🧬 biology

Structural Plasticity as Active Inference: A Biologically-Inspired Architecture for Homeostatic Control

Este artículo presenta SAPIN, una arquitectura de red neuronal inspirada en la inferencia activa que utiliza la plasticidad sináptica y estructural para optimizar el procesamiento de información y el control homeostático, logrando resolver con éxito la tarea de CartPole.

Autores originales: Brennen A. Hill

Publicado 2026-02-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Brennen A. Hill

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

El Cerebro que se Mueve: Una Nueva Forma de Aprender

Imagina que quieres aprender a montar en bicicleta. Normalmente, los programas de computadora aprenden de una forma muy rígida: son como un estudiante que solo memoriza respuestas de un examen, pero si le cambias una sola palabra de la pregunta, se bloquea. Además, estos programas suelen necesitar un "profesor" (un programador) que les diga constantemente: "¡Bien hecho!" o "¡Mal hecho!".

Este estudio presenta algo llamado SAPIN, un modelo de inteligencia artificial que no funciona como un estudiante memorizador, sino más bien como un organismo vivo.

1. El aprendizaje de "dos capas" (Como un músico y su escenario)

Para entender cómo aprende SAPIN, imagina a un grupo de músicos en un escenario:

La Plasticidad Sináptica (El talento del músico): Imagina que los músicos están practicando. Al principio, suenan mal, pero con la práctica, ajustan sus dedos y su ritmo para que la música suene perfecta. En SAPIN, esto es lo que llamamos "plasticidad sináptica": las conexiones entre las células de la red se ajustan para que la información fluya sin errores. Es el aprendizaje de "cómo" hacer las cosas.
La Plasticidad Estructural (Mover el escenario): Aquí es donde SAPIN se vuelve increíble. Imagina que los músicos se dan cuenta de que el escenario es demasiado pequeño o que el amplificador está muy lejos. En lugar de solo tocar mejor, ¡deciden mover el escenario de lugar o cambiar la posición de los instrumentos para estar más cómodos! En SAPIN, las células de la red pueden moverse físicamente por una cuadrícula para encontrar el mejor lugar donde procesar la información. Es el aprendizaje de "dónde" estar para trabajar mejor.

2. El motor del aprendizaje: El deseo de "paz y tranquilidad"

En la inteligencia artificial tradicional, necesitas una "recompensa" (como un premio o puntos) para que la máquina aprenda. Pero SAPIN es diferente. Su motor no es la ambición de ganar premios, sino el deseo de evitar el caos.

Imagina que eres un termostato en una habitación. Tu único objetivo es que la temperatura no cambie. Si hace frío, te activas; si hace calor, te apagas. No necesitas que nadie te premie por mantener la temperatura; simplemente quieres que el sistema sea predecible y estable.

A esto los científicos lo llaman "Inferencia Activa". SAPIN intenta mantener el equilibrio (en el experimento, lograr que un palo se mantenga vertical sobre un carrito) simplemente porque un palo equilibrado es "predecible", mientras que un palo que se cae es "caótico y sorprendente". SAPIN aprende para evitar la sorpresa.

3. ¿Qué descubrieron?

Los investigadores pusieron a prueba a SAPIN con el reto del "Cart Pole" (mantener un palo equilibrado). Los resultados fueron fascinantes:

Aprendió solo: Incluso sin darle premios ni castigos, la red aprendió a equilibrar el palo solo porque quería mantener la estabilidad y evitar el caos.
El problema de la "mente inquieta": Descubrieron que, como la red siempre está intentando mejorar y moverse, a veces "olvida" lo que ya sabía hacer bien (como un músico que, por intentar un nuevo estilo, olvida cómo tocar su canción favorita).
El botón de "congelar": Para solucionar esto, descubrieron que si "congelaban" el aprendizaje una vez que la red ya era buena, la inteligencia se volvía muy estable y robusta. Es como cuando un estudiante termina su carrera y deja de cambiar sus conocimientos básicos para empezar a aplicarlos con maestría.

En resumen...

En lugar de construir máquinas que solo procesan datos, este estudio nos acerca a crear máquinas que se organizan a sí mismas. Es una inteligencia que no solo aprende a pensar, sino que aprende a construir su propio cuerpo computacional para sobrevivir en un mundo lleno de sorpresas.

Resumen Técnico: Plasticidad Estructural como Inferencia Activa

Título original: Structural Plasticity as Active Inference: A Biologically-Inspired Architecture for Homeostatic Control
Autor: Brennen Hill (University of Wisconsin-Madison)

1. El Problema

El estudio aborda una limitación fundamental en las redes neuronales artificiales tradicionales: su dependencia de mecanismos de aprendizaje biológicamente implausibles, como la retropropagación (backpropagation) global. El problema central es cómo diseñar un sistema que pueda autoorganizarse y aprender de manera estable utilizando únicamente reglas de computación local, emulando la capacidad de los organismos biológicos para mantener el orden interno (homeostasis) y reorganizar su estructura física (morfogénesis) en respuesta al entorno.

2. Metodología: La Arquitectura SAPIN

El autor propone la Red de Inferencia Predictiva Estructuralmente Adaptativa (SAPIN), un modelo computacional basado en una cuadrícula 2D de 9×9 que integra dos mecanismos de aprendizaje concurrentes inspirados en la Inferencia Activa y el Principio de Energía Libre:

Plasticidad Sináptica (LTM - Memoria a Largo Plazo): Utiliza una regla de aprendizaje local de tipo Hebbiano. Cada célula actualiza sus fuerzas de conexión direccional ( $s_i$ ) y su expectativa de activación homeostática ( $E_i$ ) basándose exclusivamente en el error de predicción local (la diferencia entre la activación real $V_i$ y la esperada $E_i$ ).
Plasticidad Estructural (Movimiento): A diferencia de las redes estáticas, las células de procesamiento en SAPIN pueden migrar físicamente por la cuadrícula. Este movimiento es impulsado por el "deseo", definido como el error de predicción promedio a largo plazo. Si una célula está crónicamente sobre-activada o sub-activada, se desplaza para encontrar una posición más predecible, optimizando así su campo receptivo de información.
Dinámica de Propagación: El sistema utiliza un mecanismo de "el ganador se lleva todo" (winner-takes-all) para la propagación de señales, donde la información fluye de forma no serial desde las células de entrada hacia las de salida, permitiendo una arquitectura espacialmente flexible.

3. Contribuciones Clave

Unificación de Plasticidad Funcional y Estructural: SAPIN no solo aprende cómo procesar la información (pesos sinápticos), sino también dónde posicionar sus recursos computacionales (topología de la red).
Aprendizaje sin Recompensa Externa: El modelo demuestra que la minimización del error de predicción local es suficiente para el control de tareas homeostáticas, sin necesidad de señales de recompensa o castigo externas (como las utilizadas en el Aprendizaje por Refuerzo tradicional).
Mecanismo de Consolidación (Locking): Introduce el concepto de "bloqueo" de parámetros como un análogo computacional a la consolidación sináptica, permitiendo estabilizar políticas de control exitosas.

4. Resultados

El modelo fue validado utilizando el entorno de aprendizaje por refuerzo CartPole-v1:

Resolución de la tarea: SAPIN logró equilibrar el péndulo con éxito, descubriendo una política estable de forma autónoma.
Estabilidad vs. Plasticidad: Se observó que el aprendizaje continuo provocaba inestabilidad (la red podía "olvidar" una buena política al seguir explorando). Sin embargo, al "bloquear" los parámetros una vez alcanzado el éxito, la red mantuvo una tasa de éxito promedio del 82% tras 100 episodios.
Hallazgo sobre el castigo: Sorprendentemente, la introducción de señales de castigo (ruido caótico tras un fallo) no mejoró significativamente el rendimiento. Esto confirma que el impulso intrínseco hacia la predictibilidad (minimizar la sorpresa) es el motor principal del aprendizaje en este sistema.

5. Significancia

Este trabajo representa una prueba de concepto importante para la Inteligencia Artificial General (AGI) basada en principios biológicos. Al demostrar que un agente puede aprender control homeostático mediante reglas locales y reorganización física, el estudio sugiere que la inteligencia puede emerger de sistemas autoorganizados que buscan minimizar la incertidumbre. SAPIN cierra la brecha entre la computación de la información y la morfología dinámica, proponiendo que la estructura física de un sistema inteligente es, en sí misma, una forma de computación adaptativa.