03 de septiembre de 2026 - Tiempo de lectura 6 min

Un nuevo modelo de neurona inspirado en el funcionamiento del cerebro

El nuevo modelo, desarrollado a partir del análisis del funcionamiento del sistema nervioso en el Centro de Neurociencia Computacional (CCN) del Instituto Flatiron, plantea que las neuronas individuales podrían ejercer un mayor control sobre su entorno del que tradicionalmente se les ha atribuido. Este enfoque podría ayudar a comprender mejor determinados mecanismos del cerebro y, a largo plazo, inspirar nuevas formas de diseñar redes neuronales artificiales.

Publicado en la revista Proceedings of the National Academy of Sciences, el estudio propone que las neuronas no actúan únicamente como transmisores de información, sino también como pequeños "controladores" capaces de influir activamente en el estado de otras neuronas y de su entorno. Esta visión contrasta con los modelos neuronales más clásicos, basados principalmente en el procesamiento de señales de entrada para generar una respuesta de salida, e introduce la retroalimentación como un elemento fundamental del funcionamiento neuronal.

Cómo funciona el modelo DD-DC: de la predicción al control activo

Históricamente se ha asumido que el cerebro en su conjunto, o ciertas áreas macroscópicas de este, pueden operar como sistemas de control. La principal novedad del estudio consiste en plantear que esta capacidad podría darse también a escala individual: una sola neurona podría actuar como un controlador capaz de influir sobre su entorno.
Los autores proponen el marco de Control Directo Guiado por Datos (DD-DC, por sus siglas en inglés), un enfoque en el que la neurona utiliza la información que recibe y la retroalimentación de su entorno para ajustar su propia actividad. Bajo este modelo:

1. Influencia sobre el entorno: las neuronas, especialmente aquellas situadas más allá de las áreas sensoriales primarias, no se limitan a procesar pasivamente la información entrante; utilizan sus impulsos eléctricos (spikes) para influir activamente en su entorno y aproximarlo a un estado deseado. Este entorno está compuesto tanto por otras neuronas interconectadas sinápticamente como por circuitos externos de retroalimentación sensorimotora.
2. Identificación implícita de dinámicas: el modelo plantea que una neurona puede adaptar su comportamiento sin disponer previamente de un modelo detallado del sistema que controla. A partir de la experiencia y de la retroalimentación que recibe, puede ajustar progresivamente su respuesta ante los cambios del entorno.

Qué puede aportar este modelo a las redes neuronales artificiales

Las redes neuronales artificiales se construyen a partir de unidades matemáticas que reciben información, la procesan y generan una salida hacia otros nodos de la red. En los modelos más clásicos, un nodo combina las entradas que recibe y produce una respuesta determinada en función de los parámetros aprendidos. Sin embargo, este planteamiento simplifica en gran medida la complejidad del procesamiento de información que tiene lugar en el cerebro humano.

El modelo del Instituto Flatiron sugiere que las neuronas podrían entenderse no solo como unidades de procesamiento, sino también como controladores de retroalimentación capaces de actuar sobre el entorno del que reciben información. Esta idea se aproxima a la organización de numerosos circuitos cerebrales, en los que existen conexiones de retroalimentación que permiten que las etapas posteriores del procesamiento influyan sobre las anteriores. Este tipo de mecanismos puede contribuir a que el sistema ajuste su respuesta ante los cambios y mantenga su estabilidad.

Uno de los aspectos más interesantes del estudio es el papel de la variabilidad o «ruido» en la generación de impulsos neuronales. En ingeniería, el ruido suele considerarse una interferencia que conviene reducir. Sin embargo, en el modelo DD-DC, cierto grado de variabilidad en la activación neuronal puede favorecer la capacidad de adaptación del sistema. La introducción de aleatoriedad permite que la neurona continúe explorando diferentes respuestas y ajustando su comportamiento cuando cambian las condiciones de su entorno, lo que aumenta la flexibilidad del modelo y su capacidad para adaptarse a nuevas situaciones.

Qué aplicaciones podría tener este modelo en el futuro de la IA

El desarrollo de este nuevo modelo de neurona abre una posible vía de investigación para diseñar sistemas de inteligencia artificial más adaptativos y eficientes. Comprender mejor el funcionamiento de las neuronas reales y aplicar algunos de estos principios a las redes neuronales artificiales podría ayudar a explorar arquitecturas capaces de aprender y responder de manera más flexible ante entornos cambiantes.

Este avance en neurociencia computacional no se aplicará de inmediato a los sistemas actuales de IA, pero sí plantea principios que podrían inspirar futuras líneas de desarrollo en distintos ámbitos tecnológicos y ampliar, a largo plazo, las posibilidades de las soluciones de inteligencia artificial para empresas, cada vez más orientadas a automatizar procesos, analizar información y facilitar la toma de decisiones.

Nuevas arquitecturas de inteligencia artificial

Las arquitecturas actuales de deep learning pueden requerir una elevada capacidad de cómputo y grandes cantidades de energía durante sus procesos de entrenamiento. Si en el futuro las neuronas artificiales incorporaran principios similares a los planteados por el modelo DD-DC, se podrían explorar sistemas en los que determinadas unidades aprendieran y se adaptaran de manera más local y descentralizada, lo que reduciría la dependencia de mecanismos globales de actualización.

Este enfoque podría resultar especialmente interesante para avanzar hacia sistemas de aprendizaje continuo y distribuido que ajusten su comportamiento a medida que reciben nueva información.

Cómputo neuromórfico

El modelo también podría aportar nuevas ideas al desarrollo del cómputo neuromórfico, un ámbito que busca diseñar hardware inspirado en la estructura y el funcionamiento del cerebro. Para los fabricantes de semiconductores y hardware avanzado, comprender mejor los mecanismos de control y adaptación de las neuronas biológicas puede ofrecer nuevos principios sobre los que investigar arquitecturas más descentralizadas, adaptativas y tolerantes a fallos.

Sistemas autónomos más resilientes

A más largo plazo, podrían explorarse principios similares a los propuestos por el modelo DD-DC en ámbitos como la automatización industrial, la robótica o los sistemas IoT, especialmente cuando deben tomar decisiones en tiempo real y adaptarse a condiciones cambiantes.

La capacidad de ajustar el comportamiento localmente a partir de la información y la retroalimentación del entorno podría resultar especialmente relevante para los sistemas autónomos que operan en escenarios dinámicos o difíciles de predecir.

El cerebro humano sigue marcando el camino de la inteligencia artificial

El estudio desarrollado en el Instituto Flatiron pone de manifiesto hasta qué punto la inteligencia artificial actual todavía simplifica muchos de los mecanismos que intervienen en el funcionamiento del cerebro humano. Sustituir la visión de la neurona como un simple elemento de procesamiento por la de un controlador dinámico capaz de interactuar con su entorno abre nuevas preguntas sobre cómo podrían diseñarse en el futuro sistemas artificiales más adaptativos.

Para el ecosistema científico y tecnológico, comprender mejor estos mecanismos de control descentralizado y aprendizaje a partir de la retroalimentación puede aportar nuevas líneas de investigación en inteligencia artificial y computación inspirada en el cerebro. Aunque todavía queda un largo camino para trasladar estos principios a aplicaciones reales, estudios como este amplían nuestro conocimiento sobre las neuronas biológicas y ofrecen nuevas referencias para explorar arquitecturas computacionales diferentes a las actuales.

El estudio está publicado en abierto en la revista Proceedings of the National Academy of Sciences (PNAS) bajo licencia Creative Commons CC BY-NC-ND 4.0: Moore, Jason J. et al. "The neuron as a direct data-driven controller", Proceedings of the National Academy of Sciences (2024).