Gonzalo de Polavieja, neurocientífico: “Tendemos a seguir a unos pocos que toman decisiones claras, tanto peces cebra como humanos”

A Gonzalo de Polavieja (56 años, Madrid) le desespera la ligereza con la que muchos opinan de todo sin saber. Neurocientífico formado entre Oxford y Cambridge, con un doctorado en física cuántica y un posdoctorado en neurobiología matemática, está en excedencia del CSIC y dirige en Lisboa el Laboratorio de Matemáticas del Comportamiento y la Inteligencia de la Champalimaud Foundation, donde investiga cómo se organizan los grupos de animales, humanos incluidos. Habla con cautela, buscando evitar el error con la misma disciplina con la que estudia circuitos neuronales. Tras la entrevista, se pregunta si sus respuestas habrán estado a la altura de los temas en los que no se siente tan experto.

En una reciente ponencia en los cursos estivales de la Universidad Internacional Menéndez Pelayo (UIMP) en Santander, titulada Aplicaciones de la IA en neurociencia y comportamiento, presentó su trabajo con el pez cebra (Danio rerio), un modelo animal cada vez más usado en biomedicina y neurociencia. Su transparencia en etapas tempranas permite observar el cerebro en acción; su sistema nervioso —con unas 100.000 neuronas— es lo bastante simple para estudiarlo en su conjunto y comparte más de un 80% de genes con los humanos. Todo ello lo convierte en una herramienta privilegiada para entender cómo la actividad neuronal se traduce en comportamientos observables como el aprendizaje, la exploración o la toma de decisiones.

Pregunta. ¿Qué le entusiasmó sobre la interacción entre neurociencia e inteligencia artificial (IA)?

Respuesta. Mi trayectoria empezó con la química cuántica, pero siempre me atrajo la biología. Como no soy bueno memorizando, me interesaron las matemáticas, que permiten comprimir la información. Durante el posdoctorado en Cambridge pude dar el salto a la neurociencia y desde entonces intento entenderla con modelos matemáticos sencillos.

Lo que ocurre es que en biología los problemas son muy complejos y ahí la IA resulta útil, aunque tiene el riesgo de darte soluciones sin que las entiendas. Para mí, la clave es que la ciencia no solo resuelva un problema puntual, sino que permita pensar en los siguientes experimentos. Por eso usamos la IA en tareas donde la comprensión no es esencial, como el seguimiento de animales, pero cuando se trata de entender procesos, necesitamos matemáticas más transparentes. He estado pensando durante años cómo lograrlo.

P. ¿No resulta paradójico intentar desentrañar los entresijos del cerebro mediante una IA que tampoco comprendemos del todo?

R. La IA convencional predice, pero no explica. Para que ayude a comprender hay que simplificarla. En mi caso, transformo las redes neuronales [algoritmos digitales que intentan modelar el funcionamiento de las neuronas biológicas] en módulos más interpretables y compruebo que sigan prediciendo igual. Modelar significa entender y eso exige abstracciones: no buscamos una copia del cerebro, sino representaciones que nos permitan pensar sobre él.

Esa simplicidad es estratégica, no real, pero es la única vía para avanzar en la comprensión de sistemas tan complejos.

P. Como modelo de estudio, ¿ayuda el pez cebra a esa simplificación?

R. Sí, tiene muchas ventajas. En estado larvario su cerebro es transparente y podemos registrar la actividad de todo el encéfalo sin abrir el animal, en condiciones fisiológicas normales, lo que no es posible en casi ninguna otra especie. Además, su genoma está secuenciado, lo que nos permite diseñar sensores para visualizar la actividad neuronal. Todo ello permite estudiar muy bien su comportamiento. Antes trabajé con invertebrados como la mosca Drosophila, pero siempre busco el modelo más sencillo para entender un problema. Comprender el cerebro es muy difícil y la única manera es simplificar al máximo.

P. ¿Qué ha aprendido sobre cómo se comporta en grupo el pez cebra?

R. En situaciones muy simples, los peces tienden a elegir desplazarse hacia donde hay más individuos, pero en condiciones naturales eso casi nunca ocurre, el comportamiento es mucho más complejo. Al analizarlo con modelos y técnicas de seguimiento, descubrimos que no siguen necesariamente a la mayoría, sino a unos pocos individuos (normalmente uno, dos o tres) que van delante y se mueven con más convicción o rapidez. Es decir, el grupo suele guiarse por un pequeño subgrupo muy decidido. Para llegar a esa conclusión tuve que apoyarme en IA diseñada para ser interpretable, de modo que no solo predijera el comportamiento, sino que me ayudara a entender las reglas detrás de él.

P. ¿Se pueden aplicar esos modelos al comportamiento en grupo de mamíferos, como los humanos?

R. Sí. Aunque los experimentos los hicimos con pez cebra, diseñamos modelos generales, no específicos de esa especie, y comprobamos que también funcionan en hormigas y en humanos. En situaciones comparables (por ejemplo, cuando un grupo debe elegir entre opciones sencillas sin lenguaje de por medio) las mismas reglas se cumplen: los individuos tienden a seguir a unos pocos que toman decisiones claras. La belleza de estos modelos simples es que, cuando funcionan, suelen ser válidos en muchas especies.

P. ¿Como un “follow the leader”?

R. Sí, pero no tan simple. El “líder” es aquel que muestra más convicción, moviéndose rápido, aunque pueda hacerlo por las razones equivocadas, y los demás lo siguen porque evolutivamente esa estrategia les ha funcionado.

P. ¿Quiere decir que ese individuo, pez cebra o humano, es percibido como fiable en sus decisiones?

R. Exacto. En el modelo hay un parámetro que refleja precisamente la fiabilidad de a quién sigues.

P. ¿Qué aplicaciones prometedoras ve hoy en la IA para la neurociencia, y qué principios de la neurociencia podrían, a su vez, mejorar los algoritmos de IA?

R. Una línea muy interesante son los llamados modelos fundacionales, construidos a partir de datos de la actividad cerebral de una especie (ratón, pez cebra…) en múltiples situaciones. Funcionan como una base común que otros investigadores pueden adaptar, incluso como sustituto parcial de experimentos. En cuanto a la influencia inversa, muchos hallazgos de neurociencia podrían mejorar la IA, pero la transferencia es lenta: comprobar cómo funciona realmente el sistema nervioso lleva mucho tiempo, mientras que la IA avanza a un ritmo vertiginoso. Aun así, ese trasvase ya ha dado frutos y es probable que lo siga haciendo en el futuro.

P. ¿Qué potencial tiene la computación cuántica en la evolución de la neurociencia y la IA?

R. Hasta donde conozco, los ordenadores cuánticos solo son superiores en un conjunto muy reducido de algoritmos; no hacen automáticamente mejor ni más rápido todo lo que ya resuelve la computación clásica. Por eso no está garantizado que la IA vaya a beneficiarse de forma general. Solo veremos una diferencia si alguien encuentra un algoritmo en el que el cuántico ofrezca ventaja real.

P. ¿Qué le obsesiona especialmente dentro de la investigación en IA?

R. Junto con Fernando Martín Maroto, otro investigador de mi equipo, estamos desarrollando un enfoque completamente distinto a las redes neuronales, basado en álgebra abstracta. La idea es crear una IA que aprenda de manera potente pero que, a diferencia de los modelos actuales, sea transparente y comprensible en cada paso. No se basa en minimizar errores como hacen las redes neuronales, sino en propiedades algebraicas que garantizan la convergencia hacia la regla subyacente en los datos. El gran reto ahora es transformar esta base matemática prometedora en un sistema práctico que sea tan eficaz como los modelos actuales y, al mismo tiempo, mucho más interpretable para los humanos.