🧠 neurociencia

A neural circuit algorithm for action grammar

Motivado por experimentos con monos, este estudio demuestra que una red neuronal recurrente genera secuencias de acciones basadas en reglas mediante la planificación de estados iniciales a lo largo de direcciones ortogonales, la ejecución de formas en variedades específicas y la preservación de los parámetros de la secuencia durante las transiciones, revelando así una implementación de un algoritmo de gramática simbólica en un circuito neuronal.

Autores originales: Liu, Y., Tian, L. Y., Tenenbaum, J. B., Freiwald, W. A., Wang, X.-J.

Publicado 2026-10-11

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Liu, Y., Tian, L. Y., Tenenbaum, J. B., Freiwald, W. A., Wang, X.-J.

Artículo original bajo licencia CC BY 4.0 (https://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 humano es un maestro del patrón, capaz de tomar un conjunto finito de reglas y generar una variedad infinita de comportamientos. Esta capacidad de seguir instrucciones abstractas —como la gramática que organiza las palabras en oraciones o la secuencia que convierte una serie de movimientos en una acción coherente— es una característica distintiva de la inteligencia. Si bien la inteligencia artificial moderna ha realizado avances tremendos en el reconocimiento de patrones, a menudo le cuesta aplicar reglas aprendidas de manera flexible a situaciones completamente nuevas, tal como lo hacen los humanos y los animales. Los científicos han sospechado durante mucho tiempo que las regiones frontal y parietal del cerebro, áreas asociadas con la planificación y la organización, poseen la clave de esta flexibilidad. Sin embargo, la maquinaria específica dentro de estos circuitos neurales que permite a un animal aprender una regla y luego aplicarla a un problema más complejo ha seguido siendo un misterio. Comprender cómo una red biológica traduce una instrucción simple en un plan de múltiples pasos es esencial para cerrar la brecha entre la lógica abstracta del pensamiento y la realidad física de las neuronas disparándose.

Para descubrir este mecanismo, los investigadores recurrieron a una tarea que los monos ya han dominado: dibujar. En experimentos previos, se les mostró a monos macacos imágenes que contenían múltiples objetos, como líneas y círculos, y se les pidió que los trazaran en un orden específico dictado por una regla, como "primero líneas, luego círculos". Sorprendentemente, los monos no fueron enseñados explícitamente la regla; la infirieron de la experiencia. Una vez que aprendieron el patrón, pudieron aplicarlo a nuevas imágenes con más objetos de los que habían visto antes, trazando con éxito cinco líneas seguidas de tres círculos, incluso si solo habían practicado con dos líneas y un círculo. Esta capacidad de generalizar sugiere que el cerebro tiene un sesgo innato para aprender y utilizar gramáticas de acción. Para ver cómo funciona esto internamente, el equipo de investigación entrenó un modelo computacional, específicamente una red neuronal recurrente, para realizar esta misma tarea de dibujo. Mediante la ingeniería inversa de la actividad interna del modelo, descubrieron un algoritmo preciso de tres partes que la red utiliza para planificar y ejecutar estas secuencias, ofreciendo un plano concreto de cómo el cerebro podría resolver problemas similares.

Los investigadores descubrieron que la red no simplemente reacciona a la imagen mientras dibuja; en su lugar, formula un plan completo antes de que se realice el primer trazo. Cuando comienza la tarea, el estado interno de la red cambia a una posición inicial específica que codifica toda la secuencia futura. Imagine la actividad de la red como un punto en un vasto espacio multidimensional. Antes de que comience el dibujo, este punto se mueve hacia una ubicación que contiene simultáneamente dos piezas de información: cuántas líneas deben dibujarse y cuántos círculos deben dibujarse. Crucialmente, estos dos números se almacenan a lo largo de direcciones separadas e independientes dentro de este espacio, de la misma manera que un mapa utiliza los ejes norte-sur y este-oeste para localizar un punto. Este posicionamiento inicial actúa como un plano de alto nivel, asegurando que la red sepa exactamente cuántas repeticiones de cada forma son requeridas antes de siquiera comenzar a moverse.

Una vez que comienza el dibujo, la red ejecuta el plan moviéndose a lo largo de un camino dedicado a la forma actual. Si la regla es dibujar líneas primero, la actividad de la red viaja a lo largo de un camino de "línea", repitiendo la acción durante todo el tiempo que la distancia hasta el final de dicho camino lo permita. La red no cuenta en voz alta; más bien, la distancia que debe recorrer a lo largo de este camino corresponde directamente al número de repeticiones que debe realizar. A medida que se mueve, consume gradualmente la distancia hasta que llega al final del camino de la línea. En ese momento preciso, la red transiciona a la siguiente fase. Salta a un camino diferente dedicado a los círculos. La brillantez de este sistema reside en cómo maneja la transición: el salto es tan ordenado y paralelo que preserva la información sobre cuántos círculos quedan por dibujar. La red llega al inicio del camino de los círculos a una distancia del final que coincide perfectamente con el número de círculos que necesita producir, permitiéndole continuar la secuencia sin perder el rastro del conteo.

Este mecanismo depende de tres tipos distintos de actividad neural trabajando en concierto. Algunas neuronas están dedicadas a identificar qué forma se está dibujando actualmente, cambiando efectivamente el modo de la red de "línea" a "círculo". Otras rastrean el progreso del trazo actual, señalando cuántas repeticiones quedan. Finalmente, un grupo específico de neuronas se vuelve altamente activo justo en el límite entre las formas, actuando como un disparador que impulsa a la red de un camino al siguiente. Los investigadores observaron que, a medida que la red se acerca al final de una secuencia de líneas, la inhibición que usualmente suprime a las neuronas de "círculo" se debilita, permitiendo que estas se disparen y tomen el control. Esta entrega fluida asegura que el conteo para la forma entrante nunca se pierda durante el cambio. El estudio sugiere que el cerebro utiliza una estrategia similar de planificación ortogonal y transiciones paralelas para organizar comportamientos complejos, permitiendo generar variaciones infinitas de acción a partir de un simple conjunto de reglas.

Las implicaciones de este descubrimiento se extienden más allá de la tarea de dibujo. El mecanismo que los investigadores descubrieron proporciona una explicación tangible de cómo el cerebro puede mantener un programa mental en su lugar mientras ejecuta sus pasos. Muestra que el cerebro no necesita recalcular constantemente toda la secuencia desde cero; en su lugar, establece un estado inicial que contiene el plan completo y luego deja que la dinámica del circuito neural ejecute dicho plan. Este enfoque permite una flexibilidad notable: si el problema cambia y requiere más repeticiones, la red simplemente comienza más lejos a lo largo de los mismos caminos, utilizando la misma maquinaria subyacente. Aunque el estudio actual utilizó una simulación computacional para demostrarlo, los patrones específicos de actividad predichos por el modelo —como la codificación ortogonal de números y las transiciones paralelas entre formas— ofrecen predicciones claras y contrastables para futuros experimentos en cerebros vivos. Al revelar cómo un circuito neural puede implementar un algoritmo simbólico, este trabajo nos acerca a la comprensión de la base biológica de la inteligencia humana y la capacidad de aprender, adaptarse y crear.

Resumen Técnico: Un Algoritmo de Circuito Neuronal para la Gramática de la Acción

Planteamiento del Problema
El artículo aborda una pregunta fundamental en la ciencia cognitiva y la neurociencia: cómo los circuitos neurales implementan reglas gramaticales abstractas para generar secuencias de elementos discretos, como acciones o palabras. Si bien la inteligencia artificial moderna ha avanzado significativamente, los humanos y los animales siguen siendo superiores en la aplicación flexible de reglas aprendidas a problemas novedosos. Específicamente, los autores investigan cómo el cerebro organiza los pasos cognitivos en un programa mental utilizando reglas gramaticales abstractas, centrándose en la generación de secuencias de acciones en la forma $A^mB^n$ (producir la forma $A$ , $m$ veces, seguida de la forma $B$ , $n$ veces). Esto se basa en hallazgos conductuales recientes donde monos macacos aprendieron a dibujar imágenes de múltiples objetos de acuerdo con tales reglas gramaticales sin un entrenamiento explícito sobre la gramática, demostrando un sesgo inductivo hacia el aprendizaje y el uso de gramáticas de acción.

Metodología
Para explorar los mecanismos de los circuitos neurales que subyacen a esta capacidad, los autores entrenaron una red neuronal recurrente (RNN) con $N=1024$ unidades para realizar una versión simplificada de la tarea de dibujo de los monos.

Diseño de la Tarea: La RNN recibió entradas binarias que representaban las ubicaciones de líneas y círculos en una cuadrícula de $4\times4$ y una entrada de regla que especificaba la gramática de la acción (ya sea "líneas $\to$ círculos" o "círculos $\to$ líneas"). La red tenía la tarea de producir una secuencia de trazos (forma y ubicación) consistente con la regla, produciendo trazos de arriba hacia abajo y de izquierda a derecha.
Entrenamiento y Generalización: La RNN fue entrenada mediante aprendizaje supervisado y retropropagación a través del tiempo (backpropagation through time) en problemas que contenían de 2 a 5 objetos. Crucialmente, el modelo fue luego probado en problemas de generalización que contenían de 6 a 8 objetos, un régimen no visto durante el entrenamiento, para evaluar su capacidad de extrapolar la gramática aprendida.
Análisis: Los autores emplearon técnicas de reducción de dimensionalidad para visualizar el espacio de estados de alta dimensión de la RNN. Identificaron tres ejes específicos mediante regresión lineal: un "eje de forma" (que discrimina entre líneas y círculos) y dos "ejes de repetición" ortogonales ("repetición de línea" y "repetición de círculo") que codifican el número de repeticiones restantes para cada forma. Además, analizaron las trayectorias neurales, los pesos de entrada y las respuestas de unidades individuales para realizar ingeniería inversa al algoritmo.

Resultos Clave
La RNN entrenada logró generalizar con éxito a problemas nuevos y más complejos (6–8 objetos), reflejando el desempeño conductual de los monos. La ingeniería inversa de la dinámica de la red reveló un algoritmo específico de tres partes:

Codificación de Estado Inicial Ortogonal: Antes de que comience el dibujo, el estado de la RNN se desplaza a una ubicación inicial específica determinada por la entrada externa. Este estado inicial codifica el número de líneas ( $m$ ) y círculos ( $n$ ) a lo largo de dos direcciones ortogonales ("repetición de línea" y "repetición de círculo"). La distancia del estado desde el borde del respectivo manifold corresponde al número de repeticiones requeridas. El análisis de los pesos de entrada mostró que las conexiones de las entradas de forma-ubicación están alineadas con sus ejes de repetición correspondientes, mientras que las entradas de gramática se alinean con el eje de forma, efectivamente "empujando" el estado hacia el punto de partida correcto.
Trayectoria de Manifold para la Repetición: Durante la ejecución de una forma, el estado de la RNN progresa a lo largo del manifold específico de la forma correspondiente (por ejemplo, el manifold de "repetición de círculo") hacia su borde. Este movimiento representa el decremento del conteo de las repeticiones restantes.
Transiciones Paralelas que Preservan la Información: Cuando la red realiza una transición de una forma a la siguiente (por ejemplo, del último círculo a la primera línea), las trayectorias neurales siguen caminos paralelos a través de ensayos con diferentes conteos de repetición. Esta dinámica paralela asegura que la información relativa al número de repeticiones para la próxima forma (codificada a lo largo del eje ortogonal) se preserve durante la transición. En consecuencia, el estado aterriza en el nuevo manifold a una distancia del borde que refleja correctamente el conteo restante para la segunda forma.

A nivel de unidad individual, la red contiene poblaciones distintas que codifican: (1) la forma actual, (2) el rango ordinal del trazo dentro de la repetición, y (3) el límite de la secuencia (activa justo antes de la transición). La transición es impulsada por un debilitamiento gradual de la entrada inhibitoria de las unidades selectivas para la primera forma hacia las unidades selectivas para la segunda.

Significancia y Reivindicaciones
Los autores afirman que este trabajo revela una implementación de circuito neural de un algoritmo simbólico para generar secuencias de acción basadas en reglas. El mecanismo propuesto cierra la brecha entre los algoritmos simbólicos (específicamente la estructura $A^mB^n$ ) y su realización en redes neurales.

Las principales reivindicaciones respecto a la significancia del mecanismo incluyen:

Generalización vía Estado Inicial: La red generaliza a secuencias más largas y novedosas no mediante el reaprendizaje de las reglas, sino comenzando más lejos a lo largo de las mismas direcciones ortogonales basadas en los nuevos conteos de entrada.
Basado en Distancia vs. Basado en Velocidad: Los autores argumentan que su observado mecanismo "basado en la distancia" (codificar el conteo como la distancia al borde del manifold) es más eficiente para la generalización que un hipotético mecanismo "basado en la velocidad", ya que permite que las dinámicas se reutilicen en diversos problemas sin necesidad de reescalar.
Base Neural de los Programas Mentales: Los resultados proporcionan un mecanismo concreto de cómo los circuitos neurales organizan los pasos de procesamiento para implementar un "programa mental", ofreciendo una explicación de cómo los patrones de actividad pre-movimiento (que codifican propiedades estructurales abstractas) se combinan con la dinámica subsecuente para ejecutar gramáticas de acción.
Alineación con la Fisiología: Las respuestas de unidad individual identificadas (que codifican la forma, el rango ordinal y los límites de secuencia) se alinean con las observaciones empíricas en las cortezas frontal y premotora de monos realizando tareas de secuenciación similares, lo que sugiere un sustrato biológico plausible para estos principios computacionales.

El artículo concluye que, si bien este mecanismo explica la generación de secuencias $A^mB^n$ , es necesario realizar trabajos futuros para comprender cómo tales primitivas se ensamblan en gramáticas más complejas y jerárquicas presentes en el lenguaje natural y la cognición avanzada.

Más como este