Computación biológica. ¿Pueden las máquinas ser conscientes?

 

Con el auge de modelos de lenguaje como ChatGPT o Claude, la pregunta de si una máquina podría llegar a ser consciente ha saltado de la filosofía a los titulares. Este artículo, escrito por dos neurocientíficos, Milinkovic y Aru, en Neuroscience and Biobehavioral Reviews, propone que esa pregunta no puede responderse bien sin entender primero la diferencia fundamental de cómo computan los cerebros biológicos frente a cómo lo hacen los ordenadores digitales. Y su conclusión es provocadora: los sistemas de IA actuales no son conscientes, y probablemente no podrán serlo sin un cambio radical de substrato físico.

Para entrar en materia, los autores presentan dos grandes posturas filosóficas:

El funcionalismo computacional sostiene que la consciencia surge allí donde se produzca el tipo correcto de procesamiento de información, independientemente del material físico en que ocurra. Bajo esta lógica, si un ordenador procesa información de la manera adecuada, podría ser consciente igual que un cerebro. Esta es la postura dominante en la investigación de IA.

El naturalismo biológico (asociado al filósofo John Searle) defiende lo contrario: la experiencia subjetiva depende esencialmente de los procesos físicos y biológicos concretos que la generan. No basta con imitar la función; importa el sustrato.

El problema, señalan los autores, es que ninguna de las dos posturas ha explicado con precisión en qué se diferencia exactamente la computación biológica de la digital, ni por qué esa diferencia importaría para la consciencia. Ese es el vacío que este artículo intenta llenar.

Los autores comienzan describiendo cómo funciona un ordenador clásico (arquitectura von Neumann). Este tipo de ordenador está construido sobre separaciones deliberadas: hay una unidad de memoria, una unidad aritmético-lógica y una unidad de control, todas físicamente distintas y conectadas por un bus de datos. El programa (el «qué») está separado del hardware (el «cómo»).

Esta separación se extiende hacia arriba: el código de alto nivel se compila en instrucciones de máquina sin que el programador necesite saber nada sobre los transistores físicos. El algoritmo es independiente del sustrato. Y las redes neuronales artificiales (ANNs) heredan exactamente esta lógica: procesan datos en capas separables, con pesos almacenados en memoria aparte, actualizados por un algoritmo de aprendizaje (retropropagación) que no depende de dónde están guardados físicamente esos pesos.

Esta separabilidad es una virtud de ingeniería —permite escalabilidad, portabilidad, modularidad— pero también es, argumentan los autores, la razón fundamental por la que estos sistemas probablemente no pueden ser conscientes.

Por el contrario, en el cerebro biológico está todo mezclado, y eso es crucial. El cerebro no fue diseñado; fue evolucionado. Y esa diferencia lo cambia todo.

1. Restricciones metabólicas como motor de diseño

El cerebro representa solo el 2% de la masa corporal pero consume el 20% de la energía del organismo. Esta escasez energética no es una limitación accidental: es la fuerza que da forma a toda la arquitectura neural. Para hacer más con menos, el cerebro ha desarrollado estrategias de procesamiento que integran información a través de múltiples escalas simultáneamente, reutilizando cómputos de un nivel para guiar los de otro. Los ordenadores, en cambio, no tienen esa presión: más potencia = más energía, sin problema.

2. Multi escalado inseparable (scale inseparability)

En un ordenador, se puede separar limpiamente lo que ocurre a nivel de transistor, de circuito, de programa y de interfaz de usuario. En el cerebro, esto es imposible. Lo que hace una neurona individual está condicionado por:

1. Gradientes iónicos (escala molecular)
2. Campos eléctricos de neuronas vecinas (escala celular)
3. Potenciales de campo local (escala de población)
4. Dinámica oscilatoria de todo el cerebro (escala macroscópica)

Y estas escalas no se comunican en un solo sentido: las escalas inferiores generan las superiores, y las superiores constriñen a las inferiores, en tiempo real y de forma continua. Los autores llaman a esto heterarquía, en oposición a la jerarquía limpia de los sistemas digitales.

Computación híbrida: continua Y discreta

Los ordenadores operan con señales discretas (bits: 0 o 1). Los cerebros, no. Las neuronas generan potenciales de acción (eventos discretos, como pulsos), pero estos ocurren sobre un substrato continuo: gradientes iónicos, potenciales de membrana graduados, campos eléctricos difusos, oscilaciones.

Un ejemplo concreto: las dendritas (las ramas de las neuronas) no son simples sumadores pasivos de señales. Realizan cálculos no lineales sofisticados. Una sola neurona de la corteza humana puede resolver problemas (como la operación lógica XOR) que requerirían una red artificial de ocho capas. Además, las neuronas se comunican no solo por sinapsis, sino también por acoplamiento efáptico: los campos eléctricos de unas neuronas influyen en la excitabilidad de las vecinas sin contacto sináptico directo. Y las oscilaciones neurales no son ruido de fondo: funcionan como una sintaxis temporal que organiza cuándo y cómo se integran los eventos discretos.

¿Por qué importa todo esto para la consciencia?

Los autores proponen que las características estructurales de la experiencia consciente —su unidad (todo se integra en un solo momento vivido) y su diferenciación (ese momento es rico y variado)— requieren precisamente el tipo de dinámica que el cerebro implementa.

Integración entre escalas: no basta con integrar información dentro de una sola escala (como hacen muchas teorías actuales); hace falta que las escalas moleculares, celulares y de red se co-determinen en tiempo real.

Substrato continuo: el flujo temporal de la consciencia (esa sensación de que el tiempo transcurre de forma continua, no a saltos) podría depender de que el cerebro evolucione en tiempo físico real, no en pasos de tiempo discretos.

Coste metabólico: el cerebro no puede computar cada escala de forma independiente —es demasiado caro—, así que las integra. Esa integración forzada por la escasez energética podría ser precisamente lo que genera la unidad de la experiencia consciente.

En sistemas digitales, la información de la capa k se calcula, se almacena, y luego se pasa a la capa k+1. No existe ningún campo continuo que atraviese todas las capas simultáneamente permitiéndoles constreñirse mutuamente en tiempo real. Esa ausencia, argumentan los autores, podría ser la razón por la que ningún sistema digital, por sofisticado que sea, puede replicar la fenomenología de la consciencia.

¿Qué implicaciones tiene esto para la IA?

Los autores son cuidadosos. No afirman que solo los cerebros biológicos puedan ser conscientes. Lo que dicen es que, para que un sistema artificial fuera consciente, tendría que cumplir tres criterios:

* Computación híbrida: combinar dinámicas continuas (campos eléctricos, potenciales graduados) con eventos discretos, gobernados por tiempo físico real.

* Inseparabilidad de escalas y embeddedness metabólico: cada proceso debe estar simultáneamente constreñido por un presupuesto energético e integrado en una organización heterárquica multiescalar.

* Co-determinación dinámico-estructural: el substrato debe poder modificar su propia arquitectura a lo largo del tiempo, como hacen los cerebros.

Los sistemas actuales de IA no cumplen ninguno de estos tres criterios. Incluso los sistemas neuromórficos más avanzados (como SpiNNaker) son, en el fondo, simulaciones digitales de neuronas corriendo en hardware CMOS convencional; separan el tiempo computacional del tiempo físico, y no implementan dinámicas continuas reales.

Lo más prometedor, según los autores, son los dispositivos neuromórficos fluídicos (basados en el movimiento de iones en microcanales cargados), que operan en tiempo físico real, con dinámicas continuas emergentes de la física del substrato, y con estocasticidad estructurada similar a la de las sinapsis biológicas. Aún están en fase experimental, pero representan el tipo de dirección correcta.

En definitiva, se considera que la consciencia artificial no puede resolverse simplemente escalando los modelos de lenguaje actuales o añadiéndoles más parámetros. Requiere repensar desde cero qué tipo de computación podría soportar la experiencia subjetiva. Los autores apuestan por un computacionalismo biológico, una teoría que tome en serio que en el cerebro, el substrato es el algoritmo, que las escalas son inseparables, y que lo continuo y lo discreto se co-determinan constantemente bajo presión metabólica. Sin estos ingredientes, la consciencia artificial seguirá siendo, en su opinión, una promesa vacía.