191
PAIDEIA XXI
The keys to arti cial learning
PAIDEIA XXI
Vol. 11, Nº 1, Lima, enero-junio 2021, pp. 191-202
ISSN Versión Impresa: 2221-7770; ISSN Versión Electrónica: 2519-5700
REVIEW ARTICLE / ARTÍCULO DE REVISIÓN
THE KEYS TO ARTIFICIAL LEARNING
LAS CLAVES DEL APRENDIZAJE ARTIFICIAL
Jesús Retto-Manrique1*
1 Facultad de Psicología, Universidad Nacional Mayor de San Marcos, Lima, Perú
* Corresponding author: jesus.retto@unmsm.edu.pe
Retto-Manrique: https://orcid.org/0000-0002-8851-6102
ABSTRACT
doi:10.31381/paideia.v11i1.3772
The present research aims to expose the relevant points of arti cial learning
are exposed in order to understand it in a simple way, starting from some
considerations and comparisons with human learning. For this, the historical
route of the rst steps that began the long path of the development of this
faculty in machines was based, a process that in a short time was reaching
unthinkable goals thanks to the joint impulse of microelectronics, computing,
and neurosciences. The role of robotic imitation is highlighted as an effective
technique to acquire model behaviours, without the need for complex algorithmic
processes. Then the sequence that makes it possible for a baby robot to learn
is described: Reception / Exploration, Reaction, Reinforcement, Repetition of
the routine, Learning proper, and Prediction. It is concluded that the progress
of arti cial intelligence has generated computational models that today make
possible even the autonomous learning of machines, which in the not too distant
future will also be able to design their own learning strategies.
Keywords: Learning – Arti cial learning – Robots – Arti cial intelligence –
Deep learning – Neural networks
RESUMEN
L
a presente investigación tiene como objetivo exponer los puntos relevantes del
aprendizaje arti cial a n de entenderlo de manera sencilla, partiendo de algunas
consideraciones y comparaciones con el aprendizaje humano. Para ello, se basó
el recorrido histórico de los primeros pasos que dieron inicio al largo camino del
desarrollo de esta facultad en las máquinas, proceso que en poco tiempo fue
http://revistas.urp.edu.pe/index.php/Paideia
192
PAIDEIA XXI
Retto-Manrique
alcanzando metas impensables gracias al impulso conjunto de la microelectrónica,
la computación, y las neurociencias. Se destaca el rol de la imitación robótica
como técnica ecaz para adquirir conductas modelos, sin necesidad de procesos
algorítmicos complejos. Luego se describe la secuencia que hace posible que un
robot bebé aprenda: Recepción / Exploración, Reacción, Refuerzo, Repetición de la
rutina, Aprendizaje propiamente dicho, y Predicción. Se concluye que el progreso
de la inteligencia articial ha generado modelos computacionales que hoy hacen
posible incluso el aprendizaje autónomo de las máquinas, las mismas que en un
futuro no lejano podrán además diseñar sus propias estrategias de aprendizaje.
Palabras clave: Aprendizaje – Aprendizaje articial – Robots – Inteligencia
Articial – Aprendizaje profundo – Redes neuronales
INTRODUCCIÓN
El aprendizaje es una actividad fun-
damental de los seres humanos. Día
tras día aprendemos temas sencillos
y complejos, y lo hacemos consciente
o inconscientemente, hasta el n de
nuestras vidas. “Es la especialización
que usamos para volvernos completa-
mente humanos” (Fisher & Immordi-
no-Yang, 2008). El aprendizaje formal,
cultural, sistemático, y evaluado, lo
llevamos a cabo durante largos años
de escolaridad (Inicial, Primaria y Se-
cundaria), y opcionalmente lo conti-
nuamos en el nivel Superior. En resu-
men, lo que hacemos a nivel cortical
durante todo ese tiempo es armar y
desarmar conexiones neuronales de
manera continua (Costandi, 2017).
Ahora entendemos mucho mejor el
recordar y olvidar, porque el mapeo
del cerebro es cada vez más preciso
(Landhuis, 2017). Contamos con las
neurociencias, y con nueva tecnología
electrónica que nos permite obtener
imágenes dinámicas del cerebro en
pleno trabajo (Park et al., 2018).
Pero, así como el ser humano no cesa
de estudiar su cerebro para entender
cómo funciona exactamente, cómo
aprende, cómo evoluciona, y cómo -
nalmente se degenera (QBI, 2019), no
deja de lado una actividad que le es
innata: la actualización y procreación
cultural (Cleg & Corriveau, 2017). Es
así, que poco a poco ha empezado a
dar forma a su sucesor: el robot su-
perinteligente e inmortal. Casi imper-
ceptiblemente, estamos transitando
del homo sapiens al robot inteligente.
Lo uno ha llevado a lo otro. A medida
que las investigaciones y mapeos del
cerebro humano han ido avanzando
(Kiwitz et al., 2020), la posibilidad de
crear seres tan inteligentes como no-
sotros ha dejado de ser una ociosa es-
peculación (Gee-Wah & Wang, 2020),
para dar paso a proyectos concretos
que apunten incluso más allá de la
propia capacidad intelectual humana
(Jens, 2018). Todo parece indicar que
ya no es cuestión de posibilidades,
sino de tiempo.
El desarrollo de la inteligencia
193
PAIDEIA XXI
The keys to articial learning
articial ha jugado un rol fundamental
en estos avances (Haenlein & Kaplan,
2019). Desde los primeros intentos por
diseñar una rudimentaria imitación
del razonamiento matemático, con
la máquina analítica de Babbage en
1837, hasta los actuales robots y
chatbots dotados de deep learning, una
arquitectura computacional basada
en redes neuronales articiales que
permiten aprender a los androides
reales y virtuales (Zador, 2019), e
incluso conversar de tú a tú con
cualquier ser humano, sobre cualquier
tema, en cualquier idioma, y con
bromas de por medio (Retto, 2017).
Sin embargo, nuestros sucesores
tienen aún mucho que aprender de la
cultura humana (Lalwani, 2016), para
nalmente poder desligarse de ella
e iniciar su propia historia (Spelke &
Blass, 2017). El objetivo de este artículo
es pues, describir los puntos clave que
hacen posible ese aprendizaje articial.
Imitar para evolucionar
Para que se produzca el aprendizaje
articial, se ha venido utilizando diver-
sas estrategias electrónicas que imiten
la sinapsis cerebral humana, la cual
se sabe ya desde hace algunos años
que no solo es una simple trasmisión
de datos, sino una computación de los
mismos (Seung, 2017). Es por eso que
la reiteración de mensajes similares,
termina por inducir a las neuronas a
crear atajos, ahorrándole largos y re-
petitivos recorridos a la información
(Barak, 2019). Es el cimiento del
aprendizaje.
La Conectómica explica muy bien
toda esta génesis mental (Ryding,
2019), pero además ofrece algunos
buenos modelos de arquitectura neu-
ronal. Y la tecnología empezó a imi-
tarlas, reemplazando las naturales y
sosticadas reacciones químicas ce-
rebrales, por una ingeniosa circuitería
nanotecnológica (Silva, 2018), cuyos
mejores productos son por el momen-
to los recientes memristores diseña-
dos durante 2020 en el Instituto de
Tecnología de Massachusetts. Estos
nuevos dispositivos, han sido elabora-
dos con una aleación de plata y cobre,
combinación que ha permitido alber-
gar decenas de miles de sinapsis arti-
ciales en un chip, que, al ser activadas,
son capaces de evocar experiencias vi-
suales pasadas, imitando elmente a
la sinapsis humana, con el añadido de
ser dispositivos ultra-pequeños (Chu,
2020).
¿Cómo hacer que una máquina
aprenda?
Los primeros pasos concretos para
hacer realidad este desaante sueño
tecnológico, empezaron en 1955 con
la célebre Sesión sobre Máquinas
de Aprendizaje, llevada a cabo en
Los Ángeles, Estados Unidos. En
dicho evento, se presentaron cuatro
artículos cientícos en los que se
concluía que una máquina -en
concreto una computadora- realmente
podía ser capaz de aprender, al menos
de forma “ruda”, pero que había
muchos factores técnicos que deberían
mejorarse con el tiempo, como la
velocidad de procesamiento, el trabajo
en paralelo, y el renamiento de los
dispositivos electrónicos de la época.
Los autores de esos artículos fueron:
194
PAIDEIA XXI
Retto-Manrique
Clark & Farley, Dinneen, Selfridge, y
Newell (Nilsson, 2010).
En esa histórica reunión se
expusieron los primeros intentos
por hacer que una máquina fuese
capaz de reconocer sencillos modelos
grácos que tuvieran ante sí. Para ello,
se había diseñado algunos modelos
computacionales que imitaban al
menos en ínma medida, lo que una
neurona humana es capaz de hacer.
A esta serie de primitivos articios
se les puso el audaz nombre de
“redes neuronales”, atrevimiento que
escandalizó a los neurosiólogos de la
época (Nilsson, op.cit.).
De esa manera, quedaba claro para
la comunidad cientíca y tecnológica
mundial, que el aprendizaje articial
era posible, allanando el camino para
el rápido desarrollo de la inteligencia
articial hasta llegar a lo que ahora
se conoce como el aprendizaje
profundo autónomo, procedimiento
por el cual una maquina aprende
sola, interactuando libremente con su
ambiente (Suroor et al., 2019).
Actualmente, hay un nuevo tipo
de redes neuronales, tan exibles que
se las conoce como redes líquidas, las
cuales van aprendiendo en el camino,
adaptándose a cada nuevo entorno
de datos (Ackerman, 2021). Esta
innovación podría permitir avances
en tareas donde se deba trabajar con
ujos de datos cambiantes con el
tiempo (a veces impredecibles) como
es en verdad el mundo humano real.
¿Cómo aprenden los robots actuales?
Una de las formas más ecaces es
que lo hagan como si fueran niños.
Esta idea no es nueva, pues ya había
sido planteada hace más de 70 años
por Alan Turing, quien sugería que
-en lugar de gastar esfuerzos en
imitar al cerebro adulto- se deberían
diseñar programas computacionales
que intentasen reproducir la sencilla
mente de un niño. Eso implicaba
diseñar programas “con muchas hojas
en blanco” (Turing, 1950), al igual
que la inocente mente infantil que se
va enriqueciendo con la experiencia
cultural diaria.
Tales programas una vez instalados
en la máquina, podrían imitar el
aprendizaje natural, que se nutre de
los estímulos de su entorno, y cuyas
conductas son reforzadas o castigadas
según el tipo de respuesta que emitan
(Lake et al., 2017). No fue sino hasta
mucho tiempo después, que la
tecnología pudo ser capaz de convertir
esa audaz idea en tangible realidad.
La secuencia que lleva al aprendizaje
articial
De manera general, el aprendizaje
de un baby robot, sigue este camino:
a) Recepción / Exploración
En esta primera fase, la máquina
recibe estímulos; es decir información
de su entorno: sonidos, imágenes,
o mensajes táctiles. Es su tiempo de
observar, para posteriormente inten-
tar imitar (Vakanski & Janabi-Shari,
2017) Este momento puede comparar-
se con el periodo de estimulación tem-
prana de los niños, fase fundamental
del desarrollo infantil (Esteves et al.,
2018). En esta etapa inicial cumplen
un rol muy importante las cámaras y
195
PAIDEIA XXI
The keys to articial learning
los sensores, pues ellos harán posible
que el robot reaccione ante los estí-
mulos que reciba (Ashlin, 2020). Tales
dispositivos constituyen articialmen-
te el Repertorio Conductual Básico de
Entrada del que se habla en la Psico-
logía del Comportamiento (Mc Leod,
2020), permitiendo que el sujeto como
mínimo atienda, imite y siga instruc-
ciones.
Cabe señalar que, en la actuali-
dad, los robots ya dejaron de ser re-
ceptores pasivos de estímulos, para
convertirse en verdaderos “explora-
dores” por cuenta propia. Se trata de
la interacción autónoma mencionada
por Dvorsky (2017), y que se consigue
por autoexploración inducida (Oude-
yer, 2017), es decir haciendo que las
cámaras y los sensores del robot se
activen ante cualquier estímulo y re-
gistren de él toda la información de la
que son capaces.
Tal innovación es conocida también
como curiosidad articial, y ha permi-
tido un autoadiestramiento espontá-
neo de la máquina. Así, ya dejan de
ser imprescindibles las instrucciones
u órdenes previas de un programador.
Este nuevo avance se consiguió estu-
diando con detenimiento el desarrollo
cognitivo de los niños (Cangelosi &
Schlesinger, 2015), y las característi-
cas, predisponentes, y desencadenan-
tes de su innata curiosidad. Una ven-
taja adicional ha sido que, con el uso
constante y sistemático de la curio-
sidad articial, los robots están con-
siguiendo aprendizajes cada vez más
complejos (Oudeyer, 2017).
Una estrategia clave es la imita-
ción. Algunos investigadores como
Vakanski & Janabi-Shari (2017),
han llamado a esta técnica programa-
ción por demostración. Ésta tiene la
ventaja de que ya no es necesario so-
meter a la máquina aprendiz a una se-
rie de rutinas previas. Solo basta con
que copie el modelo que se le da, igual
como se hace con un niño pequeño,
que repite gestos, sonidos, o diversas
conductas básicas. A partir de allí, la
tarea del robot aprendiz será ejecutar
esas conductas imitadas cada vez que
se encuentre ante situaciones simi-
lares (Raj & Seamans, 2019, citado
por Suroor et al., 2019). Un campo
concreto de amplia aplicación actual
basado en esta técnica, es el de la
robótica de servicios, con robots hu-
manoides encargados de monitorear a
pacientes con Covid-19 (Ozturkcan &
Uygur, 2021).
b) Reacción
Una vez que la máquina aprendiz
ha percibido los estímulos, ya sea de
manera inducida o por cuenta propia,
inicia la manipulación de los objetos
estimulantes (Calderone, 2017). Los
toca, los mide, los sacude, los compa-
ra, los bota, y registra en su memo-
ria los detalles de todos estos eventos
(Vakanski & Janabi-Shari, 2017).
Detecta diferencias y similitudes con
experiencias anteriores, valiéndose
para ello de sus redes neuronales con-
volucionales, especialmente cuando
debe analizar imágenes; tarea en la
que debe procesar millones de colori-
dos píxeles (Li, 2017).
Las redes neuronales convolucio-
nales son un modesto equivalente
electrónico de las neuronas biológicas
196
PAIDEIA XXI
Retto-Manrique
y sus conexiones especializadas en
procesar información visual. La cap-
tura y manipulación de detalles son
realizadas por el robot ante cada es-
tímulo que se le presente. Este ejer-
cicio repetido gradualmente lo va
convirtiendo en un eciente aprendiz
que terminará por identicar hechos
rutinarios que ya no tendrá que volver
a experimentar para saber las conse-
cuencias que traen (Browniee, 2019).
c) Refuerzo
A continuación, la plataforma ro-
bótica realiza un registro de sus accio-
nes, dependiendo de sus característi-
cas y funciones particulares (Ribeiro
& Lopes, 2020). Para ello, dicha plata-
forma puede ser apoyada por su desa-
rrollador, quien le dará el “feedback”
respectivo para cada uno de sus actos,
de la misma manera como cuando se
refuerza una conducta animal o hu-
mana (Calderone, 2017). Así, el robot
descartará sus errores y conservará
sus progresos dentro del contexto en
el que actúa, mejorando por lo tan-
to su rutina de trabajo (Hundt et al.,
2019). Esto puede servir por ejemplo
para realizar un corte preciso, identi-
car a una persona, o emitir un informe
sobre el estado de salud de un pacien-
te. Así retendrá en su memoria toda la
data que le genere refuerzos, realizan-
do sus futuros trabajos cada vez con
una mayor eciencia y rapidez, inclu-
so sin necesitar de muchos refuerzos
o recompensas (Zhan et al., 2020). Es
la aplicación robótica de la ya clásica
Triple Relación de Contingencia: Estí-
mulo > Respuesta > Consecuencia re-
forzante (Skinner, 1974).
d) Repetición de la rutina
En esta etapa, el robot aprendiz
verica a través de sus sensores y
periféricos complementarios, las
consecuencias de cada uno de los actos
que realizó, con el n de asegurarse de
qué es lo que exactamente sucederá si
vuelve a realizar una acción similar.
De este modo, empieza a generar
patrones estadísticos en su memoria
(Calderone, 2017), que lo llevarán
a actuar inteligentemente. Esto es
llevado a cabo -por ahora- dentro de
ambientes experimentales controlados
(Suroor et al., 2019).
e) Aprendizaje
La serie de pasos anteriores,
inducen a que el robot aprendiz
nalmente reorganice sus rutinas de
acción; es decir, que adicione nuevas
funciones a su sistema operativo para
adecuarse a sus recientes experiencias.
Todo gracias a un cada vez más
desarrollado “aprendizaje profundo”
(Lake et al., 2017). El aprendizaje
articial ha logrado avances concretos
especialmente a nivel lógico, formal,
matemático, y sintáctico, pero siempre
transitando por un camino de aciertos
y errores (Calderone, 2017).
Todo lo aprendido, luego será
ejecutado automáticamente por su
memoria a largo plazo, y sin esfuerzos
extras por parte de su Unidad Central
de Procesamiento (Burguer, 2010).
Se trata por ahora de un aprendizaje
de acciones concretas. El aprendizaje
de temas abstractos o que impliquen
innovación y creatividad está aún en
investigación (Rodrigue, 2020), pero
existe la certeza de que cada vez será
197
PAIDEIA XXI
The keys to articial learning
posible abarcar nuevos aspectos de la
mente humana (BU, 2018).
Si tomamos en cuenta los
planteamientos sobre el desarrollo
cognitivo hechos por Jean Piaget (Wood
et al., 2001), revisados por Oogarah
et al. (2020), los robots aprendices
de hoy serían como niños en su Fase
Cognitiva Operacional Concreta. Esto
signica que ellos aún se guían por
una lógica sencilla, con frecuencia
focalizada solo en las inferencias y
su constante optimización (Oudeyer,
2017). Siempre razonando sobre
la base de información especíca,
carente de ambigüedades. Es decir
que no hay suposiciones, no se
aventuran hipótesis, ni tratan de leer
entre líneas. Haciendo una analogía
con el cerebro, lo que se ha generado
es un nuevo cableado neuronal (Sakai,
2020), armándose nuevas conexiones
sinápticas, gracias a las experiencias
vividas.
f) Predicción
El robot ya aprendió. Ya instaló en
su Unidad Central de Procesamiento la
nueva secuencia de conexiones que le
servirá para cumplir esa nueva función
aprendida de manera supervisada
o no supervisada (Browniee, 2019).
Dicho recableado quedará grabado
en su memoria. Pero no solo eso, sino
que -de manera autónoma- cada vez
que sus sensores detecten sucientes
señales del entorno que le “suenen”
familiares, de inmediato seleccionará
la rutina de trabajo más adecuada
que le permita actuar cada vez con
más exibilidad (Ackerman, 2021).
A partir de allí, el renamiento de
esos aprendizajes no será por causa
de circuiterías o softwares más
complejos, sino por simple y constante
inuencia de su entorno. Es decir,
será una actualización cultural, como
la de los niños cuando van creciendo y
madurando (Cleg & Corriveau, 2017).
Es interesante identicar una serie
de similitudes entre la evolución del
aprendizaje humano y la del aprendi-
zaje articial. El proceso de adiestra-
miento de las máquinas aprendices
está pasando por etapas similares a
las del desarrollo intelectual huma-
no, aunque aún no por todas (Ou-
deyer, 2017). Se empezó por la fase
sensorio-motora, se continuó con la
preoperacional, y se ha llegado a la
etapa concreta-operacional. Aún está
pendiente alcanzar la fase formal-ope-
racional. Detalle relevante también es
el aporte de Brooks (2008), quien pos-
tula que la evolución de las competen-
cias intelectuales articiales seguiría
el camino humano, empezando por
el reconocimiento de objetos como lo
hace un bebé; adquiriendo y emitien-
do un lenguaje básico como el de un
niño de cuatro años; ganando destre-
za manual como un niño de seis años;
e interactuando socialmente como un
niño de ocho años.
Otra similitud, es que la inteligen-
cia articial de los robots está siendo
potenciada por sucesivos aprendizajes
especializados, que los están volviendo
muy competentes para determinadas
áreas, situación análoga a la diversi-
dad de inteligencias de los seres hu-
manos, descrita por Howard Gardner,
y revisada por Cavas & Cavas (2020).
Y así como se consiguió que las
198
PAIDEIA XXI
Retto-Manrique
máquinas no se limitaran a actuar
siguiendo instrucciones, luego el
esfuerzo se centró en que ellas dejen
de aprender “a ciegas”, y que más bien
lo hagan basándose en un verdadero
entendimiento de su entorno (Lake et
al., 2017). Es aquí donde ha entrado
a tallar el aprendizaje profundo,
como un método apoyado en las
redes neuronales articiales (Wang
et al., 2020), las mismas que fueron
construidas tomando en cuenta
diversos principios biológicos descritos
y explicados por las neurociencias
(Zador, 2019).
Por último, cabe mencionar que los
principales progresos en el aprendizaje
articial s
e han venido dando especial-
mente en el campo del reconocimiento
de imágenes (Chenxi et al., 2018), con
la miniaturizac
ión de las unidades de
procesamiento gráco, que permiten el
diseño de redes de trabajo de hasta 50
capas. A más capas, más “profundi-
dad” del aprendizaje (Hardesty, 2017).
Este logro ahora se ha hecho extensivo
al resto de aspectos de la inteligencia
articial, y nalmente, se espera que
los nuevos robots aprendices puedan
construir sus propias estrategias de
aprendizaje (Lake et al., 2017), e in-
cluso, como plantea Outdeyer (2017),
que en algún momento lleguen a de-
cidir libremente qué aprender y qué
no. Será el tiempo de los robots dota-
dos de motivación.
CONCLUSIONES
El aprendizaje articial se abrió
paso con los aportes de la com-
putación, la microelectrónica, y las
neurociencias, empezando por imitar
rudimentariamente la sinapsis cere-
bral humana.
La inteligencia articial ha genera-
do modelos computacionales rena-
dos, como el aprendizaje profundo au-
tónomo, función que permite que una
maquina aprenda sola.
Hay evidencias de que una de las
formas más ecaces para que un robot
aprenda, es que lo haga como lo hace
un niño.
Hay una serie de similitudes técni-
cas, evolutivas, y procedimentales, en-
tre el aprendizaje humano y el apren-
dizaje articial.
Los principales progresos en el
aprendizaje articial se están consi-
guiendo actualmente en el campo del
reconocimiento de imágenes,
Se proyecta que los robots apren-
dices de nuevo tipo, puedan construir
más adelante sus propias estrategias
de aprendizaje.
Nuestros sucesores tienen aún
mucho que aprender de la cultura hu-
mana, para nalmente poder desligar-
se de ella e iniciar su propia historia.
199
PAIDEIA XXI
The keys to articial learning
REFERENCIAS BIBLIOGRÁFICAS
Ackerman, D. 2021. “Liquid” machine-learning system adapts to changing
conditions. MIT News ofce.
https://news.mit.edu/2021/machine-learning-adapts-0128
Ashlin, X. 2020. What are sensors on a robot and why are sensors important to
robots. Automation Forum.Co.
https://automationforum.co/what-are-sensors-on-a-robot-and-why-are-
sensors-important
Barak, B. 2019. How do neurons communicate (so quickly)? McGovern Institute
– MIT. https://mcgovern.mit.edu/2019/02/28/ask-the-brain-how-do-
neurons-communicate/
Bransford, J.; Brown, A. & Cocking, R. 2008. Mind and Brain. Willey & Sons Inc.
Brooks, R. 2008. I, Rodney Brooks, am a robot. IEEE Spectrum Journal, 45:
68-71.
BU (Brown University). 2018. Researchers help robots think and plan in the
abstract. Intelligent Robot Lab – Brown University. https://www.brown.edu/
news/2018-02-08/robotplanning
Browniee, J. 2019. 14 Different Types of Learning in Machine Learning
https://machinelearningmastery.com/types-of-learning-in-machine-
learning/
Burguer, R. 2010. Articial learning in articial memories. arXiv:1007.0728v2
[cs.AI], https://arxiv.org/abs/1007.0728
Calderone, L. 2017. How Will Robots Learn? Robotics Tomorrow, https://www.
roboticstomorrow.com/article/2017/10/how-will-robots-learn/10833/
Cangelosi, A. & Schlesinger, M. 2015. Developmental robotics: from babies to
robots. MIT Press.
Cavas, B. & Cavas, P. 2020. Multiple Intelligences Theory—Howard Gardner. In:
Science Education in Theory and Practice, An Introductory Guide to Learning
Theory, https://link.springer.com/chapter/10.1007/978-3-030-43620-9_27
Chenxi, L.; Barret Z.; Neumann, M.; Shlens, J.; Hua, W.; Li-Jia.; Li, Li.; F-F.;
Yuille, A.; Huang, J. & Murphy, K. 2018. Progressive neural architecture
search. Proceedings of the European Conference on Computer Vision
(ECCV), arXiv:1712.00559 [cs.CV], 2018: 19-34. https://link.springer.
com/conference/eccv.
Chu, J. 2020. Engineers put tens of thousands of articial brain synapses on a
single chip. MIT News Ofce,
https://news.mit.edu/2020/thousands-artificial-brain-synapses-single-
chip
Cleg, J. & Corriveau, K. 2017. Children begin with the same start-up software,
but their software updates are cultural. Behavioral and Brain Sciences, 40:
e260.
Costandi, M. 2017. Neuroplasticity. MIT Press.
200
PAIDEIA XXI
Retto-Manrique
Dvorsky, G. 2017. Cite a Website - Cite this for me. https://gizmodo.com/robots-
are-already-replacing-human-workers-at-an-alarmi-1793718198
Esteves, Z.; Avilés, M. & Matamoros, A. 2018. La estimulación temprana como
factor fundamental en el desarrollo infantil. Espirales, 2: 25-36.
Fisher, K. & Immordino-Yang, M. 2008. The brain and learning. John Wiley &
Sons, Inc.
Gee-Wah, N. & Wang, C.L. 2020. Strong articial intelligence and Consciousness.
Journal of Articial Intelligence and Consciousness, 7: 63-72.
Haenlein, M. & Kaplan, A. 2019. A Brief History of Articial Intelligence: On the
Past, Present, and Future of Articial Intelligence. California Management
Review, 61: 5-14.
Hardesty, L. 2017. Explained: Neural Networks. MIT News ofce,
https://news.mit.edu/2017/explained-neural-networks-deep-learning-0414
Hundt, A.; Killeen, B.; Kwon, H.; Paxton, C. & Hager, G. 2019. “Good Robot!”:
Efcient reinforcement learning for multi-step visual tasks via reward
shaping. IEEE Robotics and Automation Letters, 99:1-1
Jens, P. 2018. Beyond Human Intelligence: Redening Intelligence.
InterSymp-2018 Symposium (IIAS) Proceedings, June 30, 2018.
Kiwitz, K.; Schiffer, C.; Spitzer, H.; Dickscheid, T. & Amunts, K. 2020. Deep
learning networks reect cytoarchitectonic features used in brain mapping.
Nature, 10: 22039.
Lake, B.; Ullman, T.; Tenenbaum, J. & Gershman, S. 2017. Building machines
that learn and think like people. Behavioral and Brain Sciences, 40: e253.
Lalwani, M. 2016. The next wave of AI is rooted in human culture and history.
Engadget. https://www.engadget.com/2016-08-16-the-next-wave-of-ai-is-
rooted-in-human-culture-and-history.html
Landhuis, E. 2017. Neuroscience: Big brain, big data. Nature, 541: 559–561.
Li, F. 2017. On articial intelligence and machine learning {Video] You Tube.
https://www.youtube.com/watch?v=XlnbNFW2tX8
Mc Leod, S. 2020. Behaviorist Approach. Simply Psychology - Perspectives
https://www.simplypsychology.org/behaviorism.html
Nilsson, N. 2010. The Quest for Articial Intelligence: A History of Ideas and
Achievements. Cambridge University Press.
Oogarah, B.; Bholoa, A. & Ramma, Y. 2020. Stage theory of cognitive
development—Jean Piaget. In: Akpan, B. & Kennedy, T.J. (eds.). Science
Education in Theory and Practice. pp 133-148. https://link.springer.com/
chapter/10.1007/978-3-030-43620-9_10
Oudeyer, P.Y. 2017. Autonomous development and learning in articial
intelligence and robotics: Scaling up deep learning to human–like learning.
arXiv:1712.01626 [cs.AI].
201
PAIDEIA XXI
The keys to articial learning
Ozturkcan, S. & Uygur, E. 2021. Humanoid service robots: The future of
healthcare? Journal of Information Technology Teaching Cases,
doi: 10.1177/20438869211003905
Park, J.; Dudchenko, P. & Donaldson, D. 2018. Navigation in real-world
environments: New opportunities afforded by advances in mobile brain
imaging. Frontiers in Human Neuroscience, 12: 361.
QBI (Queensland Brain Institute). 2019. Understanding the brain: a brief
history. The University of Queensland, Australia. https://qbi.uq.edu.au/
brain/intelligent-machines/understanding-brain-brief-history
Retto, J. 2017. Sophia, First citizen robot of the world.
https://www.researchgate.net/publication/321319964_SOPHIA_FIRST_
CITIZEN_ROBOT_OF_THE_WORLD
Ribeiro, F. & Lopes, G. 2020. Learning Robotics: A review. Springer - Currents
Robotics Report Journal, 1, doi: 10.1007/s43154-020-00002-9
Rodrigue, E. 2020. Creative Thinking and Articial Intelligence. doi: 10.13140/
RG.2.2.14288.53762
Ryding, S. 2019. What is Connectomics? News Medical Life Sciences.
https://www.news-medical.net/life-sciences/What-is-Connectomics.aspx
Sakai, J. 2020. How synaptic pruning shapes neural wiring during development
and, possibly, in disease. Proceedings of the National Academy of Sciences of
the United States of America, 117: 16096-16099.
Seung, S. 2017. Using articial intelligence to map the brain’s wiring. Global
Brain, https://www.simonsfoundation.org/2017/09/11/using-articial-
intelligence-to-map-the-brains-wiring/
Silva, G. 2018. A new frontier: The convergence of nanotechnology, brain
machine interfaces, and articial intelligence. Frontiers in Neuroscience –
Neural Technology, 843.
Skinner, B.F. 1974. About Behaviourism. Knopf Doubleday Publishing Group.
Spelke, E. & Blass, J. 2017. Intelligent machines and human minds. Behavioral
and Brain Sciences, 40: e277.
Suroor, N.; Hussain, I.; Khalique, A. & Ahamad T. 2019. Analyzing the effects
of reinforcement learning to develop humanoid robots. International Journal
of End-User Computing and Development (IJEUCD), 8: DOI: 10.4018/
IJEUCD.20190101.oa2
Turing, A.M. 1950. I.—Computing machinery and intelligence. Mind, 59 (236):
433–460.
Vakanski, A. & Janabi-Shari, F. 2017. Robot learning by Visual Observation.
Wiley.
Wang, X.; Zhao, Y. & Pourpanah, F. 2020. Recent advances in deep learning.
International Journal of Machine Learning and Cybernetics, 11: 747–750.
202
PAIDEIA XXI
Retto-Manrique
Wood, K.; Smith, H. & Grossniklaus, D. 2001. Piaget’s stages of cognitive
development. In: Orey, M. (Ed.). Emerging perspectives on learning, teaching,
and technology,
https://resources.saylor.org/wwwresources/archived/site/wp-content/
uploads/2011/07/psych406-5.3.2.pdf
Zador, A. 2019. A critique of pure learning and what articial neural networks
can learn from animal brains. Nature communications, 10: 3770.
Zhan, A.; Zhao, P.; Pinto, L. & Laskin, M. 2020. A framework for efcient robotic
manipulation. arXiv:2012.07975 [cs.RO].
Received February 3, 2021.
Accepted March 27, 2021.
