Una red neuronal que planifica e imagina como el cerebro: un trabajo en Nature Machine Intelligence

Un equipo de investigadores dirigido por Lin publicó el 21 de julio de 2026 en la revista Nature Machine Intelligence un modelo generativo inspirado en el funcionamiento del cerebro. El modelo planifica acciones y resuelve tareas a partir de mapas cognitivos, y aprende únicamente mediante plasticidad sináptica local.

En qué se basa el modelo

El modelo de Lin y sus colegas combina tres mecanismos, cada uno de ellos tomado de la neurociencia. Su núcleo son los mapas cognitivos: representaciones internas del entorno con las que el sistema «traza una ruta» hacia el objetivo 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 mediante 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 trabaja mediante muestreo aleatorio (muestreo neuronal): no entrega una única respuesta rígida, sino que explora posibles variantes del futuro. La codificación composicional permite construir escenas y planes nuevos a partir de elementos conocidos, igual que una persona imagina una situación en la que nunca ha estado.

En qué se diferencia de las redes neuronales convencionales

El modelo de Lin y sus colegas se distingue de la mayoría de las redes neuronales por su forma de aprender. Los sistemas actuales se entrenan con retropropagación del error (backpropagation), un método que exige acceso global a todos los pesos de la red y que no resulta biológicamente plausible. Aquí, en cambio, cada conexión se actualiza con una regla local, a partir de las señales de sus vecinas más cercanas, como se supone que 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 resultan costosas. Según la formulación de los autores, el modelo aporta a la vez dos rasgos clave de la inteligencia, algo que los sistemas generativos convencionales solo imitan de forma parcial.

«El modelo proporciona dos rasgos clave de la inteligencia: planificación y resolución de tareas», se afirma en el artículo de

Lin et al. en Nature Machine Intelligence.

Qué es la imaginación orientada a objetivos

La imaginación orientada a objetivos es la capacidad del modelo de «reproducir» mentalmente los caminos hacia una meta dada. En lugar de limitarse a reaccionar a la entrada actual, el sistema muestrea posibles secuencias de acciones a partir del mapa cognitivo y elige las que conducen al objetivo.

Este enfoque acerca la planificación en las máquinas a la forma en que actúa el cerebro: primero una ruta imaginada, después un paso real. Precisamente la combinación de tres elementos (mapa cognitivo, muestreo estocástico y aprendizaje local) distingue este trabajo de los planificadores puramente de ingeniería, que no aspiran a la fidelidad biológica y suelen apoyarse en el aprendizaje global.

Qué significa

El trabajo de Lin y sus colegas supone un paso hacia redes neuronales que planifican e imaginan con principios cerebrales, y no solo reconocen patrones. La combinación de aprendizaje local e inferencia estocástica encaja bien con los chips neuromórficos de bajo consumo y con la robótica, donde las dos funciones declaradas, planificación y resolución de tareas, se valoran especialmente.