El pez elefante africano dispara varias descargas eléctricas por segundo para rastrear larvas enterradas en los ríos turbios donde vive, y esas descargas provocan en sus propios sensores una respuesta mucho mayor que la de cualquier presa. Un equipo del Instituto Zuckerman de la Universidad de Columbia, del laboratorio de Jeff Lichtman en Harvard y de Google Research publicó el 2 de septiembre de 2026 en Nature el mapa, sinapsis por sinapsis, del circuito cerebral que cancela esa interferencia. Encontraron que el cableado empareja de forma sistemática una neurona que aprende rápido con otra que aprende lento. Esa división del trabajo permite al pez rehacer su predicción cada vez que cambia la conductividad del agua sin destruir lo que ya había aprendido, que es justo donde tropiezan los modelos de inteligencia artificial cuando incorporan información nueva.
El pez tiene que oír mientras grita, varias veces por segundo
El pez elefante (Gnathonemus petersii) vive en ríos africanos donde el sedimento vuelve la vista casi inútil. Se orienta con dos sistemas eléctricos. Uno es pasivo y registra los campos diminutos de las larvas de insecto de las que se alimenta. El otro es activo: un órgano en la cola dispara pulsos que el pez usa para reconocer objetos y para comunicarse con otros de su especie, algo parecido a lo que hacen murciélagos y delfines con el sonido.
El conflicto está en que los mismos receptores de la piel reciben las dos cosas, y el pulso propio llega mucho más fuerte que cualquier presa. En el rombencéfalo, la parte trasera del cerebro, una estructura en capas llamada lóbulo electrosensorial recibe la señal de la piel y, en paralelo, una copia de la orden motora que disparó el pulso. Con ambas construye una predicción invertida de la respuesta que ese pulso provocará. Los neurocientíficos la llaman imagen negativa, porque se resta de lo que llega y deja a la vista lo que no estaba previsto.
La lección nunca termina. La conductividad del agua cambia el tamaño y la forma de cada descarga, así que la predicción hay que rehacerla cada vez que cambia el entorno.
El cableado casi nunca se equivoca de pareja
Para ver cómo lo consigue, el laboratorio de Jeff Lichtman en Harvard cortó un fragmento del rombencéfalo del pez en láminas y lo fotografió con microscopía electrónica a una resolución de 4 por 4 por 30 nanómetros. Michal Januszewski, de Google Research, segmentó el volumen con software automático, y después llegó el trabajo manual de seguir cada prolongación y marcar dónde una célula pasa la señal a la siguiente. Según el recuento que publicó Earth.com, fueron 3,534 cortes, 29,694 uniones marcadas y 5,016 células; apilado, el bloque tiene el grosor aproximado de una hoja de papel.
Del volumen salieron 136 neuronas ganglionares medianas, las MG, y 592 pequeñas, las SG, además de las células de salida que envían la señal ya limpia fuera del lóbulo. Cada tipo existe en dos versiones opuestas, una que se acelera cuando el campo eléctrico sube y otra que se frena.
Nada de eso se veía a simple vista. Sawtell contó a Earth.com que los tipos rápidos y lentos están entremezclados en el tejido y que, «al visualizarlos todos juntos, vimos lo que parece una maraña enredada». El patrón apareció al bajar al nivel de cada conexión: una MG de una versión se conecta a células de salida de la versión contraria, y a MG de la versión contraria. De 3,527 sinapsis de MG a células de salida, una sola rompió la regla, y de 1,322 sinapsis entre MG la rompieron diez, siempre según el recuento de Earth.com. Células que solo se superponen en el tejido no se alinean con esa exactitud.
Una neurona rápida y una lenta en cada pareja
Las conexiones de este circuito cambian de dos maneras. Se debilitan cuando la señal que entra y el disparo de la propia célula coinciden en el tiempo, y se refuerzan por su cuenta el resto del tiempo. El debilitamiento es mucho más veloz, y eso reparte los papeles. Cuando el pulso del pez se hace más fuerte, aprenden primero las células que necesitan debilitar conexiones, mientras su pareja tarda mucho más; cuando el pulso se debilita, los papeles se invierten. En los dos casos cada pareja termina con una célula rápida y una lenta.
Salomon Muller, investigador posdoctoral en los laboratorios de Abbott y Sawtell y coautor principal del trabajo, resumió el intercambio en el comunicado del Instituto Zuckerman: las células rápidas aprenden deprisa, pero son más vulnerables al ruido aleatorio e inconsistente, mientras las lentas aportan estabilidad y acaban cancelando las señales que interfieren de manera constante. Krista Perks, científica investigadora asociada del laboratorio Sawtell y también coautora principal, lo describió desde el otro lado: una vez cancelado lo previsible, cualquier otra cosa que el pez detecte resalta.
El modelo computacional, ajustado con registros eléctricos de peces despiertos, sirvió para una prueba adicional. El equipo simuló diez minutos de pulsos llegando en momentos impredecibles, como los que produciría otro pez cerca, y repitió después las condiciones con animales reales. La cancelación aguantó en los dos casos. Cuando el modelo dejaba aprender a un solo sitio en lugar de a los dos, el ruido dejaba a las células de salida disparando lejos de su ritmo estable.
Qué puede aprender la inteligencia artificial de este circuito
El paralelo con la IA aparece en el propio comunicado de Columbia. Cuando un modelo incorpora información nueva puede perder buena parte de lo que ya sabía, un fenómeno conocido como olvido catastrófico, y aprender a dos velocidades es una de las defensas propuestas contra él.
Sawtell, profesor de neurociencia en Columbia y uno de los autores sénior del estudio, puso límites a esa lectura en su entrevista con Earth.com. La estrategia de las dos velocidades ya es común en machine learning, dijo; lo nuevo es dónde y cómo la implementa un cerebro y para qué le sirve al animal. Señaló también una diferencia de fondo: los estudios de aprendizaje suelen observar cómo cambian los pesos entre neuronas tratadas como iguales, mientras este circuito trabaja con tipos celulares distintos y con un cableado fijo entre ellos.
«Los sistemas biológicos tienen mucho que enseñar a los sistemas artificiales», dijo Sawtell en el comunicado del Instituto Zuckerman.
Lo que el mapa todavía no responde
Toda la reconstrucción salió de un único ejemplar, un pez de unos 9.3 centímetros según Earth.com, y el bloque muestra las conexiones pero ninguna actividad. Las velocidades de aprendizaje y los resultados frente al ruido descansan en registros de peces vivos y en el modelo construido para reproducirlos.
Los huecos son concretos. Un tipo celular del lóbulo nunca se ha registrado en un animal vivo y el modelo lo trata como un simple relevo a falta de algo mejor. Tampoco se ha medido de forma directa con cuánta fuerza se inhiben entre sí las neuronas MG. Y la capa superior del lóbulo, donde están precisamente las conexiones que aprenden, no se ha analizado con el mismo detalle.
Si otros animales usan el mismo arreglo es una pregunta abierta. El lóbulo electrosensorial está construido como un cerebelo y los dos tipos celulares tienen equivalentes ahí. Preguntado por Earth.com sobre si el emparejamiento debería aparecer en mamíferos, Sawtell respondió que su trabajo en sistemas de mamíferos ha encontrado tanto parecidos como diferencias, y que circuitos dedicados al mismo problema general tienen que variar entre especies y sentidos.
Las imágenes de microscopía, las reconstrucciones y el código quedaron depositados en repositorios públicos. Eso deja las preguntas pendientes, empezando por la capa donde ocurre el aprendizaje, al alcance de cualquier laboratorio que quiera volver sobre el mismo volumen sin necesidad de un ejemplar nuevo.
