Mostrando entradas con la etiqueta Alan Turing. Mostrar todas las entradas
Mostrando entradas con la etiqueta Alan Turing. Mostrar todas las entradas

lunes, 29 de septiembre de 2014

Meet Amelia: the computer that's after your job

A new artificially intelligent computer system called 'Amelia' – that can read and understand text, follow processes, solve problems and learn from experience – could replace humans in a wide range of low-level jobs



Amelia aims to answer the question, can machines think? Photo: IPsoft

In February 2011 an artificially intelligent computer system called IBM Watson astonished audiences worldwide by beating the two all-time greatest Jeopardy champions at their own game.

Thanks to its ability to apply 
  • advanced natural language processing, 
  • information retrieval, 
  • knowledge representation, 
  • automated reasoning, and 
  • machine learning technologies, Watson consistently outperformed its human opponents on the American quiz show Jeopardy.
Watson represented an important milestone in the development of artificial intelligence, but the field has been progressing rapidly – particularly with regard to natural language processing and machine learning.

In 2012, Google used 16,000 computer processors to build a simulated brain that could correctly identify cats in YouTube videos; the Kinect, which provides a 3D body-motion interface for Microsoft's Xbox, uses algorithms that emerged from artificial intelligence research, as does the iPhone's Siri virtual personal assistant.

Today a new artificial intelligence computing system has been unveiled, which promises to transform the global workforce. Named 'Amelia' after American aviator and pioneer Amelia Earhart, the system is able to shoulder the burden of often tedious and laborious tasks, allowing human co-workers to take on more creative roles.

"Watson is perhaps the best data analytics engine that exists on the planet; it is the best search engine that exists on the planet; but IBM did not set out to create a cognitive agent. It wanted to build a program that would win Jeopardy, and it did that," said Chetan Dube, chief executive Officer of IPsoft, the company behind Amelia.

"Amelia, on the other hand, started out not with the intention of winning Jeopardy, but with the pure intention of answering the question posed by Alan Turing in 1950 – can machines think?"

Amelia learns by following the same written instructions as her human colleagues, but is able to absorb information in a matter of seconds.
She understands the full meaning of what she reads rather than simply recognising individual words. This involves 
  • understanding context, 
  • applying logic and 
  • inferring implications.
When exposed to the same information as any new employee in a company, Amelia can quickly apply her knowledge to solve queries in a wide range of business processes. Just like any smart worker she learns from her colleagues and, by observing their work, she continually builds her knowledge.


While most ‘smart machines’ require humans to adapt their behaviour in order to interact with them, Amelia is intelligent enough to interact like a human herself. She speaks more than 20 languages, and her core knowledge of a process needs only to be learned once for her to be able to communicate with customers in their language.

Independently, rather than through time-intensive programming, Amelia creates her own 'process map' of the information she is given so that she can work out for herself what actions to take depending on the problem she is solving.

"Intelligence is the ability to acquire and apply knowledge. If a system claims to be intelligent, it must be able to read and understand documents, and answer questions on the basis of that. It must be able to understand processes that it observes. It must be able to solve problems based on the knowledge it has acquired. And when it cannot solve a problem, it must be capable of learning the solution through noticing how a human did it," said Dube.

IPsoft has been working on this technology for 15 years with the aim of developing a platform that does not simply mimic human thought processes but can comprehend the underlying meaning of what is communicated – just like a human.

Just as machines transformed agriculture and manufacturing, IPsoft believes that cognitive technologies will drive the next evolution of the global workforce, so that in the future companies will have digital workforces that comprise a mixture of human and virtual employees.

Amelia has already been trialled within a number of Fortune 1000 companies, in areas such as manning technology help desks, procurement processing, financial trading operations support and providing expert advice for field engineers.

In each of these environments, she has learnt not only from reading existing manuals and situational context but also by observing and working with her human colleagues and discerning for herself a map of the business processes being followed.

In a help desk situation, for example, Amelia can understand what a caller is looking for, ask questions to clarify the issue, find and access the required information and determine which steps to follow in order to solve the problem.

As a knowledge management advisor, she can help engineers working in remote locations who are unable to carry detailed manuals, by diagnosing the cause of failed machinery and guiding them towards the best steps to rectifying the problem.

During these trials, Amelia was able to go from solving very few queries independently to 42 per cent of the most common queries within one month. By the second month she could answer 64 per cent of those queries independently.

"That’s a true learning cognitive agent. Learning is the key to the kingdom, because humans learn from experience. A child may need to be told five times before they learn something, but Amelia needs to be told only once," said Dube.

"Amelia is that Mensa kid, who personifies a major breakthrough in cognitive technologies."


Analysts at Gartner predict that, by 2017, managed services offerings that make use of autonomics and cognitive platforms like Amelia will drive a 60 per cent reduction in the cost of services, enabling organisations to apply human talent to higher level tasks requiring creativity, curiosity and innovation.

IPsoft even has plans to start embedding Amelia into humanoid robots such as Softbank's Pepper, Honda's Asimo or Rethink Robotics' Baxter, allowing her to take advantage of their mechanical functions.

"The robots have got a fair degree of sophistication in all the mechanical functions – the ability to climb up stairs, the ability to run, the ability to play ping pong. What they don’t have is the brain, and we’ll be supplementing that brain part with Amelia," said Dube.

"I am convinced that in the next decade you’ll pass someone in the corridor and not be able to discern if it’s a human or an android."

Given the premise of IPsoft's artificial intelligence system, it seems logical that the ultimate measure of Amelia's success would be passing the Turing Test – which sets out to see whether humans can discern whether they are interacting with a human or a machine.

Earlier this year, a chatbot named Eugene Goostman became the first machine to pass the Turing Test by convincingly imitating a 13-year-old boy. In a five-minute keyboard conversation with a panel of human judges, Eugene managed to convince 33 per cent that it was human.

Interestingly, however, IPsoft believes that the Turing Test needs reframing, to redefine what it means to 'think'. While Eugene was able to immitate natural language, he was only mimicking understanding. He did not learn from the interaction, nor did he demonstrate problem solving skills.

"Natural language understanding is a big step up from parsing. Parsing is syntactic, understanding is semantic, and there’s a big cavern between the two," said Dube.

"The aim of Amelia is not just to get an accolade for managing to fool one in three people on a panel. The assertion is to create something that can answer to the fundamental need of human beings – particularly after a certain age – of companionship. That is our intent."

ORIGINAL: Telegraph
By Sophie Curtis
29 Sep 2014

domingo, 8 de junio de 2014

Computer becomes first to pass Turing Test in artificial intelligence milestone, but academics warn of dangerous future



Eugene Goostman, a computer programme pretending to be a young Ukrainian boy, successfully duped enough humans to pass the iconic test

A programme that convinced humans that it was a 13-year-old boy has become the first computer ever to pass the Turing Test. The test — which requires that computers are indistinguishable from humans — is considered a landmark in the development of artificial intelligence, but academics have warned that the technology could be used for cybercrime.


Computing pioneer Alan Turing said that a computer could be understood to be thinking if it passed the test, which requires that a computer dupes 30 per cent of human interrogators in five-minute text conversations.

Eugene Goostman, a computer programme made by a team based in Russia, succeeded in a test conducted at the Royal Society in London. It convinced 33 per cent of the judges that it was human, said academics at the University of Reading, which organised the test.

It is thought to be the first computer to pass the iconic test. Though other programmes have claimed successes, those included set topics or questions in advance.

A version of the computer programme, which was created in 2001, is hosted online for anyone talk to. (“I feel about beating the turing test in quite convenient way. Nothing original,” said Goostman, when asked how he felt after his success.)

The computer programme claims to be a 13-year-old boy from Odessa in Ukraine.

"Our main idea was that he can claim that he knows anything, but his age also makes it perfectly reasonable that he doesn't know everything," said Vladimir Veselov, one of the creators of the programme. "We spent a lot of time developing a character with a believable personality."

The programme's success is likely to prompt some concerns about the future of computing, said Kevin Warwick, a visiting professor at the University of Reading and deputy vice-chancellor for research at Coventry University.

In pictures: Artificial intelligence through history1 of 7

Deep Blue beats Kasparov. Getty Images
Watson wins Jeopardy. Getty Images
Boston Dynamics. Getty Images
DARPA Urban Challenge. Getty Images
Google Self Driving Car. Getty Images
Apple's Siri. Getty Images

Kinect. Getty Images
"In the field of Artificial Intelligence there is no more iconic and controversial milestone than the Turing Test, when a computer convinces a sufficient number of interrogators into believing that it is not a machine but rather is a human," he said. "Having a computer that can trick a human into thinking that someone, or even something, is a person we trust is a wake-up call to cybercrime.

"The Turing Test is a vital tool for combatting that threat. It is important to understand more fully how online, real-time communication of this type can influence an individual human in such a way that they are fooled into believing something is true... when in fact it is not."

The test, organised at the Royal Society on Saturday, featured five programmes in total. Judges included Robert Llewellyn, who played robot Kryten in Red Dwarf, and Lord Sharkey, who led the successful campaign for Alan Turing's posthumous pardon last year.

Alan Turing created the test in a 1950 paper, 'Computing Machinery and Intelligence'. In it, he said that because 'thinking' was difficult to define, what matters is whether a computer could imitate a real human being. It has since become a key part of the philosophy of artificial intelligence.

The success came on the 60th anniversary of Turing's death, on Saturday.

ORIGINAL: Independent
Andrew Griffin
Sunday 08 June 2014

jueves, 20 de marzo de 2014

Alan Turing Institute to be set up to research big data

The centenary of Turing's birth was marked in June 2012

An institute named after computer pioneer and code-breaker Alan Turing is to be set up, the chancellor announced in his Budget speech on Wednesday.

The Alan Turing Institute will focus on new ways of collecting, organising and analysing large sets of data - commonly known as big data.

The government will provide £42m over five years for the project.

Universities and other interested parties will be able to bid for the funding to set up the institute.

Turing received a posthumous royal pardon last year, following a conviction for homosexual activity.

He worked at Bletchley Park during World War Two, and his work helped accelerate Allied efforts to read German naval messages enciphered with the Enigma machine.

He also contributed some more fundamental work on code-breaking, which was only released to public scrutiny in April 2012.

In 1952 he was convicted for gross indecency, following which he was chemically castrated.

He had been arrested after having an affair with a 19-year-old Manchester man.

The conviction meant he lost his security clearance and had to stop the code-cracking work that had proved vital to the Allies in World War Two.

A pardon was granted in December 2013 under the royal prerogative of mercy after a request by Justice Minister Chris Grayling. Britain leads

Delivering his Budget speech in the House of Commons, the Chancellor, George Osborne, said: "In my maiden speech here in this House, I spoke of Alan Turing, the code-breaker who lived in my constituency, who did more than almost any other single person to win the war, and who was persecuted for his sexuality by the country he helped save.

"I am delighted that he has finally received a posthumous royal pardon.

"Now, in his honour, we will found the Alan Turing Institute to ensure Britain leads the way again in the use of big data and algorithm research.

"I am determined that our country is going to out-compete, out-smart and out-do the rest of the world."

The government said that big data "can allow businesses to enhance their manufacturing processes, target their marketing better, and provide more efficient services".

The think tank Policy Exchange said that the institute was a good idea but government needed to make more use of big data itself.

ORIGINAL: BBC
19 March 2014

domingo, 31 de marzo de 2013

Artificial muscle computer performs as a universal Turing machine

ORIGINAL: Physorg
by Lisa Zyga

An illustration of Wolfram’s “2, 3” Turing machine, the simplest known universal Turing machine that can solve any computable problem. A machine head reads the tape, decides what to do based on the data it sees plus its internal state (1 or 0), and then write the data and moves a step left or right. The researchers here realized this Turing machine using artificial muscles to help perform logic functions and memory functions. Credit: O’Brien and Anderson. ©2013 American Institute of Physics

(Phys.org) —In 1936, Alan Turing showed that all computers are simply manifestations of an underlying logical architecture, no matter what materials they're made of. Although most of the computer's we're familiar with are made of silicon semiconductors, other computers have been made of DNA, light, legos, paper, and many other unconventional materials. 

Now in a new study, scientists have built a computer made of artificial muscles that are themselves made of electroactive polymers. The artificial muscle computer is an example of the simplest known universal Turing machine, and as such it is capable of solving any computable problem given sufficient time and memory. By showing that artificial muscles can "think," the study paves the way for the development of smart, lifelike prostheses and soft robots that can conform to changing environments.

The authors, Benjamin Marc O'Brien and Iain Alexander Anderson at the University of Auckland in New Zealand, have published their study on the artificial muscle computer in a recent issue of Applied Physics Letters.

"To the best of our knowledge, this is the first time a computer has been built out of artificial muscles," O'Brien told Phys.org. "What makes it exciting is that the technology can be directly and intimately embedded into artificial muscle devices, giving them lifelike reflexes. Even though our computer has hard bits, the technology is fundamentally soft and stretchy, something that traditional methods of computation struggle with."
Video of the artificial muscle computer at work. Credit: O’Brien and Anderson. ©2013 American Institute of Physics

The artificial muscle computer is modeled on Stephen Wolfram's "2, 3" Turing machine architecture, which is the simplest known universal Turing machine. It consists of a machine head that reads symbols stored on a tape, and then based on the symbols and its own state (0 or 1), it follows a set of instructions that tells it what to write and store. The 2, 3 Turing machine is ideal to build with artificial muscles because of its simplicity. The researchers could theoretically solve any computational problem using just 13 muscles.

By expanding and contracting, the artificial muscles performed a variety of mechanisms involved in the computing process. For example, the muscles pushed sliding elements into position, and the sliding elements were used to encode data. Artificial muscles were also used to make the instruction set that the machine head uses to make decisions. In this case, when a muscle expands, it compresses a switch, causing it to conduct charge. 

In its current version, the artificial muscle computer is very large (about 1 m3) and extremely slow (0.15 Hz). However, the researchers demonstrated that it could evolve the correct sequence of calculations in response to a test input, and they predict that the computer's performance could be significantly improved. In the future, the researchers also want to investigate whether this type of computer would perform better using an analog rather than digital architecture. 

(Left) The artificial muscle computer. (Right) Sample steps for a sequence of calculations performed by the computer. Credit: O’Brien and Anderson. ©2013 American Institute of Physics
Overall, the demonstration that artificial muscles can be made to compute and "think" has implications for future prosthetics and soft robots. By sensing, computing, and moving, artificial muscles could give these devices the ability to conform to complex and uncertain environments, as well as give them reflexes like the real muscles seen in nature.

"If you look at life you see these amazing capabilities and structures," O'Brien said. "The octopus, for example, has extremely dexterous infinite-degree-of-freedom manipulators. Such manipulators would be great for our own robots, but there is the huge challenge of how to control them—the degrees of freedom can overwhelm a central controller. Octopuses solve this by distributing neurons throughout their arms. With artificial muscle logic, we might one day be able to do the same."

The researchers plan to take several steps in order to reach these goals.

"In the future we would like to miniaturize the technology to make it go faster and become more portable; develop materials that last longer before failing; make the computer entirely soft; explore analogue architectures; and build a soft robotic manipulator with a built-in computer," O'Brien said.

The researchers have also recently formed a company called Stretch Sense that makes soft wireless stretch sensors using artificial muscle technology. In the future, they hope to commercialize their artificial muscle computing as well.

More information: Benjamin Marc O'Brien and Iain Alexander Anderson. "An artificial muscle computer." Applied Physics Letters 102, 104102 (2013). DOI: 10.1063/1.4793648

Journal reference: Applied Physics Letters

Copyright 2013 Phys.org 
All rights reserved. This material may not be published, broadcast, rewritten or redistributed in whole or part without the express written permission of Phys.org.

domingo, 4 de noviembre de 2012

Alan Turing y su estudio inacabado sobre los girasoles: las matemáticas son el lenguaje de la naturaleza

ORIGINAL: PijamaSurf

Con motivo del centésimo aniversario de nacimiento del matemático inglés Alan Turing, el Museo de Ciencia e Industria de Manchester y la Universidad de esta ciudad recaban información sobre girasoles, un proyecto inacabado de Turing sobre la relación entre matemáticas y naturaleza.

Add caption

La relación entre las matemáticas y la naturaleza ha sido, desde épocas remotas, una especulación que se ha formulado como la posible existencia de un lenguaje compartido que, en cierto sentido, da orden al universo entero, un código que siquiera parcialmente también es accesible a la mente humana.

Y si bien hay varios ejemplos en los cuales la correspondencia entre matemáticas y patrones naturales parece condensarse, quizá ninguno como la secuencia de Fibonacci y su presencia en manifestaciones tan diversas como flores, conchas de moluscos e incluso galaxias.

Recientemente, como parte de un homenaje al matemático inglés Alan Turing, pionero de la inteligencia artificial, el Museo de Ciencia e Industria de Manchester, junto con la universidad de esta ciudad inglesa, organizó una siembra multitudinaria de girasoles, en la cual participaron personas de siete países distintos.

Los voluntarios del proyecto “Girasoles de Turing” llevaron un videodiario del crecimiento de las flores, 557 en total, información que después fue analizada por personal académico de las instituciones participantes.

De acuerdo con estos datos, se confirmó que 8 de cada 10 flores (82%) se conforman en complejas estructuras, entre estas una que puede identificarse con la secuencia de Fibonacci, cuyos primeros dos términos son 0 y 1 y el siguiente resulta de la suma de los dos anteriores: 0, 1, 1, 2, 3, 5, 8, 13…, y que también se encuentra en la llamada proporción áurea: 

Add caption
Así, en el centésimo aniversario del nacimiento de Turing, se buscó demostrar la hipótesis que el sometimiento del matemático a un tratamiento de hormonas a causa de su homosexualidad, en 1952, dejó sin comprobar: que la secuencia antes mencionada se expresaba en patrones geométricos naturales, específicamente en el girasol, en sus pétalos y la densa población de futuras semillas en su cabeza.

Turing descubrió esta relación mientras miraba girasoles en su propio jardín, en Wilmslow, al oeste de Inglaterra, pero una observación similar fue realizada también por Leonardo da Vinci en el siglo XV. Turing conocía el trabajo de Leonardo al respecto, así como un estudio realizado por el científico holandés J. C. Schoute antes de la Segunda Guerra Mundial sobre 319 cabezas de girasol.

Add caption
Por el momento la investigación realizada ha recabado una amplia base de datos que servirá tanto a biólogos como matemáticos para entender mejor cómo es que los girasoles y otras especies naturales se expresan geométricamente según una secuencia que, se creería, salió de la mente humana.


Con información de BBC y The Guardian

viernes, 16 de marzo de 2012

La fórmula de la vida

ORIGINAL: New Statesman
Ian Stewart
Publicado 27 de abril 2011

La biología está experimentando un renacimiento, cómo los científicos aplican las ideas matemáticas a las teorías antiguas.

Bienvenido a la disciplina de Matemáticas aplicadas, con sus visiones de las "vacas esféricas", los "virus de fútbol" en forma de ecuaciones y como pueden predecir el patrón de rayas de una cebra.


La Biología solía ser sobre las plantas, animales e insectos, pero cinco grandes revoluciones han cambiado la forma en que los científicos piensan acerca de la vida: 
  1. la invención del microscopio, 
  2. la clasificación sistemática de los seres vivos del planeta, 
  3. la evolución, 
  4. el descubrimiento de los genes y 
  5. la estructura de la del ADN. 
  6. Ahora, un sexta revolución está en camino - las matemáticas.
Las Matemáticas ha jugado un papel destacado en las ciencias físicas durante siglos, pero en las ciencias de la vida que era poco más que un actor, una herramienta de rutina para el análisis de datos. Sin embargo, actualmente se están moviendo hacia el centro del escenario, ofreciendo una nueva comprensión de los complejos procesos de la vida.

Las ideas en cuestión son muy variadas y novedosas, que van desde la formación de patrones a la teoría del caos. Ellas nos ayudan a comprender no sólo de que está hecha la vida, sino también ¿cómo funciona todo, en todas las escalas de las moléculas a todo el planeta - y posiblemente más allá.

La mayor revolución en la biología moderna fue el descubrimiento de la estructura molecular del ADN, que volvió la genética en una rama de la química, centrada en los genes de una criatura - secuencias de ADN que especifican las proteínas a partir de las  cuales se hace un gen. Pero cuando la atención se desvió a lo que hacen los genes de un organismo, la verdadera profundidad del problema de la vida se hizo cada vez más evidente. El listado de las proteínas que componen un gato no nos dice todo lo que queremos saber acerca de los gatos.

El Genoma de una criatura es fundamental para su forma y su comportamiento, pero la información en el genoma no nos dice todo acerca de la criatura así como una lista de componentes no nos dice cómo construir un mueble a partir de un paquete de partes  planas. Lo que importa es cómo esos componentes se utilizan, los procesos a los cuales se somete a una criatura viviente. Y la mejor herramienta que tenemos para saber lo que los procesos para hacerlo son las matemáticas.

La disciplina resultante "Biomtemáticas" es un tema enorme, así que me voy a limitar a tres ejemplos
  • las marcas de origen animal, tales como manchas y rayas, 
  • la estructura de los virus, y 
  • un rompecabezas ecológico denominado la paradoja del plancton.
Primero las marcas de los animales.
Pintores, músicos y escritores han sido cautivados por la belleza extraordinaria de las criaturas salvajes. ¿Quién no podría ser movido por el poder y la elegancia de un tigre siberiano, la voluminosa masa de un elefante, el porte altivo de una jirafa, o las bandas pop-art de una cebra? Sin embargo, cada uno de estos animales empezó su vida como una sola célula, la fusión del espermatozoide y el óvulo. ¿Cómo meter un elefante dentro de una celula?

Cuando el paradigma del ADN como información estaba en su apogeo, la respuesta era simple: no. No se puede meter en un huevo la información necesaria para realizar un elefante. Una gran cantidad de información molecular puede caber dentro de una célula. Sin embargo, un elefante tiene muchas más células en su cuerpo que su ADN tiene bases (unidades constituyentes), y tienen que ser ensamblados en la forma correcta. Mapear, con precisión de relojería, célula por célula un elefante nunca encajaría en el ADN del animal. Tiene que haber algo más en juego.

Alan Turing - famoso por ayudar a descifrar el código Enigma durante la Segunda Guerra Mundial y por identificar y aislar  las limitaciones de los computadores - aborda un caso especial de este rompecabezas: las marcas de los animales. En 1952 se sugirió que un proceso bioquímico produce algo conocido como un "pre-patrón" en el desarrollo del embrión, que posteriormente se expresa como el patrón de la vida real de los pigmentos de proteínas, como la melanina, que dan a la piel su color.

Pero, ¿cómo se forma el pre-patrón? Turing pensó que surgía a través de una serie de reacciones entre moléculas que llamó morfógenos: "forma-generadores". En cada punto de la parte del embrión que eventualmente se convierte en la piel, los morfógenos reaccionan entre sí para crear otras moléculas.

Al mismo tiempo, estas moléculas y sus productos de reacción también se difunden de célula a célula a través de las correspondientes regiones del embrión. Este es el proceso que conduce a la creación de la "pre-patrón", la información química que le dice a las células donde poner pigmento a medida que se desarrollan, como una escritura invisible. A medida que el embrión crece, el modelo físico aparece.

La forma en que se desarrolla este proceso puede ser formulado como un sistema de ecuaciones matemáticas. El resultado más importante que surge de las ecuaciones de Turing es que la combinación particular de reacción y difusión en cualquier animal puede crear patrones sorprendentes: manchas, rayas o marcas de mayor complejidad.

El modelo específico de Turing resultó ser demasiado simple para explicar muchos detalles de las marcas de los animales, pero capturó muchas características importantes en un contexto simple y señaló el camino a las teorías más realistas. El biólogo de desarrollo Hans Meinhardt ha utilizado variantes de las ecuaciones de Turing para estudiar los patrones de conchas marinas y averiguar qué tipo de producto químico provoca la reacción a qué tipo de patrón.


La palabra "patrón", por cierto, no implica la regularidad. Muchos patrones de conchas marinas son complejas e irregulares. Algunas conchas cono tienen lo que parecen ser colecciones al azar de los triángulos de diferentes tamaños, sin embargo, resulta que los patrones de este tipo son comunes en las ecuaciones semejantes a las de Turing. 
Brócoli Romanesco muestra fractales naturales. Wikimedia
De hecho, ellos son los fractales, un tipo complejo de la estructura geométrica puesto en conocimiento público por Benoît Mandelbrot en la década de 1970. Describió los fractales como "una forma geométrica áspera o fragmentada que puede dividirse en dos partes, cada una de ellas (al menos aproximadamente) una copia de tamaño reducido de la totalidad".

En 1995, los científicos japoneses Shigeru Kondo y Rihito Asai aplicaron las ecuaciones de Turing al hermoso pez ángel Pomacanthus Imperator tropical, que muestra sorprendentes rayas amarillas y púrpura. El modelo de Turing hizo una predicción sorprendente: las rayas del pez ángel se mueven a lo largo de su cuerpo (a diferencia de las de una cebra adulto, por ejemplo, que son fijos).

Pomacanthus imperator (Bloch 1787), pez Ángel Emperador(1). Distribuido ampliamente entre el Pacífico Central y del Sur hastalas costas del Océano Índico y el Mar Rojo. Longitud de unos 40cm. Adulto en el Mar Rojo. Imagen WetWebMedia
Parecía tremendamente poco probable, pero cuando Kondo y Asai fotografiaron ejemplares del pez ángel durante períodos de varios meses, encontraron que las rayas progresaban lentamente a través de su superficie. Por otra parte, los defectos en el patrón de rayas de otro modo regular, conocido como dislocaciones, se separaban y volvían a formarse exactamente como las ecuaciones de Turing lo predecían. Hacen esto porque las proteínas de pigmento se filtran de una célula a otra, dispersándose desde la cola del pez hacia su cabeza. (En los animales en los cuale las líneas son fijas, esto no sucede, pero una vez que el tamaño del animal y otros factores son conocidos, las matemáticas pueden predecir si sus marcas se desvían.)

Balones de fútbol portadores de enfermedades
La estructura de los virus - una causa importante de enfermedad en los seres humanos, animales y plantas - también puede explicarse por las matemáticas. Los virus son más grandes que la mayoría de las moléculas biológicas, pero podrían empaquetarse un millón de ellos en una sola bacteria. Superan en número a los seres humanos diez a la 25 a uno. Se conocen más de 5.000 tipos diferentes, y puede haber muchos millones más. Se componen de material genético envuelto en una capa de proteína, y cada virus tiene una estructura definida. La mayoría son icosaédrica o helicoidal: en forma de una pelota de fútbol o la forma de una escalera de caracol.

La comprensión de su estructura podría sugerir nuevas curas para la enfermedad. La herramienta matemática principal es la geometría, pero con una peculiaridad: se calcula en más de tres dimensiones.
La geometría clásica de Euclides se formula en dos dimensiones (el plano) o tres (el espacio). La forma de los virus nos conducen a algo menos conocido: la geometría de seis dimensiones. No estoy sugiriendo que los virus provienen de la sexta dimensión - que podría hacer un buen título para una película de ciencia-ficción, pero casi. Sin embargo, las matemáticas de las seis dimensiones resulta ser una buena manera de entender los virus en tres dimensiones, debido a las complicadas formas tridimensionales observadas en los virus que llegan a ser "sombras" o rebanadas más simples, de formas de seis dimensiones.

El punto culminante de texto geometría clásica de Euclides, los Elementos, identifica cinco sólidos regulares: cubo, tetraedro, el octaedro dodecaedro y el icosaedro. Los nombres, excepto el del cubo, se refieren al número de caras, cuatro, seis, ocho, doce y veinte, respectivamente. El cubo tiene caras cuadradas, el dodecaedro tiene los pentagonales, y los otros tres están hechos de triángulos equiláteros.

El elegante Icosaedro de Euclides, sin aplicación práctica por más de 2.000 años, resultó ser simplemente la forma correcta de hacer un virus. La gran pregunta era: ¿por qué?

Parte de la respuesta es la energía. Las cubiertas de los virus suelen ser construidas a partir de muchas copias de una única molécula de proteína, uno diferente para cada virus. Un conjunto de estas moléculas tiene la menor cantidad de energía - algo que la naturaleza encuentra conveniente - si está lo más cerca posible de ser una esfera.

Las cubiertas de los virus no pueden formar esferas exactas - tratar de encajar cien pelotas de tenis para hacer una esfera lisa - pero lo hacen lo mejor que pueden. Entre los sólidos de Euclides, el icosaedro es el más cercano a una esfera. Un icosaedro con sus esquinas cortadas es aún más esférico, debido a ésto, su uso para la mayoría de los balones utilizados en competiciones internacionales.

La cobertura proteínica de los virus icosaédricos están hecha de 20 triángulos y cada triángulo es un conjunto de unidades de proteínas, como las bolas al inicio de un juego de billar. En 1962 los biólogos Donald Caspar y Klug Aaron se dieron cuenta de que habían visto organizaciones como ésta, en el trabajo del arquitecto Buckminster Fuller.

Fuller es conocido por la "cúpula geodésica", un recinto más o menos esférico hizo mediante la instalación de un gran número de paneles triangulares entre sí (pensar en la cúpula del Proyecto Edén en Cornwall, aunque esto simplifica la estructura mediante el uso de hexágonos y pentágonos). Gaspar y Klug descubrieron que la mayoría de los virus tienen una geometría similar a las cúpulas de Fuller, que forman estructuras conocidas como pseudo-icosaedros - "pseudo" porque cada una de las 20 caras triangulares se subdivide en triángulos más.

Su geometría predice un número muy específico de las unidades de proteínas, tales como 32, 42, 72, 92, 162, 252 y 362, que forman las esquinas de la superficie. La teoría concuerda muy bien con virus reales - por ejemplo, la hepatitis infecciosa canina cuenta con 362 unidades, y el virus de la verruga humana tiene 72. En ambos casos, las unidades están dispuestos como una cúpula geodésica. Sin embargo, hay excepciones a la teoría de Caspar-Klug, tales como virus de simio 40, que puede causar tumores en los monos y los seres humanos.

Por poco más de diez años, el matemático de origen alemán Reidun Twarock estaba pensando este problema. Su respuesta fue desarrollar una teoría más general de la geometría de virus basada en las simetrías del icosaedro. A diferencia de la geometría de Euclides, sin embargo, utilizó formas de seis dimensiones, no tres.

Esto no es (del todo) tan complicado como parece, ya que "las dimensiones" en sentido amplio, significa "las variables en la ecuación". Imagine que el sistema solar: si desea trazar la posición de la tierra, lo que necesita saber dónde está en el espacio (tres dimensiones) y qué tan rápido se está moviendo a través del espacio (otros tres). Si luego quería representar la posición del sol, usted necesitaría otros seis. Para la luna, otros seis.

Como tal, las leyes matemáticas que gobiernan el movimiento se refieren a un espacio de 18 dimensiones. La configuración real de los cuerpos en cualquier instante se encuentra en común el espacio tridimensional, y es una especie de "sombra" de la descripción de 18 dimensiones.
Estamos muy acostumbrados a aplastar por las dimensiones de esta manera de tres a dos. Imagina que dibujas un árbol en el papel, por ejemplo. Pasar de seis o 18 dimensiones a tres utiliza la misma idea, sólo que con más variables.

Twarock usado esta idea para imaginar estructuras 3D virus como sombras de estructuras más simples en las dimensiones superiores. Por ejemplo, si la pila de un gran número de cubos juntos, como un tablero de ajedrez en 3D, y luego cortar a través de la pila de la manera correcta, se obtiene un patrón de mosaico elegante, con los dos triángulos y hexágonos (ver arriba). La pila original utiliza una sola forma, el cubo, pero hay dos formas aparecen en el corte.

O, para decirlo de otra manera, imagino mirando al gato, primero de frente, y luego de lado. En dos dimensiones, estas formas son muy diferentes. Pero mirar la vida, la respiración, el gato de tres dimensiones y las formas de sus diferentes partes tienen sentido.

Twarock utiliza un truco similar para las unidades de las proteínas de los virus icosaédrica. Un icosaedro es muy simétrica, en un sentido técnico - hay 120 maneras de girar o reflejar un icosaedro para que ocupe su espacio original. Si la disposición de las unidades proviene de un patrón en un espacio de dimensiones superiores, este nuevo modelo también debe tener la misma 120 simetrías. Hay una rama bien desarrollada de las matemáticas, la llamada teoría de grupos, que aborda este tipo de preguntas. Esto condujo a una lista específica de los patrones en un espacio de seis dimensiones.

La teoría resultante mejora en la de Gaspar y Klug. Es responsable de las estructuras excepcionales de virus del simio 40 y otros. Hay posibles implicaciones médicas, también. Una forma de ataque de un virus es interferir en su proceso de ensamblaje, y la geometría de los virus completamente ensamblado proporciona pistas sobre los posibles puntos débiles en este proceso.

Por otra parte, los virus icosaédricos a veces cambian los tubos de forma y la forma, que no son infecciosas. Un tratamiento que cambie la forma de icosaedro a tubo puede interferir con la replicación del virus y prevenir la enfermedad. Si los científicos pudieran "reprogramar" un virus para producir las unidades de la proteína que lo hizo tubular, pueden hacerlo inofensivo.

Paradoja del plancton
Nuestro último ejemplo proviene de las capas superiores de los océanos. Las aguas que rebosan de plancton, organismos que van desde criaturas microscópicas a las medusas pequeñas. Muchas son las larvas de adultos mucho más grandes. Todos ellos ocupan el mismo tipo de hábitat y compiten por mucho los mismos recursos.

Sin embargo, algo no está bien aquí. El principio de exclusión competitiva, introducido en 1932 por el biólogo ruso Georgii Gause, afirma que el número de especies en cualquier ambiente no debe ser mayor que el número disponible de "nichos", o formas de ganarse la vida. Si dos especies tratan de competir por el mismo nicho, la selección natural implica que uno de ellos debe ganar. Esta es la paradoja del plancton: los nichos son pocos, sin embargo, la diversidad es enorme - miles de especies.

La solución a la paradoja viene de la teoría del caos.
La dinámica clásica - basado en las leyes de Newton del movimiento - se centran en los estados estacionarios, donde nada cambia con el paso del tiempo, y periódicos de los Estados, en la misma secuencia de acontecimientos se repite una y otra vez. Una roca se encuentra en un estado de equilibrio si no se está moviendo y pasamos por alto la erosión. El ciclo de las estaciones es periódico, con un período de un año.

En la década de 1960, sin embargo, los matemáticos se dieron cuenta de que la visión convencional no había detectado otro tipo, más desconcertante de la conducta: el caos. Este es un comportamiento tan irregular que puede parecer aleatorio, pero no lo es.

Podría parecer que  tal comportamiento extravagante no tiene lugar en la naturaleza, pero el caos es completamente natural. Surge cada vez que la dinámica de un sistema combina todos sus componentes, hasta amasar mezclas de los ingredientes. Parece descabellado si usted está buscando soluciones que se pueden expresar por fórmulas limpias, ordenadas. Esas son raras, y la naturaleza no las necesita.

El modelo matemático que justifique principio de Gause asume las poblaciones no fluctúan con el tiempo. Pero esto toma el "equilibrio de la naturaleza" metáfora demasiado en serio. Los ecosistemas deben ser estables, pero un sistema estable, no necesita permanecer en el mismo estado para siempre, como una economía estable no es aquella en la que todo el mundo tiene exactamente la misma cantidad de dinero como lo hicieron ayer. Una población es estable si las fluctuaciones permanecen dentro de límites bastante estrechos. No es necesario que no haya fluctuaciones en absoluto.

La teoría del caos resuelve nuestro rompecabezas oceánico ya que permite a las fluctuaciones erráticas, pero pone límites a su tamaño. Fluctuaciones caóticas en las cuales diferentes especies utilizan los mismos recursos, pero en momentos diferentes. Incluso evitan la competencia directa, pero no lo hacen para que uno de ellos ganen y acaben con todos los demás. Lo hacen por turnos para acceder al mismo recurso. Así es como el caos resuelve la paradoja del plancton.

Vacas esféricas
Hay una vieja broma sobre un granjero que contrata a un grupo de matemáticos para ayudar a mejorar su producción de leche. Cuando se le presente con su informe, la primera frase dice: "Consideremos una vaca esférica". Esta historia expone un malentendido acerca de los modelos matemáticos. Ellos no tienen por qué ser una representación exacta de la realidad para ser útil. Una vaca esférica es inútil si usted desea dar a luz a un ternero, pero podría ser una aproximación razonable, si usted se está preguntando acerca de la propagación de una enfermedad de la piel.

Parte del arte de biomatemática es la selección de modelos de utilidad. Otra parte se está llevando a la biología en serio y no le falta algo crucial. Pero a veces también es necesario para probar una nueva idea en un entorno simplificado y ver dónde nos conduce.

Hay otra vieja broma, sobre un borracho buscando bajo una farola sus llaves."¿Le deje caer aquí?" "No, pero este es el único lugar donde no hay luz suficiente para ver." El contexto original, en la potencia y la razón humana por Joseph Weizenbaum, era una analogía con la ciencia, y el tema era exactamente lo contrario de la interpretación usual de la broma. En la ciencia, tienes que buscar en el poste de luz, o no vuelves a encontrar nada. Aun cuando las claves están en algún lugar a lo largo de la carretera en la cuneta, es posible encontrar una antorcha bajo el poste de luz. Ahora se puede buscar más lejos.

Me sorprendería si las matemáticas nunca llegaran a dominar el pensamiento biológico de la manera que lo hace la física, pero se está convirtiendo en una parte esencial de la disciplina: la biología del siglo 21 hace uso de las matemáticas de forma que nadie habría soñado en la inicio del 20. En el momento en que lleguemos a las matemáticas 22, y la biología hayan cambiado los demás más allá de todo reconocimiento, al igual que las matemáticas y la física hizo en los siglos 19 y 20. La ciencia está cambiando de una colección de pueblos a una comunidad en todo el mundo. Bienvenido al ecosistema global de la ciencia del mañana.

Ian Stewart es un profesor de matemáticas en la Universidad de Warwick y autor de "Matemáticas de la vida" (Profile Books, £ 20)