Un nuevo estudio revela que las actualizaciones internas de memoria de ciertos modelos de IA —los transformadores lineales— son matemáticamente idénticas a teorías centenarias sobre el aprendizaje animal. Este sorprendente vínculo predice cómo se comportan estos modelos y abre nuevas vías para comprender tanto la cognición artificial como la humana.
La investigación
Mu Qiao, investigador de una institución no revelada, publicó un artículo en arXiv (agosto de 2025, v3 agosto de 2026) que muestra que las principales familias de atención lineal implementan modelos con nombre de la teoría clásica del aprendizaje. La atención lineal refleja la contigüidad hebbiana, DeltaNet implementa la corrección de error de Rescorla-Wagner, y variantes con decaimiento como RetNet imitan la contigüidad con una traza de estímulo. El estudio encontró una forma cerrada exacta para el bloqueo de Kamin —un fenómeno en el que el aprendizaje previo bloquea nuevas asociaciones—, verificada en simulación con menos de 10^-7 en cinco tasas de aprendizaje. Qiao también predijo una disociación: la atención con corrección de error exhibe competencia de claves, mientras que la atención basada en contigüidad no; lo validó empíricamente. Además, la capacidad de estado único escala con exponentes de 1.22 para recuperación y 1.89 para identificación, y el error de recuperación depende principalmente del tamaño total del estado, no de la partición por cabezas. El estudio también demostró que no hay recuperación espontánea para recurrencias de estado único analizadas bajo ensayos de retención ortogonales a las claves.
Por qué es importante
Esta investigación une la IA y la psicología, mostrando que principios del aprendizaje animal —como la competencia de claves— se aplican a la memoria de las máquinas. Para tu cerebro, sugiere que la forma en que aprendemos asociaciones puede seguir reglas similares, y comprenderlas puede ayudarte a optimizar tu propio aprendizaje. Los hallazgos también implican que los modelos de IA, como los humanos, pueden mostrar sesgos en cómo forman recuerdos, lo que tiene implicaciones para la confianza y la equidad en la IA.
Qué puedes hacer
Para aprovechar estos conocimientos, varía tus contextos de aprendizaje para evitar la competencia de claves, y espacia la práctica para fortalecer las asociaciones. Para los usuarios de IA, ten en cuenta que los modelos pueden exhibir sesgos similares al condicionamiento humano.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.