Cómo las redes de IA aprenden construyendo sus propias herramientas de aprendizaje
Investigadores del MIT demuestran que las redes neuronales pueden autoorganizar sus propias reglas de aprendizaje, posiblemente reflejando cómo aprenden los cerebros.

Un sistema informático que se inspira en el cerebro y que solo con pequeñas conexiones entre sus partes llega a organizar su propio aprendizaje
- Empiezas con unidades parecidas a neuronas conectadas al azar
- Cuando dos unidades se activan a la vez, el vínculo que las une se hace más fuerte
- Pequeños patrones de conexión terminan armándose solos en circuitos
- Las conexiones van afinándose poco a poco para ir cometiendo cada vez menos errores
Construir un cerebro que se construye a sí mismo
Las redes neuronales artificiales —sistemas informáticos inspirados en cómo funcionan los cerebros— suelen depender de que los ingenieros diseñen cada regla sobre cómo deben cambiar las conexiones entre las partes durante el entrenamiento. Un nuevo estudio del MIT muestra que las redes pueden, en cambio, construir su propia maquinaria de aprendizaje, reorganizándose usando solo reglas simples y locales.
La investigación fue dirigida por Qianli Liao y los primeros autores Liu Ziyin y Yulu Gan en el McGovern Institute for Brain Research del MIT y el K. Lisa Yang ICoN Center. Sus hallazgos se publicaron el 9 de octubre en la revista PNAS.
En la mayoría de los sistemas de IA modernos, los desarrolladores deciden exactamente cómo deben desplazarse las fortalezas de las conexiones a medida que la red procesa datos y corrige sus errores. Ese enfoque funciona bien para tareas de ingeniería, pero puede decirnos muy poco sobre cómo aprende el cerebro real, ya que los cerebros no tienen un diseñador externo.
"El cerebro no tiene un diseñador o arquitecto externo", dijo Liao. "El cerebro tiene que organizarse a sí mismo. Y necesitamos saber cómo las reglas simples harán que el cerebro se organice." 1
Reglas simples, resultados complejos
El equipo del MIT comenzó con una red de unidades similares a neuronas conectadas al azar y organizadas en múltiples capas. Cada unidad seguía la misma regla básica: cuando dos unidades conectadas se activan al mismo tiempo, su conexión se fortalece. Esto refleja el principio bien conocido de la neurociencia que a menudo se resume como "las neuronas que disparan juntas se conectan juntas".
A través de la interacción repetida, pequeños patrones llamados motivos comenzaron a ensamblarse. Estos motivos servían como bloques de construcción para circuitos funcionales capaces de tareas como reconocer patrones y clasificar imágenes.
A medida que avanzaba el aprendizaje, la red ajustaba sus conexiones usando una estrategia de optimización similar al descenso de gradiente —un método en el que las conexiones se ajustan gradualmente en respuesta a los errores para mejorar el rendimiento con el tiempo—. A diferencia de muchos sistemas de IA modernos que dependen de back-propagation (un algoritmo de aprendizaje que muchos neurocientíficos consideran improbable que refleje cómo funcionan realmente los cerebros), la red del MIT logró un rendimiento comparable sin él. 1
Por qué importa la auto-organización
Los investigadores argumentan que una medida clave de si una red artificial puede enseñarnos sobre biología es su capacidad para organizarse a sí misma —no solo sus conexiones, sino la propia maquinaria que ajusta esas conexiones—.
Esto tiene implicaciones prácticas más allá de la teoría. Tomaso Poggio, investigador senior en el proyecto, señaló que encontrar un paralelo biológico al back-propagation podría acelerar el progreso tanto en IA como en neurociencia. "Si los motivos sinápticos que proponemos son, de hecho, usados por el cerebro para hacer lo que backpropagation hace para las redes neuronales artificiales, entonces tendremos una fuerte conexión a nivel de mecanismos fundamentales entre redes artificiales y naturales —entre máquinas y cerebros—", dijo. 1
Entender cómo los cerebros se auto-organizan también podría informar el desarrollo de brain-computer interfaces, que buscan restaurar la comunicación para pacientes que han perdido capacidades del lenguaje o permitir que personas paralizadas controlen miembros neuroprotésicos. Como señaló Liao, estas tecnologías no pueden tener éxito sin conocer las reglas subyacentes de la interacción neurona a neurona.
El estudio sugiere que las redes gobernadas por reglas simples y locales pueden ofrecer un camino más biológicamente realista hacia una mejor IA y una comprensión más profunda de cómo aprende el cerebro.
Los datos clave
- Investigadores del MIT construyeron una red neuronal que organiza su propia maquinaria de aprendizaje usando reglas simples y locales
- La red se auto-ensambló en motivos funcionales sin back-propagation, igualando el rendimiento de sistemas diseñados tradicionalmente
- Estudio publicado el 9 de octubre de 2026 en PNAS por Qianli Liao, Liu Ziyin y Yulu Gan en McGovern Institute
- Las redes auto-organizadoras pueden modelar mejor cómo aprende el cerebro, con implicaciones para interfaces cerebro-computadora
Fuentes
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Cómo funcionaCómo Meta triplica la productividad de ingeniería usando agentes para propagar técnicas de modelos publicitariosHerald of AI
Cómo Meta triplica la productividad de ingeniería usando agentes para propagar técnicas de modelos publicitarios
El nuevo sistema de agentes de IA de Meta adapta pequeñas mejoras en miles de modelos publicitarios de forma automática, ahorrando millones en costos de computación.
Cómo funcionaUn modelo grande de inteligencia artificial aprendió a reparar su propio cerebro sin necesidad de volver a entrenarseHerald of AI
Un modelo grande de inteligencia artificial aprendió a reparar su propio cerebro sin necesidad de volver a entrenarse
Los investigadores descubrieron que un modelo de 27 mil millones de parámetros puede editar sus propios ajustes internos para volverse más preciso; no se necesita un maestro humano.
Cómo funcionaEl investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamientoHerald of AI
El investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamiento
Jacob Andreas está entrenando a la IA para hablar sobre lo que ha aprendido, brindando a los usuarios habituales una forma de entender cómo toman decisiones estos sistemas, en vez de depender solo de complejas herramientas de depuración.