EDICIÓN Nº 069 · Domingo 22 nov 2026
Ciencia

Codificación eficiente bayesiana: una teoría une dos grandes ideas sobre el cerebro

Il Memming Park y Jonathan Pillow proponen un marco que une la codificación eficiente de las neuronas con el «cerebro bayesiano». Muestra que maximizar información no es la única forma óptima de codificar.

Redacción2026-11-14neurociencia · cerebro bayesiano · codificación eficiente · teoría de la información
GFP Neurons
Foto: ManuelSchottdorf · CC BY-SA 4.0 · Wikimedia Commons · realzada con IA
Neuron in the microchannel of hydrogel implant
Foto: Wisstock · CC BY 4.0 · Wikimedia Commons

Este artículo es un resumen divulgativo propio, no una traducción, del trabajo «Bayesian efficient coding», firmado por Il Memming Park y Jonathan W. Pillow y publicado en acceso abierto en PLoS Computational Biology (2026, DOI: 10.1371/journal.pcbi.1014894, licencia CC BY).

¿Para qué está optimizado un cerebro? La neurociencia lleva décadas respondiendo a esa pregunta con dos ideas muy influyentes que casi siempre han ido por separado. Este trabajo teórico propone una forma de unirlas en un único marco matemático. Lo más interesante es lo que sale de esa unión: la manera «clásica» de entender una neurona óptima pasa a ser solo un caso particular entre muchos posibles.

Dos hipótesis que se miraban de reojo

La primera es la hipótesis de la codificación eficiente. Sostiene que las neuronas sensoriales están ajustadas para transmitir la mayor cantidad posible de información sobre el entorno con los recursos limitados de que disponen. Las neuronas no pueden disparar sin fin ni gastar energía sin control, así que, según esta idea, la evolución las habría llevado a aprovechar al máximo cada impulso. Ha sido una brújula teórica para la neurociencia sensorial y de sistemas.

A candidate for bistratified direction-selective retinal ganglion cells in the marmoset monkey retina
Foto: Moritoh S, Komatsu Y, Yamamori T, Koizumi A · CC BY 4.0 · Wikimedia Commons

La segunda es la del cerebro bayesiano. Pone el foco en algo distinto: la capacidad del cerebro para combinar lo que le llega por los sentidos con lo que ya «sabe» de antemano, su conocimiento previo, y sacar así la conclusión más razonable. En estadística, eso se llama inferencia bayesiana. Por ejemplo, ante una imagen borrosa, tendemos a interpretarla según lo que suele haber en ese tipo de escenas.

Según los autores, en trabajos anteriores ya habían aparecido piezas sueltas de un puente entre ambas ideas. Lo que faltaba era una formulación general y explícita, y eso es lo que presentan aquí.

Cuatro ingredientes para un código óptimo

La propuesta define lo que llaman códigos eficientes bayesianos a partir de cuatro elementos básicos:

Cel Ganglionar Retina Fotosensible M
Foto: Diana Karnas, David Hicks, Jérôme Mordel, Paul Pévet, Hilmar · CC BY 4.0 · Wikimedia Commons
  • Una distribución previa de los estímulos: con qué frecuencia aparece cada cosa en el entorno.
  • Un modelo de codificación: cómo responde la neurona, o la población de neuronas, a cada estímulo.
  • Una restricción de capacidad: el límite de recursos neuronales, porque nada es gratis.
  • Una función de pérdida: una manera de puntuar lo buena o mala que es la «creencia» que se forma el cerebro tras recibir la señal. En términos técnicos, se aplica a la distribución posterior.

El paso clave es el cuarto. En vez de fijar de antemano que el objetivo es maximizar información, el marco permite que ese objetivo sea cualquier criterio que se pueda definir sobre la distribución posterior. Así, en el mismo esquema caben tanto los objetivos basados en información como otros muy diferentes.

Cuando maximizar información no es lo mejor

Con esta formulación, los códigos eficientes clásicos aparecen como un caso especial: el que se obtiene cuando la pérdida es la entropía de la distribución posterior, es decir, la incertidumbre que queda tras observar la respuesta neuronal. Minimizar esa incertidumbre equivale a maximizar la llamada información mutua entre estímulo y respuesta, el criterio de siempre.

Cel Ganglionar Retina Fotosens
Foto: Diana Karnas, David Hicks, Jérôme Mordel, Paul Pévet, Hilmar · CC BY 4.0 · Wikimedia Commons

Pero los autores muestran que, si se cambia la función de pérdida, las soluciones óptimas pueden ser muy diferentes de las que maximizan información. Dicho de forma sencilla, lo que es «eficiente» depende de qué le importe al sistema. No es lo mismo intentar reducir la incertidumbre en general que, por ejemplo, intentar cometer errores pequeños al estimar un valor concreto.

Dentro de este marco, el trabajo introduce además una familia nueva de funciones de pérdida que han bautizado como covtropy. Se definen sobre las distribuciones posteriores y dependen de parámetros, de modo que permiten explorar de forma ordenada distintos objetivos posibles. El resumen público no da más detalles, así que conviene acudir al artículo completo para conocer su forma exacta.

Limitaciones

Es un trabajo teórico: ofrece un lenguaje matemático y predicciones, no un experimento con neuronas reales que demuestre qué criterio usa el cerebro. Su valor dependerá de que otros grupos lo contrasten con datos. También deja abierta la pregunta central: si los códigos óptimos cambian tanto según la función de pérdida, ¿cuál es la que realmente usan los distintos sistemas sensoriales? El marco ayuda a plantear esa pregunta con precisión, pero no la responde por sí solo.

Por qué importa

Durante mucho tiempo se ha dado casi por hecho que una neurona «bien diseñada» es la que transmite más información. Este trabajo recuerda que ese es un objetivo entre muchos y da una herramienta para comparar alternativas dentro del mismo esquema. Para la neurociencia, eso abre la puerta a interpretar de otra forma respuestas neuronales que no encajan con la maximización de información. Fuera del laboratorio, las mismas ideas interesan a quienes diseñan sistemas artificiales de percepción y compresión con recursos limitados, donde también hay que decidir qué significa exactamente «hacerlo bien».

FuentesResumen propio de la redacción a partir de las fuentes citadas; no es una traducción. Licencia de la fuente: cc-by.

Texto generado con inteligencia artificial a partir de las fuentes citadas, sin revisión humana individual (Reglamento UE 2024/1689, art. 50). Las fotos llevan su crédito y licencia; las marcadas como realzadas se han retocado con IA sin alterar su contenido.

neurocienciacerebro bayesianocodificación eficienteteoría de la información
💬 Comentarios

Comentarios

Para comentar hay que iniciar sesión (Google, X, Facebook, Apple, Microsoft o cuenta de Disqus). Se moderan insultos, spam y datos personales: normas.

Los comentarios los sirve Disqus, un servicio externo que usa cookies propias y de publicidad. Solo se carga si pulsas el botón. Más información.

Sigue leyendo

Curiosidades

Un abad medieval acabó en un ataúd romano de segunda mano (y nadie lo sabía)

Catherine, Duke of Buckingham monument, Westminster Abbey 04

El sarcófago romano de la abadía de Westminster guardaba un esqueleto desde hace siglos. Una datación nueva apunta a un abad del siglo XI que se metió en un ataúd con 600 años de uso.

Reciclar está muy bien. Reutilizar un táper, un bote de cristal o una caja de mudanza es de persona responsable. Reutilizar un ataúd romano con más de seis siglos de antigüedad ya es otro nivel. Eso es justo lo que parece que pasó en la abadía de Westminster, en Londres. Un esqueleto que llevaba más de 150 años esperando a que alguien le preguntara el nombre podría tener por fin respuesta, y resulta que el inquilino era un pez gordo.

Juegos

Ubisoft crea Motherbrain, su nuevo estudio de IA generativa para juegos

Logo Ubisoft Montreal

Ubisoft ha abierto Motherbrain, una filial dedicada a aplicar IA generativa a la jugabilidad. Te contamos qué se sabe, de dónde viene y qué sigue en el aire.

Ubisoft ha anunciado una filial nueva con un nombre muy de ciencia ficción: Motherbrain. Se dedicará a la inteligencia artificial generativa aplicada a los videojuegos. La compañía lo comunicó junto a sus resultados del primer semestre de su año fiscal, publicados el 19 de noviembre de 2026, y la noticia ha corrido por los medios especializados. Es una de las búsquedas más repetidas de la semana en torno a la editora francesa. Aquí no hay juego que comprar ni precio que comparar. Lo que hay es un movimiento empresarial que puede cambiar cómo se fabrican algunos de los mundos abiertos más grandes del mercado.

Tecnología

GTA VI sin consola: qué opción sale más barata y qué letra pequeña tiene

Xbox Series S with controller

Con las consolas encarecidas por la escasez de componentes, entrar en GTA VI puede costar de 81 a casi 1.000 euros. Comparamos opciones, cómo funciona el juego en la nube y sus trampas.

GTA VI salió a la venta el 19 de noviembre de 2026 solo en PS5 y Xbox Series X|S. Si no tienes ninguna de esas máquinas, la cuenta se complica. Xataka ha calculado cuánto cuesta jugar gastando lo mínimo y su autor lo resume en una idea: casi ninguna opción es barata. La escasez de componentes, en especial de memoria, que ha provocado la demanda de la inteligencia artificial ha disparado el precio de todas las consolas. Vamos a ordenar las opciones y a mirar cómo funciona por dentro la más económica, porque es la que más condiciones tiene.

Juegos

GTA 6 se cierra en algunas PS5 con el error CE-108255-1 y bloquea la historia

Playstation 5 base edition with controller (original)

Desde su lanzamiento el 19 de noviembre, varios jugadores de PS5 sufren cierres repetidos de GTA 6 con el código CE-108255-1. No hay parche ni explicación oficial por ahora.

Grand Theft Auto VI acaba de llegar a las tiendas y casi todo lo que se oye sobre él es entusiasmo. Pero un grupo de jugadores de PlayStation 5 lo está pasando mal. Desde el estreno del 19 de noviembre hay quejas de cierres repetidos acompañados del código CE-108255-1. A algunos les impiden avanzar en la historia, y a otros incluso pasar de los primeros minutos. Lo han contado medios como IGN, GameSpot y Notebookcheck. Resumimos lo que se sabe y lo que todavía no.