Los sistemas de aprendizaje enfrentan una tensión fundamental: deben generalizar a través de experiencias y, al mismo tiempo, discriminar los detalles relevantes para la tarea. Un nuevo modelo computacional llamado HOLMES (Hierarchical Online Learning of Multiscale Experience Structure) muestra cómo el cerebro podría resolver este problema construyendo categorías anidadas sobre la marcha, ensayo a ensayo.
La investigación
Ines Aitsahalia y Kiyohito Iigaya, investigadores del Instituto de Tecnología de California, publicaron sus hallazgos en arXiv (q-bio.NC, marzo de 2026, revisado en julio de 2026). Se preguntaron si un solo modelo podría combinar la actualización incremental de los modelos de causa latente en línea con la estructura multinivel de los modelos bayesianos jerárquicos.
HOLMES combina una variación del prior del Proceso de Restaurante Chino anidado con inferencia secuencial de Monte Carlo. Esto permite que el modelo realice una inferencia tratable ensayo a ensayo sobre representaciones latentes jerárquicas, sin ninguna supervisión explícita sobre la estructura latente. En otras palabras, descubre categorías y subcategorías por sí solo a medida que fluyen los datos.
En simulaciones, HOLMES igualó el rendimiento predictivo de los modelos planos mientras aprendía representaciones más compactas. Luego demostró transferencia hacia atrás de un solo ensayo: después de aprender una nueva categoría de alto nivel, podía reconocer inmediatamente instancias pertenecientes a esa categoría sin entrenamiento adicional. En una tarea de transferencia hacia adelante, HOLMES logró una predicción de resultados por encima del azar para estímulos con combinaciones de características nunca antes vistas. Lo hizo aprovechando representaciones abstractas a nivel de forma aprendidas a través de diversas instancias de entrenamiento.
El artículo incluye cuatro figuras principales y cinco figuras suplementarias. Los autores no reportan un tamaño de muestra humano porque el trabajo es computacional, pero las simulaciones proporcionan evidencia de prueba de concepto para las capacidades del modelo.
Por qué importa
Tu cerebro enfrenta constantemente el mismo desafío que aborda HOLMES: te encuentras con un objeto nuevo y debes decidir si pertenece a una categoría conocida o merece una nueva. Los modelos tradicionales o se actualizan lentamente y pierden matices jerárquicos, o requieren procesamiento fuera de línea que no puede seguir el ritmo de la experiencia en tiempo real.
HOLMES sugiere que la estructura jerárquica puede aprenderse en línea, sin un maestro. Eso tiene implicaciones para comprender cómo los humanos forman conceptos abstractos, como reconocer que un gorrión y un águila pertenecen a la categoría más amplia de aves, incluso si nunca has visto un águila antes. También apunta hacia sistemas de inteligencia artificial más flexibles que se adaptan a nuevos datos sin reentrenar desde cero.
Qué puedes hacer
Para ejercitar tu propio aprendizaje jerárquico, intenta categorizar nueva información a medida que la encuentras. Cuando aprendas un dato nuevo, pregúntate: ¿a qué categoría más amplia pertenece esto? ¿Qué lo distingue de otros miembros? Este simple hábito fortalece el mismo tipo de representación flexible y multinivel que modela HOLMES. También puedes practicar la transferencia de un solo ensayo recordando deliberadamente un concepto de alto nivel después de aprender un solo ejemplo nuevo; por ejemplo, después de leer sobre un animal nuevo, piensa inmediatamente en otros animales de su clase.
Fuente: arXiv q-bio.NC
¿Tienes curiosidad por tu propio cerebro? Haz nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.