Quince cultivos de neuronas humanas se coordinan para superar a una IA en una prueba de navegación
Un equipo australiano ha conectado quince unidades de computación biológica basadas en neuronas humanas para que trabajen como un único sistema. La red, bautizada como HIVE, ha obtenido mejores resultados que un cultivo neuronal aislado y que determinados algoritmos de inteligencia artificial en tareas sencillas de reconocimiento y navegación virtual.
El avance procede de Cortical Labs, una empresa especializada en combinar células nerviosas vivas con componentes electrónicos. Sus investigadores presentaron los primeros resultados de este sistema a finales de octubre, durante una conferencia dedicada a la inteligencia organoide celebrada en Washington.
Quince chips neuronales que actúan como una colmena
La tecnología empleada es el CL1, una plataforma que mantiene vivas neuronas humanas cultivadas sobre un chip equipado con electrodos. Estos componentes eléctricos estimulan las células y registran su actividad, de forma similar a una interfaz entre un sistema biológico y un ordenador convencional.
Cada unidad contiene un cultivo neuronal capaz de recibir información, modificar su actividad con la experiencia y producir respuestas. No se trata de un cerebro completo ni de un órgano desarrollado, sino de una red de células nerviosas mantenida en condiciones controladas para estudiar sus capacidades de aprendizaje.
Hasta ahora, los CL1 funcionaban de manera independiente. La novedad consiste en conectar quince de estas unidades para construir HIVE, un sistema distribuido en el que varios cultivos neuronales reciben información y contribuyen a tomar decisiones. Sus creadores aseguran que no programaron de forma explícita qué tarea debía realizar cada grupo.
En una de las pruebas, los cultivos parecían repartirse la gestión de los movimientos de una pala dentro de un entorno similar al videojuego Pong. En lugar de que una única red controlase todas las acciones, diferentes unidades contribuían al resultado colectivo. Este comportamiento recuerda al funcionamiento de algunos sistemas biológicos, en los que múltiples elementos sencillos cooperan sin necesidad de un supervisor central.
Mejores resultados al combinar los cultivos
Los datos preliminares apuntan a que la conexión entre unidades puede mejorar el rendimiento. En una prueba de reconocimiento de símbolos, siete CL1 elevaron la precisión del 80% al 99% al trabajar conjuntamente.
En otro experimento, el sistema debía guiar a un personaje virtual por una cuadrícula hasta alcanzar una meta. Una inteligencia artificial basada en Deep Q-Networks, o DQN, logró aproximadamente el 32% de la puntuación máxima. Este tipo de algoritmo aprende mediante ensayo y error: prueba acciones, recibe recompensas o penalizaciones y ajusta sus decisiones para aumentar la puntuación futura.
El mejor resultado de un CL1 por separado alcanzó el 40%. Cuando varios cultivos decidían juntos cada movimiento, la puntuación subió hasta el 70%. Al organizar las unidades en grupos especializados, el rendimiento se acercó al 80%, casi el doble que el obtenido por el mejor cultivo individual.
Estos resultados permiten afirmar que el conjunto neuronal superó a los sistemas de referencia utilizados en esa tarea concreta. Sin embargo, no significan que estas neuronas sean más inteligentes que las herramientas de IA actuales en términos generales. El experimento se limita a entornos muy simples y controlados, muy alejados de actividades como redactar textos, analizar documentos o realizar cálculos complejos.
Una comparación que debe interpretarse con cautela
La investigación todavía no ha sido sometida a una revisión científica completa. Además, la comparación con la inteligencia artificial presenta algunas limitaciones. El sistema enfrentó a los cultivos neuronales con una red artificial muy pequeña, formada por ocho neuronas artificiales, y no con los modelos de aprendizaje automático más avanzados disponibles.
Los investigadores probaron alrededor de 1.300 combinaciones de estímulos eléctricos durante más de 4.000 horas. Solo doce configuraciones consiguieron que los cultivos aprendieran de forma consistente. Este proceso de selección es relevante, ya que muestra que el rendimiento depende en gran medida de cómo se estimula y se interpreta la actividad de las células.
En las primeras partidas, los cultivos conectados solo superaban a la inteligencia artificial entre el 18% y el 25% de las ocasiones. Con mucha más práctica, el sistema artificial terminaba estabilizándose en torno al 75% de la puntuación máxima. Por tanto, la ventaja de HIVE no es constante ni basta por sí sola para demostrar una superioridad general.
Lo que sí sugieren los resultados es que las redes neuronales biológicas pueden aprender determinadas relaciones con una cantidad limitada de datos y energía. El cerebro humano consume relativamente poca electricidad en comparación con los centros de datos convencionales, un aspecto que impulsa la investigación en computación biológica.
De los videojuegos a un perro robótico
Cortical Labs también ha utilizado cultivos neuronales para controlar un perro robot. La actividad de las células, registrada mediante el chip, se transforma en órdenes de movimiento que permiten al robot avanzar hacia una meta.
La demostración pretende mostrar cómo una red biológica podría influir directamente en un dispositivo del mundo real. No obstante, todavía faltan datos esenciales para valorar el alcance del experimento, como el número exacto de neuronas empleadas, los sensores del robot o el tiempo de entrenamiento necesario.
La computación biológica se encuentra en una fase experimental y plantea, además, preguntas sobre estabilidad, mantenimiento, escalabilidad y criterios éticos. Estos cultivos no son seres conscientes según la evidencia disponible, pero su uso obliga a definir con precisión qué tipo de sistemas celulares pueden emplearse y bajo qué condiciones.
HIVE representa, por ahora, una prueba de concepto: varias redes de neuronas humanas pueden coordinarse y rendir mejor que una unidad aislada en problemas muy concretos. Su importancia no está en haber creado una mente artificial comparable a la humana, sino en abrir una vía alternativa para diseñar sistemas de aprendizaje que combinen biología y electrónica.



