¿Qué tan bien reflejan las redes neuronales artificiales el sistema visual del cerebro? Un nuevo preprint sugiere que la respuesta depende de qué área cerebral y qué especie se examine. El estudio probó cinco reglas de aprendizaje contra la fMRI humana y la electrofisiología de macacos, encontrando que las áreas visuales tempranas están más alineadas que las áreas superiores—y que una ResNet-50 preentrenada supera a los modelos personalizados en áreas superiores.
La Investigación
Nils Leutenegger, investigador cognitivo, comparó cinco reglas de aprendizaje—retropropagación (BP), alineación de retroalimentación (FA), codificación predictiva (PC), plasticidad dependiente de sincronización de picos (STDP) y pesos aleatorios—entre especies. Usando análisis de similitud representacional (RSA), midió la alineación con V1/V2 del macaco (102–103 neuronas) y V4/IT (88–168 neuronas) de dos conjuntos de datos, y comparó con datos de fMRI humana de un estudio complementario.
Hallazgos clave: todos los modelos mostraron mayor alineación con la corteza visual temprana del macaco (V1/V2: rho = 0.15–0.30) que con fMRI humana (rho = 0.01–0.08), probablemente debido a la mayor relación señal-ruido de la electrofisiología. STDP y PC lideraron en alineación visual temprana (rho ~ 0.30 y 0.28, respectivamente). Sin embargo, en IT (corteza temporal inferior), las clasificaciones entre especies mostraron una correlación nula (tau de Kendall = 0.00, p = 1.00), aunque el estudio solo tuvo cinco reglas de aprendizaje, limitando el poder para detectar cualquier inversión excepto exacta. Una ResNet-50 preentrenada alcanzó rho = 0.25 en IT, superando a todas las condiciones de CNN personalizadas (rho = 0.07–0.14), sugiriendo que la alineación en IT está limitada por la capacidad del modelo y los datos de entrenamiento, no solo por la regla de aprendizaje.
Una corrección de agosto de 2026 notó que un error afectó los resultados de PC y STDP; después de la reparación, STDP todavía lideró en V1, pero PC cayó a la línea base. Otros hallazgos permanecieron sin cambios.
Por Qué Es Importante
Esta comparación entre especies es un paso poco común hacia la validación de modelos de IA de la visión contra cerebros biológicos. Muestra que el procesamiento visual temprano está bastante conservado entre especies, lo cual es una buena noticia para usar IA en la comprensión de la visión de bajo nivel. Pero el resultado nulo en IT destaca que la cognición de orden superior aún está mal capturada por los modelos de aprendizaje profundo actuales—la brecha entre la visión artificial y biológica sigue siendo amplia.
Para los lectores, esto subraya que la IA, aunque impresionante, aún tiene un largo camino por recorrer antes de que pueda imitar toda la complejidad del cerebro. También demuestra el valor de estudiar múltiples especies para entender la cognición humana.
Lo Que Puedes Hacer
- Desafía tu procesamiento visual: Prueba acertijos visuales o juegos de entrenamiento cerebral que apunten al reconocimiento de patrones.
- Aprende sobre ciencia cognitiva: Entiende cómo funciona tu cerebro leyendo investigaciones como esta.
- Realiza una prueba de CI gratuita: Mide tus propias habilidades cognitivas para ver dónde estás.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.