Stanford analiza la retina como una red neuronal interpretable en el curso EE292R

Stanford Online ha subido a YouTube una conferencia de Stephen Baccus, profesor de neurobiología de la Universidad de Stanford. Se impartió dentro del curso EE292R «AI and Data for Science» en el otoño de 2026. El tema anunciado son los modelos mecanicistamente interpretables del cálculo en el sistema visual temprano. Se trata de la retina: contiene del orden de 100 millones de fotorreceptores, y la información llega al cerebro por aproximadamente un millón de fibras del nervio óptico. El resultado es una compresión drástica, y cómo está organizada exactamente sigue siendo un buen problema para la interpretabilidad.

Qué se sabe de la conferencia

La descripción del vídeo aporta pocos detalles concretos. Indica el ponente, el nombre del curso, un enlace al calendario del otoño de 2026 y las etiquetas #ComputationalNeuroscience, #MechanisticInterpretability y #Neuroscience. No hay resultados, conjuntos de datos ni métricas. Todo lo que va más allá de esa lista se señala a continuación como contexto de trabajos publicados con anterioridad, no como resumen de la conferencia.

El propio curso se presenta como un puente entre la IA y los datos científicos. Para los ingenieros de aprendizaje automático es un formato poco habitual: el sistema biológico no sirve como fuente de metáforas, sino como banco de pruebas donde se pueden validar métodos de interpretación.

Por qué la retina es adecuada para la interpretabilidad mecanicista

La retina tiene tres propiedades que no tienen la mayoría de los grandes modelos.

Primero, la entrada se conoce por completo: es la imagen que el propio experimentador muestra al tejido. Segundo, la salida se puede registrar: los electrofisiólogos miden la actividad de las células ganglionares. Tercero, las capas intermedias (fotorreceptores, células bipolares y amacrinas) se estudian desde hace tiempo y existen datos independientes sobre ellas.

Eso crea una situación poco frecuente: en un modelo se pueden comparar con neuronas reales no solo las predicciones de salida, sino también los nodos internos. En la interpretabilidad de los LLM no suele existir este tipo de «anotación de referencia» de los estados internos.

Contexto: qué ha hecho ya el laboratorio de Baccus

El grupo de Baccus, también en colaboración con Surya Ganguli, ya había publicado trabajos sobre redes neuronales convolucionales como modelos de la retina. En un artículo de 2016 en NIPS, esos modelos predecían las respuestas de las células ganglionares a escenas naturales con más precisión que los modelos lineales-no lineales clásicos. En un trabajo posterior, publicado en Neuron, los investigadores analizaron la estructura interna de las redes entrenadas y relacionaron sus componentes con células de la retina. A juzgar por el tema anunciado, la conferencia continúa esta línea, pero eso solo puede confirmarse después de verla.

Parámetros clave del problema:

• entrada: escenas naturales y estímulos visuales controlados;
• salida: respuestas de las células ganglionares, aproximadamente 1 millón por retina humana;
• compresión: de del orden de 100 millones de fotorreceptores a un único canal de salida;
• método: interpretabilidad mecanicista, es decir, la búsqueda de elementos de cálculo concretos dentro del modelo;
• verificación: comparación de las unidades internas con registros de neuronas reales.

Cómo usar el material en la práctica

Si trabaja con interpretabilidad de modelos, conviene ver la conferencia con una pregunta concreta: cómo demuestran los autores que el mecanismo hallado en el modelo corresponde al biológico y no solo coincide estadísticamente. Este criterio es aplicable a cualquier tarea en la que se disponga de datos sobre los estados internos de un sistema.

Si construye modelos para datos científicos, preste atención a la elección de la arquitectura. En el caso de la retina es importante que las capas de la red se correspondan con la anatomía; de lo contrario, la comparación con las neuronas pierde sentido.

Por último, antes de citar la conferencia o de sacar conclusiones a partir de ella, compruebe su contenido en el propio vídeo y en el calendario del curso. El anuncio no contiene ni una sola cifra de resultados.