Qué es una red neuronal, explicada como una cadena de decisiones

Una red neuronal no tiene neuronas. Tiene números. Y esos números se pasan la pelota, de un lado a otro, hasta que del otro extremo sale una respuesta. Eso es todo. El nombre viene prestado de la biología (alguien vio un diagrama del cerebro y le gustó la analogía), pero por dentro no hay nada vivo: hay una tabla de números que multiplica lo que entra, suma un poco, y lo empuja hacia adelante. Si te quitas de encima la palabra "neurona" y la cambias por "cadena de decisiones que se refinan", casi todo lo que sigue se vuelve transparente.

Qué es una red neuronal, dicho sin adornos: un procedimiento para transformar una lista de números de entrada en una lista de números de salida, pasándolos por varias etapas donde cada etapa afina un poco el resultado. La palabra clave es etapa. Las llamaremos capas, y son el corazón del asunto.

01 · la entradaTodo empieza convertido en números

Antes de que una red pueda "decidir" cualquier cosa, el mundo tiene que entrar por la puerta convertido en cifras. Una foto es una rejilla de píxeles, y cada píxel es un número de brillo. Una palabra es un vector de coordenadas. La temperatura de hoy, el precio de ayer, los latidos por minuto: todo lo que le das a una red llega como una lista de números, ni más ni menos. La red nunca ve un gato ni una palabra; ve una columna de valores.

Esa columna es la capa de entrada. No hace nada inteligente: solo sostiene los datos tal como llegaron. La inteligencia, si es que ese nombre le queda, ocurre en lo que viene después: en cómo esos números se combinan una y otra vez.

La red nunca ve un gato. Ve una columna de números, y aprende a doblarla hasta que la respuesta cae sola.

02 · la capaMultiplicar, sumar, doblar: la decisión mínima

Aquí está el mecanismo entero, y es más simple de lo que su fama sugiere. Cada número de una capa se conecta con cada número de la siguiente. Cada conexión tiene un peso: un número que dice cuánto importa esa señal. Para calcular un valor de la capa siguiente, la red toma todas las entradas, las multiplica por sus pesos, suma los resultados, y le añade un pequeño ajuste llamado sesgo. Multiplicar y sumar. Eso es una recta.

Pero una cadena de puras rectas se aplana en una sola recta, y con eso no distingues un gato de una tostadora. Falta un ingrediente: después de multiplicar y sumar, cada valor pasa por una función de activación, un pequeño doblez que decide si la señal sigue viva o se apaga. La más común hoy, ReLU, hace algo casi tonto: si el número es negativo, lo vuelve cero; si es positivo, lo deja pasar. Ese doblez, repetido en miles de puntos, es lo que le permite a la red curvar el espacio y separar cosas que una recta jamás separaría.

03 · la profundidadPor qué se apilan varias capas

Una sola capa ya toma decisiones, pero decisiones pobres. La potencia aparece cuando pones una capa detrás de otra, y otra, y otra. A cada tramo la red construye descripciones un poco más abstractas de lo que entró. En una red que mira imágenes, esto es casi visible: las primeras capas detectan bordes y manchas de color; las intermedias combinan esos bordes en ojos, ruedas, texturas; las últimas juntan esas partes en "gato", "coche", "rostro". Nadie le dijo a la red qué era un borde ni un ojo. Lo dedujo apilando multiplicaciones [2].

Por eso a las redes con muchas capas se les llama profundas, y a la disciplina, aprendizaje profundo. La profundidad no es un adorno: es la diferencia entre una máquina que traza una raya y una que reconoce una cara. Cada capa es una etapa de refinamiento; la respuesta no aparece de golpe, se decanta.

La idea es vieja. En 1958 el psicólogo Frank Rosenblatt presentó el perceptrón, la primera red entrenable: una sola capa que ya multiplicaba entradas por pesos y decidía sí o no [3]. Prometió demasiado, cayó en desgracia cuando se demostró que una sola capa no podía resolver problemas sencillos como el "o exclusivo", y hubo que esperar décadas y varias capas más para que la idea floreciera. Lo que hoy llamamos red neuronal es, en el fondo, muchos perceptrones apilados y afinados con paciencia.

04 · la salidaDe la última capa a una respuesta

Al final de la cadena hay una capa de salida con tantas casillas como respuestas posibles. Si la red clasifica animales, quizá tenga una casilla por especie, y cada una guarda un número de confianza. Un último paso convierte esos números en algo legible (probabilidades que suman 100 %) y la casilla más alta gana. "Con 92 % de confianza, esto es un gato." La red no está segura de nada; solo reporta hacia dónde se inclinó la suma de todas sus multiplicaciones.

Y ese es el mecanismo completo. Números que entran, capas que los multiplican, suman y doblan, y una casilla que se ilumina al final. Ni magia ni cerebro: una cadena de decisiones donde cada eslabón afina un poco lo que recibió. Cuando alguien te diga que una IA "piensa", tradúcelo mentalmente: está deslizando una columna de números por una escalera de multiplicaciones, y en el último peldaño se decanta una respuesta. Lo asombroso no es que haya neuronas (no las hay), sino que apilar aritmética simple, muchas veces, alcance para reconocer una cara.