El cerebro decide antes de lo que creíamos: la pista que explica por qué la IA actual gasta tanta energía

Por Tech Times · 13 de julio de 2026.

Un equipo de la Universidad de Illinois Urbana-Champaign, liderado por Yurii Vlasov (antes en IBM, donde trabajó en computación neuromórfica) junto al doctorando Alex G. Armstrong, publicó en PNAS un hallazgo que corrige un supuesto de manual: el córtex somatosensorial primario (S1), la primera parada cortical de la información táctil, no se limita a retransmitir datos hacia arriba para que el córtex frontal decida. En ratones que navegaban un corredor de realidad virtual usando un único par de bigotes (un cuello de botella experimental deliberado para aislar la señal), los investigadores vieron que, durante la fase de acumulación de evidencia, la actividad de muchas neuronas en S1 colapsaba en una sola variable latente que ascendía de forma sincronizada, un patrón asociado hasta ahora a regiones de decisión, no a corteza sensorial de entrada. Y lo hacía porque regiones premotoras y frontales enviaban señales de retroalimentación hacia abajo, modulando en tiempo real lo que S1 codificaba. Es evidencia de sistemas, en comportamiento naturalista, para algo que la teoría de codificación predictiva llevaba años proponiendo: que el cerebro no procesa en cascada limpia, sino que negocia continuamente entre lo que espera y lo que percibe.

El dato importa más allá de la neurociencia porque el modelo feedforward —la información sube capa a capa, sin que las capas superiores reescriban lo que las inferiores ya calcularon— es literalmente el plano de las redes convolucionales y, con matices, de los transformers que sostienen los grandes modelos de lenguaje actuales. Ese plano se construyó sobre una imagen del cerebro que, según este estudio, era incompleta. Vlasov lo plantea sin rodeos: quiere aprender de mil millones de años de evolución para hacer IA "más eficiente energéticamente, menos hambrienta de potencia y más inteligente", y señala el nivel de decisión como el punto débil actual. La comparación que usa el propio campo es contundente: un cerebro humano funciona con unos 20 vatios; entrenar un modelo de lenguaje de frontera puede consumir la energía equivalente a cientos de hogares durante un año. Parte de esa brecha es, muy probablemente, arquitectónica: el cerebro reparte el compromiso de decidir entre varios niveles de la jerarquía a la vez, mientras que la IA feedforward concentra ese compromiso al final de la cadena y no tiene ningún mecanismo sistemático para que el resultado module la representación temprana.

Conviene ser precisos sobre lo que este trabajo NO demuestra. Es un estudio en ratones, con un sentido —el tacto vibrisal— y una tarea de elección binaria; los propios autores insisten en que no es una receta para construir mejor IA, sino una restricción: cualquier modelo del cerebro que ignore la modulación temprana por retroalimentación es, a partir de ahora, incompleto. El propio equipo plantea que el siguiente paso es entender la dinámica temporal fina —a escala de milisegundos— de esos bucles de retroalimentación, y que solo desde ahí podría surgir, quizá, un principio arquitectónico trasladable a la IA. Es decir: estamos en la fase de comprensión del mecanismo, no en la del diseño de chips o de redes recurrentes que lo repliquen. Distinguir esto del titular llamativo es exactamente el tipo de criterio que conviene aplicar cuando la neurociencia promete lecciones para la ingeniería: la analogía es sugerente, la implementación es un problema de investigación abierto y de varios años.

Nuestra lectura es que este hallazgo se suma a un hilo que venimos señalando: la eficiencia energética no es un detalle de infraestructura, es una restricción de diseño que determina quién puede permitirse entrenar y ejecutar IA de frontera. Si el cuello de botella real no es solo cómputo bruto sino arquitectura —y este estudio apunta a que los bucles de retroalimentación hacen "trabajo computacional" que el apilamiento feedforward, por profundo que sea, no puede replicar—, entonces la próxima generación de ganancias de eficiencia podría venir no de más parámetros ni de más GPU, sino de repensar cómo circula la información dentro del modelo. Eso conecta directamente con la abundancia que defendemos como horizonte de largo plazo: una IA que necesite una fracción de la energía actual para razonar con la misma o mejor calidad acerca la potencia de la frontera a más actores —empresas medianas, países sin megaclústeres, hardware local— en lugar de reservarla a quien pueda pagar centrales eléctricas dedicadas. A corto plazo, sin embargo, el mensaje es de paciencia: la neurociencia todavía está descifrando "un idioma en gran parte desconocido", en palabras de Vlasov, y la traducción a silicio, si llega, tomará años. Es una pieza más del rompecabezas, no el plano de la próxima arquitectura.