Una CNN que aprende a gustar y disgustar, como tú

Las redes neuronales profundas ya superan a los humanos en el reconocimiento de objetos, generan un discurso convincente y juegan ajedrez a nivel de gran maestro. Lo que no han hecho, al menos de manera convincente, es aprender a sentir, o al menos simular cómo los sentimientos se vinculan a las imágenes. Un nuevo artículo publicado en arXiv el 21 de julio de 2026 propone exactamente eso: una red neuronal convolucional que aprende a asociar escenas visuales con valencias positivas o negativas a través de un bucle de condicionamiento pavloviano clásico.

El artículo, titulado "Associative Emotional Learning in Convolutional Neural Networks", proviene de investigadores que combinaron un módulo de codificación visual con un segundo módulo entrenado para reconocer el significado emocional a lo largo de la dimensión de valencia, el eje agradable-desagradable que es una piedra angular de la neurociencia afectiva. Luego, el equipo probó un nuevo paradigma de aprendizaje pavloviano en la arquitectura combinada. Los resultados muestran que la red puede formar asociaciones, generalizarlas a estímulos novedosos y cambiar sus representaciones internas para que los estímulos condicionados e incondicionados se alineen más con el tiempo, un patrón que refleja lo que sucede en el cerebro humano durante el aprendizaje asociativo.

De Rescorla-Wagner al aprendizaje profundo

El aprendizaje asociativo tiene un modelo computacional bien establecido: la regla de Rescorla-Wagner, que actualiza el valor predicho de un estímulo condicionado basándose en la diferencia entre lo que se esperaba y lo que realmente ocurrió. El modelo funciona bien para experimentos de condicionamiento simples, pero tiene dificultades para escalar a entradas complejas y de alta dimensión como las imágenes naturales. Las redes neuronales profundas, argumentan los autores, ofrecen una forma de superar esa limitación al aprender representaciones ricas de características directamente de los píxeles.

Su arquitectura utiliza una CNN preentrenada como columna vertebral visual para codificar escenas, seguida de una pequeña red que aprende una predicción de valencia para cada representación codificada. Durante el entrenamiento, al modelo se le muestra un estímulo neutral, por ejemplo, una imagen de una forma geométrica, seguido de un estímulo con valencia natural, como una escena agradable o desagradable. A lo largo de los ensayos, aprende a predecir la valencia del segundo estímulo solo a partir del primero, una respuesta condicionada estándar. La novedad es que todo el proceso es diferenciable de principio a fin, por lo que la asociación se forma a través del descenso de gradiente en lugar de una regla de actualización hecha a mano.

Lo que hace el modelo que importa

El artículo informa tres hallazgos que van más allá del trabajo existente. Primero, el modelo forma asociaciones después de un número modesto de emparejamientos, consistente con las curvas de aprendizaje humano. Segundo, se generaliza: una forma condicionada para predecir un resultado positivo desencadena una predicción de valencia similar cuando se presenta en un nuevo color u orientación, un fenómeno conocido como generalización del estímulo en psicología. Tercero, las representaciones neuronales del estímulo condicionado y del estímulo incondicionado se vuelven más similares a lo largo del aprendizaje, tanto a nivel de unidades individuales como a través de la población, algo que se ha observado en la electrofisiología de primates pero raramente en redes artificiales.

Los autores también compararon las salidas del modelo con datos de comportamiento humano de un experimento separado de calificación de valencia. Reportan que las predicciones de valencia del modelo se correlacionan con las calificaciones humanas, aunque el artículo no especifica el coeficiente de correlación exacto, dejando ese vacío para trabajos futuros o materiales complementarios.

Lo que aún falta

A pesar de su elegancia, el modelo tiene límites claros. La valencia es una dimensión de la emoción, y relativamente simple, esencialmente un signo (+/−) con una magnitud. No captura la activación, el dominio o los estados emocionales diferenciados como el miedo, el asco o la alegría que la valencia por sí sola no puede distinguir. El artículo no pretende modelar la experiencia emocional completa; modela el aprendizaje de asociaciones de valencia. Eso es una porción significativa pero estrecha de lo que hace el cerebro durante el aprendizaje emocional.

El modelo también utiliza aprendizaje supervisado: las etiquetas de valencia provienen de anotaciones humanas de las imágenes de entrenamiento. Eso es razonable para una prueba de concepto, pero el aprendizaje emocional real es no supervisado: los organismos descubren qué es agradable o desagradable a través de la interacción, no a partir de un conjunto de datos etiquetados. Un agente que aprende valencia explorando su entorno, en lugar de leyendo un corpus preetiquetado, sigue siendo un problema abierto.

Aún así, el trabajo se suma a un creciente conjunto de evidencia de que las redes profundas pueden reproducir firmas conductuales y neurales de procesos cognitivos que antes se consideraban demasiado confusos o subjetivos para los sistemas artificiales. La brecha entre un modelo que aprende a asociar formas con valencia y un sistema que se pueda decir que tiene algo parecido a un sentimiento sigue siendo grande, pero es más estrecha de lo que era antes de este artículo.