Cómo el cerebro controla el movimiento con un gasto mínimo de energía ya tiene fórmula matemática. Detrás está un equipo del Centro de Neurociencias Cajal, del CSIC, que publica en PNAS un modelo capaz de imitar esa eficiencia neuronal y de abrir, de paso, una vía hacia robots y chips que se muevan como un animal.
Veinte veces menos actividad para el mismo control
El estudio lo lidera Pablo Lanillos, responsable del grupo Neuro AI and Robotics del CNC-CSIC, y describe un marco computacional bautizado como spiking free energy constrainers (SFEC). La idea es sencilla de enunciar y difícil de ejecutar: usar redes de neuronas artificiales que solo disparan impulsos cuando esos impulsos ayudan a reducir la energía libre de su representación interna. Nada de fuego continuo. Nada de cálculo desperdiciado.
Frente a otros modelos de redes neuronales de impulsos eléctricos tomados como referencia, el resultado es una eficiencia 20 veces mayor en la actividad de impulsos y en el consumo energético estimado de las operaciones sinápticas. Y no a costa de la precisión: el sistema necesitó menos neuronas para lograr un control igual o mejor. El trabajo lo firma André Rodrigues Urbano, investigador predoctoral del programa JAE del CSIC, junto con Sander Keemink, del Donders Institute. Puede leerse completo en el artículo publicado en PNAS.
El código disperso que imita al cerebro
El marco se apoya en el principio de energía libre, una idea que lleva años rondando la neurociencia teórica: el sistema nervioso actuaría para minimizar la sorpresa, es decir, la diferencia entre lo que espera y lo que recibe. Traducir ese principio a redes de impulsos eléctricos no es trivial, porque obliga a decidir cuándo merece la pena que una neurona se active. Ahí está el nudo del problema. La literatura sobre percepción y acción lleva años discutiendo si ese principio basta para explicar el comportamiento, y este trabajo se suma a los que intentan ponerlo a prueba.
La respuesta del equipo pasa por un código neuronal disperso. En lugar de mantener todas las unidades encendidas, la mayoría de las neuronas permanece en silencio y solo unas pocas emiten señales cuando aportan algo al control. Es una estrategia que el cerebro biológico parece aplicar de forma natural, y que en el modelo se convierte en una restricción matemática. El ahorro no está solo en la energía que se consume, sino en la que nunca llega a gastarse.
La red no dispara para calcular más, sino para dejar de calcular: cada impulso que sobra es energía que el sistema se ahorra.
El equipo probó el modelo frente a perturbaciones de distinto signo: ruido sensorial, colisiones, retrasos sinápticos, y el silenciamiento de neuronas individuales. La red siguió controlando el sistema. Esa robustez es, quizá, el dato más difícil de conseguir en un esquema tan austero en energía, porque eficiencia y fragilidad suelen ir de la mano.
Para hacerse una idea de la escala, piense en un animal cruzando un terreno pedregoso. Un sistema convencional recalcularía cada paso con enorme detalle; este modelo se comporta como quien camina sin pensar, corrigiendo sobre la marcha y gastando solo lo imprescindible. La diferencia entre ambos enfoques es la que separa un consumo energético alto de otro veinte veces menor. En un robot de reparto, esa brecha se traduce en minutos u horas de batería.
Lo que el modelo cambia y lo que aún no resuelve
En el terreno de la neurociencia computacional, el interés va más allá de la robótica. Durante décadas, el control motor se ha descrito con modelos que optimizan trayectorias a un coste energético alto. Este trabajo propone lo contrario: que la economía de impulsos no es un subproducto del sistema, sino una de sus restricciones centrales. Si el cerebro gasta poco por diseño, entender ese ahorro ayuda a explicar por qué ciertos movimientos se vuelven torpes cuando la red se sobreactiva o se queda en silencio.
Conviene, eso sí, señalar los límites. Hablamos de un modelo computacional, no de una medida directa del cerebro humano. La ventaja de eficiencia —unas 20 veces— compara el sistema propuesto con otros modelos de referencia, no con neuronas reales. Que una red resista el ruido en simulación no garantiza que reproduzca la complejidad de la corteza motora, con sus millones de conexiones y su química. Es una pieza de un puzle enorme, y como tal debe leerse. Ninguna simulación recoge todavía el desgaste, la temperatura o la variabilidad de una máquina física.
Aun con esas cautelas, el marco abre líneas concretas. El grupo apunta al hardware neuromórfico, chips diseñados para emular el procesamiento del cerebro, y a algoritmos de control para robots que necesiten moverse durante horas con poca batería. La próxima prueba de fuego será ver si estos principios sobreviven fuera del laboratorio, sobre una máquina real y en un entorno cambiante. Mientras tanto, la lección es contraintuitiva: moverse bien puede consistir, sobre todo, en gastar menos.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: un marco computacional, los spiking free energy constrainers (SFEC), que reproduce el control motor con unas 20 veces menos actividad de impulsos y menor consumo energético estimado.
- Dónde: Centro de Neurociencias Cajal (CNC-CSIC), en Madrid, con la colaboración del Donders Institute (Países Bajos).
- Institución responsable: grupo Neuro AI and Robotics del CNC-CSIC, liderado por Pablo Lanillos; estudio revisado por pares y publicado en PNAS.
- Cuándo: publicado el 9 de octubre de 2026.
- Impacto a futuro: base para algoritmos de control más eficientes en robótica y hardware neuromórfico.
