Las ratas ven mejor que la inteligencia artificial: el sorprendente hallazgo que desafía a la tecnología
Estos roedores gozan de una capacidad visual tan sofisticada que llega a superar a la de las redes neuronales artificiales. Un nuevo estudio revela cómo las ratas procesan imágenes giradas, redimensionadas y oscurecidas con una precisión y flexibilidad que desafía a la IA.
Por Enrique Coperías
La visión de las ratas difiere de la forma en que ven los seres humanos en varios aspectos notables.
Durante décadas, la investigación en neurociencia ha tratado de desentrañar cómo los animales perciben el mundo que los rodea. Un nuevo estudio dirigido por Paolo Muratore, Alireza Alemi y Davide Zoccolan, de la Scuola Internazionale Superiore di Studi Avanzati (SISSA), en Italia, ha revelado que las ratas tienen una capacidad de reconocimiento visual mucho más sofisticada de lo que se creía.
Tanto es así, que la visión da las ratas da sopas con ondas a la inteligencia artificial (IA). Bien es sabido que los modelos de IA han logrado avances espectaculares en la última décadas, desde generar código informático hasta detectar tumores en radiografías, seleccionar embriones para la FIV y buscar y diseñar nuevos fármacos.
Sin embargo, cuando se trata de identificar objetos bajo condiciones adversas, Muratore, Alemi y Zoccolanun sugieren que la humilde rata sigue teniendo una ventaja evolutiva sobre la IA.
Un reto visual para la IA
La investigación, publicada en la revista Patterns, analiza la capacidad de reconocimiento visual de las ratas y la compara con la de una red neuronal convolucional (CNN), un tipo de inteligencia artificial diseñada para procesar imágenes de manera similar a la visión biológica. Los resultados del trabajo revelan que, aunque la IA pudo igualar eventualmente el rendimiento de las ratas, necesitó una gran cantidad de recursos y procesamiento adicional para lograrlo.
El análisis sugiere que la visión de las ratas, perfeccionada a lo largo de millones de años de evolución, sigue siendo más eficiente y adaptable que los sistemas de reconocimiento de imágenes artificiales, que aún tienen mucho que aprender del mundo natural.
Para realizar la comparación, los investigadores de la SISSA diseñaron un experimento en el que entrenaron a un grupo de ratas para que reconocieran ciertos objetos en una pantalla táctil. Utilizando golosinas como recompensa, los roedores aprendieron a identificar un objeto específico y a activar un sensor táctil cuando lo reconocían.
La red CNN funciona en capas
Al mismo tiempo, se diseñó un modelo de red neuronal convolucional (CNN), un tipo de IA utilizada en reconocimiento de imágenes. Estas redes funcionan en capas: las primeras identifican bordes y contrastes, mientras que las capas superiores procesan información más compleja y permiten distinguir formas y patrones.
El experimento demostró que tanto las ratas como la IA podían reconocer objetos en su posición original sin problema. Sin embargo, cuando los objetos eran alterados, redimensionados o parcialmente ocultos, las ratas mostraron una flexibilidad impresionante, mientras que la IA luchaba por igualar su rendimiento.
Uno de los aspectos más interesantes del estudio es la forma en que la IA y las ratas procesaron los objetos cuando fueron modificados.
La «lasaña» de la IA vs. la eficiencia natural
Las redes neuronales convolucionales procesan imágenes de forma jerárquica: cada capa analiza características más complejas, pero a medida que aumenta la profundidad de la red, también lo hacen los requerimientos de computación. En palabras sencillas, es como una lasaña: a medida que se añaden más capas, se vuelve más densa y costosa de procesar.
En el experimento, cuando los objetos eran girados o redimensionados, la IA necesitó activar más capas para reconocerlos, mientras que las ratas continuaron identificándolos sin dificultad. Cuando los objetos estaban parcialmente ocultos, la IA tuvo que utilizar todas sus capas para acercarse a la capacidad de reconocimiento de las ratas, lo que resalta la eficiencia natural de la visión de estos animales.
El estudio concluyó que la visión de las ratas es intrínsecamente más eficiente y adaptable. Mientras que la IA necesita acumular capas de procesamiento para manejar cambios en los objetos, las ratas parecen usar estrategias visuales más generales y consistentes, lo que les permite reconocer patrones en diferentes contextos sin necesidad de recursos adicionales.
El experimento reveló que, aunque ratas e IA reconocían objetos sin dificultad en su forma original, las ratas demostraron una capacidad superior para identificar objetos alterados, redimensionados o parcialmente ocultos, mientras que la IA necesitó mayor procesamiento para alcanzar su rendimiento. Imagen generada con DALL-E
La peculiar visión de las ratas, una ventaja evolutiva
La superioridad visual de las ratas no es un accidente, sino el resultado de millones de años de evolución: los múridos, la familia de roedores que agrupa a ratas, ratones y gerbillos, surgieron a finales del Eoceno, hace aproximadamente 34 millones de años.
A diferencia de los humanos, cuyos ojos están posicionados al frente para una mejor percepción de profundidad, los ojos de las ratas están ubicados a los lados de la cabeza, lo que les otorga un campo de visión mucho más amplio. Además, investigaciones previas han demostrado que sus ojos pueden moverse en direcciones opuestas dependiendo de la orientación de su cabeza. Esto crea una especie de visión bizca que les permite percibir su entorno de manera única, lo que puede contribuir a su notable capacidad de reconocimiento visual.
Esta diferencia anatómica podría explicar por qué las ratas tienen una ventaja sobre la IA cuando se trata de identificar objetos en distintas posiciones y bajo condiciones de visibilidad reducida.
Cómo las ratas y la IA identificaban los objetos
Otro aspecto importante del estudio fue analizar cómo las ratas y la IA identificaban los objetos. No se trataba solo de ver quién acertaba más, sino de comprender las estrategias que cada uno utilizaba para el reconocimiento visual.
Los investigadores aplicaron un método de imágenes de clasificación, en el que se analizaban las áreas de los objetos que las ratas usaban como referencia para identificarlos. Se descubrió que los roedores eran capaces de enfocarse en un conjunto de características clave de los objetos, lo que les permitía reconocerlos incluso cuando estaban parcialmente ocultos.
Por otro lado, la IA mostró una tendencia a depender de características visuales específicas en cada imagen, en lugar de extraer patrones generales. Como resultado, su rendimiento se vio afectado cuando las condiciones cambiaban.
Lo que la IA puede aprender de las ratas
El estudio de SISSA sugiere que los modelos actuales de inteligencia artificial aún tienen mucho que aprender de la biología.
Las redes neuronales artificiales han demostrado ser herramientas poderosas para el reconocimiento de imágenes, pero su falta de flexibilidad sigue siendo un desafío. Las ratas, en cambio, han desarrollado un sistema visual que les permite identificar objetos de manera rápida y eficiente sin importar variaciones en su forma o posición.
Comprender cómo los animales procesan la información visual podría ayudar a mejorar los algoritmos de IA. En lugar de simplemente añadir más capas y potencia de cómputo, los ingenieros podrían inspirarse en las estrategias biológicas para desarrollar sistemas de visión más eficientes y adaptables.
La naturaleza sigue ganando a la tecnología
Este estudio refuerza la idea de que la visión de los animales es sorprendentemente sofisticada y que la evolución sigue superando a la inteligencia artificial en ciertos aspectos.
Mientras que la IA necesita grandes cantidades de datos y procesamiento para aprender a reconocer imágenes bajo diferentes condiciones, las ratas logran la misma tarea con estrategias más simples y generalizables.
En un mundo donde la inteligencia artificial está cada vez más presente, aprender de la biología podría ser clave para mejorar el desarrollo de nuevos sistemas de visión artificial. Quizás, en el futuro, las máquinas finalmente logren igualar el ingenio visual de la humilde rata. ▪️
Fuente: Muratore, Paolo et al. Unraveling the complexity of rat object vision requires a full convolutional network and beyond. Patterns (2025). DOI: 10.1016/j.patter.2024.101149
