Una idea nacida en la neurociencia propone que las máquinas no sólo predigan, sino que actúen para reducir su incertidumbre y simulen futuros posibles. Si funciona, el próximo salto de la inteligencia artificial no será el más grande, sino el más curioso.
Cuauhtémoc Valdiosera*
Durante la última década, la inteligencia artificial ha crecido por acumulación: Más datos, más parámetros, más electricidad. Los grandes modelos de lenguaje demostraron que esa receta produce resultados asombrosos, pero también dejaron a la vista sus límites. Necesitan cantidades colosales de texto para aprender lo que un niño capta con unos cuantos ejemplos, no interactúan con el mundo que describen y, con frecuencia, no pueden explicar por qué responden lo que responden.
Frente a ese horizonte, una propuesta que lleva más de una década madurando en los laboratorios de neurociencia empieza a cruzar hacia la ingeniería con credenciales nuevas: La inferencia activa. Su tesis es sencilla de enunciar y vertiginosa en sus consecuencias.
Inteligencia, dice, es la capacidad de un agente para construir un modelo del mundo, actuar para ponerlo a prueba y, sobre todo, imaginar qué ocurriría antes de que ocurra. Si esa tesis resulta correcta, la siguiente etapa de la IA no será una versión más grande de la actual, sino una de naturaleza distinta: Una IA con imaginación.
El cerebro como máquina de predecir
La inferencia activa es obra, sobre todo, del neurocientífico teórico Karl Friston, del University College de Londres, uno de los investigadores más citados de su disciplina. Su punto de partida es una inversión de la intuición cotidiana. Solemos pensar que el cerebro recibe información del exterior y la procesa, como una computadora que recibe datos. Friston propone lo contrario: el cerebro genera continuamente predicciones sobre lo que debería estar percibiendo y utiliza los sentidos, fundamentalmente, para detectar dónde se equivocó.
El concepto central es la llamada energía libre, una medida de la distancia entre lo que un organismo espera percibir y lo que realmente percibe. La inferencia activa extiende el modelo de la codificación predictiva con una idea decisiva: existen dos maneras de reducir esa distancia. Una consiste en cambiar la creencia, es decir, corregir el modelo interno para que se parezca más a la realidad. A eso lo llamamos percibir y aprender. La otra consiste en cambiar el mundo, o la posición del agente dentro de él, para que la realidad se parezca más a lo esperado. A eso lo llamamos actuar. Percepción, acción y aprendizaje dejan de ser tres módulos separados y se convierten en un solo proceso guiado por un único principio.
Para Friston, ese principio tiene alcance casi universal: Minimizar la sorpresa es lo que permite que cualquier sistema vivo mantenga su estructura frente a un entorno cambiante. De ahí su frase más repetida, según la cual el cerebro es una máquina de predicción y no un procesador. Y de ahí también su crítica a la IA generativa contemporánea, que a su juicio depende de un procesamiento masivo e ineficiente de datos en lugar de un compromiso activo con el mundo.
De predecir a actuar y de actuar a ser curioso
La diferencia con los sistemas actuales se aprecia mejor en un ejemplo. Un modelo de lenguaje es, en esencia, un predictor extraordinario de lo que viene a continuación en una secuencia de texto. Pero no elige qué mirar, no decide qué experimento hacer para salir de dudas ni sufre consecuencia alguna por equivocarse. Un agente de inferencia activa, en cambio, evalúa constantemente qué acción le conviene tomar y lo hace con dos motivaciones entrelazadas: acercarse a los resultados que prefiere y reducir su ignorancia sobre cómo funciona el entorno.
Esa segunda motivación es la que despierta mayor interés. En las simulaciones que Friston ha presentado, minimizar la energía libre esperada conduce a un muestreo activo de situaciones novedosas.
Dicho de otro modo, la curiosidad no se programa como un añadido ni se imita con un truco de recompensas; emerge sola de las matemáticas del agente. Un sistema que busca resolver su incertidumbre tiende a explorar aquello que no entiende, que es exactamente lo que hace un niño con un juguete nuevo o un científico con una anomalía.
Aquí aparece una consecuencia práctica de enorme alcance. Un agente así no necesita millones de ejemplos para aprender una regla; necesita pocos, pero bien escogidos, porque él mismo decide cuáles buscar. Friston ha planteado el problema precisamente en esos términos: Cómo aprender de un número pequeño de resultados ambiguos para formar una comprensión genuina, en contraste con la tendencia dominante del aprendizaje profundo.
Imaginar es simular: El salto conceptual
¿Dónde entra la imaginación? Para decidir qué hacer, un agente de inferencia activa no puede limitarse a reaccionar. Debe comparar futuros posibles: si hago esto, qué veré y cuánta incertidumbre me quedará; si hago aquello, qué cambiará. Esa comparación exige correr simulaciones internas de situaciones que todavía no han sucedido, apoyándose en su modelo generativo del mundo. Es, en términos funcionales, lo que en una mente humana llamamos imaginar: Construir escenarios contrafácticos para escoger entre ellos antes de pagar el costo de la experiencia real.
Conviene precisar que esta lectura es una interpretación analítica y no una afirmación de los desarrolladores, y que usamos la palabra imaginación en sentido funcional, sin implicar conciencia ni experiencia subjetiva. Aun con esa cautela, la idea tiene respaldo en el trabajo de Friston sobre el aprendizaje de estructura.
Sus modelos no solo simulan escenarios, sino que reorganizan su propia arquitectura: Ponen a prueba hipótesis sobre simetrías ocultas en el mundo, y el proceso de simplificar el modelo, conocido como reducción bayesiana de modelos, guarda semejanza con lo que ocurre durante el sueño y presenta los rasgos de un momento de revelación, el clásico ¡ajá!
Es una imagen poderosa: Una máquina que explora, simula futuros, consolida lo aprendido mientras descansa y de vez en cuando descubre una regla que lo ordena todo. Nada de eso es la imaginación humana, pero apunta hacia sus mecanismos de una manera que la predicción estadística de la siguiente palabra no logra.
Hay, además, un matiz importante frente a otras propuestas. Los llamados modelos de mundo, como DreamerV3 de Google DeepMind, ya aprenden entrenando dentro de trayectorias imaginadas. La inferencia activa comparte esa intuición, pero le suma tres ingredientes:
Una formulación probabilística explícita, un impulso de exploración que surge del propio principio y una estructura interna que puede inspeccionarse. Esa diferencia, que parece técnica, es la que podría convertir la imaginación artificial en algo útil, controlable y auditable.
Tres fases hacia la imaginación artificial
Quienes defienden esta línea sostienen que la inferencia activa ya contiene los cimientos matemáticos y biológicos de la imaginación artificial y que no exige un cambio completo de paradigma, sino una evolución de los modelos generativos actuales hacia sistemas con mayor autonomía y propósito. Una hoja de ruta en tres etapas ayuda a ordenar la idea. Es una proyección y no un hecho verificado, y sus plazos son estimaciones que nadie puede fechar con rigor.
- Primera fase, la actual (2024-2026). Modelos de mundo y sistemas autorregresivos que predicen el siguiente fotograma, palabra o estado físico. Es una imaginación predictiva básica, anclada en el pasado inmediato.
- Segunda fase, en los próximos dos a cinco años. Agentes que integran inferencia activa para decidir en entornos complejos, como la conducción autónoma avanzada o la robótica de servicios. Aparece la imaginación contrafáctica: El agente se imagina a sí mismo interactuando con el entorno antes de actuar.
- Tercera fase, a largo plazo. Una imaginación desacoplada, con estados internos fuera de línea, una suerte de sueño artificial. El sistema manipularía conceptos en los niveles superiores de una jerarquía profunda, sin necesitar estímulos sensoriales directos, como ocurre cuando soñamos o fantaseamos, para reorganizar su modelo del mundo de forma abstracta y creativa.
El detonante sería la curiosidad epistémica
Hoy, la IA se optimiza para tareas específicas, es decir, para valor instrumental. Cuando se optimicen agentes para maximizar la información y reducir su ignorancia sobre el futuro, deberán imaginar escenarios desconocidos para planificar cómo explorarlos.
Una precisión técnica: En la inferencia activa ese valor epistémico no se añade como una recompensa externa, sino que forma parte de la propia energía libre esperada. La curiosidad emerge del marco, y el reto de ingeniería es hacerlo escalar.
Las primeras pruebas: De la teoría al tablero
La neurociencia teórica suele moverse despacio; lo nuevo es que esta corriente ya tiene un vehículo comercial. VERSES AI, empresa de computación cognitiva de la que Friston es científico jefe, presentó en 2025 una arquitectura llamada AXIOM, siglas en inglés de Inferencia Activa en Expansión con Modelos Centrados en Objetos. La compañía la describe como un cerebro digital con módulos de percepción, memoria, predicción y razonamiento, y la sometió a una prueba llamada Gameworld 10K: Diez videojuegos clásicos de arcade con un límite estricto de diez mil pasos de entrenamiento.
Los resultados que reporta la empresa son llamativos. Frente a DreamerV3, AXIOM habría obtenido un desempeño hasta 60 por ciento mejor, aprendiendo unas 39 veces más rápido y con una fracción mínima del cómputo; los comunicados de la compañía mencionan reducciones de entre 97 y 99 por ciento, según el documento. Esos números fueron validados por una firma externa, Soothsayer Analytics.
Según los desarrolladores, la eficiencia proviene de combinar inferencia bayesiana variacional con inferencia activa, junto con la reducción bayesiana de modelos y una planificación guiada por la reducción de incertidumbre.
El respaldo más relevante vino de fuera de la empresa. François Chollet, creador del benchmark ARC-AGI y uno de los críticos más agudos del aprendizaje profundo, reconoció públicamente que la inferencia activa, tal como la muestra AXIOM, aporta algo que hacía falta en la era del deep learning. Revistas como WIRED y Popular Mechanics se hicieron eco del trabajo.
Mientras tanto, la tecnología llegó al mercado bajo el nombre de Genius, lanzado el 30 de abril de 2025. Según los boletines de la propia compañía, se ofreció primero a un grupo reducido de clientes piloto, en problemas marcados por la volatilidad, la incertidumbre y los datos incompletos, justo donde un sistema que razona sobre lo que no sabe ofrece ventajas. En agosto de 2025 la empresa presentó además una arquitectura para robótica que funciona sin preentrenamiento, y su documentación de 2026 describe licencias a nuevos socios comerciales.
Por qué ahora: El techo del escalamiento
El interés por la inferencia activa no surge en el vacío. Surge porque la receta dominante empieza a mostrar rendimientos decrecientes en dimensiones que importan. Entrenar un modelo de frontera exige inversiones de energía y de capital que concentran el poder en un puñado de empresas, y buena parte del texto de calidad disponible en internet ya fue utilizado. Cuando la estrategia de más datos y más cómputo se encarece, las alternativas que prometen aprender mejor con menos dejan de ser curiosidades académicas y se vuelven asuntos estratégicos.
A ello se suma una limitación de fondo. Los sistemas entrenados con texto describen el mundo con fluidez, pero no lo habitan: no ensayan, no se equivocan en carne propia ni corrigen su visión mediante la acción. La inferencia activa propone cerrar ese circuito. Un agente que percibe, actúa y revisa su modelo en un ciclo continuo se parece más a un organismo que a una biblioteca, y esa diferencia se vuelve decisiva cuando la tarea ya no es redactar un texto, sino manejar un robot, administrar un recurso escaso o decidir bajo información incompleta.
Lo que podría cambiar
Si el enfoque escala, las consecuencias serían de gran calado. La primera es energética y económica. Un sistema que aprende con pocos datos y poco cómputo reduce la dependencia de centros de datos del tamaño de ciudades pequeñas y abre la frontera a laboratorios, universidades y países que hoy no pueden competir en la carrera del escalamiento.
Para regiones como América Latina, esa posibilidad no es menor: Cambiaría la pregunta de quién puede construir inteligencia avanzada.
La segunda es la explicabilidad. Los modelos internos de un agente de inferencia activa son representaciones explícitas de la estructura causal de su entorno, lo que los vuelve mucho más legibles que una red neuronal opaca. Un artículo de 2023, firmado por Friston y colegas, propone precisamente una arquitectura de IA explicable basada en estos principios, capaz de modelar procesos de introspección y de generar descripciones interpretables de cómo toma decisiones, aunque los propios autores advierten sobre las implicaciones éticas de sistemas con apariencia de introspección.
La tercera es la robótica y la adaptación al mundo real. Un robot que imagina antes de actuar, que se pregunta qué necesita saber y que ajusta su modelo en tiempo real se parece más a un aprendiz que a un autómata.
Ahí es donde la inferencia activa podría ofrecer una vía distinta hacia los sistemas autónomos, en un entorno donde los datos son escasos, ruidosos o cambian de un día para otro.
Y la cuarta, quizá la más profunda, es la relación entre humanos y máquinas. Desde la perspectiva de la inteligencia híbrida que impulsa la UIA de Valdiosera, un sistema que expone su modelo del mundo, reconoce lo que no sabe y formula las preguntas pertinentes es un mejor colaborador que un oráculo que entrega respuestas sin explicarlas.
La imaginación artificial, bien diseñada, no sustituiría la imaginación humana: la complementaría, como un interlocutor capaz de explorar escenarios que nosotros no alcanzaríamos a considerar.
Las cautelas necesarias
Sería irresponsable presentar este panorama sin contrapesos. Los resultados más citados provienen de la propia empresa y se obtuvieron en un conjunto de juegos sencillos, con reglas bien definidas y entornos pequeños. De ahí a razonar sobre el lenguaje abierto, la ciencia o la vida social hay una distancia enorme que nadie ha demostrado todavía cruzar. El aprendizaje profundo, por su parte, sigue avanzando con rapidez, y lo más probable es que el futuro sea de síntesis y no de reemplazo: modelos de gran escala combinados con arquitecturas que razonan, exploran y explican.
Hay también un riesgo conceptual. Un agente movido por la curiosidad y capaz de planificar acciones por su cuenta plantea desafíos de alineación distintos a los de un asistente conversacional. Un sistema que decide qué explorar necesita límites claros sobre lo que no debe explorar. Y la palabra imaginación invita a la proyección antropomórfica: describe una función, no una vivencia.
Finalmente, cabe una advertencia de rigor para el lector. VERSES es una compañía pequeña y de cotización pública, y sus comunicados cumplen también una función comercial. La ciencia que sostiene la inferencia activa es sólida y tiene décadas de desarrollo; la promesa de que ya constituye la nueva generación de la IA aún debe someterse a validación independiente y a pruebas de mayor escala.
Una pregunta que merece atención
Cada gran etapa de la inteligencia artificial ha estado definida por una pregunta. La de los sistemas expertos fue cómo codificar el conocimiento humano; la del aprendizaje profundo, cómo extraerlo de enormes volúmenes de datos. La de la inferencia activa es más antigua y más ambiciosa: cómo logra un sistema comprender un mundo que no puede ver por completo, actuando sobre él para reducir su ignorancia y anticipando lo que vendrá.
Es todavía temprano para saber si esa pregunta producirá la próxima revolución tecnológica o si será una pieza más de un mosaico mayor. Pero hay razones para seguirla de cerca. Si las máquinas aprenden a imaginar, es decir, a simular futuros, a dudar con método y a preguntar con intención, cambiará no solo lo que la IA puede hacer, sino la manera en que pensamos con ella. Y esa conversación, entre la mente que predice y la que imagina, apenas comienza.
*Reconocido estudioso del fenómeno de la inteligencia Colectiva. Artista digital. Periodista tecnológico y futurista. Cuenta con una larga experiencia en el análisis de las Nuevas Tecnologías. Actualmente es el Director Ejecutivo del Centro de Estudios para el Desarrollo de la Inteligencia Colectiva (CEDIC) y Director General de la UIA de Valdiosera (Unidad de Inteligencia Artificial Informativa de Valdiosera), think tank independiente dedicado al análisis estratégico, la prospectiva y el estudio de los efectos de la inteligencia artificial en la sociedad. EMail: valdioserac@gmail.com
Imágenes: Pixabay
