Por Canuto  

Investigadores del MIT mostraron que una red neuronal con conexiones aleatorias puede organizar sus propios circuitos de aprendizaje mediante reglas sencillas, un enfoque que podría ayudar a estudiar cómo el cerebro cambia con la experiencia.
***

  • El equipo probó una red que reorganiza sus conexiones sin que un diseñador defina cada paso de su aprendizaje.
  • El modelo reconoció patrones y clasificó imágenes, con un rendimiento similar al de redes diseñadas para aprender mediante descenso de gradiente.
  • Los investigadores plantean la autoorganización como un punto de partida para explorar mecanismos cerebrales, no como prueba de que el cerebro aprende de la misma manera.

El MIT explora cómo las redes neuronales pueden construir su propia maquinaria de aprendizaje

Una red neuronal artificial puede aprender a reconocer imágenes o procesar lenguaje, pero normalmente sus reglas de aprendizaje las establece un equipo de ingenieros. Investigadores vinculados al McGovern Institute for Brain Research y al K. Lisa Yang Integrative Computational Neuroscience Center del MIT probaron una alternativa: partir de conexiones aleatorias y permitir que la propia red organice los mecanismos con los que aprende. El trabajo, publicado en PNAS el 9 de octubre, pone el foco en la autoorganización como criterio para evaluar qué tan útil puede ser un modelo artificial para estudiar el cerebro.

La propuesta no afirma que una máquina ya replique el aprendizaje biológico, ni que haya resuelto cómo se reorganizan las neuronas humanas. Su importancia, según los investigadores, está en mostrar que reglas locales y relativamente sencillas pueden producir una red capaz de procesar información, en lugar de depender desde el inicio de una arquitectura y un algoritmo detallados por un diseñador. MIT News informó sobre el estudio el 13 de octubre de 2026.

Una red que desarrolla sus propios mecanismos

En muchas redes de aprendizaje automático, quienes las construyen especifican de antemano cómo deben modificarse las conexiones cuando el sistema recibe datos y retroalimentación sobre sus errores. Ese enfoque ha sido eficaz para entrenar sistemas de inteligencia artificial, pero Qianli Liao, investigador posdoctoral del centro ICoN, advierte que su éxito no demuestra que el cerebro use un procedimiento equivalente. La diferencia importa porque los circuitos biológicos no cuentan con un arquitecto externo que diseñe cada etapa de su desarrollo.

El equipo de Liao, Liu Ziyin y Yulu Gan comenzó con varias capas de unidades similares a neuronas conectadas al azar. Dentro de cada capa, los componentes seguían las mismas reglas para ajustar sus conexiones, de modo que la arquitectura no recibía instrucciones detalladas sobre qué circuito debía formar. Al interactuar bajo esas pautas comunes, las unidades fueron dando lugar a patrones organizados que podían servir como piezas de una red funcional.

Una de las reglas empleadas recuerda el principio conocido como aprendizaje hebbiano: las neuronas que se activan juntas tienden a fortalecer la conexión que las une. En el modelo, esa clase de interacción local contribuyó a que surgieran motivos o conjuntos de conexiones que después funcionaban como bloques de construcción para procesar información. La idea no es que cada conexión opere de forma aislada, sino que reglas compartidas permitan que emerjan estructuras más complejas sin especificarlas una por una.

El hallazgo central es que la red no solo ajustó sus conexiones, sino que también desarrolló la maquinaria que le permitió seguir aprendiendo. Los investigadores comprobaron que el sistema podía reconocer patrones y clasificar imágenes, tareas que muestran su capacidad para extraer regularidades de los datos de entrenamiento. El resultado respalda la posibilidad de que un conjunto de componentes inicialmente desordenado llegue a ser útil mediante interacciones locales, aunque por sí solo no establece que el cerebro siga las mismas reglas.

Comparación con los métodos de aprendizaje actuales

Durante el entrenamiento, los motivos que aparecían en la red se reorganizaban mediante una estrategia de optimización similar al descenso de gradiente. Este método modifica gradualmente los parámetros de un sistema en respuesta a los errores, con el objetivo de mejorar sus resultados. En buena parte de la inteligencia artificial contemporánea, el descenso de gradiente se implementa con alguna forma de retropropagación, un procedimiento que ajusta conexiones usando información sobre el error de la salida.

La retropropagación es potente para entrenar redes artificiales, pero los neurocientíficos la consideran poco probable como descripción directa de lo que hace el cerebro. Una dificultad es que el método requiere coordinar información de error a través de las capas del sistema, mientras que no se conoce una implementación biológica equivalente. Por eso, hallar mecanismos que reproduzcan funciones similares sin asumir que el cerebro emplea literalmente el algoritmo podría ofrecer una comparación más informativa.

El grupo comparó el modelo autoorganizado con redes diseñadas para aprender mediante ese tipo de optimización y reportó un nivel de desempeño similar. La nota de MIT News no presenta cifras concretas de precisión ni detalla una ventaja general de un método sobre otro, por lo que el resultado debe entenderse como una demostración de viabilidad y no como una victoria sobre los sistemas actuales. El aporte está en que la red llegó a ese rendimiento organizando por sí misma parte de su estructura de aprendizaje.

En el artículo de PNAS, los autores exploran cómo motivos sinápticos que se ensamblan por reglas locales podrían desempeñar una función comparable a la que cumple la retropropagación en redes artificiales. Tomaso Poggio, profesor del MIT y colaborador del estudio, plantea que, si esos motivos también operan en el cerebro, existiría un vínculo mecanístico entre máquinas y sistemas naturales. La hipótesis sigue abierta: el trabajo ofrece un posible puente conceptual, no evidencia de que esos motivos hayan sido confirmados en circuitos cerebrales.

Qué podría aportar a la neurociencia y a la IA

Para Liao, la autoorganización es un primer nivel de plausibilidad biológica: antes de discutir si una red aprende exactamente como el cerebro, conviene preguntar si puede organizarse sin un diseñador externo. Ese criterio puede orientar a quienes desarrollan modelos computacionales para la neurociencia, porque obliga a considerar cómo aparecen los circuitos y no solo si una arquitectura previamente construida resuelve una tarea. También abre preguntas sobre qué reglas bastan para producir comportamientos útiles y cuáles no.

Comprender las reglas que cambian las conexiones neuronales puede ayudar a investigar cómo varían entre regiones del cerebro o durante distintas etapas de maduración. Los neurocientíficos también estudian si esos procesos se alteran con el envejecimiento o la enfermedad, cuestiones relevantes para entender el funcionamiento cerebral y explorar estrategias de prevención o terapia. El trabajo no ofrece tratamientos ni resultados clínicos, pero plantea que los modelos capaces de autoorganizarse podrían servir como herramientas para investigar esos mecanismos.

Liao mencionó las interfaces cerebro-computadora como una posible aplicación a largo plazo de ese conocimiento. Estos sistemas buscan, entre otros objetivos, ayudar a restaurar la comunicación cuando se pierden capacidades lingüísticas o permitir que personas con parálisis controlen miembros neuroprotésicos. Para avanzar en esas áreas, sostuvo, hace falta comprender mejor las reglas que gobiernan las interacciones entre neuronas; diseñar un circuito artificial que funcione bien no basta para explicar cómo opera el cerebro.

El equipo también considera que una comprensión más profunda del aprendizaje biológico podría influir en el diseño de sistemas de aprendizaje automático. Si las reglas locales y la autoorganización permiten construir redes eficaces, podrían inspirar modelos que funcionen mejor o que se comporten de formas más parecidas a las humanas, aunque esa posibilidad aún requiere investigación. Por ahora, la conclusión prudente es más acotada: el experimento muestra que una red puede construir parte de su propio mecanismo de aprendizaje y ofrece una vía para estudiar, sin dar por resuelto, el vínculo entre cerebro e inteligencia artificial.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados