El auditorio Enrique D’Etigny de Beauchef 851 acogió este martes 20 de enero una charla magistral que marcó un hito en la intersección entre neurociencia computacional, inteligencia artificial y visión autónoma. El distinguido profesor José C. Principe de Ingeniería Eléctrica y Computacional en la Universidad de Florida, IEEE Fellow y director fundador del Computational NeuroEngineering Laboratory (CNEL), presentó ante una nutrida audiencia académica y profesional los avances de su propuesta: “A Self-Learning Cognitive Architecture for Scene Understanding Using Causality”.
Organizada por el Departamento de Ingeniería Civil Eléctrica (DIE) de la Facultad de Ciencias Físicas y Matemáticas (FCFM) de la Universidad de Chile, junto con la Iniciativa de Datos e Inteligencia Artificial (IDIA), el Millennium Institute for Intelligent Healthcare Engineering-iHealth y el capítulo chileno de la IEEE Computational Intelligence Society. La exposición, impartida en inglés, atrajo a investigadores, estudiantes y profesionales interesados en los límites actuales de la IA y las vías para superarlos inspirándose en el cerebro.
Una arquitectura que imita la visión humana sin etiquetas masivas
En su presentación, el profesor Principe expuso una arquitectura cognitiva autoaprendible diseñada para comprender escenas visuales complejas de manera autónoma, sin la dependencia masiva de datos etiquetados que caracteriza a los enfoques actualmente dominantes de deep learning. Inspirada en principios de neurociencia cognitiva -particularmente en el ciclo acción-percepción-, la propuesta integra codificación predictiva, modelos dinámicos jerárquicos, atención visual (incluyendo visión foveada con movimientos sacádicos simulados), memoria de trabajo interna (denominada Canvas), aprendizaje por refuerzo y, de forma novedosa, causalidad explícita para identificar objetos y relaciones relevantes en videos y entornos dinámicos.
Uno de los aportes centrales es el uso de información dirigida (directed information), basada en conceptos como la entropía de Rényi, para estimar flujos causales entre trayectorias de objetos y señales de recompensa, permitiendo al sistema focalizar el aprendizaje en elementos verdaderamente causantes de resultados, en lugar de correlaciones espurias. Esto acelera drásticamente el entrenamiento y mejora la transferencia entre tareas, superando limitaciones observadas en experimentos clásicos de reinforcement learning directo desde píxeles (como en videojuegos tipo Super Mario Bros de Nintendo).
La vía ventral de la arquitectura modela el procesamiento sensorial mediante un sistema de espacio de estados con causas latentes y priors bayesianos empíricos, generando representaciones jerárquicas auto-organizadas similares a los campos receptivos biológicos. La incorporación de atención bottom-up y top-down (apoyada en transfer learning desde redes como VGG16) y un Canvas que almacena objetos y posiciones permite operar sobre representaciones estructuradas de alto nivel, reduciendo el ancho de banda computacional y abriendo camino a sistemas de visión verdaderamente autónomos en entornos abiertos.
Reacciones: entretenida, motivadora y disruptiva
Tras la exposición, el profesor Pablo Estévez, del Departamento de Ingeniería Civil Eléctrica de la Universidad de Chile, destacó el impacto de la charla: “Se presentó una metodología inspirada en modelos del cerebro basados en neurociencia cognitiva para el ciclo acción-percepción. Los resultados mostraron cómo el modelo aprende a jugar videojuegos y a distinguir objetos ocultos en escenas naturales”.
Estévez añadió que la recepción entre los asistentes fue muy positiva: “Varios comentaron que la charla estuvo muy entretenida y motivadora, además de aportar un punto de vista diferente al tradicional en IA”.
La discusión final fue especialmente activa, centrada en desafíos abiertos como la extracción de eventos de flujos temporales continuos, el diseño de memorias más avanzadas y la escalabilidad hacia dominios reales de alta exigencia, como el procesamiento de imágenes médicas.
Legado y próximos pasos
Con más de 1.000 publicaciones, un índice h de 104, la dirección de 110 tesis doctorales y reconocimientos como el IEEE Neural Network Pioneer Award (2012), José C. Principe consolidó con esta visita su posición como referente global en neuromorphic computing y aprendizaje bio-inspirado.
Quienes deseen profundizar en los fundamentos teóricos pueden consultar el artículo relacionado de Principe y colaboradores, publicado en la revista Neural Networks (disponible en: Ver aqui).
Esta charla magistral no solo enriqueció el debate académico en Chile, sino que reafirmó la relevancia de integrar principios biológicos para superar las barreras actuales de la visión computacional e inteligencia artificial autónoma.
21-01-2026
