Escrito por el equipo científico Qubic
¿Cómo funciona una neurona a lo largo del tiempo?
Las neuronas biológicas no funcionan como un interruptor de luz de dormitorio que se enciende. Son un sistema dinámico continuo. El estado neuronal evoluciona constantemente, incluso en ausencia de estímulos externos.
¿Cómo funciona una neurona a lo largo del tiempo?
Básicamente, moviendo cargas eléctricas (iones) dentro o fuera de su membrana, es decir, cambiando su potencial eléctrico. Los iones entran o salen (principalmente sodio y potasio) a través de las diferentes compuertas de la neurona con una cierta intensidad, modificando el potencial. Hay algunas compuertas, llamadas compuertas de fuga, donde los iones siempre están entrando y saliendo.
El tiempo es implícito. El potencial eléctrico cambia constantemente, a lo largo del tiempo.
El cambio en el potencial eléctrico de una neurona a lo largo del tiempo depende de:
La corriente externa aplicada + el equilibrio entre los flujos de iones de sodio (que lo aumentan) y iones de potasio (que lo disminuyen) a través de las puertas que abren y cierran.
No te asustes con el gráfico. Las cargas eléctricas positivas y negativas (iones) fluyen a través de las puertas causando despolarización (así la corriente se mueve hacia el final de la neurona) o hiperpolarización (así vuelve a un estado neutral).
El potencial (V) cambia con el tiempo, es decir, matemáticamente, dV/dt, como función de la suma de las puertas de entrada y salida.
Este es el modelo fundamental de la neurociencia computacional, que expresa que el estado de la neurona depende tanto de las señales actuales como de su historia inmediata. No hay un “reinicio” entre eventos, ya que cada estímulo cae en un sistema que siempre está funcionando.
Ahora pasemos a Neuraxon, que es un modelo bioinspirado.
Queremos que esté vivo, un tejido inteligente. No puede tener estados discretos, sino continuos.
En Neuraxon, en lugar de puertas iónicas que abren y cierran y mueven cargas con cierta intensidad, cambiando el voltaje, tenemos pesos sinápticos dinámicos. Pero la ecuación del modelo mantiene una similitud clara y directa con la neurona biológica.
¿Qué significa esto?
En lugar de V, el voltaje en la neurona biológica, el estado de Neuraxon, es s. Y también cambia con el tiempo, por lo tanto ds/dt es una función de los pesos y activaciones y el estado anterior.
A diferencia de un modelo de IA clásica, donde los pesos sinápticos de una red representan salidas estereotipadas a una entrada, en Neuraxon los pesos no son estáticos.
Imagina, por ejemplo, un mecanismo de respuesta automática de “bandeja de entrada de correo electrónico”.
En la IA clásica, la regla no se ajusta ni cambia con el tiempo o el contexto.
En Neuraxon, se tiene en cuenta si la “entrada de correo electrónico” proviene de la misma persona (lo que podría indicar urgencia) o si llega un fin de semana (lo que puede generar una salida de no respuesta). En otras palabras, la regla permanece, pero cuándo y cómo se da la respuesta está modulada.
¿Los LLM computan el tiempo?
Los modelos de lenguaje grandes parecen mostrar una comprensión profunda en muchos contextos, pero operan bajo una lógica diferente a la de los sistemas biológicos (Vaswany, 2017). No funcionan en base a una dinámica temporal interna, a un “cambio en el potencial” o a “pesos sinápticos” que modulan la respuesta, sino que procesan secuencias discretas.
En los LLM, “el tiempo” no existe, lo que dificulta simular el comportamiento biológico (como la inteligencia). Los LLM saben distinguir qué palabra viene antes y cuál después, pero no conceden una experiencia de duración o persistencia. El orden reemplaza al tiempo.
A diferencia de Neuraxon, no poseen ritmos internos que aceleren o desaceleren, ni muestran habituación progresiva a estímulos repetidos, ni pueden anticipar dinámicamente en función de un estado interno que cambia con el tiempo.
El cálculo del modelo LLM sería algo así como:
salida = Fθ(entrada)
los resultados son soluciones fijas de una función (combinación) de entradas.
No hay estado como función del tiempo. Estos son datos que forman enormes matrices y cambian su valor a través de una función específica, que, como en el ejemplo citado, restringe las posibilidades: entrada de correo electrónico → respuesta automática.
Para concluir. La distancia entre modelos bioinspirados como Neuraxon y modelos de lenguaje grandes no debe explicarse en términos de potencia computacional o volumen de datos. Hay una diferencia más profunda.
El cerebro es, en sí mismo, un sistema temporal continuo. Su funcionamiento está definido por dinámicas que se desarrollan a lo largo del tiempo, por estados que evolucionan, decaen y se reorganizan permanentemente, incluso en ausencia de estímulos externos (Deco et al., 2009; Northoff, 2018).
Neuraxon se posiciona deliberadamente dentro de esa misma lógica. No intenta imitar 1 a 1 la complejidad biofísica del cerebro, sino que incorpora explícitamente el tiempo como variable computacional. Su estado interno evoluciona continuamente, lleva el pasado y modula el presente, permitiendo adaptación sin necesidad de un reinicio.
Los LLM, por el contrario, operan de manera muy diferente. Manipulan símbolos ordenados en secuencias discretas sin sus propias dinámicas temporales. No hay tiempo, solo orden. No hay adaptación, solo respuestas predefinidas.
Mientras el tiempo no forme parte del estado que rige el cálculo, los LLM pueden ser efectivos, pero difícilmente serán autónomos en un sentido fuerte.
La inteligencia artificial futura tiene como objetivo operar en entornos dinámicos. Esta es la razón por la que Neuraxon incluye el tiempo como una variable fundamental.
Un tejido de inteligencia viva…
¿Cómo se relaciona esto con Qubic?
Qubic proporciona el entorno computacional continuo y con estado requerido para la inteligencia consciente del tiempo.
Es el sustrato natural sobre el cual pueden existir y evolucionar modelos como Neuraxon - adaptativos, persistentes y nunca “reiniciándose”.
Adenda
Mira las ecuaciones. ¡No entres en pánico!
1 Neurona biológica, V potencial, “suma de flujos de puertas que entran y salen”
2 Ecuación del modelo Neuraxon - similitud clara y directa con la neurona biológica.
s estado, wi & f(si) pesos sinápticos dinámicos
3 Ecuación del modelo LLM. Las entradas (ordenadas en una matriz) crean salidas de matriz a través de una función fija
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Referencias
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). El cerebro dinámico. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). El cerebro espontáneo. MIT Press.
Vaswani, A., et al. (2017). La atención es todo lo que necesitas. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon: Un nuevo plano de crecimiento y computación neural. Qubic Science.
rint. Qubic Science.