiendo dan a entender que hacer redes mayores y con partes más sofisticadas no siempre da lugar a una actuación que en total sea mejor.

En un artículo publicado a principios de marzo en Science Advances, un equipo dirigido por Neil Johnson, físico ahora de la Universidad George Washington, ha demostrado que un modelo descentralizado actúa mejor en condiciones medianas, es decir, cuando sus partes no son ni demasiado simples ni demasiado capaces. Este hallazgo recuerda a otros resultados de las investigaciones sobre la complejidad, relativos al uso óptimo de la información y al toma y daca entre la independencia y la correlación. El nuevo resultado podría servir para señalar los puntos fuertes y las limitaciones de los diseños descentralizados de robots, vehículos autónomos, tratamientos médicos y estructuras empresariales; hasta podría servir para explicar aspectos de la evolución natural.

Del mercado al laboratorio

La investigación de Johnson parte de su intento por entender los bucles retroalimentados de los sistemas financieros: los intervinientes en las transacciones, cada uno de los cuales intenta maximizar sus beneficios mientras obedece ciertas reglas, toman decisiones que contribuyen a un resultado general (un cambio, por ejemplo, del precio de las acciones), que a su vez influye en las decisiones subsiguientes de los intervinientes.

Entonces, un día, cuando estaba en la facultad de la Universidad de Miami, el trabajo de un compañero se ganó su atención; trataba de algo que parecía no guardar relación con Wall Street: los movimientos de las larvas de las moscas. Una larva se dirige inmediatamente a posiciones que no sean ni demasiado calientes ni demasiado frías, pero no depende del cerebro para guiarse en el camino; muy al contrario: cada segmento de su cuerpo responde a las señales de las neuronas sensibles al calor: se comprimen hacia un lado o hacia el otro. El movimiento colectivo de los segmentos hace que la larva gire. Las trayectorias resultantes, hacia las fuentes de calor, le recordaron a Johnson los modelos financieros con los que trabajaba, así que decidió usar eso para investigar los principios comunes a todos los sistemas descentralizados.

Su equipo y él construyeron un modelo que imitaba el comportamiento de las larvas. Como los segmentos de estas, el conjunto de los agentes del modelo compartían un objetivo común pero carecían de una forma de comunicarse y coordinar sus actividades. Cada agente escogía repetidas veces entre moverse hacia la izquierda o hacia la derecha, y para ello se basaban en si decisiones anteriores habían conducido al sistema entero a acercarse o a alejarse de una meta determinada. Para guiar esta decisión, cada agente se valía de una estrategia sacada de un subconjunto de posibilidades que se le concedían. Si una determinada estrategia daba buen resultado, el agente seguía aplicándola; si no, adoptaba alguna otra de su arsenal.

Observaron que cuando los agentes podían recordar solo uno o dos resultados había menos estrategias posibles y, por ello, había más agentes que reaccionaban de la misma manera. Pero como las acciones de los agentes estaban entonces demasiado correlacionadas, el movimiento colectivo llevaba al modelo por una ruta zigzagueante, con muchos más pasos que los necesarios para alcanzar la meta. Por el contrario, cuando los agentes recordaban siete o más resultados anteriores se correlacionaban demasiado poco. Tendían a aferrarse a las mismas estrategias durantes más rondas, ya que trataban una serie corta de resultados negativos recientes como una excepción en vez de como una tendencia. El modelo se volvía menos ágil y más «terco», explica Johnson.

Las trayectorias eran más eficientes cuando la longitud de la memoria de los agentes caía más o menos en medio: unos cinco sucesos anteriores. Ese número aumentaba un poco si lo hacía el número de agentes, pero  hubiese los que hubiese, siempre existía un momento dulce: un límite superior de la buena memoria antes de que el sistema empezase a tener malos resultados.

«Va en contra de la intuición», dice Pedro Manrique, asociado posdoctoral de la Universidad de Miami y coautior del artículo de Science Advances. «Uno pensaría que hacer que las partes se vuelvan más sofisticadas, en este caso que tengan más memoria, mejorará, mejorará y mejorará la actuación del organismo como un todo».

Una segunda ola

Kao ve una conexión notable entre los hallazgos de Johnson y los de Manrique, por una parte, y los suyos propios sobre el comportamiento de las multitudes. En los últimos años, él y otros han hallado que los grupos de tamaño intermedio de animales o de seres humanos son los óptimos para la toma de decisones. Esta conclusión se opone a las creencias ordinarias sobre la «sabiduría de las multitudes», dice Kao, «según la cual cuanto más grande sea el grupo mejor será la actuación colectiva». El éxito depende de que entre los componentes del sistema se logre el equilibrio justo entre la coordinación y la independencia.

«Es como una segunda ola de este tipo de investigaciones», dice Kao. «La primera fue la del entusiasmo ingenuo por estos sistemas colectivos. Ahora, la sensación es que [...] estamos poniendo en duda mucho de lo que se suponíamos en un principio y encontrando comportamientos más complejos».

Se necesitan más investigaciones sobre cómo afectan la sofisticación de los componentes, su interconectividad y otros parámetros a la robustez de conjunto de una red y a sus limitaciones. Johnson y otros tienen pensado estudiar cómo afecta la disponibilidad de información a fenómenos tan diversos como la creación de opiniones entre los votantes, el comportamiento de unos robots mejores y los posibles mecanismos de recuperación tras una enfermedad neurológica. Tienen también la esperanza de que estos trabajos puedan ayudar a explicar la razón de que la evolución haya hecho organismos que combinan los sistemas centralizados y los descentralizados (este tipo de resultados, según Johnson, podría ayudar a justificar que «no somos solo unas larvas fantásticas»).

Pero, al final, el problema de la complejidad en la naturaleza no se reduce a cómo se forma cuando las partes son obtusas y no existe la menor correlación entre ellas: seguir sondeando esta cuestión más limitada quizá nos lleve un día a principios más universales de la cooperación, la coordinación y el procesamiento colectivo de la información.

Jordana Cepelewicz / Quanta Magazine

Artículo traducido por Investigación y Ciencia con permiso de QuantaMagazine.org, una publicación independiente promovida por la Fundación Simons para potenciar la comprensión de la ciencia.

Referencia: «Getting closer to the goal by being less capable», de Pedro D. Manrique et al. en Science Advances, 2019, 5; eaau5992.

Artículos relacionados