David Vanegas-Moreno
vanegasm.david@gmail.com
Departamento de Psicología
Universidad de Antioquia

Óscar S. Sánchez-Muñoz
craso27@gmail.com
Instituto de Filosofía
Universidad de Antioquia

La investigación del comportamiento y capacidades de las plantas se ha convertido recientemente en un campo de gran interés en la biología (e.g., Trewavas, 2015, 2017; Baluška, Gagliano, & Witzany, 2018; Calvo & Trewavas, 2020). Para dar cuenta de este fenómeno los investigadores han utilizado los recursos que les proveen la biología celular y molecular, la bioquímica, la biología evolutiva y del desarrollo, la ecología de plantas, entre otros. Pero, dado que el fenómeno de interés es el comportamiento de las plantas —y no cualquier tipo de comportamiento, sino el comportamiento inteligente—, los interesados en este tema podrían beneficiarse en gran medida del conjunto de metodologías, conceptos y teorías que se utilizan en la ciencia cognitiva.

Pero ¿realmente es válido considerar a las plantas sistemas cognitivos o poseedoras de capacidades cognitivas? Esta es una pregunta fundamental, la cual hace referencia a un tópico central en la filosofía de la ciencia cognitiva: la caracterización de la “marca de lo cognitivo” (Adams, 2018). Es decir, ¿cómo podemos caracterizar y delimitar lo cognitivo?, ¿de qué manera podemos diferenciar los procesos cognitivos de aquellos que, por ejemplo, son meramente metabólicos o fisiológicos? En la ciencia cognitiva, tradicionalmente, se ha estipulado que los procesos cognitivos son aquellos procesos que son computacionales y representacionales, y que tienen lugar en el sistema nervioso (Thagard, 2014; Bermúdez, 2020). De manera más precisa, la cognición es entendida en términos de operaciones neurocomputacionales sobre representaciones mentales estructurales (Piccinini, 2020). Sin embargo, tal definición excluye claramente a las plantas —e incluso podría excluir a los animales con una organización fisiológica diferente a la de los mamíferos.

Sin embargo, hay quienes se oponen a esta forma de demarcar la cognición. Por ejemplo, Ramsey (2015) plantea que equiparar lo computacional-representacional con lo cognitivo limita tanto la investigación como la teorización en la ciencia cognitiva. El problema, nos dice él, con la demarcación computacional-representacional de la cognición es que establece un criterio fuerte fundamentado en la tradición de la ciencia cognitiva y en una concepción folk de los procesos y estados cognitivos. Es decir, solo los procesos y estados computacionales y representacionales merecerían el epíteto de “cognitivos”, lo cual hace que de entrada nos ciñamos a ciertas metodologías investigativas, estrategias explicativas y compromisos teóricos. Por el contrario, lo que sugiere Ramsey es la utilización de un criterio pragmático y débil, puesto que considera que es más útil definir a la ciencia cognitiva por su objeto de estudio; no por el tipo de explicación de la que hace uso. Además, él busca establecer el objeto de estudio a partir de la concepción folk de la cognición. Aunque se debe aclarar que la propuesta de Ramsey no es que la psicología folk, o del sentido común, deba restringir la naturaleza de nuestras teorías de la cognición, sino que nuestras intuiciones respecto a cuáles fenómenos deben ser considerados “cognitivos” o “psicológicos” pueden servir como una guía inicial acerca del objeto de estudio de la ciencia cognitiva, y dicho objeto quedaría abierto a ser reconceptualizado a la luz de los hallazgos y desarrollos empíricos y teóricos.

Dicho de otra forma, la ciencia cognitiva debe ser demarcada por el tipo de preguntas a las que busca dar respuesta o por los fenómenos que busca explicar —como lo son, por ejemplo: la percepción, el aprendizaje, la memoria, el razonamiento, el lenguaje, la conciencia, entre otros—, sin establecer a priori si estos son procesos computacionales y representacionales. El que lo sean, o no, es una cuestión que debe ser resuelta por medio de la investigación empírica; no una precondición necesaria para contar como un proceso cognitivo.

Ahora, si nuestro objeto de estudio es el comportamiento y las capacidades que manifiestan las plantas —y abandonamos, tal como se ha sugerido, el criterio computacional-representacional de la cognición—, surgen las siguientes preguntas: ¿contamos con recursos conceptuales y teóricos que nos permitan dar cuenta de este conjunto de fenómenos y resultados?, ¿existen teorías cognitivas no-computacionales y no-representacionales que nos permitan explicar, por ejemplo, el aprendizaje, la memoria o el razonamiento en las plantas? En tiempos recientes en la ciencia cognitiva se han desarrollado un conjunto de teorías las cuales rechazan el valor explicativo de las nociones de computación y representación mental. Entre estas teorías se cuentan, por ejemplo, las teorías corporizadas y enactivas radicales de la cognición (REC, por su sigla en inglés) (Chemero, 2013; Hutto, 2015), las cuales presentan una serie de argumentos y evidencia contra la utilidad de apelar a las nociones de computación y representación mental a la hora de explicar una amplia gama de capacidades cognitivas (e.g., Anderson, 2014). Sin embargo, al buscar dar cuenta del comportamiento y capacidades de las plantas no nos tenemos que comprometer necesariamente con este tipo de opciones radicales. En lugar de esto, podemos explorar varias opciones, las cuales van desde las mismas teorías computacionales-representacionales hasta las teorías más vehementemente anti-computacionales y anti-representacionales.

Como ejemplo de una teoría computacional-representacional tenemos una versión de la teoría del procesamiento predictivo conocida como inferencia activa (InAc) (Clark, 2015). Según la InAc la cognición debe ser entendida como un proceso de predicción probabilística el cual se encarga, principalmente, de la minimización, por medio de la acción o el comportamiento, de la disparidad entre el modelo predictivo del organismo (el cómo predice o espera el organismo que sea el estado del mundo) y la información a la cual tiene acceso (en la forma de sus estímulos sensoriales), para que de este modo el organismo se mantenga en un rango de estados que lo mantengan viable (homeostasis). El tipo de comportamiento anticipatorio que manifiestan ciertas plantas parece servir como evidencia de que, en efecto, las plantas podrían ser sistemas cognitivos predictivos (Novoplansky, 2016). Un ejemplo de este tipo de comportamientos anticipatorios es el heliotropismo —el movimiento de las plantas en respuesta a la ubicación del sol—, el cual puede ser entendido desde esta propuesta como el resultado de la anticipación o predicción de la futura posición del sol gracias al modelo predictivo con el que cuenta la planta (el modelo predictivo se encargaría de generar predicciones acerca de los estados futuros de las fuentes y causas de los estímulos sensoriales), y cualquier disparidad entre el modelo predictivo y el estado fáctico del mundo es minimizado por medio de la acción (reorientación) de la planta. Desde esta propuesta, el fenotipo de las plantas constituye su modelo predictivo (Calvo & Friston, 2017) —o dicho de otra manera: la planta encarna su propio modelo predictivo (Friston, 2013, 2019).

Por otro lado, como ejemplo de una teoría no-computacional y no-representacional, está la psicología ecológica (PE) (Heras-Escribano, 2019). De acuerdo con esta propuesta la cognición debe ser entendida en términos de la exploración activa del entorno por parte del organismo. Al igual que en la InAc, en la PE la cognición guarda una íntima relación con la acción y el comportamiento —pero con un giro no-computacional y no-representacional. Para la PE los organismos detectan y aprehenden de manera activa un rico flujo de energía e información ambiental en la forma de invariantes informacionales de orden superior. Es decir, los organismos resuenan con (en lugar de representar las)invariantes informacionales del entorno, o afordancias (affordances)—las cuales son entendidas como información ecológica, la cual especifica diferentes oportunidades de acción. Por ejemplo, en la medida en que una parra (Vitis vinífera) explora su entorno, esta percibe su entorno en términos de interacciones biológicamente relevantes. Esta es la información con la cual la parra resuena. Es así como la parra percibe directamente cierta “trepabilidad” —la posibilidad de interactuar con algo que aforda trepar (Heras-Escribano & Calvo, 2019).

Lo anterior es una muestra, nada exhaustiva, de las teorías en las que se podrían apoyar quienes investigan el comportamiento y las capacidades de las plantas. Otras teorías a las que también podrían recurrir son el enactivismo autopoietico (Thompson, 2007), la teoría de sistemas dinámicos (Beer & Williams, 2014) y el principio de la energía libre (Kirchhoff, 2016), las cuales les pueden servir para dar cuenta de los resultados encontrados en sus investigaciones —incluso, si como lo proponen algunos, las plantas tienen la capacidad de aprender por asociación (condicionamiento clásico) (e.g., Gagliano, et al., 2016), dicha capacidad podría ser susceptible de ser explicada en términos netamente computacionales y representacionales (para una defensa de los modelos computacionales-representacionales del condicionamiento por asociación, ver: Gallistel y Gibbon (2001), y Gallistel (2002)). Sin embargo, la ciencia cognitiva no solo se encuentra en posición de proveer su aparataje conceptual y teórico a la investigación del comportamiento y capacidades de las plantas, sino que también se puede nutrir de los resultados de esta línea de investigación. Al tomar como estudio de caso este fenómeno, podríamos entender mejor la naturaleza, evolución y extensión en el mundo natural de la cognición. ¿Podríamos dar cuenta de la cognición sin apelar a las nociones de computación y representación mental —tal como se propone desde las teorías REC—, o quizás encontremos un punto intermedio por medio de la InAc (e.g., Constant, Clark, & Friston, 2020) ?, ¿podríamos considerar, en última instancia, no solo a las plantas como poseedoras de capacidades cognitivas sino también, por ejemplo, a ciertos tipos de bacterias (e.g., Lyon, 2015)?

Por el momento, este diálogo interdisciplinar parece brindarnos la oportunidad de avanzar en el debate en torno a la naturaleza de la cognición; en la búsqueda de la “marca de lo cognitivo” (Aizawa, 2015; Akagi, 2017; Allen, 2017; Adams, 2018). Sin embargo, en última instancia, esta labor deberá ser evaluada con base en los frutos que dé. Y, ciertamente, queda mucho trabajo por hacer —tanto en términos de investigaciones experimentales como teóricas—, labor la cual no solo queda en manos de los biólogos, sino que también requiere de la colaboración de psicólogos, filósofos y científicos cognitivos.

Referencias

Adams, F. (2018). Cognition wars. Studies in History and Philosophy of Science Part A, 68, 20–30. https://doi.org/10.1016/j.shpsa.2017.11.007

Aizawa, K. (2015). Cognition and behavior. Synthese, 194(11), 4269–4288.  https://doi.org/10.1007/s11229-014-0645-5

Akagi, M. (2017). Rethinking the problem of cognition. Synthese, 195(8), 3547–3570. https://doi.org/10.1007/s11229-017-1383-2

Allen, C. (2017). On (not) defining cognition. Synthese, 194(11), 4233–4249. https://doi.org/10.1007/s11229-017-1454-4

Anderson, M. (2014). After Phrenology: Neural Reuse and the Interactive Brain. MIT Press. https://doi.org/10.7551/mitpress/10111.003.0008

Baluška F., Gagliano M., & Witzany G. (Eds.). (2018). Memory and Learning in Plants. Springer International Publishing. https://doi.org/10.1007/978-3-319-75596-0 

Beer, R. &, Williams, P. (2014). Information Processing and Dynamics in Minimally Cognitive Agents. Cognitive Science, 39(1), 1–38. https://doi.org/10.1111/cogs.12142

Bermúdez, J. (2020). Cognitive Science. An Introduction to the Science of the Mind. Third Edition. Cambridge University Press.
https://doi.org/10.1017/9781108339216

Calvo, P., & Trewavas, A. (2020). Cognition and intelligence of green plants. Information for animal scientists. Biochemical and Biophysical Research Communications. https://doi.org/10.1016/j.bbrc.2020.07.139

Calvo, P., & Friston, K. (2017). Predicting green: really radical (plant) predictive processing. Journal of The Royal Society Interface, 14(131), 20170096. https://doi.org/10.1098/rsif.2017.0096

Chemero, A. (2013). Radical embodied cognitive science. Review of General Psychology, 17(2), 145–150. https://doi.org/10.1037/a0032923

Clark, A. (2015). Embodied prediction. In T. Metzinger & J. Windt (Eds.), Open MIND. https://doi.org/10.15502/9783958570115.

Constant, A., Clark, A., & Friston, K. (2020). Representation wars: enacting an armistice through active inference. Frontiers in Psychology. 11:3798. https://doi.org/10.3389/fpsyg.2020.598733

Friston, K. (2013). Active inference and free energy. Behavioral and Brain Sciences, 36(03), 212–213. https://doi.org/10.1017/s0140525x12002142

Friston, K. (2019). Beyond the desert landscape. In M. Colombo, E. Irvine, & M. Stapleton, Andy Clark and His Critics. Oxford University Press. https://doi.org/10.1093/oso/9780190662813.003.0014 

Gagliano, M., Vyazovskiy, V., Borbély, A., Grimonprez, M., & Depczynski, M. (2016). Learning by Association in Plants. Scientific Reports, 6(1). https://doi.org/10.1038/srep38427

Gallistel, C. R. (2002). The Symbolic Foundations of Conditioned Behavior. Lawrence Erlbaum. https://doi.org/10.4324/9781410602213 

Gallistel, C. R., & Gibbon, J. (2001). Computational Versus Associative Models of Simple Conditioning. Current Directions in Psychological Science, 10(4), 146–150. https://doi.org/10.1111/1467-8721.00136

Heras-Escribano, M. (2019). The Philosophy of Affordances. Palgrave Macmillan. https://doi.org/10.1007/978-3-319-98830-6

Heras-Escribano,  M., & Calvo, P. (2019). The philosophy of plant neurobiology. In S. Robins, J. Symons, & P. Calvo (Eds), The Routledge Handbook to the Philosophy of Psychology. Second Edition. Routledge. https://doi.org/10.4324/9780429244629-32 

Hutto, D. (2015). REC: revolution effected by clarification. Topoi, 36(3), 377–391. https://doi.org/10.1007/s11245-015-9358-8

Kirchhoff, M. D. (2016). Autopoiesis, free energy, and the life–mind continuity thesis. Synthese, 195(6), 2519–2540. https://doi.org/10.1007/s11229-016-1100-6

Lyon, P. (2015). The cognitive cell: bacterial behavior reconsidered. Frontiers in Microbiology. https://doi.org/10.3389/fmicb.2015.00264

Novoplansky, A. (2016). Future perception in plants. In M. Nadin (Ed.), Anticipation across Disciplines. Springer. https://doi.org/10.1007/978-3-319-22599-9_5 

Piccinini, G. (2020). Neurocognitive Mechanisms: Explaining Biological Cognition. Oxford University Press. https://doi.org/10.1093/oso/9780198866282.001.0001 

Ramsey, W. (2015). Must cognition be representational? Synthese, 194(11), 4197–4214. https://doi.org/10.1007/s11229-014-0644-6

Thagard, P. (2014). Cognitive science. In E. N. Zalta (Ed.), The Stanford encyclopedia of philosophy. http://plato.stanford.edu/archives/fall2014/entries/cognitive-science/

Thompson, E. (2007). Mind in Life: Biology, Phenomenology, and the Sciences of Mind. Harvard University Press.

Trewavas, A. (2014). Plant Behaviour and Intelligence. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199539543.001.0001

Trewavas, A. (2017). The foundations of plant intelligence. Interface Focus, 7(3), 20160098. https://doi.org/10.1098/rsfs.2016.0098