Un experimento encuentra cuál es la diferencia entre la IA y un cerebro
Los modelos de IA aciertan al predecir la actividad de las neuronas. Probado al revés, las neuronas no saben qué está pasando dentro del modelo de IA.
La tecnología actual de inteligencia artificial funciona imitando al cerebro humano... hasta cierto punto. Una red neuronal artificial está compuesta por nodos o neuronas artificiales conectadas entre sí, y organizadas en capas (de entrada, ocultas y de salida) que reciben datos, aplican cálculos matemáticos y ajustan el peso de sus conexiones a partir de ejemplos. Así es como el texto predictivo de tu móvil calcula cuál es la siguiente palabra que quieres escribir.
Otras redes neuronales artificiales imitan la visión. Este modelo artificial puede explicar un 50% de la respuesta de las neuronas del córtex temporal inferior de un macaco, la región donde el cerebro reconoce objetos. Ese dato es el que lleva años sosteniendo la idea de que estos programas funcionan de manera parecida a un cerebro. Sabine Muzellec y Kohitij Kar, de la Universidad de York (Canadá), decidieron hacer la prueba en sentido contrario y la sorpresa es que el resultado no cuadra: las neuronas no pueden predecir por dónde va la IA. Analizaron 39 modelos y publicaron el trabajo en Nature Machine Intelligence en marzo.
Si dos personas cuentan la misma historia, cada una debería poder reconstruir lo que dice la otra. La métrica habitual en este campo, la predictividad directa, solo mira en una dirección y pregunta si las unidades internas del modelo permiten adivinar lo que hacen las neuronas. Muzellec y Kar crearon la predictividad inversa, que pregunta lo contrario, si la actividad de las neuronas permite adivinar lo que hacen las unidades del modelo.
Un parecido real debería funcionar en ambos sentidos. En la práctica apareció una asimetría llamativa. Modelos con una predictividad directa alta contenían montones de unidades imposibles de reconstruir desde la actividad neuronal, dimensiones que los autores describen como biológicamente inaccesibles.
El control entre dos cerebros
Cuando los investigadores enfrentaron las neuronas de un macaco con las de otro, la relación salió simétrica en los dos sentidos. Lo mismo ocurrió entre dos copias de una misma arquitectura entrenadas desde puntos de partida distintos. La asimetría aparece solo al cruzar un cerebro con un modelo, de modo que el problema está en el cruce entre un cerebro y un modelo, y no en el método de medida.
Unidades comunes y unidades propias
El método reparte las unidades de un modelo en dos grupos. Las comunes son las que comparten información con el córtex temporal inferior, generalizan entre especies y además predicen mejor el comportamiento real. Las propias son las que carecen de ese anclaje. Según Kar, las partes de un modelo que coinciden con el cerebro son también las que mejor anticipan cómo se comporta una persona ante una imagen, lo que convierte la métrica en algo más útil que un reproche teórico.
Los modelos se probaron con 1.320 fotografías naturales e imágenes sintéticas realistas de 10 categorías, entre ellas un oso, un elefante, una cara, un coche, una silla y una cebra. Después añadieron otras 300 imágenes de los mismos objetos en versiones distintas, como contornos, dibujos y representaciones simplificadas o artísticas.
Qué acerca un modelo al cerebro
Tres factores movieron la aguja de la predictividad inversa. La dimensionalidad de las características aprendidas, el objetivo con el que se entrenó el modelo y su robustez frente a ejemplos adversarios, esas imágenes manipuladas con cambios mínimos que hacen que un sistema confunda un panda con un gibón. Los autores proponen usar la métrica como criterio para diseñar la siguiente generación de modelos, de forma que acierten en la tarea y se parezcan al cerebro de verdad.
Por qué importa fuera del laboratorio
Buena parte de la neurociencia actual usa estas redes como modelos de la visión, el oído, el lenguaje y el movimiento. Si un programa acierta al predecir la actividad cerebral mientras procesa la información de otra manera, las conclusiones que se extraigan de él sobre el cerebro quedan en el aire. Kar advierte de que el desfase puede ensancharse con el tiempo, porque los modelos se siguen afinando con una métrica que mide en una sola dirección. El equipo no pide tirar las redes neuronales a la basura. Pide usar el diagnóstico para saber qué piezas de un modelo corresponden a algo que ocurre en un cerebro y cuáles son invención suya.
"Ofrecemos al campo una métrica de diagnóstico bien contrastada", resume Muzellec. El código está disponible en abierto para que cualquiera pueda pasar la prueba a su propio modelo. Conviene recordar de dónde salen los datos. Las neuronas son de macacos, la parte humana del trabajo son medidas de comportamiento, y el titular de que la inteligencia artificial no funciona como el cerebro humano va bastante más lejos de lo que el experimento midió.
REFERENCIA
Reverse predictivity for bidirectional comparison of neural networks and biological brains. Sabine Muzellec y Kohitij Kar. Nature Machine Intelligence, vol. 8, pp. 474-488, 25 de marzo de 2026.
Si quieres conocer otros artículos parecidos a Un experimento encuentra cuál es la diferencia entre la IA y un cerebro puedes visitar la categoría IA.