Las redes neuronales autoensamblables del MIT aprenden sin un circuito de entrenamiento preconfigurado

Las redes neuronales autoensamblables del MIT aprendieron reconocimiento de patrones y clasificación de imágenes sin partir de un circuito de aprendizaje diseñado minuciosamente. En su lugar, unidades conectadas aleatoriamente formaron mecanismos de aprendizaje útiles bajo reglas locales compartidas de plasticidad.

Ese resultado cambia la pregunta que los investigadores pueden formular sobre el aprendizaje biológicamente plausible. Un modelo ya no solo necesita explicar cómo un circuito establecido ajusta sus conexiones. También puede explorar cómo surge el circuito responsable de esos ajustes.

El conflicto central no es simplemente el de las redes neuronales autoensamblables del MIT frente a la inteligencia artificial convencional. Es el de mecanismos de aprendizaje autoorganizados frente a la retropropagación, un algoritmo cuya coordinación necesaria resulta difícil de trasladar directamente a la biología.

Los investigadores informan de un rendimiento similar al de las redes entrenadas mediante retropropagación que evaluaron. Sin embargo, no afirman que su sistema sustituya a la retropropagación en grandes modelos de IA. Tampoco sostienen que los cerebros biológicos utilicen el mecanismo propuesto.

El resultado más importante es más acotado. Una colección de componentes puede comenzar con conexiones internas aleatorias, seguir reglas locales y ensamblar motivos que aproximan el aprendizaje basado en gradientes. Esto traslada parte del trabajo de diseño del arquitecto de la red a las interacciones entre sus unidades.

Qué cambiaron realmente las redes neuronales autoensamblables del MIT

El estudio del MIT lleva los modelos de aprendizaje biológico un nivel más profundo: de adaptar un circuito a ensamblar la maquinaria que hace posible la adaptación.

La investigación apareció en línea en Proceedings of the National Academy of Sciences el 9 de octubre de 2026. MIT publicó su informe complementario el 13 de octubre.

Los autores son Qianli Liao, Liu Ziyin, Yulu Gan, Brian Cheung, Mark T. Harnett y Tomaso Poggio. Su trabajo abarca el McGovern Institute for Brain Research, el ICoN Center de MIT, CSAIL y otros grupos de investigación relacionados de MIT.

Su artículo revisado por pares presenta un marco denominado Self-Assembling Learning. Este marco plantea cómo pueden surgir sistemas de aprendizaje a partir de interacciones distribuidas de nivel inferior.

Su primer ejemplo es el Self-Assembling Motif, o SAM. Un motivo es una pequeña estructura de circuito recurrente que puede servir como bloque funcional.

SAM no comienza como un módulo de aprendizaje terminado. Surge de una conectividad inicialmente aleatoria mediante reglas de plasticidad heterosináptica.

La plasticidad heterosináptica significa que la actividad en una conexión puede influir en los cambios de otras conexiones. Otorga a una neurona más coordinación que una regla que actualiza cada sinapsis de forma aislada.

El equipo compone después estos motivos jerárquicamente a través de varias capas. Según el artículo, la dinámica de red resultante aproxima una forma generalizada del descenso de gradiente estocástico.

El descenso de gradiente es un método de optimización que ajusta repetidamente parámetros para reducir errores. El descenso de gradiente estocástico estima esos ajustes a partir de subconjuntos de ejemplos de entrenamiento.

Las redes neuronales modernas suelen calcular ajustes útiles mediante retropropagación. La retropropagación envía información sobre el error hacia atrás a través de una red para que cada parámetro reciba una actualización coordinada.

Ese proceso funciona extraordinariamente bien en software. Sin embargo, los neurocientíficos llevan tiempo cuestionando si el tejido biológico puede reproducir su preciso flujo de información, sincronización y relaciones de pesos.

El nuevo resultado no elimina las reglas de aprendizaje ni la supervisión. Los investigadores siguen especificando las reglas locales de plasticidad y proporcionando datos y retroalimentación de la tarea.

Lo que cambia es el nivel en el que interviene el diseñador. El diseñador no conecta directamente el circuito final de aprendizaje representado por el motivo.

El informe de investigación de MIT describe múltiples capas de unidades similares a neuronas interconectadas aleatoriamente. Los componentes dentro de una capa siguen las mismas reglas para modificar sus conexiones.

Esas unidades interactúan hasta que aparece un comportamiento organizado. Los motivos emergentes se convierten entonces en la maquinaria que respalda el aprendizaje en toda la red.

Los investigadores evaluaron el reconocimiento de patrones y la clasificación de imágenes. Las referencias del artículo identifican benchmarks que incluyen MNIST, Fashion-MNIST, MedMNIST y conjuntos de datos de imágenes naturales.

Son pruebas significativas para la dinámica de aprendizaje, pero no equivalen a entrenar un modelo de lenguaje de frontera. El estudio aborda la organización de circuitos de aprendizaje, no la IA generativa a escala de producción.

Esta distinción importa porque “construir su propia maquinaria de aprendizaje” puede sonar más autónomo de lo que el experimento justifica. La red no inventa su tarea, sus datos ni la física que la gobierna.

En cambio, las redes neuronales autoensamblables del MIT reciben una especificación de nivel inferior. Su útil organización de circuitos de nivel superior surge luego de las interacciones dentro de esa especificación.

El resultado crea la tensión central del artículo. Los investigadores pueden prescribir directamente un circuito de aprendizaje, o prescribir condiciones locales a partir de las cuales un circuito de aprendizaje se organiza por sí mismo.

El primer enfoque optimiza el control y el rendimiento. El segundo pregunta si la computación útil puede surgir mediante un proceso más cercano al desarrollo biológico y la plasticidad.

Por qué las reglas locales ponen presión sobre la retropropagación

El estudio pone en cuestión modelos que se califican de biológicamente plausibles mientras suponen que su circuito de aprendizaje más importante ya está establecido.

La retropropagación sigue siendo el estándar práctico para entrenar redes neuronales artificiales modernas. Su eficacia no es la parte disputada de esta historia.

La cuestión biológica se refiere a la implementación. Un marco de software puede almacenar activaciones, calcular una pérdida exacta y distribuir derivadas a través de muchas capas.

Un cerebro no tiene un programa central evidente que ejecute esa secuencia. Las neuronas cambian mediante señales electroquímicas, actividad local, procesos celulares y retroalimentación que llega a través de tejido físico.

Una importante revisión sobre la retropropagación explica varias discrepancias conocidas desde hace tiempo. Entre ellas se encuentran el transporte de pesos, la asignación no local de crédito y la separación entre los cálculos hacia adelante y hacia atrás.

La asignación de crédito es el problema de determinar qué conexión interna contribuyó a un error. Las redes profundas dificultan ese problema porque los resultados dependen de muchas capas que interactúan.

Los sistemas diseñados resuelven la asignación de crédito calculando gradientes. El cálculo indica a cada parámetro qué dirección debería reducir el error de la red.

Muchas propuestas inspiradas en la biología intentan aproximar ese cálculo mediante alineación de retroalimentación, codificación predictiva, pérdidas locales o dinámicas de circuito alternativas. Sin embargo, a menudo parten de una arquitectura ya dispuesta para respaldar el método elegido.

El equipo del MIT apunta a ese supuesto inicial. Una explicación biológicamente plausible debería explicar no solo cómo se actualizan las sinapsis, sino cómo se organiza un circuito que respalde esas actualizaciones.

Liao resumió la cuestión directamente en la cobertura de MIT: “El cerebro no tiene un diseñador o arquitecto externo”. Su argumento se refiere al origen de la organización, no a la ausencia de restricciones.

Los cerebros se desarrollan bajo programas genéticos, límites físicos, experiencia sensorial y reglas bioquímicas. Esas influencias no especifican individualmente cada conexión de un circuito maduro.

Por lo tanto, un modelo computacional útil debería separar dos preguntas. Qué reglas gobiernan los cambios locales y qué estructuras de aprendizaje a gran escala surgen cuando esas reglas interactúan.

SAM ofrece una respuesta. La conectividad microscópica aleatoria llega gradualmente a respaldar un motivo organizado cuya dinámica se vuelve útil para la optimización.

El artículo describe el autoensamblaje a dos escalas. Primero, un motivo surge de la conectividad aleatoria bajo plasticidad local.

En segundo lugar, las redes de esos motivos se organizan en dinámicas jerárquicas. Los autores conectan matemáticamente esas dinámicas con una forma generalizada del descenso de gradiente estocástico.

Esta afirmación a dos escalas distingue el trabajo de simplemente aleatorizar una matriz de retroalimentación. Se supone que la red desarrolla tanto un bloque de construcción de circuito como un proceso de aprendizaje a nivel de sistema.

Si esta explicación se sostiene en pruebas posteriores, eleva el estándar para los modelos de aprendizaje biológico. Los investigadores tendrían que justificar por qué existen sus circuitos de aprendizaje, y no limitarse a mostrar qué calculan esos circuitos.

La presión se extiende más allá de la neurociencia. A los ingenieros también les interesan sistemas que aprenden con información local y restricciones físicas.

El hardware neuromórfico sitúa el cómputo cerca de la memoria y a menudo limita el movimiento global de datos. Un método de aprendizaje basado en interacciones locales podría ajustarse mejor a esas restricciones que la retropropagación digital exacta.

Esa posibilidad sigue siendo una línea de investigación, no un resultado de producto. El estudio no aporta evidencia de que SAM reduzca actualmente los costes de entrenamiento o el consumo energético en hardware desplegado.

Tampoco vuelve obsoleta a la retropropagación convencional. La retropropagación cuenta con décadas de herramientas, conocimiento empírico y compatibilidad con grandes clústeres de aceleradores.

La conclusión más precisa es que la retropropagación ya no posee en exclusiva el vínculo conceptual entre gradientes útiles y mecanismos globales cuidadosamente diseñados. El artículo ofrece una vía mediante la cual una optimización similar al gradiente surge de la plasticidad local.

Por eso importa la comparación incluso cuando el rendimiento en benchmarks es solo similar. La paridad de rendimiento puede servir como control que demuestra que la autoorganización no destruyó la capacidad de aprender.

Por lo tanto, el estudio pone presión sobre un supuesto de investigación, no sobre el mercado actual de entrenamiento de IA. Su objetivo es la creencia de que los mecanismos de gradiente eficaces deben estar conectados en el sistema de antemano.

La maquinaria de aprendizaje se ensambla a partir de conexiones aleatorias

El mecanismo central es un proceso de retroalimentación en el que la plasticidad local da forma a un motivo, y el motivo emergente respalda después el aprendizaje coordinado.

Para entender cómo aprenden las redes neuronales del MIT, comience por la diferencia entre el cambio homosináptico y heterosináptico. El cambio homosináptico depende principalmente de la actividad en la sinapsis que se modifica.

El cambio heterosináptico permite que la actividad en otros lugares afecte a esa sinapsis. Esta interacción más amplia puede coordinar múltiples conexiones unidas a la misma neurona.

Un principio local conocido sostiene que las neuronas activadas juntas fortalecen su conexión. Este principio suele resumirse como “las neuronas que se activan juntas se conectan juntas”.

Eso por sí solo no reproduce la asignación de crédito profunda. Una red de aprendizaje necesita una forma de conectar un error de salida con la actividad interna anterior.

SAM combina interacciones locales en un motivo capaz de procesar esas relaciones. Las conexiones del motivo no se insertan como un diagrama computacional completo.

Comienzan con valores aleatorios o una estructura microscópica aleatoria. Los cambios repetidos de plasticidad las organizan en una configuración más útil.

El artículo afirma que la dinámica resultante aproxima de forma demostrable el descenso de gradiente estocástico generalizado. “Demostrable” se aplica al modelo formal y sus supuestos, no a los cerebros biológicos.

Este límite es esencial. Una prueba matemática puede establecer cómo se comporta un sistema definido. No puede establecer que el tejido cortical implemente el mismo sistema.

La jerarquía también importa. Un motivo proporciona una estructura de aprendizaje compacta, mientras que los motivos repetidos conectan el aprendizaje entre capas.

Esa composición en capas aborda una debilidad central de las reglas puramente locales. Un único ajuste local puede parecer plausible y, aun así, no lograr coordinar un aprendizaje útil en toda una red profunda.

En el modelo de los autores, la coordinación surge mediante la interacción entre motivos. Por lo tanto, la red puede aproximarse al comportamiento esperado de la optimización basada en gradientes sin incorporar directamente un circuito estándar de retropropagación.

El proceso sigue conteniendo una señal instructiva. El aprendizaje no es no supervisado simplemente porque la organización del circuito se autoensamble.

En cambio, el sistema modifica la forma en que la información instructiva llega a la red y la reorganiza. Las unidades locales responden bajo reglas compartidas, en vez de recibir instrucciones de diseño calculadas individualmente.

Esta es la inversión más importante del estudio. La aleatoriedad no se considera únicamente ruido que los ingenieros deban superar.

La conectividad inicial aleatoria aporta la materia prima. Después, la plasticidad selecciona, refuerza, debilita y coordina las relaciones que respaldan un patrón de aprendizaje útil.

La biología suele desarrollar estructuras mediante principios generales comparables. Las células siguen reglas químicas y eléctricas locales, mientras los tejidos adquieren una organización más amplia.

Esa analogía motiva el trabajo, pero sigue siendo una analogía. Los investigadores modelaron unidades similares a neuronas en lugar de observar la formación de SAM en circuitos neuronales vivos.

Trabajos experimentales recientes han reforzado la idea de que las dendritas transportan señales de enseñanza estructuradas. En 2026, investigadores informaron sobre señales dendríticas instructivas en neuronas corticales.

Esta evidencia puede respaldar la plausibilidad de mecanismos de aprendizaje locales y compartimentados. No verifica de forma independiente el motivo autoensamblable específico propuesto aquí.

El artículo del MIT convierte esta brecha en preguntas comprobables. Los investigadores pueden buscar conectividad similar a motivos, retroalimentación estructurada y patrones de plasticidad previstos por el modelo.

También pueden preguntar si un motivo emergente se mantiene estable después de que cambien las condiciones de aprendizaje. Un circuito que se forma una vez pero colapsa entre distintas inicializaciones ofrecería un valor explicativo limitado.

Por eso es importante la publicación pública del código del sistema. Incluye implementaciones de referencia y una implementación posterior utilizada para diagnósticos de teoría y alineación.

Investigadores independientes pueden variar semillas aleatorias, conectividad, tasas de aprendizaje y distribuciones de tareas. Pueden comprobar si el mismo motivo cualitativo emerge de forma fiable.

También pueden comparar las actualizaciones aprendidas con gradientes exactos. La alineación importa porque una precisión final similar puede ocultar dinámicas de optimización muy diferentes.

Para los desarrolladores, esta es una distinción útil entre la búsqueda de arquitecturas y el aprendizaje autoorganizado. La búsqueda de arquitecturas evalúa diseños alternativos mediante un proceso de optimización externo.

SAM, en cambio, sitúa la organización dentro de la dinámica de la red modelada. Las reglas locales hacen que un circuito de aprendizaje tome forma durante la interacción.

El diseñador no ha desaparecido. El diseño se ha desplazado hacia abajo: de especificar el circuito final a especificar las condiciones que lo generan.

Este replanteamiento conecta la investigación con un patrón más amplio de ingeniería. Los sistemas complejos pueden adaptarse con mayor facilidad cuando los diseñadores especifican reglas componibles en lugar de cada relación final.

Un principio similar aparece en el trabajo con conocimiento. Una base de conocimiento técnico se vuelve más útil cuando las relaciones emergen del material acumulado, en lugar de depender de una única estructura fija de carpetas.

La analogía no debe tomarse literalmente. Los documentos no cambian como las sinapsis. Ambos casos simplemente ilustran la diferencia entre una organización fija y otra que se desarrolla a partir de interacciones repetidas.

Un rendimiento similar no significa un sustituto de la retropropagación

La comparación presentada establece credibilidad científica, pero no demuestra preparación para modelos grandes, validez biológica ni una eficiencia superior.

Los autores afirman que sus redes autoorganizativas alcanzaron un rendimiento similar al de las redes entrenadas con retropropagación que se evaluaron. Es un resultado importante porque los esquemas de aprendizaje local suelen perder precisión a medida que las tareas se vuelven más exigentes.

Sin embargo, el “rendimiento al nivel de la retropropagación” necesita una interpretación cuidadosa. Se refiere a los experimentos y las configuraciones de red evaluados en el artículo.

No significa que el método iguale el entrenamiento de transformers en lenguaje, razonamiento multimodal o aprendizaje por refuerzo de horizonte largo. No aparece tal resultado en el artículo citado ni en el informe del MIT.

Tampoco significa que las redes neuronales autoensamblables del MIT aprendieran sin decisiones humanas. Los investigadores seleccionaron el modelo, las reglas de plasticidad, las tareas, las condiciones del objetivo y el método de evaluación.

La afirmación de autoensamblaje se refiere a la maquinaria interna de aprendizaje. No implica autonomía abierta.

Una segunda incertidumbre es la sensibilidad a la conectividad inicial. El modelo comienza con aleatoriedad, por lo que la reproducibilidad entre semillas se vuelve fundamental.

Un mecanismo autoorganizativo convincente debería producir motivos funcionales comparables a partir de muchos puntos de partida plausibles. Un ensamblaje exitoso ocasional sería una evidencia mucho más débil.

Por ello, los investigadores deberían examinar distribuciones, no solo la precisión media. Serán importantes las tasas de fallo, la varianza, el tiempo de convergencia y la consistencia de los motivos.

Una tercera incertidumbre se refiere a la escala. Las reglas locales pueden resultar costosas desde el punto de vista computacional cuando se simulan en hardware convencional.

La localidad biológica no genera automáticamente eficiencia digital. Un proceso que evita la retropropagación exacta puede requerir más pasos, estado adicional o interacciones más densas.

El estudio no demuestra un menor coste de entrenamiento. Tampoco muestra un menor uso de energía en hardware neuromórfico.

Un cuarto aspecto es la amplitud de las tareas. La clasificación de imágenes proporciona un entorno controlado para medir la optimización y el aprendizaje de representaciones.

Los sistemas de IA modernos también manejan modelado de secuencias, recuperación, planificación, generación y retroalimentación diferida. Esas tareas crean problemas distintos de asignación de crédito.

Un método puede igualar a la retropropagación en clasificadores compactos y, al mismo tiempo, tener dificultades con sistemas recurrentes o basados en atención. La extensión más allá de las tareas demostradas sigue abierta.

Una quinta incertidumbre es la evidencia biológica. El mecanismo del artículo está inspirado en la plasticidad sináptica y la organización cortical, pero sigue siendo computacional.

Liao advierte explícitamente que una red autoorganizativa no necesariamente aprende como el cerebro. La autoorganización es un criterio inicial de plausibilidad, no una confirmación biológica.

Esa cautela refuerza el resultado. Distingue un modelo comprobable de una declaración de que se ha resuelto un gran problema de la neurociencia.

Los experimentos futuros tendrían que identificar equivalentes biológicos de los componentes del motivo. También deberían observar la organización predicha durante el aprendizaje.

Los investigadores podrían alterar entonces rutas específicas de retroalimentación o procesos de plasticidad. Si el aprendizaje falla de la manera prevista, el modelo obtendría respaldo empírico.

Sin esa evidencia, SAM sigue siendo un mecanismo capaz de producir el comportamiento deseado. Otros mecanismos locales podrían alcanzar dinámicas similares a las de los gradientes.

La comparación con la retropropagación también contiene una asimetría importante. La retropropagación se evalúa principalmente como un método de ingeniería, mientras que SAM se evalúa en parte como un modelo explicativo.

Un método puede perder parte de su eficiencia y seguir siendo científicamente valioso si explica cómo podría surgir la organización biológica. A la inversa, igualar la precisión por sí solo no puede validar su interpretación biológica.

Esta diferencia determina a quién debería importarle ahora. Los neurocientíficos obtienen una hipótesis formal que conecta la plasticidad local con una asignación de crédito organizada.

Los investigadores de aprendizaje automático obtienen otro enfoque para el aprendizaje local y la optimización emergente. Los investigadores de hardware obtienen un posible principio de diseño para sistemas de aprendizaje físicamente distribuidos.

Los compradores empresariales de IA no deberían esperar un cambio inmediato en los modelos comerciales. El trabajo no anuncia un nuevo modelo fundacional, servicio de entrenamiento ni marco de despliegue.

Los desarrolladores también deberían resistirse a traducir el resultado en afirmaciones sobre IA que se mejora a sí misma. El modelo aprende dentro de tareas y reglas elegidas externamente.

La presión sobre la retropropagación es, por tanto, intelectual antes que comercial. El estudio muestra que una maquinaria de gradientes útil no necesita instalarse explícitamente en su forma final.

Que ese principio llegue a ser técnicamente competitivo depende de evidencia que el artículo actual aún no aporta. La escala, la estabilidad, la eficiencia y la diversidad de tareas siguen siendo pruebas decisivas.

Tres señales mostrarán si el resultado se traslada a otros contextos

La siguiente fase debería probar primero el ensamblaje reproducible, después tareas más difíciles y, en tercer lugar, predicciones biológicas.

La primera señal es la replicación entre condiciones iniciales aleatorias. Equipos independientes deberían ejecutar la implementación publicada con rangos más amplios de semillas y patrones de conectividad.

Si emergen repetidamente motivos estables, la afirmación de autoorganización del artículo se fortalece. Si el éxito depende de condiciones iniciales estrechas, la afirmación se vuelve menos general.

La replicación debería seguir más que la precisión final de clasificación. Los investigadores deberían informar sobre convergencia, alineación de actualizaciones, estructura de los motivos y ejecuciones fallidas.

También deberían comprobar si el motivo sobrevive a cambios razonables en los hiperparámetros. Un mecanismo autoensamblable no debería requerir un ajuste manual preciso que, en la práctica, recree el diseño del circuito.

La segunda señal es el rendimiento más allá de los entornos de clasificación demostrados. Tareas visuales más grandes, problemas secuenciales y asignación de crédito diferida proporcionarían pruebas más exigentes.

El éxito en esas tareas demostraría que las redes neuronales del MIT frente a la retropropagación no se limitan a condiciones compactas de referencia. Las brechas persistentes restringirían el método a un papel explicativo más acotado.

Las mediciones de cómputo deberían acompañar esas comparaciones. La precisión sin datos sobre tiempo de entrenamiento, uso de memoria y energía no puede demostrar competitividad de ingeniería.

Los investigadores también deberían comparar el método con otros enfoques inspirados en la biología. La retropropagación estándar es una referencia esencial, pero no es la única relevante.

La alineación de retroalimentación, la codificación predictiva, los métodos de equilibrio y los sistemas de error local abordan preguntas superpuestas. La ventaja distintiva de SAM debería surgir de ensamblar su maquinaria de aprendizaje, no simplemente de utilizar una fórmula de actualización distinta.

La tercera señal es la evidencia experimental en neurociencia. Los investigadores deberían buscar los motivos previstos y los cambios dependientes del aprendizaje en circuitos reales.

La evidencia más sólida conectaría reglas heterosinápticas locales con estructuras emergentes que desempeñen funciones identificables de asignación de crédito. Eso requeriría mediciones antes, durante y después del aprendizaje.

La perturbación reforzaría el caso. Alterar la interacción local propuesta debería impedir la organización del motivo o modificar el aprendizaje en una dirección prevista.

La evidencia de que los circuitos corticales transportan señales instructivas estructuradas respaldaría el programa de investigación más amplio. No confirmaría automáticamente el mecanismo exacto de SAM.

No encontrar el motivo también sería informativo. El resultado matemático podría seguir siendo válido mientras su interpretación biológica se debilita.

Estas señales crean una secuencia clara. La computación reproducible prueba si el mecanismo es estable. Los puntos de referencia más difíciles prueban si se generaliza.

Los experimentos biológicos prueban si el mecanismo explica la naturaleza en lugar de limitarse a proporcionar un algoritmo alternativo. Cada etapa puede reforzar o acotar la importancia del artículo.

Los lectores también deberían observar cómo los autores separan la implementación de referencia de 2024 y 2025 de la implementación teórica de 2026. Las diferencias entre esas versiones podrían revelar qué componentes impulsan el rendimiento.

Las ablaciones transparentes ayudarían. Una ablación elimina o modifica un componente para mostrar si el mecanismo afirmado realmente depende de él.

Por ejemplo, los investigadores pueden debilitar las interacciones heterosinápticas o impedir la organización estructural. Si el rendimiento no cambia, es posible que el motivo no explique el resultado.

También pueden congelar un motivo ya ensamblado y ponerlo a prueba con nuevas tareas. Ese experimento mostraría si la maquinaria se vuelve reutilizable o debe reorganizarse en cada contexto.

Otra prueba útil modificaría la distribución de los datos después del ensamblaje. Una adaptación estable haría que el mecanismo fuera más relevante para el aprendizaje continuo.

El olvido catastrófico, en el que el aprendizaje nuevo perjudica conocimientos anteriores, es un gran desafío para los sistemas neuronales. El informe actual no establece que SAM lo mejore.

Por tanto, la relevancia del artículo dependerá de un seguimiento riguroso, no de extrapolaciones llamativas. Su afirmación más sólida ya merece atención sin exagerarla.

Las redes neuronales autoensamblables del MIT muestran que las reglas locales pueden generar una estructura de aprendizaje cuya dinámica se aproxima a la optimización mediante gradiente. Ofrecen un puente concreto entre la formación de circuitos y el aprendizaje.

Aún no demuestran que el cerebro utilice este puente. Tampoco muestran que los laboratorios de IA actuales deban sustituir la retropropagación.

La acción inmediata para los investigadores es sencilla: reproducir el proceso de ensamblaje, someter a prueba su estabilidad y evaluar sus predicciones biológicas. Para todos los demás, la pregunta clave es igual de clara.

¿Puede un sistema de aprendizaje seguir organizando una maquinaria útil cuando cambian sus conexiones iniciales, tareas y restricciones físicas, o el resultado depende de las condiciones de laboratorio que lo revelaron por primera vez?