Los modelos cerebrales de Carnegie Mellon se enfrentan a una prueba de realidad

Carnegie Mellon University llegó a Google News con una afirmación específica de NeuroAI: los modelos de aprendizaje automático pueden predecir cómo responden a las imágenes partes de la corteza visual humana. El trabajo desplaza la investigación cerebral del registro de la actividad hacia su predicción. Sin embargo, un modelo que predice señales neuronales no explica automáticamente cómo funciona la visión biológica.

Esa distinción constituye la tensión central. El equipo de Maggie Henderson recopila datos de resonancia magnética funcional, o fMRI, que mide cambios en el flujo sanguíneo asociados con la actividad neuronal. Luego, los investigadores comparan esas mediciones con representaciones producidas dentro de redes neuronales profundas.

El enfoque se basa en un prolongado intercambio entre la neurociencia y la inteligencia artificial. Las primeras redes neuronales tomaron ideas de la biología. Ahora, los neurocientíficos utilizan sistemas de visión por computadora como modelos comprobables de la percepción.

Esta inversión crea nuevas oportunidades, pero también plantea una difícil pregunta científica. Un modelo puede coincidir con la actividad cerebral registrada mientras se apoya en cálculos que difieren del propio proceso del cerebro. Por ello, la predicción es un punto de partida, no una explicación final.

Lo que realmente revela el titular de Google News

Carnegie Mellon está tratando la IA como un instrumento predictivo para la neurociencia, no como una máquina que lee pensamientos o recrea todo lo que ve una persona.

La historia apareció en Google News después de que Carnegie Mellon describiera su programa más amplio de NeuroAI el 24 de agosto de 2026. La explicación pública reúne varios proyectos relacionados, en lugar de anunciar un producto terminado.

Henderson, profesora asistente de psicología, estudia cómo el cerebro transforma la información visual en representaciones de objetos y escenas. Su equipo registra datos de fMRI mientras las personas observan imágenes. Después, construye modelos computacionales que predicen respuestas en diferentes áreas visuales.

Los modelos utilizan características internas aprendidas por redes neuronales profundas. Una característica es un patrón que ayuda a una red a distinguir información como la forma, la textura, el color o la identidad de un objeto. Los investigadores pueden comprobar si esas características predicen patrones en datos cerebrales humanos.

Esto importa porque las imágenes cerebrales convencionales a menudo producen correlaciones sin una explicación computacional completa. Una región puede activarse más durante una tarea, pero esa observación no identifica el cálculo que se está realizando.

Un modelo computable a partir de estímulos da un paso más firme. Recibe una entrada física, como una imagen o un sonido, y genera una respuesta neuronal predicha. Los científicos pueden comparar esa predicción con una respuesta medida en una persona o un animal.

Jenelle Feather, otra investigadora de Carnegie Mellon, describió estos modelos como sistemas que van directamente de un estímulo a una predicción neuronal. Su trabajo incluye probar si las redes artificiales retienen y descartan información de maneras que se asemejan a los sistemas sensoriales biológicos.

La cobertura más reciente no debe interpretarse como evidencia de que Carnegie Mellon haya reconstruido la experiencia visual privada de una persona. El trabajo citado se centra en predecir respuestas a entradas controladas. Eso es diferente de decodificar una imagen desconocida únicamente a partir de la actividad cerebral.

La distinción también separa esta investigación de los titulares sobre lectura cerebral clínica. El proyecto de Henderson estudia representaciones implicadas en la percepción. No establece un método general para extraer creencias, recuerdos o intenciones de escáneres de fMRI.

Sin embargo, el programa de Carnegie Mellon marca un cambio metodológico concreto. Los investigadores pueden pasar de preguntar dónde aparece la actividad a comprobar si un modelo computacional anticipa esa actividad.

El programa NeuroAI de la institución también vincula este trabajo visual con la audición, las interfaces cerebro-máquina, la IA adaptativa y el mapeo de circuitos neuronales. Estos proyectos comparten un objetivo: convertir mediciones descriptivas en modelos que generen predicciones falsables.

El encuadre de Google News condensa esa agenda en un titular sencillo sobre el “sentido de las imágenes” del cerebro. La historia subyacente es más mesurada. La IA aporta explicaciones candidatas, mientras los experimentos determinan si esas explicaciones se sostienen.

Por qué predecir la corteza visual importa ahora

La oportunidad surge de combinar mejores mediciones neuronales con modelos informáticos capaces de procesar los mismos estímulos complejos que ven los participantes de investigación.

Los experimentos más antiguos de neurociencia visual solían usar estímulos simples, incluidas barras, puntos y patrones controlados. Esos experimentos revelaron principios esenciales, como las neuronas que responden a orientaciones específicas de bordes.

Las escenas naturales introducen muchas más variables. Una fotografía callejera puede contener rostros, vehículos, sombras, texto, señales de profundidad y objetos superpuestos. Separar la contribución de cada característica se vuelve difícil.

Las redes de visión por computadora ofrecen una representación intermedia práctica. Sus capas transforman los píxeles en características progresivamente más abstractas. Los investigadores pueden preguntar si esas transformaciones se asemejan a los cambios medidos en la corteza visual.

La comparación no exige que los investigadores afirmen que una red artificial es una copia literal del cerebro. En cambio, una red se convierte en un modelo candidato entre varios. Sus predicciones pueden contrastarse con datos registrados.

Este enfoque se ha vuelto más útil porque los modelos de aprendizaje automático pueden procesar imágenes sin editar a gran escala. También pueden generar una respuesta predicha para una imagen que no se incluyó durante el ajuste del modelo.

La generalización a estímulos no vistos es crucial. Un modelo que solo reproduce sus observaciones de entrenamiento puede haber memorizado patrones estadísticos. Un modelo que predice nuevas respuestas ofrece evidencia más sólida de que captó algo reutilizable.

Los investigadores aún necesitan más que una precisión global. Dos sistemas pueden lograr puntuaciones predictivas similares mientras usan mecanismos internos diferentes. Un modelo puede explotar la textura, mientras que una persona depende más de la forma o el contexto.

Ese problema presiona la cultura de evaluación más conocida del campo. La investigación en IA suele recompensar el rendimiento en un conjunto de datos fijo. La neurociencia necesita experimentos que distingan mecanismos en competencia, incluso cuando esos mecanismos obtienen resultados similares con imágenes ordinarias.

El trabajo de Carnegie Mellon forma parte de un esfuerzo más amplio para crear conjuntos de datos con mediciones más ricas. El proyecto MICrONS combinó registros de actividad neuronal con una reconstrucción detallada de conexiones físicas en la corteza visual de ratón.

El proyecto cartografió un milímetro cúbico de tejido que contiene unas 200.000 células y más de 500 millones de conexiones. Los investigadores registraron respuestas a estímulos visuales antes de reconstruir el mismo tejido con una resolución extremadamente fina.

Esta combinación importa porque la actividad y la anatomía suelen proceder de experimentos separados. MICrONS permite a los investigadores examinar cómo se relacionan el cableado, las respuestas neuronales y el comportamiento computacional dentro de la misma pieza de tejido.

El profesor de Carnegie Mellon Xaq Pitkow ayudó a desarrollar modelos que conectan esas capas. Los investigadores pueden proporcionar escenas visuales a un modelo, predecir respuestas neuronales y comparar esas predicciones con la actividad registrada.

El mapa cerebral de MICrONS también permite abordar preguntas que sus investigadores originales no anticiparon. Los conjuntos de datos públicos permiten a otros equipos probar modelos alternativos sin repetir todo el proceso de medición.

Esta infraestructura explica por qué NeuroAI está atrayendo atención ahora. El campo cuenta con modelos más capaces, conjuntos de datos más grandes, mediciones más precisas y herramientas para diseñar experimentos dirigidos. Estos ingredientes pueden convertir debates filosóficos sobre la inteligencia en comparaciones empíricas.

La predicción y la explicación son los verdaderos contendientes

La principal competencia no es entre neurociencia e IA. Es entre la precisión predictiva y una explicación fiel de la computación biológica.

Un modelo puede predecir una respuesta neuronal por la razón equivocada. Esta posibilidad es conocida en el aprendizaje automático, donde un clasificador puede explotar patrones de fondo en lugar del objeto previsto.

El mismo peligro se aplica a los modelos cerebrales. Una red puede correlacionarse con la actividad porque sus características siguen estadísticas útiles de las imágenes. Esa correlación no establece que el cerebro calcule esas características de la misma forma.

Por tanto, los investigadores necesitan intervenciones que separen modelos que, por lo demás, parecen igual de exitosos. Las fotografías ordinarias a menudo no sirven para este fin porque muchos modelos competentes las clasifican de manera similar.

Nikolaus Kriegeskorte y sus colaboradores han propuesto utilizar “estímulos controvertidos” sintéticos. Se trata de imágenes diseñadas para que modelos en competencia produzcan predicciones diferentes. Luego, los investigadores muestran las mismas imágenes a humanos o animales.

Una imagen ambigua podría parecerse a un tres para un modelo y a un siete para otro. Los juicios humanos pueden indicar qué modelo coincide mejor con la percepción biológica. Ambos modelos también pueden fallar, revelando la necesidad de otra teoría.

Esta estrategia convierte el desacuerdo en un recurso experimental. En lugar de celebrar una alta correlación media, los científicos buscan casos en los que las explicaciones en competencia divergen.

Un debate de 2026 del Zuckerman Institute de Columbia subraya que los modelos que realizan la misma tarea pueden utilizar cálculos diferentes. Su enfoque de desacuerdo entre modelos ofrece un importante contrapeso a las afirmaciones generales sobre una IA similar al cerebro.

La interpretabilidad plantea un segundo desafío. Las grandes redes neuronales pueden contener millones o miles de millones de parámetros ajustables. Su complejidad puede dificultar su análisis, incluso cuando predicen con precisión la actividad neuronal.

Un informe de Carnegie Mellon de febrero de 2026 describió el esfuerzo de otro equipo por comprimir modelos de la corteza visual en formas mucho más pequeñas. Los modelos resultantes eran miles de veces más simples y, aun así, conservaban una alta precisión predictiva.

Estos modelos compactos ayudaron a los investigadores a inspeccionar características asociadas con respuestas neuronales individuales. Los ejemplos incluyeron sensibilidad a los ojos dentro de los rostros y a los puntos dentro de patrones visuales.

El objetivo no era solo la eficiencia computacional. Un modelo más pequeño puede revelar relaciones que los investigadores pueden traducir en hipótesis de laboratorio.

Matt Smith, profesor de Carnegie Mellon involucrado en ese trabajo, sostuvo que los científicos no necesitan redes masivas para comprender neuronas individuales. Los modelos compactos de visión se diseñaron para preservar la predicción mientras mejoraban la accesibilidad científica.

La compresión no resuelve todos los problemas explicativos. Un modelo simplificado puede seguir siendo biológicamente inexacto. También puede ocultar mecanismos que eran importantes en la red original.

Sin embargo, la compresión crea un objetivo más claro para los experimentos. Los investigadores pueden comprobar si una característica propuesta impulsa de manera consistente una neurona en diferentes imágenes, contextos y sujetos.

Por tanto, el flujo de trabajo más sólido de NeuroAI contiene varias etapas. Primero, un modelo grande identifica una estructura predictiva. Después, los investigadores simplifican o interpretan esa estructura. Por último, experimentos dirigidos intentan refutarla.

Esa secuencia distingue la modelización científica del reconocimiento de patrones. También explica por qué la actual noticia de Google News no debería terminar con una puntuación predictiva. El resultado significativo llega cuando una predicción supera un experimento diseñado para hacerla fallar.

El mapa cerebral no elimina la brecha de medición

Los modelos de NeuroAI siguen condicionados por lo que los investigadores pueden medir, las especies que estudian y las diferencias entre los experimentos controlados y la percepción natural.

El trabajo de Henderson con humanos se basa en fMRI, que ofrece una amplia cobertura espacial sin registrar directamente los impulsos eléctricos individuales. Su señal refleja cambios en la oxigenación de la sangre asociados con la actividad neuronal.

Esa señal indirecta llega más lentamente que los eventos neuronales que sustentan la percepción. Un modelo puede predecir un patrón de fMRI sin captar la rápida secuencia de cálculos que lo produjo.

La fMRI humana también promedia la actividad de muchas neuronas. Dos mecanismos celulares diferentes pueden generar mediciones similares a gran escala. Los investigadores deben evitar tratar una coincidencia regional como una explicación neural completa.

MICrONS aporta un detalle anatómico y celular mucho más fino, pero su principal conjunto de datos visuales procede de la corteza de ratón. La visión de los ratones permite investigaciones valiosas, aunque difiere de la visión humana en anatomía, comportamiento y exigencias ecológicas.

Los proyectos se complementan en lugar de constituir un único modelo unificado del cerebro humano. Las imágenes humanas ofrecen relevancia para la percepción humana. Los registros en animales y la reconstrucción de tejidos proporcionan una resolución que, por lo general, no está disponible en personas vivas.

El comportamiento natural añade otra brecha. Un participante que observa imágenes fijas dentro de un escáner no percibe el mundo en condiciones normales. La visión cotidiana implica movimientos oculares, movimiento, acción, memoria y objetivos cambiantes.

SCENE, la Simons Collaboration on Ecological Neuroscience, aborda parte de esta limitación. La iniciativa de diez años cuenta con $80 millones de apoyo y estudia cómo los cerebros convierten la percepción en acción en entornos realistas.

Sus investigadores examinan las affordances, es decir, las oportunidades de acción que ofrece un entorno. Una silla permite sentarse, mientras que un camino abierto permite desplazarse.

Este énfasis desplaza el objetivo del reconocimiento de objetos a decidir qué importa para el comportamiento. También plantea requisitos de modelización más difíciles. Un sistema útil debe conectar la entrada sensorial con el contexto, la incertidumbre y la acción.

La escala de SCENE indica confianza a largo plazo en la dirección de investigación. No garantiza que las redes neuronales actuales ya contengan los mecanismos relevantes.

La iniciativa SCENE de Carnegie Mellon combina aprendizaje automático con registro neural y experimentos conductuales. Su duración da a los equipos tiempo para desarrollar teorías, recopilar datos y revisar modelos tras los fracasos.

Otra incertidumbre se refiere a las diferencias entre personas. La anatomía cerebral, la experiencia, la atención y las condiciones de escaneo pueden modificar las respuestas medidas. Un modelo ajustado a un grupo puede no generalizar limpiamente a otro.

Los investigadores también deben protegerse contra la evaluación circular. Si la selección y las pruebas de modelos dependen de imágenes o mediciones estrechamente relacionadas, el rendimiento puede parecer más sólido de lo que justifica la generalización al mundo real.

Los conjuntos de datos independientes ofrecen una prueba mejor. La replicación entre laboratorios reforzaría aún más la confianza, especialmente cuando difieren los equipos, los participantes y las decisiones analíticas.

Las afirmaciones sobre futuras aplicaciones clínicas requieren especial cautela. Un modelo predictivo de actividad sensorial saludable no es automáticamente un modelo de tratamiento. La traducción médica exige evidencia de seguridad, validación específica para cada paciente y beneficios medibles.

Feather ha descrito una posible vía que involucra audífonos e implantes cocleares. Los investigadores podrían modelar un sistema auditivo saludable, simular el deterioro y diseñar un procesamiento orientado a restaurar un código neural más saludable.

Es una dirección de investigación, no un resultado clínico establecido. Las suposiciones del modelo deben mantenerse en distintos dispositivos, pacientes, entornos y sistemas neuronales cambiantes.

La misma cautela se aplica a las interfaces cerebro-máquina y a la restauración de la visión. Los mejores modelos pueden sugerir objetivos y experimentos. No pueden sustituir los ensayos clínicos ni las mediciones directas de los resultados de los pacientes.

Estos límites no invalidan NeuroAI. Definen el trabajo necesario para pasar de una correlación interesante a una explicación fiable de la percepción.

Cómo los modelos cerebrales podrían transformar la inteligencia artificial

El valor bidireccional de NeuroAI depende de encontrar principios biológicos que mejoren las máquinas, no simplemente de hacer que los sistemas de IA parezcan más humanos.

La visión por computador ya ha tomado prestado el lenguaje y la estructura de la neurociencia. Las neuronas artificiales, el procesamiento por capas y los campos receptivos reflejan inspiración biológica, aunque los sistemas modernos difieren sustancialmente de los cerebros reales.

El renovado intercambio pregunta qué sigue faltándole a la IA actual. Los animales aprenden de forma continua, actúan en condiciones cambiantes y se adaptan sin recibir millones de ejemplos etiquetados para cada tarea.

La investigación de Aran Nayebi en Carnegie Mellon estudia el aprendizaje animal como fuente de objetivos de ingeniería. Su grupo examina cómo los agentes biológicos exploran y ajustan su comportamiento sin depender de un objetivo cuidadosamente especificado en cada paso.

Esta vía importa porque un alto rendimiento en benchmarks puede ocultar fragilidad. Un sistema de visión por computador puede clasificar con precisión imágenes conocidas y, sin embargo, fallar ante pequeños cambios en la textura, la iluminación o el punto de vista.

La visión biológica combina velocidad y flexibilidad. Utiliza contexto, experiencia previa, movimiento e incertidumbre. Los investigadores de NeuroAI quieren identificar cuáles de esas propiedades provienen de cálculos específicos, en lugar de comparaciones vagas.

El trabajo de Pitkow con MICrONS ofrece un ejemplo. Su análisis identificó neuronas que parecen sensibles a patrones visuales consistentes y que también responden a la escena circundante.

Estas neuronas pueden ayudar a representar los límites de los objetos sin ignorar el contexto. Ese equilibrio es relevante para los sistemas artificiales que operan en entornos abarrotados o desconocidos.

Los investigadores también observaron respuestas diferentes ante imágenes artificiales simples y escenas naturalistas. La naturalidad de la imagen modificó tanto la selectividad neuronal como la dependencia del contexto.

Este resultado advierte contra la suposición de que los estímulos controlados revelan todo sobre la visión del mundo real. También sugiere que la evaluación de IA debería incluir entornos variados en lugar de un único benchmark seleccionado.

Los modelos cerebrales compactos presentan otra posible vía de ingeniería. Si un modelo pequeño e interpretable conserva el comportamiento útil de una red más grande, los desarrolladores pueden estudiar qué cálculos son esenciales.

Ese proceso se parece a la destilación de conocimiento en aprendizaje automático, donde un sistema más pequeño aprende comportamientos útiles de uno más grande. La neurociencia añade un objetivo diferente: la representación destilada debería generar hipótesis sobre el procesamiento biológico.

Esas hipótesis podrían acabar influyendo en la robótica, las interfaces adaptativas, las prótesis sensoriales o los sistemas de percepción eficientes. Sin embargo, la similitud biológica no debería convertirse en una afirmación automática sobre productos.

Un sistema puede ser eficaz sin parecerse a un cerebro. A la inversa, un modelo puede reproducir una medición neuronal sin volverse más seguro, fiable o inteligente.

Por ello, los desarrolladores deberían preguntar qué aporta una restricción biológica. ¿Mejora la eficiencia de muestras, la adaptación, el uso de energía, el manejo de la incertidumbre o la resistencia a los cambios de distribución?

La misma disciplina se aplica a los equipos que siguen este trabajo mediante Google News. Un flujo de trabajo de investigación útil debería conservar el artículo original, el contexto institucional, las interpretaciones contrapuestas y las preguntas sin resolver.

Una base de conocimiento personal puede ayudar a los investigadores a conectar esos materiales con el tiempo. El objetivo no es recopilar más titulares. Es conservar la evidencia necesaria para comparar las afirmaciones con resultados posteriores.

NeuroAI importará a quienes desarrollan productos cuando sus principios superen pruebas fuera del laboratorio. Hasta entonces, sigue siendo una fuente productiva de hipótesis, no un plano listo para usar de la inteligencia general.

Tres señales que vigilar después del ciclo de Google News

La siguiente fase debería juzgarse mediante experimentos discriminantes, validación entre sujetos y resultados de comportamientos más naturales.

La primera señal es si los investigadores publican pruebas diseñadas específicamente para hacer que los principales modelos discrepen. Las puntuaciones predictivas promedio son útiles, pero rara vez revelan si dos sistemas usan el mismo mecanismo.

Los estímulos controvertidos ofrecen una prueba más precisa. Si los modelos de Carnegie Mellon predicen respuestas humanas a imágenes ambiguas o adversariales, la interpretación biológica se fortalece.

El fracaso también sería informativo. Si todos los modelos candidatos predicen incorrectamente las mismas respuestas, los investigadores obtienen evidencia de que falta un cálculo importante.

La segunda señal es la generalización entre personas, conjuntos de datos y laboratorios. Un modelo debería predecir mediciones más allá de los participantes y las condiciones de escaneo utilizadas para desarrollarlo.

La replicación independiente reduciría la posibilidad de que los resultados dependan de una canalización de preprocesamiento o colección de imágenes concreta. También revelaría cuánta calibración necesita cada nuevo participante.

Para la investigación clínica, esta señal se vuelve esencial. Los dispositivos personalizados necesitan adaptación individual, pero también una base fiable que se transfiera entre usuarios.

La tercera señal es el progreso desde imágenes aisladas hacia secuencias y comportamiento activo. Los investigadores de Carnegie Mellon ya han identificado el vídeo y la percepción dependiente del tiempo como pasos siguientes importantes.

El vídeo obliga a los modelos a seguir el movimiento, el contexto cambiante y la continuidad temporal. Las tareas activas añaden decisiones, movimientos oculares y consecuencias.

El enfoque ecológico de SCENE proporciona una versión a más largo plazo de esta prueba. Los modelos deben acabar explicando cómo la percepción guía la acción bajo incertidumbre, no solo cómo responde un cerebro inmóvil a una imagen seleccionada.

Estas señales deberían dar forma a la manera en que los lectores interpretan el próximo titular de Google News. Una puntuación predictiva más alta refuerza el argumento de ingeniería. No resuelve la cuestión científica a menos que la prueba distinga mecanismos en competencia.

El trabajo actual es importante porque proporciona a la neurociencia modelos que pueden fallar de maneras precisas. Eso es más valioso que una afirmación amplia de que la IA ha descodificado la visión.

Carnegie Mellon ha reunido investigadores, conjuntos de datos y colaboraciones en torno a un programa creíble de NeuroAI. El trabajo de imágenes humanas de Henderson conecta imágenes con respuestas corticales predichas. MICrONS vincula la actividad con el cableado microscópico, mientras que SCENE impulsa el estudio hacia el comportamiento en entornos naturales.

La promesa más sólida del programa es metodológica. La IA puede proponer explicaciones computacionales con la rapidez suficiente para que los neurocientíficos las prueben, rechacen, compriman y refinen.

Su mayor riesgo es la inflación interpretativa. La predicción puede confundirse con explicación, y la semejanza biológica puede confundirse con inteligencia.

Los lectores deberían seguir los experimentos que expongan esas brechas. Estén atentos a imágenes que hagan discrepar a los modelos, resultados que se transfieran entre personas y predicciones que sobrevivan al movimiento del mundo real.

Estas pruebas determinarán si Carnegie Mellon ha encontrado un mejor modelo de la visión o solo un mejor ajuste a las mediciones actuales. ¿Qué resultado haría convincente para usted la próxima afirmación sobre NeuroAI?