Segun MarkTechPost (AI/ML News), un equipo de investigadores ha desarrollado un modelo de lenguaje que integra el mapa completo de conexiones neuronales de un macho de la mosca *Drosophila*, conocido como MaleCNS v1.0, con una arquitectura de lenguaje basada en una red de aprendizaje profundo. Este sistema, llamado Fly Language Model (FLM), no emplea una estructura tradicional de entrenamiento, sino que conecta el mapa anatómico de la red neuronal de la mosca directamente a una base de un modelo de lenguaje de 1.2 billones de parámetros (LFM2.5-1.2B-Instruct). La innovación radica en que el conjunto completo de 166.700 nodos y 25.582.938 conexiones dirigidas se utiliza como una red de reservorio fija, sin modificaciones durante el entrenamiento.
El diseño se basa en un enfoque de computación de reservorio, donde solo se entrena un subconjunto de 278.528 parámetros en una capa de salida, que representa aproximadamente el 0.0238% del total de 1.170.340.608 parámetros del modelo principal. Cada token de entrada es comprimido mediante una proyección gaussiana de 2.048 a 128 canales. Cada neurona del sistema recibe un canal con un signo aleatorio, y la evolución del sistema se realiza mediante una función de actualización: x = tanh(W(0.6x + 0.4Bc)), donde W contiene los conteos anatómicos de contactos entre neuronas. Los estados se agrupan en 128 binas, luego pasan por dos matrices entrenadas sin sesgo (una de 128x128 y otra de 2.048x128), y finalmente se proyectan sobre la cabeza del vocabulario fija, añadiéndose como un residuo limitado. Este residuo se mantiene bajo un límite de raíz media cuadrática de 0.25 en las coordenadas del vocabulario.
Los resultados se midieron en un conjunto de 32 diálogos cotidianos llamados SmolTalk, que contienen un total de 1.236 tokens objetivo. Tras tres experimentos con semillas diferentes, el modelo logró mejorar en 0.0222 nats por token sobre el rendimiento base del modelo principal. Importante: el equipo destacó que un modelo control, idéntico en parámetros pero sin el mapa de la mosca, obtuvo un desempeño ligeramente superior, lo que cuestiona si la estructura anatómica aporta un beneficio significativo en tareas de comprensión lingüística.
Para el lector peruano, este avance plantea una reflexión sobre la naturaleza de la inteligencia artificial: ¿puede una red de aprendizaje que imita patrones biológicos realmente mejorar su capacidad de razonar o comunicarse? Aunque el modelo no alcanza niveles de comprensión humanos, su diseño sugiere que las estructuras físicas de redes neuronales pueden servir como inspiración para nuevos enfoques en IA. En un contexto donde el acceso a tecnología avanzada está cada vez más disponible, entender cómo se construyen los modelos de lenguaje permite a inversionistas, empresarios y ciudadanos diseñar soluciones más éticas, eficientes y alineadas con principios biológicos naturales. La investigación no solo es académica, sino que abre puertas a futuras aplicaciones en educación, salud o servicios públicos, donde la interacción humana y la inteligencia artificial deben coexistir con respeto por la naturaleza.