La mosca digital que tiene un cerebro conectado al mundo
Estos días está circulando una demo en la que una mosca virtual, representada mediante realidad aumentada, recibe información del mundo a través de unas Spectacles y responde utilizando un sistema nervioso reconstruido a partir del cerebro de una mosca real. El resultado es una pequeña criatura digital que puede ver, reaccionar y mover su cuerpo virtual en función de lo que tiene delante.
Demo de una mosca digital ejecutando el conectoma MaleCNS.
Vídeo original:
@ZentrixHQ,
creado por
@pt_pavlo.
La forma más rápida de contarlo es decir que han creado una mosca artificial con cerebro propio. La forma más interesante, sin embargo, es bastante menos espectacular y bastante más técnica: han conectado un modelo computacional basado en el cableado neuronal de una mosca a un entorno y han cerrado el bucle entre percepción y acción.
Para entender por qué esto tiene cierta importancia conviene empezar unas cuantas casillas antes, porque la palabra que está detrás de todo esto, conectoma, probablemente va a empezar a aparecer mucho más en conversaciones sobre inteligencia artificial.
El cerebro como un enorme grafo
Un conectoma es, simplificando bastante, un mapa de las conexiones de un sistema nervioso. Si pensamos en el cerebro como una red, las neuronas serían los nodos y las conexiones sinápticas serían las aristas que los unen. El objetivo de la conectómica (connectomics) es reconstruir ese grafo con el mayor nivel de detalle posible.
La idea no es nueva. Lo que ha cambiado radicalmente durante los últimos años es nuestra capacidad para obtener los datos necesarios.
Reconstruir un cerebro de esta forma no consiste en hacerle una resonancia y obtener una bonita imagen en 3D. Para conocer realmente la conectividad hay que observar las estructuras neuronales a una escala microscópica, identificar cada neurona, seguir sus prolongaciones y determinar dónde establece conexiones con otras células. En los proyectos modernos esto implica enormes volúmenes de microscopía electrónica, algoritmos de segmentación, reconstrucción tridimensional y bastante intervención humana para corregir los errores que inevitablemente aparecen cuando intentamos convertir imágenes microscópicas en un grafo neuronal.
El resultado se parece bastante más a reconstruir una infraestructura de red a partir de millones de paquetes capturados que a hacer una fotografía del cerebro.
Y aquí aparece una distinción importante. Un conectoma nos dice fundamentalmente cómo está cableado el sistema, pero no contiene automáticamente toda la información necesaria para simular su funcionamiento biológico. Saber que una neurona A está conectada con una neurona B no nos dice por sí solo todo lo necesario sobre la dinámica de esa conexión, los neurotransmisores implicados, la intensidad efectiva de la sinapsis, la actividad eléctrica, la neuromodulación o la plasticidad.
Por eso un conectoma no es un cerebro funcionando. Es, más bien, el plano de una máquina extremadamente compleja.
Y tener ese plano empieza a ser interesante cuando somos capaces de convertirlo en algo ejecutable.
La mosca que se dejó mapear
Drosophila melanogaster lleva décadas siendo una de las estrellas de la investigación biológica. Su pequeño tamaño, su ciclo de vida y la enorme cantidad de herramientas genéticas disponibles han convertido a la mosca de la fruta en uno de los organismos modelo más estudiados.
También tiene otra ventaja para los aficionados a la informática: su sistema nervioso es lo suficientemente pequeño como para que la reconstrucción completa empiece a ser técnicamente abordable.
Eso es precisamente lo que hace especialmente interesante a MaleCNS.
El proyecto de HHMI Janelia reconstruye el sistema nervioso central completo de un macho adulto de Drosophila melanogaster. La versión 1.0 contiene alrededor de 166.700 neuronas y 11.710 tipos celulares, cubriendo el cerebro central, los lóbulos ópticos y el cordón nervioso ventral.
Dicho de otra manera, tenemos algo que se aproxima bastante a un inventario completo de los componentes y conexiones de una máquina biológica capaz de percibir su entorno y producir comportamiento.
El dataset permite además consultar la conectividad mediante herramientas como neuPrint, con acceso programático a neuronas, sinapsis y relaciones entre ellas. Para cualquiera que venga del mundo del software, hay algo extrañamente familiar en todo esto: podemos preguntar qué neuronas están conectadas, seguir caminos dentro del grafo y estudiar cómo una determinada entrada sensorial puede propagarse por el sistema hasta alcanzar circuitos asociados al comportamiento motor.
El cerebro de una mosca empieza a parecerse, desde fuera, a una infraestructura que podemos inspeccionar con nuestras propias herramientas.
La diferencia es que en lugar de estar buscando una ruta entre dos servidores estamos siguiendo una ruta neuronal.
De un mapa neuronal a un sistema que funciona
Aquí es donde el asunto se pone interesante. Tener el conectoma no significa que podamos meter el fichero en una máquina virtual y arrancar una mosca. Hay que construir un modelo computacional capaz de representar la actividad de esas neuronas y traducir los estímulos del entorno a señales que tengan sentido para ese modelo. Después hay que hacer el camino inverso: convertir la actividad de determinados circuitos en acciones que afecten al cuerpo virtual.
El concepto puede parecer sencillo sobre el papel, pero implica resolver una cantidad bastante seria de problemas de modelado.
Una arquitectura convencional de visión artificial podría hacer algo parecido a esto: CÁMARA -> RED NEURONAL / IA -> DECISIÓN -> ACCIÓN
El enfoque basado en un conectoma intenta mantener una estructura mucho más próxima a la organización de un sistema nervioso: ENTORNO -> SENSORES -> NEURONAS SENSORIALES -> CONECTOMA -> NEURONAS DESCENDENTES -> CIRCUITOS MOTORES -> CUERPO -> ENTORNO
La diferencia fundamental es que el sistema deja de ser una función estática de entrada y salida y pasa a comportarse como un bucle cerrado. Lo que hace en un instante modifica el estado del entorno y, por tanto, lo que recibirá como estímulo en el siguiente.
Esto es precisamente lo que hace que la palabra embodiment resulte apropiada. El sistema no está únicamente generando una respuesta sobre un mundo que observa desde fuera; tiene un cuerpo virtual, sensores y actuadores, aunque estos sean digitales.
Y aquí es donde podemos empezar a entender la demo que ha generado todo el ruido.
Una mosca dentro de la realidad aumentada
La propuesta descrita por los desarrolladores lleva el experimento un paso más allá de los videojuegos y los entornos puramente virtuales.
Las Spectacles proporcionan información del entorno físico. Las cámaras capturan lo que ocurre alrededor del usuario y el sistema construye una representación computacional de ese espacio. Esa información se utiliza para proporcionar estímulos al sistema nervioso virtual de la mosca.
El procesamiento sigue entonces el circuito neuronal reconstruido y sus salidas se convierten en acciones del cuerpo de la mosca. Las alas, las patas y la cabeza pueden reaccionar en el entorno de realidad aumentada.
La arquitectura resultante se parece aproximadamente a esto:
La diferencia con una animación tradicional es importante. Una animación puede decidir de antemano que la mosca debe girar cuando aparece determinado objeto. En este caso la intención es que la respuesta proceda del circuito neuronal que está procesando el estímulo.
No se está programando explícitamente cada reacción de la mosca. Se está proporcionando información al sistema y dejando que el modelo del circuito produzca una salida.
Esto tampoco es completamente nuevo en términos experimentales. El conectoma de MaleCNS ya se ha utilizado para conectar el sistema neuronal simulado a entornos virtuales y producir comportamientos en aplicaciones como Doom, Super Mario 64 o Beat Saber. Lo llamativo de la demo de realidad aumentada es que el entorno deja de ser únicamente un mundo digital diseñado para el experimento y empieza a incorporar información procedente del mundo físico.
Y ahí es donde la cosa empieza a ponerse realmente interesante.
No es un LLM jugando a ser una mosca
Estamos tan acostumbrados a la arquitectura actual de la IA que tendemos a imaginar cualquier sistema inteligente como una variante de la misma receta: un modelo grande recibe información, razona sobre ella, utiliza unas herramientas y devuelve una acción.
Una mosca funciona de una manera radicalmente distinta.
No necesita un modelo lingüístico para decidir que debe evitar una pared. No necesita generar una cadena de razonamiento para localizar una fuente de alimento. Su sistema nervioso está compuesto por circuitos especializados que reciben estímulos, mantienen estados internos y producen respuestas mediante una arquitectura que ha sido moldeada por millones de años de evolución.
Y aquí está una de las preguntas científicas más interesantes que permite plantear la conectómica: ¿cuánto comportamiento puede emerger directamente de la arquitectura de un sistema nervioso cuando le proporcionamos los estímulos adecuados?
La pregunta es muy distinta de entrenar una red neuronal para imitar el comportamiento observado de una mosca.
En el segundo caso estamos aprendiendo una función. En el primero estamos intentando reconstruir el mecanismo que genera esa función.
La diferencia recuerda un poco a la que existe entre entrenar un modelo para emular un sistema y conseguir ejecutar el sistema original.
Naturalmente, la analogía tiene límites. El MaleCNS no es una copia biofísica perfecta del cerebro de la mosca. Un conectoma tampoco contiene mágicamente todos los parámetros necesarios para reproducir cada proceso que ocurre en una neurona real. La simulación requiere modelos y aproximaciones.
Pero precisamente por eso el experimento resulta interesante: podemos empezar a medir cuánto comportamiento aparece cuando reconstruimos cada vez más fielmente la arquitectura neuronal.
Y aquí llega el hype
La parte que cogería con pinzas es el lenguaje utilizado alrededor de la demo.
Decir que la mosca virtual tiene un sistema nervioso basado en el conectoma de una mosca real es una afirmación técnica que podemos discutir y contrastar.
Decir que «ve a través de sus propios ojos» ya requiere matices, porque las entradas visuales están siendo capturadas por sensores artificiales y transformadas antes de llegar al modelo.
Pero el salto importante es la frase: The fly is experiencing a world.
Ahí ya no estamos hablando solamente de arquitectura, estamos hablando de experiencia subjetiva.
Y no tenemos ninguna base para afirmar que una simulación computacional de un conectoma esté teniendo una experiencia consciente del entorno. Podemos observar que procesa estímulos, que determinados circuitos se activan y que produce acciones coherentes con ellos. Podemos hablar de percepción en un sentido funcional.
Lo que no podemos hacer es convertir eso automáticamente en consciencia.
Es una distinción que conviene mantener, especialmente porque la terminología antropomórfica resulta tremendamente tentadora cuando un sistema empieza a comportarse de una manera que reconocemos como «animal».
La mosca puede estar procesando el mundo sin que eso implique que haya una pequeña mosca digital dentro de las Spectacles mirando Madrid.
El siguiente problema: embodiment
Lo que sí podemos afirmar es que estamos avanzando hacia una clase de sistemas de IA bastante diferente de los que hemos utilizado hasta ahora. Hace unos meses ya os hablamos de implementaciones de embodiment, mínimas pero incluso open source aquí.
Un agente embodied tiene que resolver problemas que un modelo puramente digital puede ignorar. La percepción puede ser imperfecta, el entorno cambia, las acciones tienen consecuencias y existe un feedback continuo entre lo que el agente hace y lo que percibe después. Esto introduce una superficie de fallo completamente diferente.
Si estamos acostumbrados a atacar un LLM mediante prompts, herramientas, memoria, RAG o interfaces MCP, un agente embodied nos obliga a mirar también los sensores y los actuadores.
Podemos pensar en algo así: SENSOR -> PERCEPCIÓN -> ESTADO INTERNO -> DECISIÓN -> ACCIÓN -> ENTORNO -> SENSOR…
Cada una de esas interfaces puede convertirse potencialmente en una superficie de ataque.
Un sensor puede ser engañado. Una representación del entorno puede ser manipulada. Una señal puede ser inyectada en el circuito equivocado. Una acción puede ser reinterpretada por el actuador. Y si además existe aprendizaje o memoria persistente, podemos empezar a pensar en problemas parecidos a state poisoning o manipulación del entorno de entrenamiento.
Para alguien que viene del red teaming, esto resulta bastante familiar. Solo hemos cambiado el objeto atacado. Ya no estamos haciendo prompt injection contra un chatbot. Estamos intentando encontrar qué ocurre cuando conseguimos que una criatura artificial perciba una cosa que no existe, deje de percibir una que sí existe o ejecute una acción distinta de la que produciría en condiciones normales.
Y eso puede convertirse en un campo bastante interesante si estos sistemas dejan de ser únicamente experimentos de laboratorio y empiezan a controlar robots, drones, dispositivos autónomos o interfaces con el mundo físico.
De la mosca a algo bastante más grande
No conviene sacar de aquí la conclusión de que estamos a punto de simular un cerebro humano. Estamos absurdamente lejos.
La escala, la complejidad y la riqueza dinámica del sistema nervioso humano hacen que la mosca y nosotros juguemos en ligas completamente distintas. Incluso dentro de la mosca, reconstruir el cableado no equivale a reconstruir toda su biología.
Pero hay algo que sí ha cambiado. Hasta hace relativamente poco, estudiar un cerebro significaba observarlo y tratar de inferir qué estaba haciendo. Ahora empezamos a disponer de mapas de conectividad lo suficientemente completos como para reconstruirlos computacionalmente, experimentar con ellos y conectarlos a entornos artificiales.
Ese cambio es mucho más profundo de lo que sugiere una mosca volando alrededor de una mesa mediante realidad aumentada.
Porque por primera vez podemos empezar a hacer una pregunta que se parece más a ingeniería que a neurociencia tradicional: ¿qué ocurre si ejecutamos el circuito?
Podemos modificar entradas. Podemos observar salidas. Podemos eliminar conexiones. Podemos introducir perturbaciones. Podemos comparar comportamientos. Podemos conectar el sistema a mundos diferentes y estudiar qué propiedades aparecen sin haberlas programado explícitamente una por una.
En cierto sentido, estamos convirtiendo el cerebro de una mosca en un sistema que podemos debuggear.
Y para quienes llevamos años mirando sistemas desde el otro lado del teclado, eso tiene algo inevitablemente tentador.
La pequeña mosca abre una puerta bastante grande
Por eso creo que merece la pena mirar más allá del titular de GPT-6 Astra y de la inevitable frase sobre una mosca que «experimenta» la realidad.
La noticia importante no es que una IA haya aprendido a hacer de mosca. Tampoco es que tengamos una consciencia artificial volando alrededor de nuestras cabezas.
Lo interesante es que tenemos un mapa extraordinariamente detallado de un sistema nervioso biológico y estamos empezando a utilizarlo como arquitectura computacional, conectándolo a sensores, simulaciones y cuerpos virtuales para cerrar un bucle de percepción y acción. Eso es embodied intelligence desde un ángulo bastante diferente al habitual.
Y quizá sea precisamente ahí donde esté una de las líneas de investigación más interesantes de los próximos años. No necesariamente en construir modelos cada vez más grandes que sepan describir el mundo, sino en construir sistemas que puedan percibirlo, actuar sobre él y aprender las consecuencias de sus propias acciones.
La mosca no necesita saber qué es un transformer. Nosotros sí.
Y mientras seguimos intentando enseñar a las máquinas a pensar como nosotros, quizá resulte que algunas de las respuestas interesantes estaban escondidas desde hace millones de años en un animal con unas 166.700 neuronas…
Powered by WPeMatico
