Neuronas reales y artificiales: cómo funcionan y cómo aprenden

Se habla mucho de «redes neuronales» y de que la inteligencia artificial «imita al cerebro». La comparación tiene algo de verdad y bastante de simplificación. Veremos una neurona biológica, su versión matemática y cómo aprende una red a distinguir gatos de perros.

Una neurona de verdad

Una neurona típica tiene tres partes principales. Las dendritas reciben señales de otras células. El cuerpo celular, o soma, mantiene la célula e integra lo que llega. El axón conduce el impulso hacia sus terminales, donde la neurona se comunica con la siguiente.

Ciclo de entrenamiento de una red neuronal: predicción, pérdida, retropropagación de gradientes y actualización de pesos

Ese punto de comunicación es la sinapsis. En una sinapsis química, la neurona presináptica libera neurotransmisores que se unen a receptores de la célula postsináptica. Allí provocan una pequeña señal eléctrica que puede ser excitadora, si aumenta la probabilidad de que la neurona dispare, o inhibidora, si la reduce. Ojo con la tentación de etiquetar cada neurotransmisor como «bueno» o «malo»: el efecto depende de los receptores, los canales y los iones implicados, no solo de la molécula.

La neurona no reacciona a cada señal por separado. Las suma en el espacio y en el tiempo: varias señales simultáneas desde distintas dendritas, o varias seguidas desde la misma. Si el resultado acerca la membrana lo bastante al umbral en la zona de disparo, se genera un potencial de acción, un impulso eléctrico que recorre el axón. Al llegar al terminal, ese impulso puede abrir canales de calcio y desencadenar la liberación de más neurotransmisores. Y vuelta a empezar con la siguiente célula.

No todas las sinapsis son químicas. Las sinapsis eléctricas dejan pasar corrientes iónicas directamente a través de uniones gap. Pueden ser muy rápidas, a menudo funcionan en ambos sentidos y ayudan a sincronizar la actividad de grupos de neuronas.

Si esto le ha parecido una oficina con papeleo, tiene razón.

La neurona artificial: una cuenta con buena prensa

Una neurona artificial es bastante más modesta. Según el glosario de aprendizaje automático de Google, es una unidad que recibe entradas numéricas, las combina y produce una salida. Los ingredientes son cuatro:

Entradas: números, como x1, x2 y otros valores que representan algún dato.
Pesos: cada entrada se multiplica por un peso que indica cuánto influye en esa unidad. Un peso positivo apoya una hipótesis y uno negativo le resta apoyo.
Sesgo o bias: un número que se suma al total y desplaza el resultado, como un punto de partida.
Función de activación: transforma la suma en la salida final e introduce no linealidad, algo esencial para que las redes aprendan relaciones complejas.

Diagrama de una neurona artificial con entradas numéricas, pesos, sesgo, función de activación y salida

Una neurona artificial combina números mediante pesos y sesgo, y transforma el resultado con una función de activación.

En forma compacta:

salida = activación(suma de entradas × pesos + sesgo)

Un ejemplo con números inventados ayuda a ver la mecánica. Imaginemos una unidad que valora si una imagen tiene «rasgos de gato». Recibe dos entradas: x1 = 0,8, algo parecido a «orejas puntiagudas», y x2 = 0,2, algo parecido a «hocico alargado». Sus pesos son 1,5 y −1,0, y el sesgo es −0,4.

La cuenta queda así:

0,8 × 1,5 + 0,2 × (−1,0) − 0,4 = 0,6

Si la activación es una curva suave llamada sigmoide, la salida ronda 0,65: una inclinación moderada hacia «gato». En una red real, nadie escribe a mano esos rasgos ni esos pesos. Los valores se aprenden, y las entradas rara vez significan algo tan legible.

Parecidos razonables, diferencias enormes

El parecido está en la idea general: varias señales entran, unas pesan más que otras, algunas empujan a favor y otras en contra, y la unidad produce una salida que otras reciben. De ahí viene la inspiración.

Pero la neurona artificial es una analogía matemática, no una réplica. No tiene membrana, dendritas, neurotransmisores ni metabolismo. Tampoco es, por defecto, un interruptor de «sí o no»: muchas producen valores continuos y varias activaciones son suaves. Una célula viva es mucho más que una suma ponderada, y llamar «neurona» a esa suma es un préstamo de vocabulario más que una equivalencia.

Cómo aprende una red a distinguir gatos de perros

Supongamos que damos a una red muchas imágenes etiquetadas como «gato» o «perro». Al principio, sus pesos tienen valores poco útiles y acierta más o menos lo que acertaría lanzando una moneda, mientras el gato de la foto la mira con desdén. El aprendizaje es un ciclo con cuatro pasos:

Ciclo de entrenamiento de una red neuronal: predicción, pérdida, retropropagación de gradientes y actualización de pesos

Predicción. En la pasada hacia delante, la imagen atraviesa la red y sale una predicción, por ejemplo «70 % perro».
Pérdida. Una función de pérdida compara la predicción con la etiqueta correcta y devuelve un número: el error. Si era un gato, la pérdida será alta.
Retropropagación. Aquí se usa la regla de la cadena para calcular cuánto cambiaría la pérdida si se modificase cada peso y cada sesgo. Esos valores son los gradientes. La retropropagación solo calcula gradientes. No cambia nada por sí misma.
Actualización. El optimizador toma esos gradientes y decide cómo modificar los parámetros. En el descenso de gradiente, cada peso se mueve en la dirección que reduce la pérdida, y la tasa de aprendizaje controla el tamaño de cada paso.

La distinción importa: la retropropagación informa de hacia dónde ajustar; el optimizador da el paso. Existen distintos optimizadores que usan los mismos gradientes de maneras diferentes.

Si alguna vez corrigió un examen y estudió lo que había fallado, conoce la intuición. La red lo hace con millones de ajustes diminutos y sin quejarse del temario.

El ciclo se repite con muchos ejemplos. Después hay que evaluarla con datos nuevos: interesa que reconozca patrones, no que memorice las imágenes de entrenamiento.

¿Y el cerebro? Plasticidad sin retropropagación

El cerebro también cambia con la experiencia. La plasticidad sináptica es la capacidad de modificar la eficacia de las conexiones, y la potenciación a largo plazo, o LTP, y la depresión a largo plazo, o LTD, son ejemplos muy estudiados de cambios en la fuerza sináptica.

Es tentador concluir que el cerebro aprende por retropropagación, pero no podemos afirmarlo. La comparación válida es más modesta: ambos sistemas pueden modificar conexiones o parámetros según la experiencia. Los mecanismos biológicos son diversos y no equivalen automáticamente al algoritmo con el que se entrena una red artificial.

Entrenar no es lo mismo que usar

Durante el entrenamiento se actualizan pesos y sesgos. Una vez entrenada, la red puede hacer inferencia: recibe una entrada, calcula una salida y responde sin actualizar necesariamente sus pesos.

Cuando una aplicación le dice si su foto es de un gato, normalmente está aplicando lo aprendido, no aprendiendo en ese momento. Que una red ajuste sus pesos en cada respuesta sería otro diseño posible, no una propiedad inevitable de toda red.

Reconocer patrones no es tener mente

Que una red distinga gatos de perros es un logro técnico notable, pero no demuestra conciencia, experiencia subjetiva ni comprensión humana, y tampoco equivalencia con un cerebro.

La inspiración biológica ha servido para construir modelos útiles para reconocer patrones. Parecerse en un diagrama no convierte una función matemática en una célula viva.