En un momento en que los grandes modelos de inteligencia artificial (IA) dominan titulares y recursos, existe una iniciativa dentro de la neurociencia computacional que explora el extremo opuesto: ¿qué comportamientos inteligentes pueden surgir cuando limitamos deliberadamente la complejidad de un modelo? La propuesta conocida como The 1,000 Neuron Challenge plantea, literalmente, diseñar “cerebros” artificiales con un máximo de mil unidades neuronales para resolver tareas simples en entornos simulados. Este experimento no es solo un ejercicio técnico, sino una forma de explorar principios de eficiencia, recursos y estructura funcional, acercándose más a las restricciones biológicas que impulsaron la evolución de sistemas nerviosos reales que al enfoque actual de escalado masivo de IA. La competencia limita no solo la cantidad de neuronas sino también el tiempo de entrenamiento (menos de 100 s) y el número de intentos de evaluación (10), forzando soluciones que no dependen de un aumento ilimitado de parámetros sino de arquitecturas ingeniosas y estrategias de aprendizaje eficaces.

El foco: Braincraft y el modelo de mil neuronas

La iniciativa central de este desafío es Braincraft, una competición lanzada por el neurocientífico computacional Nicolas Rougier que invita a equipos a diseñar modelos neuronales que controlen agentes en un entorno tipo laberinto. El objetivo es sencillo en apariencia: navegar, encontrar una fuente de alimento o tomar decisiones basadas en señales ambientales. Sin embargo, es precisamente la restricción —1000 neuronas como máximo para toda la red neuronal y límites estrictos de entrenamiento— lo que complica el desarrollo de soluciones robustas y versátiles.

Técnicamente, los modelos presentados se encuadran dentro de la neurociencia computacional y las redes neuronales artificiales. En el reto, las neuronas son unidades de procesamiento leaky rate (con tasa de fuga) que actualizan su estado X(t) conforme a ecuaciones específicas de red y función de activación. La dinámica interna de la red se describe mediante:

donde X(t) ∈ ℝⁿ representa el estado del conjunto de neuronas, I(t) ∈ ℝᴾ las entradas sensoriales, y O(t+1) una salida escalar que codifica la dirección de movimiento en grados. La matriz W ∈ ℝⁿˣⁿ representa las conexiones recurrentes, mientras que Win y Wout son las matrices de entrada y salida respectivamente, y λ el parámetro de “leakage” que controla la velocidad de integración de señales. Los límites estrictos de complejidad no solo obligan a mantener n ≤ 1000, sino también a que el proceso de entrenamiento, ejecutado por ejemplo con algoritmos evolutivos o aprendizaje reforzado, no supere los 100 s de tiempo de usuario.

Este enfoque contrasta con los enormes modelos de IA que hoy proliferan, muchos con miles de millones o incluso trillones de parámetros. Las redes neuronales biológicas reales, como las de un nematodo Caenorhabditis elegans, funcionan con 302 neuronas y un conjunto limitado de sinapsis, demostrando que tareas de tipo “vida real” son posibles con sistemas extremadamente compactos.

¿Por qué mil neuronas?

La elección del número “1000” puede parecer arbitraria a primera vista, pero tiene fundamentos prácticos. Partiendo del principio de que un cerebro biológico es extraordinariamente eficiente en términos energéticos —el cerebro humano usa cerca del 20 % de la energía corporal total pese a representar solo alrededor del 2 % de la masa corporal—, limitar deliberadamente el número de neuronas en un modelo impone a los competidores pensar en términos de eficiencia estructural, no de escalado de capacidad. De esta forma, los participantes no pueden confiar en la mera ampliación de parámetros: cada neurona cuenta y la red debe organizarse para que funciones de percepción, decisión y acción estén integradas eficazmente.

En términos técnicos, esta restricción implica que el propio diseño de la arquitectura y la elección de funciones de activación deben optimizar el flujo de información y minimizar redundancias. Una red de mil neuronas con conectividad recurrente densa basada en una matriz W ∈ ℝ¹⁰⁰⁰ˣ¹⁰⁰⁰ debe equilibrar las fuerzas de dinamismo y estabilidad para generar patrones de comportamiento coherentes, incluso cuando los estímulos del entorno cambian. El desafío técnico es favorecer la plasticidad dentro de un espacio de parámetros extremadamente limitado.

Cómo se evalúa y qué implica el proceso de entrenamiento

El desafío se divide en varias fases, cada una con un nivel progresivamente mayor de complejidad. La primera consistió en que la red condujera un agente hacia una fuente de energía en un entorno bidimensional simple (laberinto de 10×10), con dos posibles posiciones de destino. El desempeño de un modelo se mide en función de la distancia total recorrida por el agente en diez ejecuciones de prueba, promediando los resultados. Modelos que no aprendan una estrategia eficaz no serán capaces de acercarse de forma consistente al objetivo estipulado.

La fase de entrenamiento, con una duración máxima de 100 segundos, puede emplear paradigmas como aprendizaje reforzado, aprendizaje supervisado, algoritmos genéticos o enfoques evolutivos. Dado que el resultado de entrenamiento debe ser reproducible sin depender de datos externos o recursos previos, se recomienda a los participantes reducir sus dependencias de librerías externas a aquellas más básicas (por ejemplo NumPy, SciPy o Matplotlib). La limitación de recursos y tiempo obliga a que los modelos no alcancen soluciones complejas por puro “tiro de parámetros”, y obliga a explorar mecanismos internos de eficiencia y representación comprimida de información.

Qué aprendizaje puede aportar la iniciativa

Competencias en neurociencia y aprendizaje automático han sido históricamente valiosas para orientar nuevas direcciones científicas. El famoso reto ImageNet en visión por computadora impulsó avances notables en reconocimiento de imágenes, y competiciones en plegamiento proteico culminaron en éxitos como AlphaFold. La The 1,000 Neuron Challenge explora si un enfoque similar puede abrir perspectivas claras sobre principios fundamentales de procesamiento neuronal eficiente o sobre cómo diseñar sistemas artificiales que logren un rendimiento significativo con recursos mínimos.

Desde una perspectiva técnica, los resultados tempranos ya muestran que estrategias diversas —desde pesos fijos manualmente seleccionados hasta algoritmos genéticos— pueden resolver tareas sencillas con redes de muy bajo número de neuronas. Esto indica que incluso modelos con n ≈ 22 neuronas bien ajustadas pueden producir un comportamiento funcional en entornos simples, aunque tareas más complejas probablemente requerirán estructuras más elaboradas.

Reflexiones finales

El reto plantea preguntas profundas sobre qué significa “inteligencia” desde una perspectiva funcional y de recursos. ¿Es la complejidad intrínseca de un modelo el factor dominante o hay principios más fundamentales de organización que permiten eficiencia comparable a sistemas biológicos? Responder a estas cuestiones no solo puede iluminar procesos evolutivos en el cerebro natural, sino también inspirar nuevos diseños en IA que no dependan únicamente del aumento de tamaño sino de la optimización estructural.