4.6 Experimental work
4.6.5 Energy performance comparisons
características fundamentales y comparación con la herramienta Bichos
Los modelos informáticos que iré presentando en este capítulo pretenden servir al estudio de fenómenos abordados por la disciplina conocida como Teoría de Juegos Evolutiva, cuyo objeto y métodos expuse en los capítulos anteriores. Introduciré las simulaciones desarrolladas por Axelrod, Danielson y Skyrms, así como la que he preparado específicamente para esta investigación, a la que me referiré por su nombre corto, Bichos. Mi propósito con esta herramienta es incorporar las aportaciones de aquellos autores, pero superando ciertas limitaciones que presentan sus modelos, a fin de incrementar el poder explicativo de este método en relación con el problema del surgimiento de la moralidad y la justificación de su racionalidad. En cada caso especificaré qué elementos de mi herramienta guardan similitudes con programas anteriores, y cuáles son las novedades y mejoras aportadas en relación con éstos. El enfoque de este capítulo es ante todo teórico, una exposición de cómo funcionan estas simulaciones, definiendo los conceptos más relevantes que nos permitirán en el próximo capítulo poner en práctica esta técnica del “laboratorio virtual” y analizar sus resultados.
Cronológicamente el referente inicial de Bichos lo tenemos en el primer torneo informático que llevó a cabo Axelrod (1980), en el cual diversas estrategias entendidas como algoritmos informáticos, se enfrentaban en la situación conocida como Dilema del Prisionero iterado (DPI) y decidían en cada caso si cooperar o defraudar.
Comencemos notando que mientras el modelo de Axelrod en La evolución de la
cooperación representa un contexto “rígido”, donde una serie de estrategias se comparan por sus
resultados jugando siempre al DPI, en Bichos la posibilidad de modificar los pagos que definen el juego permite estudiar la evolución de estrategias en una amplia gama de situaciones que también plantean importantes cuestiones para la ética, y no solamente en el DP. Esta primera diferencia es algo trivial, pues cuál sea la situación estratégica a considerar es una decisión del autor (en este caso Axelrod) que por lo demás puede modificarse sin mayor inconveniente. Pero además de ésta, hay otros avances más relevantes, los cuales paso a enumerar brevemente.
1) En los torneos de Axelrod las diversas estrategias programadas por los concursantes se enfrentan todas contra todas (como en una liga). Sin duda esto es una prueba muy exigente para comprobar la robustez de las diversas estrategias. La objeción habitual a este planteamiento es que no cuenta con las correlaciones que en la realidad determinan que los jugadores —ya sean bacterias, seres humanos o empresas— tiendan a interactuar más con unos que con otros. Un caso típico en el que se manifiesta esta correlación de interacciones son las relaciones de territorialidad. Axelrod estudia la influencia de la territorialidad en el capítulo 8 de La evolución
de la cooperación: se trata de una interesante primera aproximación al tema, pero entiendo que
un desarrollo más completo de este punto se encuentra en los modelos de Skyrms:
There is a rich biological literature showing that, in nature, pairing may not be random. This may be due to a tendency to interact with relatives, or with neighbors, or with individuals one identifies as being of the right type, or with individuals with which one has had previous satisfactory interactions, or some combination of these. [...] a theory that can accommodate all kinds of non-random pairing would be a more adequate framework for realistic models. […] non random pairing might occur because individuals using the same strategies tend to live together, or because individuals using different strategies present some sensory cue that affects pairing, or for other reasons. We would like to have a framework general enough to accommodate all kinds of non-random pairing169.
Dada la distribución de los agentes en un “mapa”, Bichos permite analizar la influencia que tienen las relaciones espaciales (territorialidad) en la evolución de las conductas. También pueden ejecutarse juegos que no dependen de ninguna disposición espacial, aunque en estos casos tampoco ocurre, como en Axelrod, que todos los jugadores interactúan con todos los demás. En Bichos cada jugador interactúa con un número reducido de agentes dentro de la población, pero no con los mismos, sino que los emparejamientos están distribuidos al azar (random pairing). Este procedimiento, incluso sin representar estructuras espaciales, proporciona un modelo más realista. Ello se debe a que un sistema “de liga”, después de todo, equivale a un inmenso vecindario único, que inclina la evolución de la cooperación hacia resultados mucho más favorables que reduciendo los emparejamientos a grupos locales (clusters) dentro de una población total, ya sean los miembros de estos grupos siempre los mismos, ya sea que varíen al azar. El modelo de Bichos permite, pues, modificar en diversos grados la rigidez de las redes “geográficas” de interacción, aunque en principio si lo que buscamos es realismo
deberíamos centrarnos en simulaciones donde los vecindarios están bien definidos y permanecen fijos170.
169 Skyrms, 1996, p. 53.
170 En el capítulo 7 de The Complexity of Cooperation Axelrod retoma la cuestión de la territorialidad, pero no en el
marco de la teoría de juegos, sino en relación con la imitación y difusión de rasgos culturales. Estas primeras comparaciones que estoy trazando son ante todo una lista de temas, que en cada caso quedarán vinculados con el
2) Los criterios de selección que determinan qué cantidad de agentes emplearán una cierta estrategia, en función del éxito obtenido por dicha estrategia en la generación previa, no están demasiado especificados. Tan sólo en una nota al pie171 Axelrod explica brevemente lo que parece ser el criterio conocido como “replicator dynamics”. Por otra parte, en el capítulo 8 Axelrod presenta un modelo donde diversas estrategias se difunden en una población considerada geográficamente, de acuerdo con el cálculo que más adelante llamaremos “MaxiMax”172.
La regla empleada por Danielson en Artificial Morality es bastante diferente, pues aunque calcula el rendimiento promedio de las diversas estrategias al interactuar entre sí, las diferencias que se aprecian en este test de la racionalidad instrumental no repercuten en la frecuencia relativa con que las diferentes estrategias aparecen en la población173. Según el propio Danielson, su test es “evolutivo [...] porque comienza con una población del jugador [la estrategia] que habrá de contrastarse y supone que aparecen nuevos jugadores para llenar los nichos que vayan surgiendo”174. Puesto que estos nuevos jugadores que van apareciendo son deliberadamente introducidos por el autor, el sentido en que este primer modelo de Danielson sea evolutivo queda un tanto alejado de la connotación plenamente darwinista que caracteriza a Bichos o a los modelos de Skyrms.
En general no sólo en los primeros ensayos de Axelrod las reglas utilizadas para calcular la dinámica evolutiva no han recibido toda la atención que merecen, y por lo común se ha adoptado la ecuación replicator dynamics, propuesta por Maynard Smith y bautizada así por Schuster y Sigmund, quienes además pudieron confirmar empíricamente su validez en varios niveles biológicos175. Sin embargo, no hay por qué suponer que esta misma ecuación sea igualmente apropiada para describir una evolución cultural, dirigida más por imitación (resultante a su vez de elecciones racionales) que por herencia.
autor que a mi modo de ver los plantea del modo más relevante, sin implicar con ello que otros no les hayan prestado ninguna atención.
171 Página 57 de la edición española.
172 “MaxiMax” debe su nombre a ciertas analogías con el procedimiento del mismo nombre empleado en teoría de la
decisión. Pero no se trata de esta misma regla: a diferencia de la teoría de la decisión, lo que aquí se “elige” son estrategias o disposiciones para escoger acciones, y no las acciones mismas. Estas reglas se explican en el epígrafe 3.3.1.
173 Cfr. Danielson, 1992, pp. 96 – 101 174 Danielson, 1992, p. 101
3) Una característica importante de las primeras simulaciones de Axelrod es que las estrategias consideradas fueron diseñadas por seres humanos, orientadas al propósito explícito de intentar maximizar los pagos totales en un DPI. En los ensayos que aparecen posteriormente en
The Complexity of Cooperation176, el planteamiento es el que he adoptado para Bichos: el objetivo maximizador no está presente como punto de partida, sino que las estrategias son generadas (al inicio de cada simulación) de manera completamente azarosa, dando lugar a una especie de “sopa primigenia” con una enorme variedad de estrategias potencialmente irracionales o inmorales. En su segunda serie de experimentos Axelrod introduce también el procedimiento conocido como “algoritmo genético”, que permite simular la reproducción sexual de los organismos, combinando diversas partes (genes) de dos algoritmos existentes, en lugar de heredarlos todos de un único individuo. En mi modelo es posible considerar ambos tipos de herencia, siendo la reproducción “asexual” más apropiada para simular procesos de imitación. En cualquier caso, el número de “genes” que regulan el comportamiento de Bichos es mayor y vinculados de una manera más compleja que el que encontramos en los autómatas de estas simulaciones más recientes de Axelrod177.
176 The Complexity of Cooperation (1997) es la secuela natural de La evolución de la cooperación (1984) y recoge
una serie de ensayos escritos por Axelrod a lo largo de los años 80 y 90 (también en colaboración con otros autores). Manteniendo el estilo ameno y accesible, representa un avance considerable, al menos en dos aspectos. El primero
que es el que más nos interesa en esta investigación está en el planteamiento de las simulaciones del DP, de las cuales ha desaparecido la mano humana que diseñaba los algoritmos en los primeros torneos. En su lugar, las estrategias están producidas al azar, recombinándose posteriormente las de mayor éxito adaptativo o variando gradualmente por mutaciones (la recombinación se funda en el concepto de algoritmo genético, un modelo de reproducción sexual del cual nos ocuparemos en el capítulo 4.3). Esto evita cualquier sesgo inicial a favor de las estrategias cooperativas, y lo que es más interesante, permite el descubrimiento de nuevos algoritmos no previstos, algunos de ellos muy efectivos. También dedicado al DP, el segundo capítulo trata la influencia del ruido en la evolución de la cooperación (se denomina “ruido” a los errores en la ejecución de una acción por parte del agente, o en la apreciación de la misma por parte de un observador). Es en este contexto donde los algoritmos genéticos muestran su potencia, generando estrategias que se sobreponen más eficazmente a estas interferencias; más concretamente, esto se debe a que Toma y Daca es una estrategia demasiado severa, una característica ya reconocida en La evolución de la cooperación. La segunda novedad es la aplicación de modelos informáticos (agent-based
models) a otro tipo de fenómenos tales como la estabilidad de las normas, la formación de coaliciones, el carácter
“contagioso” de los patrones culturales o el surgimiento de convenciones. Dada su gran extensión, en el presente trabajo no me puedo ocupar de estos otros aspectos, pero sirven para resaltar cuál es la aportación del nuevo enfoque de Axelrod: mostrar la amplitud y flexibilidad que pueden tener este tipo de modelos para las ciencias sociales. En este sentido, Axelrod se muestra consciente de que estas herramientas no son sólo una curiosidad teórica que ocasionalmente puede ser de ayuda para el investigador, y dedica los últimos capítulos a cuestiones técnicas en torno a lenguajes de programación y compatibilidad entre diversos tipos de modelos. Sobre el uso de estas simulaciones, sus posibilidades y alcance, Axelrod desarrolla una reflexión más amplia en la introducción, a la cual nos hemos referido en el capítulo anterior. Pese a algunos puntos que discutiré en el próximo capítulo, The Complexity of
Cooperation supone una excelente exposición teórica y una demostración práctica del método que adopto para esta
investigación.
177 El desarrollo teórico de este punto se encuentra en 3.3.2. En la sección 4.3 volveremos a abordar la cuestión
4) Me ocuparé ahora de una semejanza respecto de los modelos diseñados por Axelrod, pero que representa una diferencia significativa en relación con la propuesta de Danielson, según veremos en seguida. Los agentes artificiales de mi simulación no son transparentes, esto es, no conocen las disposiciones (algoritmos) de los demás jugadores. En los torneos de Axelrod, algunos de los programas enviados intentaban descubrir cuál era el algoritmo empleado por sus competidores, recurriendo a veces a métodos estadísticos muy complejos178. La generación aleatoria de estrategias puede en Bichos crear algoritmos que intentan inferir las disposiciones ajenas a partir de las conductas observadas, aunque de un modo menos sofisticado que los programas más elaborados del primer torneo organizado por Axelrod. De todos modos, el tipo de razonamiento inductivo que puede llegar a encontrarse en mi modelo no está tampoco regido por el propósito de hacer buenas inducciones. El procedimiento que he incorporado es muy básico, pero lo cierto es que un refinamiento mayor supondría introducir nuevamente un sesgo demasiado racional. Los algoritmos tienen acceso a los movimientos o jugadas realizados por otros jugadores. De estos “hechos” seleccionan algunos y elaboran con ellos una estadística muy simple (media aritmética). Por último, estos resultados sufren una transformación adicional, según la importancia relativa que una cierta estrategia asigna a determinados datos179. La elaboración de una simple media no responde exactamente a lo que sería una actualización de creencias de acuerdo con la regla de Bayes, pero por ello mismo representa cierto equilibrio entre lo que sería un razonamiento perfecto y el modo intuitivo en que realizamos inducciones, pese a las falacias en que pueda incurrir nuestro sentido común. De ahí que haya dejado abierta la posibilidad de que surjan también estrategias cuyas conclusiones no se ajusten siquiera a lo que nuestra intuición nos diría que es una inducción correcta180.
5) Estrechamente relacionado con el punto anterior encontramos una importante divergencia de Bichos respecto de otras simulaciones (no sólo las de Axelrod). En Bichos, un agente A puede intentar descubrir las disposiciones o algoritmos ajenos de otro jugador B, no sólo atendiendo a las interacciones previas entre ambos (A y B) sino también observando jugadas anteriores de B con otros jugadores (C, D, etc.). Esta formación de “reputaciones” responde a mi intención de crear181 jugadores similares a los que diseña Danielson en Artificial 178 Cfr. Axelrod, 1986, pp. 43 – 44
179 Para una comprensión precisa de estos pasos recomiendo la lectura del Apéndice A, especialmente a partir del
epígrafe 4.
180 Lo que quiero señalar es que un algoritmo que razona mal no se aproxima siquiera al hábito que nos lleva a creer
que el futuro será semejante al pasado. Y estos algoritmos son posibles, aunque ciertamente los habrá también con “buenos hábitos”. En este sentido, pues, me estoy refiriendo a un nivel todavía inferior al que sería objeto de las críticas de Hume o Popper relativas a las a las deficiencias lógicas de las inferencias inductivas.
181 Siempre que empleo términos como “crear” no me estoy refiriendo —como es el caso en muchos modelos
informáticos— al diseño deliberado por parte del programador de algoritmos que respondan a un cierto propósito. Lo que quiero decir es que existe la posibilidad de que el programa genere al azar estrategias que hagan tal o cual cosa, pero igualmente podría no crearlos.
Morality, pero sin emplear la transparencia total que él confiere a sus agentes artificiales. En las
simulaciones de Danielson los jugadores pueden leer directamente los algoritmos ajenos, de manera que A puede saber lo que B haría no sólo contra él mismo, sino también contra C. Esta “curiosidad” de los agentes artificiales por las interacciones que no les atañen directamente está vinculada a ciertas cuestiones acerca de la transitividad de la justicia182. También en el capítulo 8 de La evolución de la cooperación ya encontramos observaciones de Axelrod sobre la importancia de las reputaciones para el mantenimiento de conductas cooperativas. En el epígrafe 3.5 tendremos ocasión de ver los motivos de Gauthier y Danielson para rechazar la relevancia moral de los juegos iterados (y las reputaciones que surgen de ellos) y en qué medida puede el planteamiento de mi modelo superar esta crítica.
Todo lo dicho hasta aquí sólo cobrará pleno sentido mediante la comprensión del llamado “autómata celular”, el artificio cibernético en el que se basan estos modelos de interacción espacializada. En el punto (1) de este primer repaso he señalado que en el caso particular de
Bichos, también las simulaciones que no representan relaciones de vecindad se ajustan a este
esquema básico, por lo cual será éste el punto del que debemos partir.