No soy neurocientífico. No soy investigador en ciencias cognitivas. No soy una autoridad en inteligencia artificial. Soy, simplemente, una persona más.
Y precisamente por eso creo que merece la pena escribir este artículo.
Porque en cuestiones como esta, como en tantas otras, no solo los expertos pueden tener voz. Los expertos son imprescindibles para avanzar con rigor. Pero observar, pensar y hacerse preguntas no debería estar reservado a una minoría. Todos podemos aportar algo, aunque solo sea una buena pregunta.
Y a veces, para abrir un nuevo camino, es más importante cambiar la pregunta que seguir perfeccionando la respuesta.
No escribo esto para dar una respuesta definitiva. Lo escribo para dejar sobre la mesa una duda que me parece legítima:
¿Y si la inteligencia artificial actual, por brillante que sea, no deja de ser una imitación todavía muy temprana, muy parcial y muy burda de la naturaleza?
Funcionar no es lo mismo que acertar con el principio
No digo que los transformers no funcionen. Funcionan. Y han cambiado la industria. El propio paper Attention Is All You Need (se abre en una pestaña nueva) propuso una arquitectura basada solo en mecanismos de atención, prescindiendo de recurrencia y convoluciones, y ese giro resultó decisivo para el salto de calidad de los modelos modernos.
Lo que digo es otra cosa:
- Que quizá estamos confundiendo una solución extraordinariamente útil con una solución definitiva.
- Que quizá estamos explotando muy bien una familia de respuestas… sin habernos atrevido todavía a reformular la pregunta de fondo.
La intuición de que debemos mirar a la naturaleza para encontrar mejores diseños tampoco es nueva. Janine Benyus popularizó la biomímesis (se abre en una pestaña nueva) precisamente como la idea de estudiar la naturaleza como modelo, medida y mentora para resolver problemas humanos.
Y esa idea, llevada al terreno de la inteligencia, me parece crucial.
Porque si la naturaleza es el único lugar donde conocemos con certeza una inteligencia general, adaptativa, robusta, energética y contextual —la biológica—, parece razonable pensar que entenderla mejor sigue siendo una de las vías más fértiles para construir sistemas más inteligentes. Esa intersección entre neurociencia e IA sigue muy viva; de hecho, Nature Machine Intelligence defendía en 2024 que merece la pena volver a mirar con atención al cruce entre ambas disciplinas.
Las redes neuronales artificiales no son el cerebro
Ni siquiera una aproximación especialmente fiel. Son, en el mejor de los casos, una abstracción útil. Útilísima, sí. Pero abstracción al fin y al cabo.
En el cerebro, la unidad de procesamiento no está separada limpiamente de la memoria como lo está en la arquitectura clásica de los sistemas digitales. La plasticidad sináptica, la modulación, la dinámica temporal, la reorganización funcional y la consolidación hacen que computación y memoria estén profundamente entrelazadas. La literatura sobre plasticidad sináptica y memoria lleva décadas mostrando que el aprendizaje biológico no puede reducirse a una simple actualización estática de pesos.
Incluso cuando hablamos de retropropagación, que ha sido uno de los motores del aprendizaje profundo, estamos ante una solución potentísima desde el punto de vista ingenieril, pero discutida desde el punto de vista biológico. Timothy Lillicrap, Adam Santoro, Luke Marris, Colin Akerman y Geoffrey Hinton lo explicaban con claridad en Backpropagation and the brain (se abre en una pestaña nueva): la retropropagación aprende muy bien en redes artificiales, pero no resulta obvio cómo el córtex podría implementar la forma estricta de señal de error que exige el algoritmo clásico.
Es decir: incluso cuando la IA acierta, no necesariamente acierta por parecerse de verdad a cómo aprende el cerebro.
Y ese matiz importa. Porque una cosa es que una técnica funcione. Y otra muy distinta es que esa técnica capture el principio correcto.
Geoffrey Hinton lo ha sugerido indirectamente al explorar alternativas como el Forward-Forward algorithm (se abre en una pestaña nueva), presentado precisamente como una vía que merecía investigarse, entre otras cosas, por su posible mayor plausibilidad biológica frente al aprendizaje profundo convencional.
No estamos, por tanto, ante un debate marginal. Está dentro del propio corazón de la investigación.
La memoria no es una ventana
En IA hablamos mucho de contexto, de ventanas, de compactación, de recuperación, de memoria externa, de retrieval. Todo eso tiene valor práctico. Pero comparar sin más una ventana de contexto fija con la memoria humana me parece arriesgado.
La memoria biológica no es solo almacenamiento temporal. Es reconstrucción, abstracción, consolidación, reactivación y reinterpretación. Hay evidencia abundante de que el hipocampo participa en mapas predictivos y en mecanismos de replay vinculados a planificación y consolidación. Además, trabajos recientes sobre construcción y consolidación de memoria subrayan que el cerebro no se limita a preservar trazas: también las transforma y abstrae.
Eso se parece mucho menos a una "ventana" y mucho más a un sistema vivo de reconfiguración continua.
Por eso me cuesta pensar que la vía principal hacia una inteligencia más general consista solo en hacer más grandes los transformers, más largas las ventanas de contexto o más sofisticadas las técnicas de compresión.
Puede que ese camino siga dando mucho de sí. De hecho, lo sigue dando. Pero quizá estamos exprimiendo una familia concreta de respuestas sin cuestionar suficientemente el marco que las produce.
Otras formas de mirar el problema
Y ahí es donde me interesa la posición de gente como Jeff Hawkins. Su teoría de los Thousand Brains (se abre en una pestaña nueva) no describe el neocórtex como una jerarquía lineal simple donde el conocimiento "sube" capa a capa, sino como un sistema distribuido en el que múltiples columnas corticales aprenden modelos completos del mundo y de los objetos. No hace falta aceptar toda su teoría para reconocer que obliga a pensar más allá de la metáfora lineal con la que a veces hemos tratado las redes profundas.
También Yann LeCun ha insistido en que una inteligencia más autónoma probablemente necesitará algo más que predicción de tokens: modelos del mundo (se abre en una pestaña nueva), aprendizaje autosupervisado, memoria, jerarquías temporales y capacidad de planificación. Su posición no niega el valor de los modelos actuales; lo que cuestiona es que escalar la receta actual baste para llegar a una inteligencia más robusta y general.
A mí eso me parece importante. Porque introduce una idea incómoda, pero necesaria: quizá no estamos delante del final de un camino, sino del principio de una etapa todavía muy primitiva.
Una etapa impresionante, sí. Una etapa rentable, sí. Una etapa transformadora, sí. Pero todavía primitiva.
Tal vez la historia de la IA actual se parezca más al primer motor de combustión que al avión moderno. Más a una primera gran intuición práctica que a la forma madura de la inteligencia artificial que acabaremos construyendo.
Las preguntas que conviene seguir haciendo
No vengo a invalidar el trabajo de nadie. Ni a despreciar la utilidad real de lo que hoy existe. Los transformers han demostrado un valor extraordinario. La atención, los embeddings, el aprendizaje autosupervisado, el escalado y las técnicas de ajuste han abierto un campo inmenso. Negarlo sería absurdo. Pero precisamente por su éxito conviene no convertirlos en dogma.
Porque cuando una solución funciona demasiado bien, el mercado deja de hacerse ciertas preguntas. Y algunas preguntas conviene seguir haciéndolas:
- ¿Estamos midiendo inteligencia o rendimiento estadístico bajo determinadas distribuciones?
- ¿Estamos modelando comprensión o correlación útil a gran escala?
- ¿Estamos reproduciendo principios profundos de la cognición o solo logrando atajos de enorme potencia práctica?
- ¿Estamos observando bien la naturaleza… o solo proyectando sobre ella nuestras propias simplificaciones?
Yo no tengo una respuesta cerrada para eso. Pero sí tengo una convicción: la próxima gran revolución quizá no llegue solo de mejorar los modelos actuales, sino de atrevernos a cambiar las preguntas que guían su diseño.
Quizá haga falta observar mejor la naturaleza. Quizá haga falta dejar de pensar tanto en capas y empezar a pensar más en dinámica, plasticidad, predicción, energía, memoria, cuerpo, entorno y autoorganización. Quizá incluso haga falta que parte de esa nueva mirada la provoque la propia IA, ayudándonos a ver limitaciones conceptuales que hoy no estamos viendo.
No lo sé. Pero sí sé que seguir preguntándolo tiene sentido.
Y en la empresa, esto no es solo filosofía
Porque integrar IA con éxito no depende únicamente de saber desplegar modelos, ajustar prompts o consumir APIs. Depende también de hacerse las preguntas correctas. De cuestionar los supuestos. De entender qué resuelve de verdad una tecnología, qué imita bien, qué imita mal y qué riesgos introduce cuando la colocamos en procesos críticos.
En Ximplicity trabajamos precisamente desde esa combinación de criterio técnico y cuestionamiento inteligente. Ayudamos a las compañías a integrar inteligencia artificial en sus procesos de negocio de forma útil, controlada y segura, sin poner en riesgo su operación, su propiedad intelectual ni su capacidad de decisión. Porque implementar IA no es solo aplicar conocimiento. También es saber dónde ese conocimiento todavía no basta.
Y para eso no solo hacen falta herramientas. Hacen falta preguntas.
Referencias
- Vaswani et al. (2017) — Attention Is All You Need, el paper que introdujo la arquitectura transformer. arXiv:1706.03762 (se abre en una pestaña nueva)
- Lillicrap, Santoro, Marris, Akerman y Hinton (2020) — Backpropagation and the brain, Nature Reviews Neuroscience. nature.com (se abre en una pestaña nueva)
- Hinton (2022) — The Forward-Forward Algorithm: Some Preliminary Investigations. arXiv:2212.13345 (se abre en una pestaña nueva)
- Jeff Hawkins — Thousand Brains Theory, sobre columnas corticales que aprenden modelos completos del mundo. numenta.com (se abre en una pestaña nueva)
- Yann LeCun (2022) — A Path Towards Autonomous Machine Intelligence, sobre modelos del mundo y planificación. openreview.net (se abre en una pestaña nueva)
- Janine Benyus — Biomimicry Institute, sobre la naturaleza como modelo, medida y mentora. biomimicry.org (se abre en una pestaña nueva)