Metabolismo, comunicación y evolución en redes bacterianas y tecnológicas la biosfera a la tecnosfera,

un ensayo sobre la autonomía y la evolución de código abierto
Xabier Barandiaran
Lluis Guiu
Autonomía Situada
(independent research center)
http://sindominio.net/autonomiasituada
versión 0.5
1 Abril 2004

Resumen
La estructura microcósmica del metabolismo y la comunicación en la biosfera (especialmente
en relación a las redes bacterianas) ofrecen metáforas o herramientas conceptuales para
entender los procesos autoorganizativos de las redes cooperativas en la tecnosfera. Partimos
del análisis del origen y expresión mínima de la vida como fusión entre sistemas autónomos y
estructuras formales (template). Esta fusión entre un sistema dinámico automantenido
(autónomo) y estructuras moleculares recombinables da lugar al origen de la información en la
naturaleza: la información genética. Si entendemos por comunicación la transmisión de
información entre dos sistemas autónomos (capaces de interpretación), las redes bacterianas
de transferencia genética horizontal constituyen el primer ejemplo de una red de comunicación
global: un sistema de evolución abierta cooperativa responsable del mantenimiento de la
mayor parte del ecosistema planetario y de la mayor red de innovación biotecnológica que
conocemos. No es por tanto descabellado proyectar (de la biosfera a la tecnosfera) este marco
teórico para reconceptualizar el desarrollo tecnológico humano y redescubrir la autonomía
tecnológica, las comunidades de desarrollo de software libre y las redes electrónicas de
intercambio de información como fundamentos de autoorganización social cooperativa.

para ver ++ bajar aqui .pdf completo

--~--~---------~--~----~------------~---
Coordinacion flisol stgo 2007.
Mas info en : http://groups.google.com/group/flisol07-stgo?hl=es.
http://wiki.diinf.usach.cl/flisol2007/
http://www.installfest.info/
-~----------~----~----~----~------~----

documental sobre linux

ver

maquina vs hombre

Entrevista con Mathias Feist, programador de Fritz... Casi todos están a favor de Kramnik. A Deep Fritz 10 eso le da lo mismo: no tiene emociones y siempre está en forma. Sin embargo, el hombre que está detrás de la máquina, Mathias Feist, el programador de Fritz, sí que vive todas las sensaciones humanas y sufre cuando el programa quiere realizar jugadas que él mismo jamás elegiría. El Dr. René Gralla, del periódico "Neues Deutschland", habló con él sobre la fuerza de juego del ordenador, la inteligencia artificial y muchas cosas más.

leer entrevista

RedNeuronal.sci

/////////////////////////////////////////////////////////////////////////////////
// INTERFAZ

// crea una red neuronal de varias capas
function r = red(varargin)
r = tlist(['red' 'capas' 'errf' 'W' 'gW' 'x'])
Ni = varargin(1)
k = 2;
capas = list()
while k< t =" varargin(k)" no =" varargin(k+1)" ni =" No" k =" k+2" t =" varargin(k)" t="=" w =" []" x =" list()" k="1:size(capas)" w =" [w,zeros(capas(k)('Rw'))]" y =" reval(r,x,l)" red =" r" l =" size(red('capas'));">red('capas')(1)('Ni')
error("evalRed: input no calza")
end
for k=1:l
x = evalCapa(red('capas')(k),x)
end
y = x

// calcula el error de la red r para cada entrada x y salida deseada d
function e = rerr(r,x,d)
global("red","N","D")
red = r
N = size(x,'c'); D = d
if size(x,'r')<>red('capas')(1)('Ni')
error("evalRed: input no calza")
end
if size(d,'r')<>red('capas')($)('No')
error("evalRed: output no calza")
end
if size(x,'c')<>size(d,'c')
error("evalRed: input no calza con output")
end
for c=red('capas')
x = evalCapa(c,x)
end
e = evalCapa(red('errf'),x)

// calcula el gradiente de la red r para entradas x y salidas deseadas d
function gw = grad(r,x,d)
global("red")
red = r
rgrad(x,d)
gw = red('gW')

// calcula el gradiente de la red r para entradas x y salidas deseadas d
// con diferencias finitas (se utiliza para verificar que la retropropagacion
// este bien implementada)
function gw = gradf(r,x,d)
delta = .0000001
w = r('W')
gw = zeros(w)
e0 = sum(rerr(r,x,d))
for i=1:size(w,'c')
v = w(i); w(i) = v+delta; r('W') = w; e = sum(rerr(r,x,d))
gw(i) = (e-e0)/delta
w(i) = v
end

// entrenamiento batch de red r con entradas x i salidas deseadas d
// f es el factor de entrenamiento, c la cantidad de ciclos de l epocas
// una epoca es una pasada sobre todos los ejemplos
// la variable global ERR contiene la secuencia de errores para cada ciclo
function r = batch(r,x,d,f,c,l)
global("red","ERR")
[lhs,rhs] = argn(0)
if rhs < l =" 1;" red =" r" err =" zeros(1,c+1)" k="1:c" e="1:l" r =" red" r =" batch(r,x,d,1,100,20);" r =" red(4,'afin',2,'tanh',2,'afin',4,'logit',4,'errEC')" x =" eye(4,4)" d =" x">

próximo sábado encuentro BSD

Asistencia : Liberada previa confirmacion a bsdcon2006@bsd.cl
Fecha : Sabado 9 de Diciembre.
Horarios:13:00 -> 22:00 Horas.
Lugar: Salon Auditorium (Subterraneo) Facultad de Ingenieria - Universidad Diego Portales , Ejercito Libertador #441 Metro Estacion Toesca - Santiago Centro , Chile.

ejemplo reconocimiento sonoro //Scilab "voz.sci"

function s = voz()
s = wavread(tk_getfile());

function x = xfft(s,M,d)
L = size(s,'c')
H = (.54-.46*cos(2*%pi*(0:M-1)/(M-1)))/1.82
//H = ((1:M)-(M+1)/2)/M*5; H = exp(-H.^2)
x = zeros(M,floor((L-M)/d)+1)
for i=1:size(x,'c')
//x(:,i) = log(abs(fft(s((1:M)+i*d-d).*H,-1)))'
x(:,i) = (abs(fft(s((1:M)+i*d-d).*H,-1)).^2)'
end

function mplt(m,v)
[lhs,rhs] = argn(0)
if rhs < 2 then v = [0 1]; end
[f,c] = size(m)
m = m - min(m)
m = floor(m/max(m)*31.9999)
m = m + 33
oldmap = xget("colormap")
if size(oldmap,'r')==32
cmap = graycolormap(32); cmap = cmap($:-1:1,:)
//cmap = hotcolormap(32)
xset("colormap",[oldmap;cmap])
end
//if c+1==600 then d1=3; d2=11; else d1=9; d2=ceil((c+1)/600)+1; end
//plot2d(0,0,rect=[0 0 c+1 1],nax=[d1 d2 0 1])
plot2d(0,0,rect=[0 v(1) c v(2)],axesflag=2)
Matplot1(m($:-1:1,:),[0.5 v(1) c+.5 v(2)])

function pruebaVoz()
s = voz()
x = xfft(s,512,225)
x = x(1:255,:)
mplt(log(x))
[s,x] = return(s,x)


//Prueba interfaz
-->getf voz.sci
-->pruebaVoz
-->xfft(s,1000,500);
-->mplt(log(x))
-->getf RedNeuronal.sci
-->sum(x,"r")
-->plot(sum(x,'r'))
-->e=sum(x,'r')
-->find(sum(x,'r')>2)
--> y=x(:,find(sum(x,'r')>2));
-->mplt(y)
-->mplt(log(y))
-->plot(log(y(:,5)))
-->plot(log(y(:,16)))
-->subplot(2,1,1);mplt(log(y))
-->subplot(2,1,1);plot(log(y(:,16)))
-->c=[];for v=log(y);c=[c,real(fft(v',-1))'];end
//comentarios: genera cepstrum, primer componente la energia, desde 2 es el timbre, los altos es el tono. (para graficar mostrar del 2 en adelante, esto es://
-->mplt(c(2:250,:))
//para la energia
-->plot(c(1,:))

Humanoid Robots

El desarrollo de robots humanoides se inspira inicialmente en el trabajo de los filósofos George Lakoff y Mark Johnson. Ellos postulan que todo el entendimiento del mundo que poseemos está basado en las experiencias corporalizadas que adquirimos desde nuestra temprana infancia. De esta manera, el concepto de ‘afecto’ se asocia al ‘calor’ como una metáfora de la exposición al calor del cuerpo de nuestros padres cuando nos muestran afecto. De aquí, expresiones como “un caluroso saludo” o “una calurosa bienvenida”. Igualmente, se utiliza la ‘grandeza’ como metáfora de la ‘importancia’, lo que se reflejaría en expresiones como “mañana será un gran día” o “un gran escándalo de corrupción”, dado que nuestros padres son grandes, importantes, y dominan nuestra experiencia visual cuando somos niños. De manera más indirecta, pero respondiendo a la misma idea de corporalización, en relación al concepto de ‘tiempo’ se tiene “moverse/caminar/correr hacia adelante” cuando se hace referencia al futuro. El pasado queda “atrás”, y el presente se encuentra en el lugar en que nos encontramos, es decir “en el aquí”. En fin, ¡ojo con las metáforas!

La implementación real de esta ‘cognición corporalizada’ se puede apreciar en el diseño de máquinas inteligentes que, emulando mecanismos de locomoción y navegación propios de nivel de insectos, han logrado navegar, mapear, planear y operar en el mundo real. Este tipo de inteligencia se conoce como ‘inteligencia cambriana’ (en oposición a la ‘neolítica’ de orden superior y, hasta el momento, lograda solamente por el humano).

En el caso de las últimas versiones de los robots Cog y Kismet (ver vínculo al final), se ha logrado emular procesos visuales humanos tan complejos como el movimiento ocular sacádico, el denominado ‘smooth persuit’ (seguimiento fluido) y el reflejo vestibular-ocular .

Lo notable de estos proyectos es que exhiben una impresionante coherencia en sus comportamientos humanoides, a pesar de prescindir de un sistema de procesamiento central. ¿Cómo lo hacen? Nada menos que a través de un mecanismo atención visual. Este proceso determina lo que el robot está mirando, y lo que el robot está mirando determina lo que verán todos los demás procesos de percepción de nivel inferior. Así funciona la 'arquitectura de subsunción', reacción alternativa a la 'arquitectura simbólica serial clásica' que busca emular procesos típicos de la cognición neolítica, en base a la conjetura empírica de que los cerebro humanos almacenan un inventario detallado de representaciones del mundo externo, posibles de ser manipuladas algorítmicamente.

Kismet, en particular, también puede detectar una prosodia básica en la voz de las personas y clasificar el habla como "prohibiendo", "solicitando atención", o "alagando", entre otras opciones. La deteción de estas claves cambia el estado emocional de Kimset, permitiéndole esto manipular a las personas en ambientes sociales, del mismo modo que las perosnas lo hacen entre sí. Si alguien se acerca demasiado, por ejemplo, el robot lo interpreta como una amenaza, adoptando una postura más encogida. Sujetos humanos de prueba reaccionana del mismo modo frente a esta conducta del Kimset.

Según Rodney Brooks, éste es el verdadero desafío de la robótica humanoide: emular procesos cognitivos de nivel cambriano, que es donde –se asegura desafiantemente- descansa la cognición superior, tan propia, pero nunca exclusiva, de los primates que piensan que piensan.

Clic aquí para artículo principal

Weblog original de este comentario

Para imágenes y videos, hacer clic en el siguiente link:
Human-Robot Dynamic Social Interaction.