Redes neuronales e IAG: qué demuestra cada avance y qué no

Reeditado el 30 de julio de 2026, este artículo empieza corrigiendo una analogía: una red neuronal artificial no es una copia del cerebro. Es una familia de funciones parametrizadas compuestas por operaciones matemáticas. Términos como neurona, atención o memoria orientan la intuición, pero no prueban equivalencia biológica ni una ruta automática hacia inteligencia artificial general.

La evolución de estas redes se entiende mediante cinco preguntas: qué funciones pueden representar, cómo se ajustan sus parámetros, qué estructura incorporan, con qué datos y cómputo aprenden y bajo qué prueba generalizan. Confundir esas capas convierte un teorema de existencia o una puntuación estrecha en una promesa sobre comprensión y generalidad.

De la neurona lógica a una función entrenable

En 1943, McCulloch y Pitts estudiaron redes de unidades binarias idealizadas capaces de expresar operaciones lógicas. Su modelo conectó neurofisiología y cálculo formal, pero abstraía casi toda la complejidad de una neurona real. La herencia duradera es computacional: muchas unidades sencillas conectadas pueden realizar funciones complejas.

Una unidad moderna calcula una combinación ponderada de entradas y aplica una función no lineal. Una capa entrega su salida a la siguiente. Los pesos no contienen instrucciones escritas una por una; se ajustan para reducir una función de pérdida sobre ejemplos. Esto permite aprender representaciones útiles, aunque lo aprendido depende de los ejemplos, el objetivo y las restricciones de la arquitectura.

Rumelhart, Hinton y Williams describieron en 1986 cómo la retropropagación podía ajustar representaciones internas propagando derivadas del error. La retropropagación calcula gradientes; no decide por sí sola qué objetivo es correcto, qué datos son suficientes ni si la solución funcionará fuera de la muestra. El optimizador usa esos gradientes para actualizar parámetros.

Aproximar una función no significa aprenderla bien

Los teoremas de aproximación universal suelen citarse como si garantizaran capacidad ilimitada. El resultado de Cybenko de 1989 mostró, bajo condiciones matemáticas, que redes con una capa oculta y funciones adecuadas pueden aproximar funciones continuas sobre un dominio compacto. Es un teorema de representación: afirma que existen parámetros.

No dice que el descenso de gradiente encuentre esos parámetros, que la red necesite pocos ejemplos, que la aproximación sea eficiente ni que se extienda a entradas nuevas. Tampoco fija el tamaño requerido. Una tabla gigantesca puede representar muchas correspondencias sin descubrir la regla que las genera. Para evaluar aprendizaje hacen falta muestras separadas y variaciones que prueben la estructura relevante.

La optimización añade sus propios problemas. Gradientes que se reducen o crecen, escalas incompatibles y paisajes de alta dimensión afectan el entrenamiento. Adam, normalización o conexiones residuales pueden mejorar condiciones concretas, pero no forman una escalera universal de superioridad. Cada cambio se compara con la misma arquitectura, presupuesto, inicialización y conjunto de prueba, idealmente en varias semillas.

La partición de datos forma parte de esa prueba. Ejemplos duplicados, imágenes del mismo paciente o variantes del mismo documento repartidas entre entrenamiento y evaluación pueden inflar el resultado. La separación debe respetar la unidad que aparecerá nueva en uso: persona, dispositivo, lugar, autor o periodo. Además de una muestra aleatoria, conviene reservar un cambio real de distribución. Generalizar a más ejemplos del mismo origen no equivale a generalizar a un hospital, idioma o tarea nuevos.

La arquitectura incorpora una apuesta sobre los datos

Una red convolucional reutiliza filtros en posiciones distintas y explota regularidades locales. El trabajo de LeCun y colaboradores sobre reconocimiento documental integró convoluciones y aprendizaje por gradiente para leer caracteres. Esa invariancia aproximada ayuda en imágenes, pero puede ser inadecuada cuando la posición absoluta cambia el significado.

AlexNet mostró en 2012 la combinación de redes convolucionales profundas, GPU, grandes datos etiquetados y técnicas de regularización en ImageNet. El avance no procedió de una idea aislada: arquitectura, cómputo, implementación, objetivo y conjunto de datos formaron un sistema experimental.

Las redes recurrentes comparten parámetros a lo largo de una secuencia y mantienen un estado; las convoluciones modelan vecindarios; Transformer utilizó atención para relacionar posiciones y paralelizar mejor el entrenamiento. Estas estructuras son sesgos inductivos: hacen más fáciles ciertas regularidades. Ninguna etiqueta garantiza que el sistema descubra causalidad, conserve contexto indefinido o entienda como una persona.

El resultado pertenece al sistema completo

AlphaGo combinó redes de políticas y de valor con búsqueda en árboles y entrenamiento específico para Go. Su victoria no demuestra que una red aislada adquiriera intuición humana ni que el aprendizaje por refuerzo sea un componente necesario de toda IAG. Demuestra rendimiento extraordinario dentro de un entorno con reglas, acciones y criterio de victoria definidos.

GPT‑3 combinó Transformer autoregresivo, gran escala de parámetros y datos, y evaluación mediante instrucciones y ejemplos en contexto. La amplitud de tareas de texto no convierte el modelo en plataforma general ni prueba pensamiento abstracto. El propio trabajo registró resultados desiguales y limitaciones. La comparación debe conservar acceso a ejemplos, herramientas y coste.

Las aplicaciones médicas exigen todavía más precisión. «Más del 90%» carece de significado sin enfermedad, población, modalidad, conjunto de prueba, métrica y comparación clínica. Una exactitud alta puede coexistir con baja sensibilidad en casos raros o con fuga de pacientes entre entrenamiento y prueba. El dato anónimo del original se retira: no identifica sistema, estudio ni protocolo.

Escalar parámetros y datos modifica coste, latencia y posibilidad de inspección. Una mejora debe declarar energía o cómputo de entrenamiento, memoria y tiempo de inferencia, no solo la puntuación. Un modelo menor puede ser preferible si alcanza el umbral con menos recursos, puede ejecutarse donde se generan los datos o facilita una retirada segura. La eficiencia es una dimensión de diseño y de acceso, no una promesa automática de menor impacto.

La explicación también pertenece al sistema. Un mapa de activaciones o una importancia de rasgos responde a una pregunta definida; no revela automáticamente el razonamiento causal. Para aplicaciones críticas se prueban calibración, cambios de hospital o dispositivo, subgrupos, abstención y revisión humana. El nombre «red neuronal» no reduce esas obligaciones.

Qué relación puede sostenerse con la IAG

Las redes neuronales ofrecen mecanismos potentes para aprender representaciones y políticas, pero la IAG es una afirmación sobre alcance y adaptación, no sobre el material de construcción. Harían falta pruebas de transferencia a familias nuevas, adquisición eficiente de habilidades, composición, memoria, uso de herramientas, robustez y control de acciones. Mejorar una de ellas no establece las demás.

El aprendizaje continuo ilustra la distancia. Overcoming catastrophic forgetting in neural networks propuso limitar cambios en parámetros importantes para tareas anteriores. El problema no quedó «superado», como decía el original: distintos datos, secuencias de tareas y capacidades requieren comparar retención y plasticidad. Proteger demasiado impide aprender; proteger poco favorece el olvido.

Tampoco hay base para prometer una revolución cuántica inminente que acelere estas redes de forma colosal. Una afirmación así necesita algoritmo, hardware, tamaño del problema, comparación clásica y fecha. Si no se dispone de ellos, se presenta como línea de investigación, no como pronóstico técnico. La misma disciplina se aplica a causalidad, metacognición o arquitecturas «diferenciales»: nombre, mecanismo y prueba antes que expectativa.

La capacidad transferible es leer cualquier avance de redes con una ficha de cinco columnas: representación, optimización, sesgo inductivo, recursos y evaluación fuera de distribución. Después se identifica el resto del sistema —búsqueda, herramientas, datos y supervisión— y se limita la conclusión a lo observado. Así se reconoce un progreso real sin convertir cada descenso de pérdida en un paso medido hacia la IAG.