Neuronas vivas superaron a la IA en un 25% tras probar 1.296 configuraciones

Las células cerebrales vivas superaron a un algoritmo de IA en una tarea que requería encontrar el camino hacia un objetivo. El equipo de Cortical Labs y Honda Research Institute Europe demostró que neuronas humanas cultivadas en un chip obtuvieron más puntos que la red Q profunda (DQN) ajustada, con el mismo número de pasos de entrenamiento. Se trata de una prueba de laboratorio, no de la superioridad de los biocomputadores en general.

En el experimento, cultivos neuronales controlaban un agente virtual en un campo de 6 por 6 casillas. El agente debía encontrar «comida», guiándose por una señal simplificada similar a la dirección de un olor. Las acciones disponibles eran avanzar y girar a la derecha o a la izquierda. Encontrar con éxito aportaba puntos y chocar contra una pared reducía la puntuación.

El sistema CL1 conectaba las neuronas vivas con el mundo digital mediante microelectrodos. Un ordenador convertía las lecturas del sensor virtual en impulsos eléctricos de distinta frecuencia y los enviaba a las células. Luego el programa leía la actividad neuronal en tres zonas de la matriz de electrodos y elegía el movimiento del agente. Tras cada paso, las células recibían retroalimentación eléctrica.

La dificultad clave no fue tanto activar las neuronas como encontrar señales comprensibles para la red viva. El equipo probó 1296 combinaciones de parámetros, incluida la frecuencia y la intensidad de la estimulación, la duración de los impulsos y la velocidad de interacción con el entorno. Participaron 26 cultivos neuronales y el tiempo total de interacción de los agentes con el entorno virtual superó las 4000 horas.

De todas las variantes se identificaron 12 configuraciones en las que los cultivos mejoraban de forma estable el rendimiento en varios episodios. En comparación con la DQN, el sistema biológico mostró una ventaja del 18% en una prueba continua de 150 pasos y del 25% en cinco series de 30 pasos. Entre las series cortas las células descansaban dos minutos y un progreso notable se observó aproximadamente desde la tercera serie.

Para separar el aprendizaje de las células de las particularidades del programa, los autores realizaron pruebas de control sin neuronas y con un esquema modificado de conversión de sus señales en comandos. En ambos casos no se detectó una mejora sostenida. La comprobación respalda la conclusión de que la red viva participó en la adaptación, pero no revela el mecanismo celular exacto. No todas las configuraciones de impulsos produjeron un efecto positivo.

Anteriormente Cortical Labs conectó neuronas al juego Doom, donde el cultivo reaccionaba ante obstáculos y oponentes. El nuevo trabajo hace hincapié no en una demostración espectacular, sino en la selección de parámetros de la interfaz. Los autores comprobaron las configuraciones en distintos cultivos para que el resultado no dependiera de una sola muestra. La primera versión del estudio se publicó en mayo, y se actualizó en octubre de 2026.

Los límites de la experiencia siguen siendo estrechos. El agente recibía una señal simple sobre la dirección del objetivo, y la comparación abarcaba un único modelo de aprendizaje por refuerzo y un número limitado de pasos. La ventaja en puntos no prueba una mejora en velocidad o en consumo de energía. Los autores consideran los sistemas neuronales como base para cálculos híbridos y para el control de robots, pero esas aplicaciones todavía deben comprobarse.