Los ingenieros suelen dar forma a las redes neuronales artificiales: los diseñadores deciden cómo cambian las intensidades de las conexiones a medida que la red aprende de los datos y la retroalimentación. Un nuevo estudio del MIT sostiene que este enfoque impulsado por el diseñador, por poderoso que sea, puede decirnos poco sobre cómo aprende realmente el cerebro y demuestra una alternativa en la que las redes se organizan por sí mismas.
En un artículo publicado el 9 de octubre en las Actas de la Academia Nacional de Ciencias (PNAS), los científicos del Instituto McGovern para la Investigación del Cerebro del MIT y el Centro de Neurociencia Computacional Integrativa (ICoN) K. Lisa Yang muestran que una red neuronal artificial puede construir su propia maquinaria de aprendizaje. A partir de conexiones aleatorias y siguiendo sólo reglas locales simples sobre cómo y cuándo deberían cambiar las conexiones, la red se transformó en un sistema eficaz de procesamiento de información. Para más contexto sobre esta historia, consulta nuestra cobertura de la industria de IA.
Por qué es importante la plausibilidad biológica
"La tecnología de inteligencia artificial actual está funcionando muy bien, pero no necesariamente utiliza un algoritmo de aprendizaje que utiliza el cerebro", dijo Qianli Liao, becario postdoctoral del Centro K. Lisa Yang ICoN en los laboratorios de los profesores del MIT Tomaso Poggio y Mark Harnett, y coprimer autor del artículo junto con el científico investigador del MIT Liu Ziyin y el estudiante graduado Yulu Gan.
La distinción es importante para los neurocientíficos que quieren utilizar modelos de IA como ventanas al cerebro. El aprendizaje automático moderno se basa en la retropropagación, un algoritmo que la mayoría de los neurocientíficos consideran poco probable que exista en los circuitos neuronales biológicos. "El cerebro no tiene un diseñador o arquitecto externo", dijo Liao. "El cerebro tiene que organizarse a sí mismo. Y necesitamos saber cómo reglas simples harán que el cerebro se organice".
El argumento central del equipo es que el valor de una red como modelo del cerebro debe juzgarse por el grado en que puede organizarse a sí misma: no sólo sus conexiones, sino la maquinaria que ajusta esas conexiones.
Cómo funciona la red autoorganizada
Los investigadores construyeron redes cuya estructura comienza como múltiples capas de unidades similares a neuronas interconectadas aleatoriamente. Dentro de cada capa, cada unidad se rige por las mismas reglas simples sobre cómo se deben ajustar las conexiones. "Simplemente interactúan entre sí usando esa regla y desarrollan algún tipo de comportamiento", explicó Liao.
Las reglas son del tipo que los neurocientíficos creen que reconectan los circuitos cerebrales durante el aprendizaje, incluido el principio clásico de que "las neuronas que se activan juntas se conectan entre sí", lo que significa que la activación simultánea fortalece la conexión entre dos neuronas.
A medida que la red aprendió, los motivos de autoensamblaje surgieron de acuerdo con estas reglas simples y luego sirvieron como bloques de construcción para circuitos funcionales. Esos motivos se reorganizaron utilizando una estrategia de optimización que se asemeja al descenso de gradiente (el proceso de ajuste impulsado por errores integrado en la mayoría del aprendizaje automático moderno), pero que surgió de la propia dinámica local de la red en lugar de un algoritmo impuesto externamente.
Rendimiento comparable al de las redes estándar
La prueba crucial era si este sistema autoorganizado realmente podía aprender. Podría: el equipo demostró que una red autoorganizada regida por estas reglas locales aprendió a reconocer patrones y clasificar imágenes, funcionando a un nivel similar a las redes diseñadas convencionalmente y entrenadas mediante retropropagación.
El autor principal Tomaso Poggio enmarcó el resultado como un puente potencial entre dos campos que durante mucho tiempo han estado persiguiendo los mismos mecanismos desde direcciones opuestas. Si los motivos sinápticos que propone el equipo son los que el cerebro utiliza para lograr lo que la retropropagación hace en las redes artificiales, señaló, los investigadores tendrían "una fuerte conexión a nivel de mecanismos fundamentales entre las redes artificiales y naturales, entre máquinas y cerebros".
De las interfaces cerebro-computadora a una mejor IA
Las implicaciones van en ambas direcciones. Para la neurociencia, comprender las reglas simples mediante las cuales los circuitos se autoorganizan podría aclarar cómo funciona el aprendizaje y cómo se descompone. Liao señala las interfaces cerebro-computadora, cuyo objetivo es restaurar la comunicación de las personas que han perdido la capacidad del lenguaje o que permiten a los pacientes paralizados controlar prótesis, como un campo donde conocer estas reglas es esencial. "Ninguno de estos puede funcionar sin conocer las reglas detrás de las interacciones entre neuronas", dijo. "Eso no se puede lograr simplemente diseñando un circuito que funcione muy bien". El mismo conocimiento podría servir de base para terapias para afecciones en las que las reglas de aprendizaje se ven alteradas por el envejecimiento o la enfermedad.
Para el aprendizaje automático, los hallazgos sugieren un espacio de diseño poco explorado. Liao advierte que una red autoorganizada no necesariamente aprende de la misma manera que lo hace el cerebro, pero enmarca la autoorganización como un punto de partida crítico. "La autoorganización es el primer marco de alto nivel", afirmó. "Una vez que seamos buenos con la autoorganización como medida, podremos hablar de lo siguiente". El objetivo principal del grupo es comprender el cerebro, pero el conocimiento podría, en última instancia, ayudar a los ingenieros a construir redes que funcionen mejor o se comporten de manera más humana.
También hay una pregunta abierta sobre la granularidad. Las reglas que remodelan las conexiones neuronales a medida que un animal aprende pueden diferir entre las regiones del cerebro, y pueden cambiar a medida que el cerebro madura, una posibilidad que los investigadores dicen que los neurocientíficos deben mapear antes de que los modelos de reglas simples puedan combinarse con circuitos biológicos específicos. Ese mapeo, a su vez, podría revelar dónde y cómo la maquinaria de aprendizaje se ve alterada por el envejecimiento o la enfermedad, informando estrategias de prevención y terapias.
El estudio, del Instituto McGovern para la Investigación del Cerebro y el Centro ICoN K. Lisa Yang, fue cubierto por MIT News el 13 de octubre de 2026.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
