Нейросеть планирует и воображает как мозг: работа в Nature Machine Intelligence

Una red neuronal planifica e imagina como un cerebro: investigación en Nature Machine Intelligence

Investigadores liderados por Lin y colegas publicaron el 21 de julio de 2026 en la revista Nature Machine Intelligence un modelo generativo inspirado en el funcionamiento del cerebro: planifica acciones y resuelve tareas apoyándose en mapas cognitivos y aprendiendo únicamente mediante plasticidad sináptica local.

En qué se basa el modelo

El modelo de Lin y colegas combina tres mecanismos, cada uno tomado de la neurociencia. En su base están los mapas cognitivos, representaciones internas del entorno con las que el sistema "traza una ruta" hacia una meta incluso antes de actuar realmente.

• Publicación — 21 de julio de 2026, revista Nature Machine Intelligence (DOI 10.1038/s42256-026-01254-4)
• Autores — Lin y colegas (Lin et al.)
• Tres pilares del modelo: mapas cognitivos, cómputo estocástico, codificación composicional
• Aprendizaje — solo plasticidad sináptica local, sin retropropagación global del error
• Dos funciones de la inteligencia: planificación y resolución de tareas

El cómputo estocástico significa que el modelo funciona mediante muestreo aleatorio (muestreo neuronal): no ofrece una única respuesta fija, sino que recorre posibles variantes del futuro. La codificación composicional permite ensamblar nuevas escenas y planes a partir de elementos conocidos, tal como una persona imagina una situación en la que nunca ha estado.

En qué se diferencia de las redes neuronales habituales

El modelo de Lin y colegas se diferencia de la mayoría de las redes neuronales por su método de aprendizaje. Los sistemas modernos aprenden mediante retropropagación del error (backpropagation), que requiere acceso global a todos los pesos de la red y resulta biológicamente poco plausible. Aquí, en cambio, cada conexión se actualiza según una regla local, basada en señales de los vecinos más cercanos, tal como presuntamente ocurre en el cerebro vivo.

El aprendizaje local acerca la arquitectura a la biología y, potencialmente, la hace más económica para el hardware neuromórfico, donde las operaciones globales son costosas. Según la formulación de los autores, el modelo aporta de una vez dos rasgos clave de la inteligencia, algo que los sistemas generativos habituales solo imitan de forma parcial.

«El modelo ofrece dos rasgos clave de la inteligencia: la planificación y la resolución de tareas», — del artículo de

Lin et al. en Nature Machine Intelligence.

Qué es la imaginación dirigida a metas

La imaginación dirigida a metas es la capacidad del modelo de "reproducir" mentalmente caminos hacia una meta determinada. En lugar de simplemente reaccionar a la entrada actual, el sistema muestrea posibles secuencias de acciones a partir del mapa cognitivo y elige aquellas que conducen a la meta.

Este enfoque acerca la planificación en las máquinas a cómo actúa el cerebro: primero una ruta imaginada, luego un paso real. Es precisamente la combinación de tres elementos —mapa cognitivo, muestreo estocástico y aprendizaje local— lo que distingue este trabajo de los planificadores puramente ingenieriles, que no pretenden ser biológicamente plausibles y suelen apoyarse en el aprendizaje global.

Qué significa esto

El trabajo de Lin y colegas es un paso hacia redes neuronales que planifican e imaginan según los principios del cerebro, y no solo reconocen patrones. La combinación de aprendizaje local e inferencia estocástica encaja bien con los chips neuromórficos eficientes energéticamente y con la robótica, donde las dos funciones declaradas —planificación y resolución de tareas— se valoran especialmente.