La nota analiza cómo los avances en inteligencia artificial (IA) están inspirando nuevas teorías sobre el aprendizaje biológico, particularmente en lo que respecta al funcionamiento del cerebro humano. A través de investigaciones recientes, se plantea que algoritmos como la retropropagación del error (backpropagation), considerados durante décadas como incompatibles con la biología, podrían estar más cerca del funcionamiento real del sistema nervioso de lo que se pensaba. La nota está dividida en tres apartados, cada uno de los cuales aborda distintos ángulos del debate entre neurociencia e IA.

Los éxitos de los algoritmos de IA están inspirando nuevas teorías sobre cómo aprende el cerebro

Este primer apartado aborda cómo la retropropagación del error (backpropagation) —un algoritmo central en el aprendizaje automático— ha dejado de ser visto como “biológicamente inverosímil” y está inspirando nuevas hipótesis sobre el aprendizaje sináptico en organismos vivos. La idea fue defendida desde hace décadas por Geoffrey Hinton, pionero de la IA, quien argumentó que los avances en redes neuronales podrían revelar cómo aprende el cerebro. Por años, esta postura fue marginal. Pero evidencia reciente ha cambiado el escenario: estudios en cerebros de ratón detectaron neuronas que parecen recibir señales de error, un requisito clave para que un algoritmo tipo backprop funcione (dato crucial 1).

Estas observaciones han motivado a diseñar variantes “biológicamente plausibles” del algoritmo. Algunas eliminan la necesidad de una red espejo perfecta y permiten que la retroalimentación ocurra dentro de una misma neurona. Incluso se han adaptado versiones para que trabajen con señales tipo “pico” (spikes), similares a los impulsos eléctricos reales del sistema nervioso (dato crucial 2). Esto ha impulsado la colaboración entre neurocientíficos e ingenieros, que ya no ven la retropropagación como una abstracción matemática alejada de la biología, sino como un modelo útil para comprender mecanismos cognitivos reales.

Aprender por las malas

En este segundo apartado, el texto se enfoca en los límites empíricos del campo: ¿cómo probar, de forma concluyente, qué tipo de algoritmo utiliza el cerebro humano para aprender? Diseñar experimentos que midan directamente el aprendizaje sináptico resulta casi imposible con la tecnología actual. Ante esta barrera, investigadores de Stanford han desarrollado un enfoque indirecto. Entrenaron miles de redes neuronales artificiales con distintos algoritmos y, a partir de un metamodelo, lograron inferir cuál había sido utilizado en cada caso, mediante observaciones parciales de la actividad sináptica. Su objetivo es aplicar este mismo método al cerebro humano en el futuro (dato crucial 3).

A la par, otros laboratorios han creado modelos alternativos como el de configuración prospectiva, desarrollado en la Universidad de Oxford. Este modelo invierte la lógica tradicional del backprop: primero se ajusta la actividad neuronal y luego se modifican las sinapsis. Con este mecanismo, las redes necesitan menos entrenamiento y logran desempeños más robustos en tareas complejas, lo que recuerda más al aprendizaje humano (dato crucial 4). Aunque aún no se ha verificado si el cerebro usa esta técnica, el hallazgo demuestra que pueden existir algoritmos más eficientes que los actuales.

La radiación solar puede tener efectos positivos sobre la salud. Pero no olvides el protector solar

Este último apartado, más breve, sirve como epílogo con un giro temático inesperado. Se menciona que la radiación solar podría tener efectos beneficiosos sobre la salud, incluyendo su impacto en el estado de ánimo, el ritmo circadiano e incluso la presión arterial. Sin embargo, la exposición excesiva conlleva riesgos importantes, como el cáncer de piel. Aunque no se desarrolla en profundidad, este cierre refuerza una idea transversal del artículo: los procesos naturales (como la luz o el aprendizaje) son más complejos de lo que las soluciones artificiales o simplificadas nos hacen creer.