Distinguir los distintos tipos de métodos usados para abordar la solución de tareas en IA en términos de su carácter simbólico o conexionista y saber cuándo son adecuados unos u otros en función del balance entre datos y los conocimientos declarativos explícitos disponibles y en función también del tipo de interfaz con el medio (un humano a un robot).
Tener argumentos para defender el carácter no excluyente, ni reduccionista, de la aproximación basada en mecanismos conexionistas.
Conocer al modelo general de computación neuronal y la forma de codificar las señales de entrada y salida en términos de líneas etiquetadas.
Conocer los modelos más usados en funciones de cálculo local analógicas estáticas y dinámicas.
Conocer los algoritmos básicos de aprendizaje en métodos neuronales.
Saber usar algunos de los neurosimuladores básicos.
Saber distinguir entre función de un circuito o un tejido con una localización muy concreta y un sistema funcional completo que involucra la cooperación de distintas estructuras neuronales.
Comprender las enormes dificultades que arrastra el asociar funciones externas a la actividad coordinada de un conjunto de redes neuronales (problema de la ingeniería inversa).
Entender el problema de la representación del medio y las tres fases usadas por la biología: sensación (repetida para cada modalidad sensorial), percepción (primer nivel de semántica) y conceptualización (a través de la asociación plurisensorial).
Ser consciente de los procesos espacio-temporales que son necesarios realizar sobre un conjunto de señales físicas para dotarlas de la capacidad de abstraer, de forma económica y eficiente, la mejor representación de un medio concreto, por un animal concreto en vistas a conseguir una reacción eficiente.
Enlazar neurofisiología y robótica considerando estos mecanismos sensoriales como fuente de inspiración para el diseño de robots a partir de las limitaciones específicas de sus sensores y efectores.
Saber seguir el flujo de información en circuitos anatómicos para formular los esquemas de conectividad subyacentes e identificar los mecanismos asociados (realimentación, inhibición mútua, convergencia-divergencia, retardo y/o modulación).
Entender la diferencia entre circuito anatómico y modelo formal. Entender las exigencias de invariancia espacial para usar la convolución.
Saber asociar la forma y tamaño de un núcleo en diferencias con el cálculo realizado por la red.
Poder abstraer el nivel de conocimiento del lenguaje de señales propio del nivel físico.
Tener la opción de usar métodos de Inhibición Lateral en la solución de problemas de visión activa y de cooperación.
Tener una idea razonablemente completa del conjunto de mecanismos y principios de organización que nos ofrece la biología como fuente de inspiración para el diseño de nuevos robots y para fundamentar el concepto de inteligencia "de abajo hacia arriba".
Obtener argumentos para defender la visión "situada" de la IA y para distinguirla y combinarla con la visión simbólica en función de la tarea y del conocimiento disponible.
Saber distinguir la idea de plasticidad cuando se describe en el dominio propio del sistema físico que la soporta de cuando se describe en el dominio del observador externo.
Entender que los mecanismos del dominio propio son realmente "sencillos" (asociación, cambio de eficacia sináptica, síntesis de proteinas) y que las dificultades están en encontrar materiales y arquitecturas para construir nuestros computadores y robots con esa plasticidad.
Entender la diferencia entre la arquitectura de un sistema adaptativo y la de un programa en una máquina de propósito general.
