Un nuevo estudio desafía la suposición de que el entrenamiento mejora qué tan bien las redes neuronales imitan al cerebro. Los investigadores encontraron que una sola ronda de entrenamiento supervisado puede reducir la alineación de un modelo con la corteza visual temprana entre un 25 y un 90%, dependiendo de la regla de aprendizaje utilizada.
La Investigación
Nils Leutenegger, investigador en la intersección del aprendizaje automático y la neurociencia, entrenó redes neuronales con 720 imágenes de objetos de la base de datos THINGS. Midió qué tan bien las representaciones internas de los modelos coincidían con datos de fMRI humanos de tres sujetos en seis regiones visuales del cerebro. El estudio, publicado en arXiv en mayo de 2026, rastreó la alineación en ocho puntos de control de entrenamiento utilizando análisis de similitud representacional (RSA).
Se compararon cuatro reglas de aprendizaje: retropropagación (BP), alineación de retroalimentación (FA), codificación predictiva (PC) y plasticidad dependiente del tiempo de disparo (STDP). Los resultados mostraron que una sola época de entrenamiento redujo la alineación con V1 entre un 25 y un 90%. La retropropagación causó la mayor caída en la alineación con V1 (Δr = -0.08), mientras que la codificación predictiva y STDP preservaron más la estructura similar al cerebro (Δr ≈ -0.04). Curiosamente, se observó la tendencia opuesta en la corteza selectiva de objetos (LOC), donde BP mostró el mayor aumento en la alineación, aunque el cambio absoluto fue pequeño.
Estos hallazgos sugieren que las redes no entrenadas ya capturan estadísticas visuales de bajo nivel solo a través de su arquitectura. Las señales de error global como la retropropagación reestructuran agresivamente las representaciones tempranas, mientras que las reglas de aprendizaje local (PC, STDP) preservan mejor la estructura similar al cerebro.
Por Qué Es Importante
Esta investigación tiene implicaciones importantes tanto para la IA como para la neurociencia. Sugiere que entrenar redes neuronales con retropropagación puede hacerlas menos similares al cerebro, especialmente en áreas visuales tempranas. El hecho de que las redes no entrenadas se alineen bien con el cerebro resalta el poder de los sesgos inductivos incorporados en las arquitecturas. Para plataformas de entrenamiento cerebral como IQGenio, esto subraya que no todos los métodos de aprendizaje son iguales: algunos pueden aprovechar el procesamiento natural del cerebro de manera más efectiva.
Qué Puedes Hacer
Aunque estos hallazgos son sobre redes artificiales, nos recuerdan que las estrategias de aprendizaje importan. Para mantener tu propio sistema visual en forma, participa en tareas que impliquen aprendizaje local impulsado por retroalimentación, como rompecabezas que requieran razonamiento espacial o reconocimiento de patrones. Evita depender demasiado de la memorización mecánica; en su lugar, concéntrate en comprender las estructuras subyacentes.
Fuente: arXiv q-bio.NC
¿Curioso sobre tu propio cerebro? Realiza nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.
