Un estudio publicado en npj Artificial Intelligence presenta las redes autoplásticas, sistemas que optimizan simultáneamente sus conexiones, operaciones y parámetros. El enfoque obtiene resultados favorables en tareas de visión, lenguaje y bioinformática con menor consumo computacional.
Investigadores de la Universidad de Virginia presentan una nueva arquitectura de inteligencia artificial capaz de modificar su propia estructura durante el entrenamiento, seleccionando conexiones, capas y operaciones de acuerdo con las necesidades del aprendizaje.
El sistema, denominado Autoplastic Neural Network (red neuronal autoplástica), propone superar una limitación habitual del aprendizaje profundo: la necesidad de definir gran parte de la arquitectura de una red antes de conocer qué componentes serán realmente necesarios para resolver una tarea.
La investigación, publicada el 5 de noviembre de 2026 en la revista científica npj Artificial Intelligence, fue desarrollada por Matthew Korban, Peter Youngs y Scott T. Acton. Según los autores, el método permite aprender simultáneamente los parámetros y la organización interna de una red neuronal, reduciendo componentes redundantes y adaptando la distribución de capacidad computacional durante un único proceso de entrenamiento.
Una red neuronal que aprende cómo debe organizarse
En el aprendizaje profundo convencional, los investigadores suelen elegir previamente características como el número de capas, la cantidad de neuronas y las operaciones que ejecutará cada componente. Posteriormente, durante el entrenamiento, el sistema ajusta sus parámetros para reducir los errores en las tareas asignadas. Sin embargo, una arquitectura fija puede contener componentes innecesarios o distribuir sus recursos de manera poco eficiente.
Las redes autoplásticas introducen un procedimiento diferente: la selección de la estructura y el ajuste de los parámetros se desarrollan conjuntamente. El método comienza con una superred que contiene distintas posibilidades de conexión y procesamiento. A medida que avanza el aprendizaje, sus componentes pueden reforzarse o eliminarse de la arquitectura activa. De esta manera, el sistema busca utilizar los recursos disponibles donde resultan más necesarios, sin mantener obligatoriamente todas las conexiones iniciales. La propuesta no consiste en crear neuronas ilimitadamente ni en generar hardware nuevo. La reorganización ocurre dentro de un conjunto máximo de componentes definido previamente por los investigadores.
Capas, conexiones y operaciones pueden cambiar durante el entrenamiento
El sistema introduce tres mecanismos de adaptación arquitectónica. El primero permite ajustar la inclusión de capas dentro de la red. Dependiendo de las necesidades del aprendizaje, determinados componentes pueden participar o quedar excluidos del procesamiento. El segundo modifica la conectividad entre neuronas, seleccionando las relaciones que resultan útiles para la tarea. El tercero ajusta la combinación de operaciones disponibles en cada capa, ofreciendo diferentes formas de transformar la información.
Estos mecanismos actúan conjuntamente con el entrenamiento de los parámetros numéricos. Los investigadores también incorporan una regla que condiciona las modificaciones estructurales a criterios de estabilidad, para coordinar los cambios arquitectónicos con el descenso por gradiente. Según el artículo, este procedimiento permite establecer garantías matemáticas de convergencia bajo las condiciones analizadas.
Estas garantías no significan que la red siempre encuentre la mejor arquitectura posible ni que pueda resolver cualquier tarea. Se refieren al comportamiento del procedimiento de optimización dentro de los supuestos establecidos por los investigadores.
La arquitectura puede adaptarse a cada entrada
Otra característica del sistema es su capacidad para seleccionar diferentes rutas de procesamiento según la información recibida. Esto significa que no todas las entradas deben recorrer exactamente los mismos componentes activos.
La investigación contempla además la posibilidad de exportar la arquitectura aprendida como una red estática más compacta. Ambas opciones responden a necesidades diferentes. El procesamiento dinámico permite adaptar el recorrido computacional a cada entrada, mientras que una arquitectura estática facilita implementar un modelo cuya estructura ya no necesita modificarse durante su utilización. Esta característica podría resultar especialmente relevante en aplicaciones donde los recursos de cómputo son limitados.
Resultados en visión, lenguaje y bioinformática
Los investigadores evaluaron el enfoque en distintas áreas del aprendizaje automático, incluidas tareas de reconocimiento visual, video, procesamiento del lenguaje, bioinformática y salud. Según los resultados generales comunicados en el artículo, las redes autoplásticas superaron a los métodos estáticos y dinámicos utilizados como referencia, al tiempo que requirieron menos recursos computacionales.
La diversidad de tareas es relevante porque permite investigar si un mismo procedimiento de adaptación arquitectónica puede utilizarse en problemas con características diferentes. No obstante, los resultados experimentales deben interpretarse dentro de los conjuntos de datos, las arquitecturas y los métodos de comparación utilizados.
El estudio no demuestra que todas las redes autoplásticas superen a cualquier modelo existente ni que el método pueda incorporarse directamente, sin adaptaciones, a los sistemas comerciales de inteligencia artificial de mayor tamaño.
Una alternativa a la búsqueda de arquitecturas neuronales
Una de las diferencias importantes respecto de otros métodos es la eliminación de un proceso externo de búsqueda de arquitectura. En los sistemas conocidos como Neural Architecture Search (NAS), pueden evaluarse múltiples configuraciones para encontrar una estructura adecuada antes de entrenar el modelo definitivo o durante procedimientos de optimización especializados.
Ese proceso puede exigir recursos adicionales. En cambio, la propuesta autoplástica integra las decisiones arquitectónicas dentro del entrenamiento de una sola superred. Los autores afirman que esta aproximación permite realizar la evolución estructural con un costo comparable al entrenamiento de un único modelo, en las condiciones estudiadas.
La posibilidad de reducir el número de operaciones y componentes activos podría contribuir a desarrollar sistemas más eficientes. Sin embargo, el costo de las modificaciones estructurales y la magnitud del ahorro dependen de la implementación y del problema analizado.
¿Puede una inteligencia artificial diseñarse a sí misma?
La investigación introduce una forma específica de adaptación estructural, pero no equivale a demostrar que una inteligencia artificial pueda rediseñarse completamente sin intervención humana. Los investigadores establecen previamente el espacio de arquitecturas disponibles, las reglas de aprendizaje y los criterios de optimización.
Dentro de esos límites, el sistema determina qué componentes y conexiones resultan más convenientes durante el entrenamiento. Por tanto, la autonomía descrita corresponde a la optimización de una estructura neuronal, no a la capacidad de modificar libremente el código, establecer nuevos objetivos o desarrollar versiones sucesivas de sí misma.
La distinción es especialmente importante ante las investigaciones contemporáneas sobre sistemas capaces de contribuir al desarrollo de nuevas inteligencias artificiales. La autoplasticidad constituye un mecanismo de aprendizaje arquitectónico que podría formar parte de futuros métodos de diseño de modelos, pero no demuestra por sí sola un proceso general de automejora recursiva.
Hacia modelos que utilicen solamente la capacidad necesaria
Las redes autoplásticas proponen modificar una de las decisiones fundamentales del aprendizaje profundo: cuánto debe definirse antes del entrenamiento y cuánto puede aprenderse durante su ejecución. El enfoque plantea que una parte del diseño arquitectónico puede integrarse al propio proceso de optimización, permitiendo que los recursos computacionales se distribuyan de acuerdo con las necesidades de las tareas.
Si estas técnicas mantienen sus ventajas al ampliarse a modelos y conjuntos de datos de mayor escala, podrían contribuir a reducir componentes redundantes y mejorar la eficiencia de futuras arquitecturas de inteligencia artificial.
El siguiente desafío será determinar hasta qué punto el método conserva sus propiedades cuando se aplica a sistemas más grandes, entrenamientos prolongados y escenarios de producción. Por ahora, el estudio aporta evidencia experimental de que una red neuronal puede aprender no solamente los valores de sus conexiones, sino también qué conexiones y componentes conviene utilizar.
