Cómo los mapas neuronales están cambiando el futuro de la inteligencia artificial
Una nueva generación de mapas cerebrales, que traduce el cableado de neuronas en algoritmos, busca crear una Inteligencia Artificial más eficiente que los modelos actuales
Cerebro biológico conectado a una placa de silicio: la conectómica y los modelos neuronales inspiran una IA más eficiente y generalizable. / IA/T21
EDUARDO MARTÍNEZ DE LA FE/T21
epe.es/Madrid11 FEB 2026
Una nueva generación de mapas cerebrales y simulaciones biológicas está empezando a traducir el cableado de neuronas reales en algoritmos, y con ello a esbozar una IA más eficiente y flexible que los modelos actuales.
El salto de la anatomía estática a la mente funcional ha dejado de ser una fantasía de la ciencia ficción para convertirse en una realidad computacional: hoy empezamos a traducir cableados neuronales en predicciones cuantitativas sobre actividad y dinámica sensoriomotora (en tareas concretas), informa Nature.
Durante décadas, la neurociencia se limitó a cartografiar el cerebro como quien dibuja un mapa de carreteras sin tráfico; sabíamos por dónde podían ir los impulsos, pero no la dinámica que discurre por esas rutas ni qué transformaciones podían implementar los circuitos.
Todo esto dio un giro en 2024 con la publicación del primer diagrama de cableado neuronal (conectoma) del cerebro adulto de Drosophila melanogaster, el más completo de un animal adulto hasta la fecha, que describe más de 130.000 neuronas y más de 50 millones de conexiones.
Estos recursos habilitan análisis globales del flujo de información y permiten construir modelos que convierten estructura en hipótesis funcionales verificables.
Así nace la IA con cerebro. / IA/T21
Modelo cerebral
En esa línea, se ha presentado un modelo computacional del cerebro de Drosophila que, apoyado en la conectividad y en información neuroquímica, reproduce transformaciones sensoriomotoras y genera predicciones que pueden contrastarse experimentalmente, más que “predecir cualquier conducta compleja” a partir de estructura sin más.
Este avance se apoyó en el ecosistema FlyWire: la reconstrucción se hizo con segmentación automatizada y una gran capa de corrección humana, y el propio trabajo estima que la revisión manual de textos acumuló en torno a 33 años-persona, con aportes de consorcios de laboratorio y de ciudadanía científica.
Impacto tecnológico
A la vez, el impacto se está materializando en una idea más general: que un modelo aprenda patrones comunes a partir de varios ratones y luego “se ponga al día” con muy pocos datos cuando aparece un ratón nuevo, evitando empezar de cero en cada experimento.
Un ejemplo es el trabajo sobre modelos de fundación de la actividad neuronal, que describe un modelo entrenado con grandes colecciones de actividad de corteza visual de ratón capaz de predecir respuestas y de generalizar a “tipos de estímulo nuevos” con adaptación limitada, sin convertir esto en una promesa de omnipredictibilidad del cerebro, es decir, en una predictibilidad absoluta del universo.
La frontera tecnológica también se desplaza hacia la democratización del escalado conectómico mediante técnicas basadas en microscopía de luz y expansión, con la ambición de acercarse a la resolución sináptica en mamíferos sin depender exclusivamente de microscopía electrónica; en ese contexto se encuadra LICONN como enfoque de reconstrucción densa a resolución sináptica con microscopía de luz.
Este desarrollo puede ser un preludio para cartografías cada vez más completas en mamíferos, aunque conviene enunciarlo todavía como una dirección tecnológica, ya que la reconstrucción, validación y gestión de datos siguen siendo cuellos de botella centrales.
Nueva generación IA
Mientras tanto, proyectos de simulación integral como OpenWorm exploran una vía complementaria: acoplar modelos neurobiológicos con cuerpo y entorno para estudiar la retroalimentación sensoriomotora en sistemas inspirados en el gusano (nematodo) C. elegans.
En ese espíritu, OpenWorm ha mantenido también un componente de robótica (repositorio: cuerpos robóticos articulados) para experimentar cómo la dinámica física y el contacto condicionan el control y el comportamiento en entornos reales o semi-reales.
Para medir este progreso con métricas comparables, han surgido modelos de predicción de actividad cerebral: por ejemplo, ZAPBench se presenta como un banco de pruebas con datos de actividad a escala de decenas de miles de neuronas en larvas de pez cebra, orientado a evaluar modelos que predicen actividad cerebral.
Con todos estos desarrollos estamos construyendo un puente hacia una nueva generación de inteligencia artificial más eficiente. Ese puente toma al cerebro como referencia doble: como fuente de datos y estructura (conectomas y actividad neuronal) y como patrón de eficiencia que intentamos emular.
Y se apoya en tres pilares: datos masivos y bien curados, modelos capaces de generalizar más allá de los ejemplos típicos y benchmarks públicos —pruebas abiertas y comparables— que obligan a verificar si las predicciones del sistema funcionan de verdad.
___________
Fuente:
