Cuando las redes neuronales se construyen a sí mismas: qué aprenden los científicos del cerebro

Introducción

A medida que la inteligencia artificial (IA) avanza, sus logros en tareas humanas —reconocimiento de imágenes, procesamiento de lenguaje y generación de código— son evidentes. Pero detrás del rendimiento hay una pregunta que interesa a neurocientíficos y desarrolladores: ¿qué tanto pueden las redes neuronales artificiales enseñarnos sobre cómo aprende el cerebro?

Un artículo publicado el 9 de octubre en PNAS por investigadores del McGovern Institute for Brain Research y del K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center del MIT propone una métrica clave para esa relevancia biológica: la capacidad de la red para organizarse por sí misma. En términos simples, el trabajo muestra que, con reglas locales y sencillas sobre cuándo y cómo cambian las conexiones, un conjunto de unidades inicialmente conectadas al azar puede ensamblar su propia maquinaria de aprendizaje y aprender de los datos.

Qué mostraron los investigadores

El equipo —con Qianli Liao (primer autor), Liu Ziyin y Yulu Gan, y guiado por Tomaso Poggio y Mark Harnett— construyó redes artificiales que comienzan como capas de unidades interconectadas de manera aleatoria. A diferencia de los sistemas de IA tradicionales, en los que un diseñador especifica las reglas de aprendizaje y el ajuste fino, estos modelos aplican reglas locales e idénticas a cada unidad dentro de una capa. Con solo esas instrucciones simples, las conexiones se reconfiguran y emergen estructuras funcionales.

Los principios que usaron se inspiran en procesos biológicos conocidos: por ejemplo, la idea de que “neuronas que se activan juntas se conectan más” (una formulación de la regla hebbiana). A partir de esos mecanismos locales, la red forma patrones recurrentes denominados motivos sinápticos que se autoensamblan y funcionan como bloques constructivos de circuitos capaces de procesar información.

Reglas simples que generan complejidad

La propuesta central es que reglas locales y homogéneas, aplicadas de manera consistente, pueden conducir a la aparición de subestructuras organizadas que habilitan el aprendizaje. En la práctica esto significa que, a medida que la red procesa datos y corrige errores, esos motivos sinápticos se reorganizan y optimizan su función. Curiosamente, el proceso de refinamiento observado en las redes autoorganizadas es análogo a la estrategia de optimización utilizada en muchas técnicas de aprendizaje automático modernas: el descenso por gradiente, donde las conexiones se ajustan gradualmente para reducir errores.

No obstante, hay una diferencia clave con la implementación técnica habitual: la mayoría de los sistemas de IA emplean retropropagación (backpropagation) para calcular ajustes de pesos de forma global, un método que muchos neurocientíficos consideran poco probable en el cerebro biológico. El enfoque del equipo evita asumir que existe un diseñador externo que guía esos cambios de manera centralizada.

Rendimiento frente a redes entrenadas con backpropagation

Los investigadores compararon sus redes autoorganizadas con modelos tradicionales entrenados mediante backpropagation. El resultado principal es que las redes que se autoorganizan alcanzaron un nivel de desempeño similar en tareas de reconocimiento y clasificación. Es decir, sin instrucciones globales ni un algoritmo de retropropagación explícito, las redes pudieron alcanzar capacidades comparables en las pruebas realizadas.

Esto no significa que el cerebro haga exactamente lo mismo, pero sí que la autoorganización es una vía plausible para explicar cómo circuitos complejos pueden emerger a partir de reglas locales simples.

Puentes entre máquinas y cerebros

Para Tomaso Poggio y sus colegas, identificar mecanismos biológicos que cumplan funciones análogas a la retropropagación podría ser un hito. Si los motivos sinápticos propuestos por el grupo funcionan en el cerebro de manera similar a como la retropropagación opera en las redes artificiales, se establecería un vínculo profundo entre los principios fundamentales del aprendizaje en máquinas y en cerebros.

Qianli Liao subraya que la autoorganización es un primer marco de referencia de alto nivel: antes de intentar recrear fielmente cada detalle biológico, es esencial que los modelos puedan organizar su propia maquinaria de aprendizaje. A partir de ahí será posible avanzar hacia modelos más ajustados a los procesos reales del tejido neural.

Relevancia práctica: neurociencia, salud y aplicaciones tecnológicas

Comprender las reglas que gobiernan la reorganización sináptica en el cerebro tiene implicaciones directas para la medicina y la tecnología. En neurociencia translacional, conocer cómo se establecen y mantienen las reglas de interacción entre neuronas es clave para diseñar terapias frente al envejecimiento y enfermedades neurodegenerativas, o para mejorar estrategias de rehabilitación.

También impacta el desarrollo de interfaces cerebro-computadora (BCI), que buscan restaurar comunicación en pacientes con pérdida del lenguaje o permitir el control de prótesis en personas con parálisis. Estas tecnologías dependen de interpretar y, en algunos casos, modificar la dinámica neural; sin un entendimiento sólido de las reglas que gobiernan las conexiones neuronales, su eficacia y estabilidad son limitadas.

Para América Latina, donde la investigación en neurotecnologías y salud digital está creciendo, estas líneas de trabajo ofrecen dos mensajes relevantes: primero, la investigación fundamental que conecta IA y neurociencia puede acelerar el diseño de soluciones clínicas adaptadas a la región; segundo, fomentar capacidades locales en modelado computacional y neurociencia experimental permitirá participar activamente en el desarrollo de tecnologías con alto impacto sanitario.

Hacia sistemas de IA más humanos (y más útiles para la biología)

Si bien el objetivo inmediato del equipo es avanzar en la comprensión del cerebro, el enfoque también puede retroalimentar la ingeniería de IA. Modelos que incorporen principios de autoorganización podrían ofrecer nuevas arquitecturas que aprendan de manera más eficiente o que exhiban comportamientos más similares a los humanos en escenarios complejos. Además, adoptar criterios de plausibilidad biológica como parte del diseño de redes puede abrir rutas para sistemas más robustos y explicables.

Conclusión

El trabajo del MIT plantea que la capacidad de una red para “construir” su propia maquinaria de aprendizaje es una métrica valiosa de plausibilidad biológica. Sin depender de un arquitecto externo ni de algoritmos de retropropagación explícitos, redes que aplican reglas locales simples pueden autoensamblar motivos sinápticos que permiten aprender y optimizar su desempeño. Este puente entre modelos artificiales y mecanismos neuronales ofrece oportunidades tanto para la neurociencia básica como para el desarrollo de nuevas generaciones de IA, con implicaciones prácticas en salud y tecnologías asistivas que resultan especialmente relevantes para contextos en desarrollo como América Latina.