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.

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.

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:

- 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.

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».
- Bayesian efficient coding — PLoS Computational Biology
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.
Relacionado
- El alzhéimer podría encoger dos zonas del cerebro años antes del olvido
- Los cuervos deciden el doble de rápido que tú (y casi nunca fallan)
- BraTS-Reg: el reto que pone a prueba la IA al comparar resonancias de gliomas
- El alzhéimer hereditario podría dar señales en los músculos antes que en el cerebro
- Anterior en Ciencia: Los modelos de difusión empiezan a crear cuando su memoria se desborda
- Siguiente en Ciencia: Starship llega a la órbita, pero su propulsor se pierde en el golfo de México
Temas: Neurociencia (31)





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.