Un equipo de científicos de Estados Unidos, liderado por el Laboratorio Cold Spring Harbor junto a Carnegie Mellon y Princeton, desarrolló un modelo de IA tan pequeño que puede enviarse como archivo adjunto por correo electrónico. El avance revela una pieza clave: sistemas mucho más compactos pueden mantener un rendimiento alto sin depender de una infraestructura descomunal.
Además, el proyecto nació con otra pregunta. Los investigadores no buscaban primero una IA liviana, sino entender cómo el cerebro de los primates interpreta lo que ve. Para eso se centraron en el área V4, una zona central para codificar colores, texturas y formas.
Ese mecanismo se estudió con datos neuronales de monos macacos mientras observaban imágenes naturales. Así, el equipo pudo relacionar la actividad real de neuronas con representaciones digitales. El hallazgo, en los hechos, conecta el laboratorio biológico con el engranaje matemático.
La analogía más clara es doméstica: muchas IAs actuales funcionan como una casa iluminada con reflectores en cada habitación. Ven bien, sí, pero gastan energía de sobra y necesitan una instalación costosa. Este nuevo modelo se parece más a una vivienda con interruptores precisos, cables cortos y luz solo donde hace falta.
En lugar de agrandar la central eléctrica, los científicos ajustaron el cableado. Partieron de un modelo de unos 60 millones de parámetros, los valores internos que usa la IA para reconocer patrones, y luego lo comprimieron hasta cerca de 10.000 parámetros por red.
La reducción fue extrema: alrededor de 1/5.000 del tamaño original. Y lo más llamativo es que esa miniaturización no provocó una caída importante en la precisión. El sistema inicial ya había logrado predecir la actividad neuronal con más de un 30% de mejora frente a modelos previos.
¿Cómo funciona el “interruptor” visual?
Cada red compacta fue diseñada para predecir la actividad de una sola neurona. Eso permitió ver con más transparencia qué estímulos activan cada respuesta. Es decir, la IA dejó de comportarse como una caja negra y empezó a mostrar sus engranajes.
Primero aparecen capas que detectan bordes y colores. Después, otras capas combinan esas señales y construyen patrones más complejos. Es parecido a armar una habitación: primero se levantan paredes y aberturas; recién después aparece la forma completa de la casa.
Esa transparencia importa por una razón práctica. Hoy muchas redes neuronales artificiales son potentes, pero siguen muy lejos de la eficiencia energética del cerebro humano, que puede resolver tareas complejas consumiendo menos energía que una bombilla.
En cambio, los modelos tradicionales suelen depender de chips de silicio muy potentes y de un gasto elevado de energía y agua. Este trabajo cuestiona esa lógica. Señala que no siempre hace falta construir máquinas más grandes para obtener mejores respuestas.
Una oportunidad para la salud y la tecnología
Las implicaciones van más allá de la informática. Si se identifica qué estímulos favorecen la comunicación entre neuronas, esta línea de trabajo podría ayudar a estudiar enfermedades neurodegenerativas como el Alzheimer, donde la pérdida de sinapsis, las conexiones entre neuronas, está ligada al deterioro cognitivo.
También abre una oportunidad para sistemas de visión en vehículos autónomos. Un modelo más pequeño, más claro y más eficiente puede traducirse en respuestas inmediatas con menor consumo. En otras palabras, una IA que vea mejor sin llevar una central energética en el baúl.
El descubrimiento deja una idea simple, pero poderosa: a veces la pieza clave no está en sumar volumen, sino en entender mejor el mecanismo. Y en ese punto, el cerebro vuelve a funcionar como el plano más sobrio y brillante de todos.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
