logo

Teorías Cognitivas de Procesamiento Dual aplicadas a la Inteligencia Artificial

10.24050/reia.v22i44.1854
Published 2025-07-19
Articles

Abstract

En su Thinking, Fast and Slow (2011), Daniel Kahneman popularizó la teoría del procesamiento dual de la cognición, distinguiendo entre el Sistema 1 (rápido, automático y asociativo) y el Sistema 2 (lento, deliberado y gobernado por reglas). Sus investigaciones, que integran teoría económica y psicología cognitiva, evidenciaron la presencia generalizada de sesgos cognitivos y mostraron cómo la interacción entre ambos sistemas puede conducir sistemáticamente a errores de razonamiento.
Este artículo examina la pertinencia de adaptar el marco teórico de Kahneman a los sistemas de aprendizaje artificial, con el objetivo de mitigar fenómenos como las alucinaciones o fallos de inferencia en modelos de lenguaje a gran escala. Analizamos los mecanismos cognitivos que intervienen en la formación de ideas a nivel sináptico y proponemos dos postulados que exponen los desafíos estructurales de implementar un análogo del Sistema 2 en inteligencia artificial.
Dado que los modelos de aprendizaje automático se sustentan en fundamentos matemáticos, presentamos una modelización matemática simplificada del proceso cognitivo. Esta aproximación sugiere que una comprensión axiomática del comportamiento sináptico podría ser clave para identificar y corregir errores sistemáticos en el razonamiento de los sistemas de procesamiento del lenguaje natural.

Keywords

Categories

Authors

  • Andrés Sarrazola

    Colombia

References

Anil, R., Andrew, M. D., Orhan, F., Melvin, J., Dmitry, L., Alexandre, P., . . . al., e. (20223). Palm 2 technical report. arXiv preprint arXiv:2305.10403.

Chowdhary, K. (2020). Fundamentals of artificial intelligence. Springer.

Fjelland, R. (2020). Why general artificial intelligence will not be realized. Humanities and Social Sciences Communications, 1-9.

Google AI. (n.d.). Retrieved from Google AI: https://ai.google/discover/palm2/

Hagendorff, T., & Wezel, K. (2020). 15 challenges for AI: or what AI (currently) can’t do. Ai & Society, 355--365.

Jungnickel, D. (2005). Graphs, networks and algorithms. Springer.

Kahneman, D. (2011). Thinking, fast and slow. New York: Farrar, Straus and Giroux.

Kaplan, J. a., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Scaling laws for neural language models. arXiv preprint arXiv:2001.08361.

Newell, A., & Simon, H. A. (1959). Report on a General Problem-Solving Program. IFIP Congress, 31.

Newell, A., & Simon, H. A. (1972). Human Problem Solving. Englewood Cliffs, NJ: Prentice-hall.

OpenAI. (2023). GPT-4 Technical Report. https://arxiv.org/abs/2303.08774.

Perplexity.ai. (2022). Perplexity. Retrieved from Perplexity: https://www.perplexity.ai/

Pólya, G. (1945). How to solve it. Princeton University Press.

Sarrazola-Alzate, A. (2023). Problemas estructurales en sistemas inteligentes. Una aproximación desde el programa ChatGPT. Repositorio Institucional, Fondo Editorial EIA.

Sel, B., Al-Tawaha, A., Khattar, V., Wang, L., Jia, R., & Jin, M. (2023). Algorithm of thoughts: Enhancing exploration of ideas in large language models. arXiv preprint arXiv:2308.10379.

Shunyu, Y., Yu, D., Zhao, J., Izhak, S., Griffiths, T. C., & Narasimhan, K. (2024). Tree of thoughts: Deliberate problem solving with large language models. Advances in Neural Information Processing Systems.

Wang, P. (2019). On definig artificial inteligence. Journal of Artificial General Intelligence, 1-37.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., . . . others. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 24824-24837.

Whitehead, A. N., & Russell, B. (1927). Principia mathematica. Cambridge University Press.

Wu, T., Shizhu, H., Jingping, L., Sun, S., Kang, L., Qing-Long, H., & Yang, T. (2023). A brief overview of ChatGPT: The history, status quo and potential future development. Journal of Automatica Sinica, 1122-1136.

Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T., Cao, Y., & Narasimhan, K. (2024). Tree of thoughts: Deliberate problem solving with large language models. Advances in Neural Information Processing Systems.

Zhang, Y., Wang, X., Wu, L., & Wang, J. (2024). Pattern-Aware Chain-of-Thought Prompting in Large Language Models. arXiv preprint arXiv:2404.14812.

Zhang, Z., Zhang, A., Li, M., & Smola, A. (2022). Automatic chain of thought prompting in large language models. arXiv preprint arXiv:2210.03493.

Zhao, Wayne, X., Kun, Z., Junyi, L., Tianyi, T., Xiaolei, W., . . . al., e. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223.

Statistics

Abstract
0
PDF accesses
0

Dimensions

PlumX

Downloads

Download data is not yet available.