Generalización cognitiva semejante a la humana para grandes modelos mediante supervisión guiada por representaciones mentales

Por qué importa enseñar a la IA a pensar como nosotros

La inteligencia artificial moderna puede reconocer rostros, etiquetar fotografías y redactar textos fluidos, pero aún lucha con el tipo de comprensión flexible que usamos a diario. Podemos ver un ejemplo con un pájaro y luego reconocer muchas clases de pájaros, o entender que una hamaca y un cochecito de bebé implican ambas acostarse para descansar. Este artículo explora una nueva manera de ayudar a los modelos informáticos a acercarse a ese tipo de pensamiento semejante al humano usando la propia actividad cerebral como señal de enseñanza.

Dónde fallan las máquinas inteligentes de hoy

Los sistemas estándar de aprendizaje profundo se vuelven más capaces principalmente al aumentar su tamaño y entrenarlos con más datos. Esa receta funciona bien para tareas concretas, como reconocer calcetines, cisnes o coches en imágenes. Sin embargo, los autores muestran que simplemente añadir más parámetros al modelo aporta poca mejora en la comprensión de ideas abstractas como ropa, aves o la división más amplia entre seres vivos y objetos no vivos. Cuando los modelos se probaron en tareas de aprendizaje con un solo ejemplo, mejoraron mucho en objetos específicos a medida que crecían, pero apenas mejoraron, o incluso empeoraron, en categorías de nivel superior. Los análisis de cómo los modelos separan internamente los conceptos revelaron que, a diferencia del cerebro humano, no agrupaban de forma natural a los seres vivos aparte de herramientas y otros objetos.

Permitir que el cerebro guíe a la máquina

Para abordar esta brecha, los investigadores diseñaron lo que llaman supervisión guiada por representaciones mentales. Voluntarios se tumbaron en un escáner cerebral mientras veían numerosas imágenes naturales. A partir de esas grabaciones, el equipo extrajo patrones de actividad en zonas de la corteza visual que se sabe codifican información rica y de alto nivel sobre lo que vemos. Al mismo tiempo, una red artificial procesaba las mismas imágenes. La idea clave fue forzar a que la estructura interna de similitudes y diferencias entre objetos del modelo coincidiera con la estructura encontrada en el cerebro. Los autores trataron tanto al cerebro como al modelo como grafos de conceptos interconectados y usaron un procedimiento iterativo de emparejamiento de grafos para acercarlos.

Cómo se comportan los modelos alineados con el cerebro

Tras este entrenamiento especial, los modelos no se limitaron a memorizar las imágenes supervisadas. En lugar de eso, desarrollaron un mapa de conceptos más semejante al humano que se generalizó a muchos objetos nuevos nunca emparejados con datos cerebrales. Los modelos mejorados se volvieron mucho mejores en aprendizaje con un solo ejemplo para categorías abstractas, mostrando agrupaciones más compactas para conceptos como animal, vehículo o instrumento musical. Sus jerarquías internas llegaron a parecerse a WordNet, una base de datos construida manualmente sobre cómo se relacionan las palabras en inglés, aunque los modelos nunca fueron entrenados explícitamente con esa estructura. Al pedirles que eligieran el “intruso” entre tres imágenes, los modelos guiados por el cerebro eligieron de maneras que coincidían más estrechamente con grandes conjuntos de juicios humanos. También resultaron más difíciles de engañar con pequeñas distorsiones cuidadosamente diseñadas en las imágenes, lo que sugiere una comprensión más profunda y robusta de lo que son los objetos.

Una ventana a un espacio conceptual más humano

Los autores fueron más allá y examinaron la “variedad conceptual” o mapa de baja dimensión subyacente a los modelos guiados por el cerebro. Al moverse por este mapa y decodificar puntos en descripciones en lenguaje natural, mostraron que posiciones cercanas correspondían a ideas semánticamente relacionadas, como distintos tipos de ropa o vehículos. La interpolación entre regiones produjo transiciones suaves, como deslizarse de dispositivos electrónicos hacia animales y encontrar caballos al cruzar entre vehículos y mamíferos ungulados. El sistema también pudo resumir múltiples imágenes relacionadas en una sola frase con sentido y realizar una sencilla “aritmética de conceptos”, ajustando leyendas al añadir o restar elementos como caballo o motocicleta de manera coherente con la intuición humana.

Qué significa esto para la IA futura

En términos cotidianos, este trabajo sugiere que darle a los sistemas de IA un empujón desde el cerebro humano puede ayudarles a ir más allá del emparejamiento de patrones hacia algo más cercano a nuestra propia forma de organizar el conocimiento. En lugar de limitarse a hacer los modelos más grandes, el estudio muestra que moldear su espacio conceptual interno para reflejar la estructura cerebral puede mejorar su capacidad para manejar situaciones nuevas, abstractas e inusuales. Aunque el enfoque sigue dependiendo de escáneres cerebrales detallados de personas individuales, ampliar ese entrenamiento informado por el cerebro podría conducir a sistemas artificiales más adaptables, interpretables y alineados con la forma en que los humanos perciben y razonan sobre el mundo.

Cita: Chen, J., Qi, Y., Wang, Y. et al. Human-like cognitive generalization for large models via mental representation-guided supervision. Nat Commun 17, 4709 (2026). https://doi.org/10.1038/s41467-026-71267-5

Palabras clave: aprendizaje guiado por el cerebro, conceptos abstractos, redes neuronales profundas, jerarquía de conceptos, generalización cognitiva