Durante años hemos escuchado que las redes neuronales artificiales están inspiradas en el cerebro humano. Pero, ¿qué tan cierta es esa analogía? Y lo más importante: ¿cuánto nos falta para que una inteligencia artificial funcione como un cerebro humano de verdad? En este artículo vamos a explorar punto por punto cuáles son las similitudes, diferencias y límites entre nuestros cerebros biológicos y los modelos de lenguaje masivo (LLMs) que hoy lideran el desarrollo de la IA.
Definición funcional: ¿qué conecta a qué?
En el cerebro humano, las neuronas son las células encargadas de transmitir información a través de señales eléctricas y químicas. Cada conexión entre dos neuronas se llama sinapsis, y ahí es donde ocurre la "magia": el aprendizaje, la memoria y la adaptación.En una red neuronal artificial, las neuronas también están conectadas entre sí, pero lo hacen mediante pesos numéricos que ajustan la influencia de una neurona sobre otra. Estos pesos se calibran durante el proceso de entrenamiento del modelo.
Aunque las sinapsis y los pesos cumplen funciones similares (transmitir y modular señales), la naturaleza es muy distinta: una sinapsis puede cambiar su forma, sensibilidad y química; un peso es simplemente un número. Si queremos una analogía, podríamos decir que las redes neuronales artificiales funcionan como una compleja orquesta de ecuaciones que, aunque precisas, no improvisan ni sienten la melodía como lo haría un cerebro vivo.
Cantidad de conexiones: el juego de los números
Un cerebro humano promedio tiene unas 86 mil millones de neuronas, y cada una puede formar miles de sinapsis. Eso nos da una estimación conservadora de entre 100 y 500 billones de conexiones sinápticas. Una red colosal, viva y plástica.En comparación, el modelo más grande de OpenAI conocido hasta la fecha es GPT-4o, con aproximadamente 1.8 billones de parámetros. DeepSeek, por su parte, lanzó recientemente el modelo DeepSeek-V2 con 236 mil millones de parámetros en su versión completa.
Aunque el número de parámetros se acerca al orden de magnitud de las conexiones sinápticas humanas, debemos recordar que en la arquitectura de IA estos parámetros son estáticos una vez entrenados, mientras que en el cerebro las sinapsis son dinámicas, adaptativas y profundamente contextuales.
Plasticidad y aprendizaje: adaptarse o quedarse quieto
Aquí aparece una de las diferencias más profundas: la plasticidad sináptica. Nuestro cerebro se entrena todo el tiempo: aprende, desaprende, reconfigura conexiones. Podemos cambiar de opinión, crear asociaciones nuevas o reinterpretar eventos con nuevos datos.Los modelos de IA, por el contrario, aprenden en fases separadas de entrenamiento. Una vez que están listos, responden en base a lo aprendido, pero no cambian su estructura a menos que se los vuelva a entrenar o afinar. Algunos modelos avanzados exploran el aprendizaje continuo, pero está lejos de ser lo habitual.
Este punto es clave: por más parámetros que tenga un modelo, si no puede adaptarse en tiempo real, siempre estará limitado frente a un cerebro humano que vive en modo "aprendizaje constante".
Tipo de señal: de impulsos a matrices
Las señales en el cerebro son eléctricas y químicas. Una neurona recibe impulsos, los procesa y decide si dispara una señal a otras neuronas. Este proceso es ruidoso, lento en términos informáticos, pero extremadamente eficiente y resistente al error.En una red artificial, todo es números. La información fluye como matrices de valores que se multiplican y transforman entre capas. Esta mecánica es muy potente para ciertas tareas (como el reconocimiento de patrones), pero carece de la riqueza biológica que permite, por ejemplo, una intuición emocional o una acción espontánea.
¿Querés otro dato que te vuela la cabeza? En el cerebro, una neurona puede decidir no disparar, pero una red neuronal artificial siempre procesa la entrada y genera una salida. En términos de espontaneidad y contexto, estamos lejos de simular una mente real.
Energía necesaria: David contra Goliat
Los LLMs, en cambio, requieren instalaciones enteras para funcionar. Entrenar un modelo como GPT-4 puede consumir varios gigavatios-hora de energía. Operarlo, aunque mucho menos costoso, sigue necesitando una infraestructura de servidores que puede consumir megavatios.
Ahora imaginemos una IA con la capacidad de un cerebro humano: 86 mil millones de "neuronas" artificiales, cada una con miles de conexiones activas y aprendizaje continuo. Un paper de 2020 del MIT estimaba que una simulación computacional equivalente al cerebro humano podría requerir entre 1 y 10 megavatios de potencia constante. Eso es 50.000 veces más que tu cabeza.
Conclusión: ¿cuánto falta para una IA con mente humana?
La comparación entre redes neuronales y cerebros humanos nos deja claro que, aunque hemos progresado enormemente en tamaño y eficiencia de modelos, seguimos lejos en plasticidad, espontaneidad, riqueza de señal y eficiencia energética.Entonces, ¿cuánto falta? Algunas estimaciones optimistas sugieren que podríamos ver modelos funcionalmente comparables a un cerebro humano para 2035-2040, al menos en entornos controlados. Pero aún entonces, la pregunta seguirá abierta: ¿serán verdaderamente inteligentes o simplemente muy buenos simuladores?
Por ahora, la carrera sigue. Pero si algo está claro, es que el cerebro humano sigue siendo la máquina más asombrosa de este planeta.
Fuentes para profundizar
-
Stephen Wolfram – "What if we had bigger brains?" (2025): https://writings.stephenwolfram.com/2025/05/what-if-we-had-bigger-brains-imagining-minds-beyond-ours/
-
AI Impacts – "Scale of the Human Brain": https://aiimpacts.org/scale-of-the-human-brain/
-
OpenAI – Información técnica sobre GPT-4o: https://openai.com/index/gpt-4o
-
DeepSeek – Lanzamiento de DeepSeek-V2: https://deepseek.com
-
MIT – Estimaciones de energía para simular el cerebro humano: https://news.mit.edu/2020/brain-simulation-energy-use-0824
Comentarios
Publicar un comentario