Cuando el conocimiento encuentra su propio camino.

Durante años, mis publicaciones sobre ciencia y tecnología en Biotecnología & Nanotecnología al Instante, fueron pequeños opúsculos digitales, casi abandonados a su suerte, sin grandes campañas de difusión ni estructuras editoriales que los impulsaran. Textos que, una vez publicados, parecían quedar librados al azar, esperando que alguien, en algún lugar, se interesara por ellos. Pero el conocimiento científico-tecnológico hace sus propio camino y la curiosidad humana es una fuerza difícil de detener.

El 11 de octubre del 2026, esas publicaciones han alcanzado el millón de lecturas. Detrás de esa cifra hay personas, preguntas, intereses y, quizá, nuevas ideas que comenzaron a germinar. Un millón de veces, alguien se detuvo a leer, a conocer, a descubrir o a pensar. Este logro me demuestra que el conocimiento no siempre necesita grandes estructuras para circular. A veces, basta con compartir una idea, ponerla en palabras y dejar que encuentre a sus lectores y su destino. 

Como docente, investigador y divulgador científico, siento que este millón de lecturas es mucho más que una estadística: es la confirmación de que vale la pena seguir escribiendo, investigando y difundiendo ciencia y tecnología.

Porque los opúsculos quizá hayan quedado a su suerte, pero las ideas, cuando encuentran lectores, nunca están solas.

Un millón de lecturas. Muchas preguntas por responder. Y la misma pasión por enseñar, investigar y compartir el conocimiento que me acompaña desde que inicié mi camino en la docencia, en 1974. Más de medio siglo después, la curiosidad sigue intacta y el compromiso con el conocimiento, más vivo que nunca. 

2026 Nobel Prize in Economics: Focused on the Micro, When the World Needs the Nanoeconomy

The 2026 Nobel Prize in Economics was awarded to American economists Robert E. Hall¹, of Stanford University, and Michael Woodford², of Columbia University, for their contributions to the microeconomic foundations of macroeconomic stabilization. Approaches that link the decisions of households and firms to macroeconomic phenomena help explain how expectations, incentives, and monetary and fiscal policies influence variables such as inflation, employment, and business cycles. These contributions are relevant to understanding the dynamics of economic systems. However, a complementary question arises: Is it sufficient to study how individuals make decisions within existing conditions, or do we need to begin by understanding what each person needs? The difference is not merely terminological; it involves reconsidering the starting point from which we observe economic reality.

Microeconomics studies the behavior of individuals, households, and firms, as well as their consumption, production, and investment decisions. It analyzes how economic agents act when faced with different alternatives, taking into account their preferences, resources, incentives, and constraints.

Nanoeconomics, as proposed in previous articles (3, 4, 5, 6), offers a different perspective: it begins by identifying the specific needs of each individual and their family group and then seeks appropriate economic, social, productive, and technological responses to those needs.

A person may purchase a product because it is the only one they can afford, even if it does not best meet their needs. They may also forgo an essential good because they lack the necessary resources. In both cases, observing purchasing decisions does not provide a complete understanding of their situation. For this reason, nanoeconomics proposes distinguishing between human needs and the responses offered by the economic system to meet them. What is bought, sold, or consumed represents one part of reality; what people need but cannot obtain constitutes another dimension that also deserves to be studied.

The term nanoeconomics suggests an analogy with the evolution of nanotechnology. Traditionally, many technologies have been developed through top-down strategies, which start with larger structures and reduce, modify, or transform them. Nanotechnology has also advanced bottom-up strategies, which make innovation possible by building structures and systems from atoms and molecules. This ability to progress from fundamental units toward complex systems offers a compelling way to think about economics: rather than interpreting reality exclusively through large economic structures, we can begin with people, their circumstances, and their needs to build a more comprehensive understanding of society as a whole.

This is a methodological approach: just as materials and systems can be developed from fundamental units, we can also investigate how to build economic responses around the concrete needs of individuals.

The world is home to more than 8 billion people. A public policy may improve the living conditions of millions while failing to take into account the specific circumstances of others. A law may establish a general response that works well for most people but proves insufficient for those who are overlooked and left to fend for themselves. Similarly, a statistic may show a favorable trend in average income without revealing the specific difficulties faced by those whose income remains below that average.

Nanoeconomics proposes broadening our perspective so that people who fall outside conventional responses do not remain invisible in economic analysis.

Scientific and technological development continually expands our ability to produce goods, provide services, and solve problems that until recently seemed insurmountable. Artificial intelligence, biotechnology, nanotechnology, and automation can help generate new solutions in fields as diverse as healthcare, food, energy, housing, and education. Nevertheless, obstacles related to economics, society, geography, and organization may separate the technical possibility of producing a solution from people's actual ability to access it.

Here lies one of the central challenges of the new economy: investigating how to direct productive and technological capabilities toward existing needs, including those that do not translate into commercial demand capable of generating immediate profits. Once these needs have been identified, available resources, applicable technologies, organizational models, and financing mechanisms could be assessed to develop viable solutions. The goal is to equip the economic system with better tools to recognize differences and respond to them, while remaining mindful of resource constraints and the need to establish transparent priorities.

The challenge facing twenty-first-century economics is not merely to manage existing resources more efficiently, but also to recognize needs that remain unmet and develop solutions to address them.

The fundamental difference lies in the starting point: moving beyond simply observing what people choose to understanding, first and foremost, what each person needs.

At a time when science and technology are expanding our ability every day to meet primary human needs, nanoeconomics proposes opening a long-overdue debate: how can we make visible the needs of those who, until now, have remained invisible to the global economy?

References

1) Hall, Robert E. 1978. Stochastic Implications of the Life Cycle-Permanent Income Hypothesis: Theory and Evidence. Journal of Political Economy, University of Chicago Press, vol. 86(6), pages 971-987, December. DOI: 10.1086/260724

2)  Woodford, Michael. 2023. Interest and Prices: Foundations of a Theory of Monetary Policy. Princeton University Press.

3) D’Andrea, Alberto L. (2014). Nanoeconomía & Nanotecnología. Biotecnología & Nanotecnología al Instante. 20 de diciembre 2014.

infobiotecnologia.blogspot.com/2014/12/nanoeconomia-nanotecnologia.html

4) D’Andrea, Alberto L. (2020). Tiempo de Nanoeconomía. Biotecnología & Nanotecnología al Instante, 16 de mayo de 2020.

https://infobiotecnologia.blogspot.com/2020/05/tiempo-de-nanoeconomia.html

5) D’Andrea, Alberto L. (2021). Impacto estratégico de la nanotecnología en la sociedad presente y futura. Revista REDIUNP.

www.revistas.unp.edu.ar/index.php/rediunp/article/view/200/188

6) D’Andrea, Alberto L. (2026). Nanoeconomía: heredera de la Rerum novarum del papa León XIII. Magazine de Radio Antorchas, 24 de septiembre de 2026.

radioantorchas.com.ar/2026/09/24/nanoeconomia-heredera-de-la-rerum-novarum-del-papa-leon-xiii/

Del Nobel de Medicina 2026 a la nano-optogenética.

Hay momentos en los que un descubrimiento científico parece abrir una puerta hacia el futuro. La optogenética es uno de ellos. El reconocimiento con el Premio Nobel de Fisiología o Medicina 2026 a Peter Hegemann, Georg Nagel y Karl Deisseroth vuelve a colocar en primer plano una tecnología que modificó profundamente la manera de estudiar y controlar el sistema nervioso: utilizar la luz para intervenir sobre células específicas. Pero detrás de esta revolución aparece ahora una pregunta interesante: ¿qué ocurriría si pudiéramos llevar la optogenética hasta la nanoescala?

La optogenética nació de una idea aparentemente sencilla y, al mismo tiempo, extraordinariamente poderosa. Si determinadas proteínas son sensibles a la luz, ¿por qué no introducir esas proteínas en neuronas para hacer que puedan ser activadas o inhibidas mediante un estímulo luminoso? Las investigaciones de Hegemann y Nagel sobre proteínas sensibles a la luz, y posteriormente el trabajo de Deisseroth y otros investigadores para aplicar estas herramientas a las neuronas, transformaron esa posibilidad en una nueva tecnología para la neurociencia. Una neurona podía convertirse en una célula controlable mediante luz. La relación podía resumirse en una secuencia casi elemental: luz, proteína fotosensible, neurona y actividad.

La importancia de este concepto es enorme porque el cerebro no es simplemente una masa de células eléctricamente activas. Es una arquitectura extraordinariamente compleja en la que diferentes grupos de neuronas cumplen funciones diferentes y se comunican mediante redes altamente organizadas. Poder actuar sobre determinadas poblaciones neuronales sin modificar simultáneamente todas las que las rodean constituye una herramienta extraordinaria para comprender cómo emergen la percepción, el movimiento, la memoria, las emociones y otras funciones cerebrales.

Pero la optogenética tradicional también tiene limitaciones. La luz debe llegar hasta el lugar donde se encuentran las neuronas que se quieren estimular. En numerosos experimentos esto requiere fibras ópticas u otros dispositivos. Además, la propagación de la luz dentro del tejido biológico no es ilimitada y se vuelve particularmente problemática cuando se pretende alcanzar estructuras profundas o trabajar sobre regiones muy pequeñas y específicas.

Es aquí donde aparece la nanotecnología. La nanotecnología no fue el elemento central del trabajo por el que se reconoció a los investigadores de la optogenética. Sin embargo, puede convertirse en una de las tecnologías que permitan llevar esta revolución a una nueva etapa. En lugar de pensar únicamente en una fuente de luz que ilumina directamente una región del cerebro, podemos imaginar nanoestructuras capaces de recibir energía luminosa, transformarla y producir localmente el estímulo necesario para activar una proteína fotosensible.

Una de las posibilidades más estudiadas son las nanopartículas de conversión ascendente, conocidas como upconversion nanoparticles. Estas nanoestructuras pueden absorber fotones de una determinada longitud de onda y emitir luz de una longitud de onda diferente. La posibilidad resulta especialmente atractiva cuando se trabaja con radiación del infrarrojo cercano, que puede presentar ventajas para atravesar tejidos biológicos con respecto a determinadas longitudes de onda visibles. Una nanopartícula podría actuar, conceptualmente, como un pequeño convertidor de luz situado cerca de una célula. El esquema cambia entonces radicalmente. Ya no tenemos simplemente luz que llega a una neurona. Podemos imaginar una secuencia en la que una señal luminosa externa alcanza una nanopartícula, la nanopartícula transforma esa energía y genera localmente una señal óptica que activa una opsina presente en la membrana neuronal. Esta posibilidad introduce una idea que podemos denominar nano-optogenética. 

La nano-optogenética no debería entenderse simplemente como una optogenética con partículas más pequeñas. Representa una posible convergencia entre fotónica, nanotecnología, biología molecular y neurociencia. La nanotecnología permitiría diseñar materiales capaces de interactuar con el entorno biológico y responder a estímulos externos. La biología molecular proporcionaría las proteínas capaces de transformar una señal luminosa en una respuesta celular. La fotónica aportaría la capacidad de transportar y transformar información mediante luz. Y la neurociencia determinaría qué células deben ser estimuladas y con qué precisión.

La cuestión adquiere una dimensión todavía mayor cuando incorporamos la inteligencia artificial. Imaginemos un sistema capaz de registrar simultáneamente la actividad de numerosas neuronas, analizar esa información mediante algoritmos de inteligencia artificial y determinar que una determinada población neuronal debe ser estimulada. La información podría transformarse en una señal óptica que active nanoestructuras localizadas en el tejido. Estas, a su vez, generarían el estímulo necesario para activar las neuronas modificadas mediante optogenética. La comunicación dejaría de ser unidireccional. El cerebro produciría información que sería interpretada por una máquina, y la máquina podría responder mediante una estimulación neuronal altamente localizada. Estaríamos ante una posible interfaz bidireccional entre materia biológica y tecnología de suma importancia para la nanopsicología.

Aquí la nanotecnología adquiere una importancia estratégica. Las dimensiones de las estructuras celulares y de sus componentes moleculares se encuentran precisamente en el territorio donde la nanotecnología puede operar. Cuando sus dimensiones se reducen hasta la nanoescala aparecen propiedades ópticas, eléctricas, magnéticas y químicas que pueden ser diferentes de las que presenta el mismo material a escala macroscópica. Esa capacidad de diseñar propiedades mediante tamaño, composición y estructura convierte a los nanomateriales en candidatos particularmente interesantes para construir nuevas interfaces con los sistemas biológicos.

La transición podría ser gradual: primero electrodos, después microelectrodos, luego estructuras cada vez menores y finalmente nanoestructuras capaces de interactuar directamente con componentes celulares.

La dirección científica resulta extraordinariamente interesante. El verdadero significado de esta convergencia está en que cada tecnología aporta algo que las otras no poseen. La optogenética permite convertir una célula biológica en una célula sensible a la luz. La nanotecnología permite construir materiales capaces de manipular materia y energía en dimensiones extremadamente pequeñas. La fotónica permite transportar información mediante luz. Y la inteligencia artificial permite interpretar cantidades enormes de información y generar decisiones de control.

Cuando estas tecnologías comienzan a encontrarse aparece una nueva frontera. Durante mucho tiempo la neurociencia intentó comprender el cerebro observándolo desde afuera. Después comenzó a registrar su actividad eléctrica. Más tarde aprendió a modificar genéticamente determinadas células para hacerlas sensibles a la luz. Ahora comienza a explorar materiales capaces de establecer una relación cada vez más íntima entre la tecnología y la célula.

El camino podría llevar desde la optogenética hacia la nano-optogenética y, desde allí, hacia una nueva generación de interfaces nano-neuronales. En esta perspectiva, la nano-optogenética puede ser mucho más que una nueva técnica experimental. Puede convertirse en uno de los ladrillos tecnológicos de una futura interfaz entre cerebro y máquina. Si alguna vez conseguimos construir una interfaz capaz de detectar, interpretar y modificar selectivamente la actividad de las neuronas mediante nanoestructuras controladas por inteligencia artificial, ¿seguiremos hablando solamente de una herramienta médica o estaremos frente a una nueva forma de relación entre lo biológico y lo artificial?

El Nobel de la optogenética reconoce un descubrimiento que permitió que la luz comenzara a hablar con las neuronas. La nanotecnología podría contribuir a que esa conversación sea cada vez más localizada, más profunda y más íntima. Y la inteligencia artificial podría convertirse en el sistema capaz de interpretar ese diálogo.

Tal vez la próxima frontera no sea simplemente controlar una neurona con luz, sino construir una comunicación bidireccional entre neuronas, nanomateriales e inteligencia artificial.

Pasar de la optogenética a la nano-optogenética puede ser el siguiente paso.

Bibliografía

Nagel, G., Ollig, D., Fuhrmann, M., Kateriya, S., Musti, A.-M., Bamberg, E. & Hegemann, P. (2002). Channelrhodopsin-1: a light-gated proton channel in green algae. Science, 296(5577), 2395–2398. 

Nagel, G., Szellas, T., Huhn, W., Kateriya, S., Adeishvili, N., Berthold, P., Ollig, D., Hegemann, P. & Bamberg, E. (2003). Channelrhodopsin-2, a directly light-gated cation-selective membrane channel. Proceedings of the National Academy of Sciences, 100(24), 13940–13945. 

Boyden, E. S., Zhang, F., Bamberg, E., Nagel, G. & Deisseroth, K. (2005). Millisecond-timescale, genetically targeted optical control of neural activity. Nature Neuroscience, 8(9), 1263–1268. 

Zhang, F., Wang, L.-P., Boyden, E. S. & Deisseroth, K. (2006). Channelrhodopsin-2 and optical control of excitable cells. Nature Methods, 3(10), 785–792. 

Gunaydin, L. A., Yizhar, O., Berndt, A., Sohal, V. S., Deisseroth, K. & Hegemann, P. (2010). Ultrafast optogenetic control. Nature Neuroscience, 13, 387–392. 

Deisseroth, K. & Hegemann, P. (2017). The form and function of channelrhodopsin. Science, 357(6356), eaan5544. 

Wang, Q. et al. (2024). Tetherless Optical Neuromodulation: Wavelength from Orange-red to Mid-infrared. [Review].

D'Andrea A. L (2006) Nanopsicología, la psicología del siglo XXI. Editorial Autores de Argentina. www.amazon.com/dp/B0GHLJGCK9

Nanoeconomía: Heredera de la Rerum novarum del papa León XIII

A fines del siglo XIX, el papa León XIII se encontró frente a una sociedad profundamente transformada por la industrialización. El crecimiento de las fábricas, las nuevas formas de trabajo y las desigualdades sociales planteaban problemas que ya no podían ser ignorados. La primera encíclica social de la Iglesia, Rerum novarum, publicada en 1891, colocó en el centro de la reflexión la dignidad del trabajador, el valor del trabajo, la propiedad y las responsabilidades de los distintos actores de la sociedad.

Aquella preocupación partía de una cuestión fundamental: la economía no podía separarse de la realidad humana que le da sentido. Las estructuras económicas debían ser consideradas a partir de sus consecuencias sobre las personas y, especialmente, sobre quienes quedaban en situaciones de mayor vulnerabilidad.

Más de un siglo después, la sociedad atraviesa otra transformación de enorme magnitud. La diferencia es que hoy disponemos de instrumentos que permiten observar la realidad con una precisión que León XIII no podía imaginar: inteligencia artificial, grandes bases de datos, sensores y sistemas nanotecnológicos. Este cambio tecnológico abre una posibilidad nueva: pasar de una economía que observa principalmente grandes agregados a otra capaz de aproximarse a la realidad concreta de cada individuo.

¿Cómo construir una sociedad en la que la economía esté al servicio de las personas y no las personas al servicio de la economía?

Durante décadas, la economía se estructuró fundamentalmente alrededor de dos escalas: la macroeconomía, dedicada a los grandes fenómenos económicos, y la microeconomía, centrada principalmente en el comportamiento de los agentes económicos. Sin embargo, la evolución de la sociedad y de las tecnologías permite plantear un paso más: aproximarse a las necesidades de las familias y de sus integrantes para conocerlas y encontrar respuestas económicas concretas: Allí aparece la nanoeconomía.

El nuevo enfoque distingue dos aproximaciones complementarias. Una procura comprender el comportamiento económico de las personas; la otra busca identificar sus necesidades y encontrar respuestas para ellas. La primera se apoya fundamentalmente en el saber; la segunda incorpora el saber hacer. Comprender cómo funciona la sociedad y actuar sobre sus necesidades no son caminos opuestos: se necesitan mutuamente. La elección del término nanoeconomía no es casual. La nanotecnología trabaja en escalas extremadamente pequeñas y permite estudiar y manipular la materia átomo por átomo y molécula por molécula. Una nanopartícula de apenas un nanómetro (10⁻⁹ metros) puede ser estudiada mediante técnicas capaces de revelar su estructura con un nivel de detalle extraordinario.

La analogía económica surge de allí: si la nanotecnología permite aproximarnos a la materia hasta sus componentes fundamentales, la nanoeconomía propone aproximarnos a la sociedad hasta sus unidades fundamentales: las personas y sus necesidades concretas. Una sociedad suele ser representada mediante grandes números: producto bruto, inflación, empleo, salarios, consumo, pobreza. Esos indicadores son necesarios, pero un promedio nunca puede mostrar completamente la situación de cada individuo.

Detrás de una cifra existen personas con diferentes ingresos, viviendas, familias, necesidades de transporte, alimentación, educación, atención sanitaria, capacitación y posibilidades de desarrollo.

Una ley puede considerar a una parte importante de la población y, al mismo tiempo, no contemplar las circunstancias particulares de otra parte, dejándola librada a su suerte. Aquí aparece el vínculo más profundo con la propuesta de León XIII. Su preocupación social surgió de la necesidad de que las transformaciones económicas no olvidaran al ser humano. La nanoeconomía retoma esa preocupación desde las posibilidades tecnológicas del siglo XXI: conocer con mayor precisión a quién afecta una decisión, qué necesita y qué consecuencias puede producir una determinada respuesta económica.

La pregunta, entonces, es por qué tantas necesidades permanecen fuera de nuestra mirada. Cuando utilizamos un microscopio, seleccionamos el aumento de acuerdo con aquello que queremos observar. Si observamos únicamente desde muy lejos, determinados fenómenos desaparecen de nuestro campo de visión. Algo semejante puede ocurrir con la economía.

Durante mucho tiempo construimos la mirada desde arriba hacia abajo: macroeconomía, microeconomía y, finalmente, el individuo. La nanoeconomía propone invertir esa mirada. Comienza por las necesidades de las personas y de su grupo familiar para construir, a partir de allí, una microeconomía y una macroeconomía capaces de representar con mayor fidelidad la realidad de la sociedad.

La economía global puede decir cuánto produce una sociedad, cuánto consume o cuál es su nivel de empleo. La nanoeconomía agregaría otra pregunta: ¿qué necesita cada persona para vivir dignamente y cómo se relacionan esas necesidades individuales con la realidad económica general?

La inteligencia artificial puede procesar millones de datos. La nanotecnología puede estudiar fenómenos en escalas extremadamente pequeñas. Las nuevas tecnologías permiten reunir, relacionar y analizar información que anteriormente se encontraba dispersa. Pero acumular datos no significa comprender automáticamente la realidad humana. El verdadero cambio estaría en utilizar esas capacidades para conocer aquello que en los grandes números pasa desapercibido.

La nanoeconomía no comienza solamente preguntando cuánto produce una sociedad. Pregunta también qué necesita, quiénes tienen esas necesidades, cuáles permanecen desatendidas y cómo pueden resolverse sin trasladar el problema a otros sectores.

En este sentido, el puente entre León XIII y la nanoeconomía no está en que ambos planteen las mismas soluciones. Las épocas, los problemas y las herramientas son diferentes. El vínculo está en una preocupación común: que la organización económica no pierda de vista al ser humano. León XIII planteó esa preocupación en plena revolución industrial. La nanoeconomía la retoma en plena revolución tecnológica. La diferencia fundamental es que hoy disponemos de instrumentos capaces de acercarnos a la realidad social con una precisión inédita. Podemos conocer más, relacionar más información y anticipar con mayor detalle las consecuencias de determinadas decisiones.

Una sociedad no necesita necesariamente una nueva ley para cada problema. Necesita identificar primero cuáles son sus problemas, quiénes los padecen, cómo se distribuyen y qué consecuencias puede producir cada decisión. Porque cuando se legisla sin observar la diversidad de la sociedad, una solución diseñada para algunos puede convertirse en una dificultad para otros.

La nanoeconomía plantea así una inversión de la mirada: no comenzar por la norma para adaptar a ella a las personas, sino comenzar por las personas para construir respuestas adecuadas a su realidad. Hacer visibles a los hasta ahora invisibles: esa es la cuestión. Significa reconocer que una necesidad no deja de existir porque no aparezca en una estadística, en un promedio o en una categoría administrativa.

Desde esta perspectiva, la nanoeconomía puede considerarse heredera de la preocupación social expresada por León XIII en Rerum novarum. No porque repita sus propuestas ni porque pertenezca a la misma época, sino porque retoma una pregunta esencial y la proyecta hacia las posibilidades del siglo XXI: ¿cómo lograr que la organización económica esté verdaderamente al servicio de las personas?

Rerum novarum surgió como una respuesta a los desafíos sociales de la revolución industrial. La nanoeconomía puede constituir una respuesta conceptual a los desafíos sociales de la revolución tecnológica: una economía que, antes de mirar los grandes números, sea capaz de mirar a las personas; que antes de formular respuestas, conozca las necesidades; y que, antes de construir nuevas normas, haga visible a quienes esas normas deberán servir.

En ese sentido, la nanoeconomía podría ser entendida como una especie de Rerum novarum del siglo XXI.

Bibliografía.

León XIII. Rerum novarum (Carta encíclica). La Santa Sede. 15/05/81.
www.vatican.va/content/leo-xiii/es/encyclicals/documents/hf_l-xiii_enc_15051891_rerum-novarum.html

León XIII. Rerum novarum: Encíclica sobre la cuestión obrera. Ediciones Paulinas. 1976. Buenos Aires. Argentina.

Alberto L. D’Andrea. Tiempo de Nanoeconomía. Biotecnología & Nanotecnología al Instante. 16/05/2020.
www.blogger.com/u/3/blog/post/edit/5572124778189253502/6050429811326768747

Alberto L. D’Andrea. Nanoeconomía & Nanotecnología. Biotecnología & Nanotecnología al Instante. 20/12/2014
www.blogger.com/u/3/blog/post/edit/5572124778189253502/8554458025742423240

Alberto L. D’Andrea. Nanoeconomía: heredera de la Rerum novarum del papa León XIII. Magazine de Radio Antorchas. 24/09/26.

https://radioantorchas.com.ar/2026/09/24/nanoeconomia-heredera-de-la-rerum-novarum-del-papa-leon-xiii/

Artificial Intelligence Begins to “Read the Brain”

For a long time, the possibility that a machine could interpret what happens in the brain belonged to the realm of science fiction. Today, different lines of research are beginning to transform that possibility into an experimental reality. 

The starting point is that neuronal activity produces electrical signals and magnetic fields that can be recorded from outside the body. In contactless capacitive electroencephalography (EEG), a conductive sensor is placed at a short distance from the skin, separated from it by air, and detects variations in the brain’s electric field through capacitive coupling. It requires neither gel nor direct electrical contact, while magnetoencephalography (MEG) records the extremely weak magnetic fields associated with neuronal activity. 

These signals contain information about brain processes that, although weak, noisy, and difficult to interpret, can be analyzed using machine learning and artificial intelligence.

In recent years, machine learning has made it possible to move beyond the simple classification of brain states toward the decoding of perceptual information. There are already studies using electroencephalography (EEG) signals to identify features of the images a person is viewing and even to generate images from those signals. A study published in 2023, for example, developed a method based on diffusion models—generative models primarily used for image generation—to reconstruct images from electroencephalography. Other studies published in 2024 used neural networks and diffusion models to directly transform electroencephalography signals into visual representations; one of them also demonstrated the possibility of applying the procedure to magnetoencephalography data. In 2026, the work known as NeuroVision continued this line of research through a deep-learning-based system for reconstructing images from electroencephalography.

Comparison between the real image and
the image obtained through Brain-IT (1)

This development is particularly significant because electroencephalography has much lower spatial resolution than functional magnetic resonance imaging. However, it offers an enormous advantage: it records brain activity with very high temporal resolution and can be used through relatively accessible, non-invasive devices. For this reason, EEG is one of the technologies of interest for future brain–computer interfaces. In this context, research conducted by the United States Defense Advanced Research Projects Agency (DARPA) becomes particularly relevant. Its Next-Generation Nonsurgical Neurotechnology (N3) program sought to develop an interface capable of establishing bidirectional communication with the brain without necessarily relying on conventional implants. What is particularly interesting is that the program was not based on a single physical principle. Different research groups explored approaches based on magnetism, electricity, ultrasound, and optics. Among the technologies investigated were magnetoelectric nanotransducers capable of converting electrical phenomena into magnetic ones and vice versa; ultrasound combined with optical techniques to access deep brain regions; optical detection of changes associated with neuronal activity; magnetic fields and ultrasound for inducing stimulation; and extremely sensitive magnetometers capable of detecting the tiny magnetic fields produced by neurons. The common goal was to achieve two complementary operations: detecting what is happening in the brain and, eventually, introducing information back into it.

Another major line of research is being developed in Israel by scientists at the Weizmann Institute of Science. The system known as Brain-IT uses functional magnetic resonance imaging (fMRI) recorded while a person observes images and, through artificial intelligence, reconstructs a visual representation of what the person is seeing. The work by Roman Beliy, Amit Zalcher, Jonathan Kogman, Navve Wasserman, and Michal Irani was accepted at the International Conference on Learning Representations (ICLR) 2026. The system uses a transformer to organize information from functionally related groups of brain voxels and subsequently employs a diffusion model to generate the reconstructed image.

For this reason, saying that this technology “reads the mind” is attractive from a journalistic perspective, but scientifically it is an oversimplification. The system cannot freely access a person’s thoughts. It reconstructs visual information from brain patterns recorded under specific experimental conditions. Nevertheless, the advance is conceptually extraordinary: a signal produced by the brain can be transformed into data; those data can be interpreted by artificial intelligence; and the result can once again be converted into a visual representation. More recent research is even exploring the possibility of obtaining linguistic descriptions and answers to questions about perceived images directly from brain activity.

In this way, a new technological architecture is beginning to take shape. First, the brain produces electrical and magnetic activity; then, sensors capture these signals; machine learning identifies patterns; artificial intelligence interprets them; and generative models can convert this information into images, words, or actions. Research conducted by the Defense Advanced Research Projects Agency adds the possibility of the reverse process: using physical principles such as magnetism, ultrasound, electricity, or optics to transmit information into the brain.

The real technological leap, therefore, does not simply consist of “reading the mind.” It consists of moving from one-way communication toward a brain–artificial intelligence circuit: detecting, interpreting, responding, and eventually stimulating. The brain ceases to be merely the organ that controls a machine and begins to become part of a communication system in which artificial intelligence can interpret neural signals and, in certain experimental technologies, return information to the nervous system. It is precisely at this convergence of neuroscience, nanotechnology, and artificial intelligence that a new stage in the relationship between the natural mind and the artificial mind may begin.

Bibliography

1. Roman Beliy,  Jonathan Kogman, Michal Irani  Amit Zalcher y Navve Wasserman. BRAIN-IT: Image reconstruction from FMRI via brain-interaction transformer.  Published as a conference paper at ICLR 2026.  arxiv.org/abs/2510.25976v2

2. D’Andrea A. L. (2026 ) Nanopsicología. La psicología del siglo XXI. Editorial Autores de Argentina. www.amazon.com/dp/B0GHLJGCK9

3. D’Andrea, Alberto L. (2026). Del ion al amor: correlatos electromagnéticos de la mente. Biotecnología & Nanotecnología al Instante.

https://infobiotecnologia.blogspot.com/2026/01/correlatos-electromagneticos-de-la.html

La inteligencia artificial comienza a "leer el cerebro"

Durante mucho tiempo, la posibilidad de que una máquina pudiera interpretar lo que ocurre en el cerebro perteneció al territorio de la ciencia ficción. Hoy, distintas investigaciones están comenzando a transformar esa posibilidad en una realidad experimental. El punto de partida es que la actividad neuronal produce señales eléctricas y campos magnéticos que pueden ser registrados desde el exterior del organismo. En la electroencefalografía EEG capacitiva sin contacto se coloca un sensor conductor separado de la piel por aire y un  sensor detecta las variaciones del campo eléctrico cerebral mediante acoplamiento capacitivo. No necesita gel ni contacto eléctrico directo,  mientras que la magnetoencefalografía (MEG) registra los campos magnéticos extremadamente débiles asociados con la actividad de las neuronas. Estas señales contienen información sobre procesos cerebrales que, aunque son débiles, ruidosos y difíciles de interpretar, pueden ser analizados mediante aprendizaje automático e inteligencia artificial.

En los últimos años, el aprendizaje automático ha permitido avanzar desde la simple clasificación de estados cerebrales hacia la decodificación de información perceptiva. Ya existen investigaciones que utilizan señales de electroencefalografía (EEG) para identificar características de las imágenes que una persona está observando e incluso para generar imágenes a partir de esas señales. Un trabajo publicado en 2023, por ejemplo, desarrolló un método basado en modelos de difusión (modelos generativos empleados principalmente para la generación de imágenes) para reconstruir imágenes a partir de electroencefalografía. Otros trabajos de 2024 utilizaron redes neuronales y modelos de difusión para transformar directamente señales de electroencefalografía en representaciones visuales; uno de ellos demostró además la posibilidad de aplicar el procedimiento a datos de magnetoencefalografía. En 2026, el trabajo denominado NeuroVision continuó esta línea mediante un sistema de reconstrucción de imágenes a partir de electroencefalografía basado en aprendizaje profundo.

Este desarrollo resulta especialmente significativo porque la electroencefalografía tiene una resolución espacial mucho menor que la resonancia magnética funcional. Sin embargo, presenta una enorme ventaja: registra la actividad cerebral con una resolución temporal muy elevada y puede utilizarse mediante dispositivos relativamente accesibles y no invasivos. Por eso constituye una de las tecnologías de interés para las futuras interfaces cerebro-computadora.
En este contexto aparecen las investigaciones de la Agencia de Proyectos de Investigación Avanzada de Defensa de Estados Unidos. Su programa de neurotecnología no invasiva de próxima generación buscó desarrollar una interfaz capaz de establecer comunicación bidireccional con el cerebro sin recurrir necesariamente a los implantes convencionales. Lo interesante es que no se apoyó en un único principio físico. Los diferentes grupos exploraron caminos basados en magnetismo, electricidad, ultrasonido y óptica. Entre ellos se investigaron nanotransductores magnetoeléctricos capaces de convertir fenómenos eléctricos en magnéticos y viceversa; ultrasonido combinado con técnicas ópticas para acceder a regiones cerebrales profundas; detección óptica de cambios asociados con la actividad neuronal; campos magnéticos y ultrasonido para inducir estimulación; y magnetómetros extremadamente sensibles para detectar los diminutos campos magnéticos producidos por las neuronas. La idea común era conseguir dos operaciones complementarias: detectar lo que sucede en el cerebro y, eventualmente, introducir información nuevamente en él.

Comparación de la imagen real con  
la obtenida mediante Brain-IT (1)

La otra gran línea de investigación es la desarrollada en Israel por investigadores del Instituto Weizmann de Ciencias. El sistema denominado Brain-IT utiliza resonancia magnética funcional (FMR) registrada mientras una persona observa imágenes y, mediante inteligencia artificial, reconstruye una representación visual de aquello que está viendo. El trabajo de Roman Beliy, Amit Zalcher, Jonathan Kogman, Navve Wasserman y Michal Irani fue aceptado en la conferencia internacional ICLR 2026. El sistema utiliza un transformador que organiza la información procedente de grupos funcionalmente relacionados de vóxeles cerebrales y pos-teriormente emplea un modelo de difusión para generar la imagen reconstruida.

Por eso, decir que esta tecnología “lee la mente” resulta atractivo desde el punto de vista periodístico, pero científicamente es una simplificación. El sistema no puede acceder libremente a los pensamientos de una persona. Reconstruye información visual a partir de patrones cerebrales registrados en condiciones experimentales específicas. Sin embargo, el avance es conceptualmente extraordinario: una señal producida por el cerebro puede transformarse en datos, esos datos pueden ser interpretados por una inteligencia artificial y el resultado puede volver a convertirse en una representación visual. Incluso investigaciones posteriores ya exploran la posibilidad de obtener descripciones lingüísticas y respuestas a preguntas sobre las imágenes percibidas directamente a partir de la actividad cerebral.
De este modo comienza a delinearse una nueva arquitectura tecnológica. Primero, el cerebro produce actividad eléctrica y magnética; después, los sensores captan esas señales; el aprendizaje automático identifica patrones; la inteligencia artificial los interpreta; y los modelos generativos pueden convertir esa información en imágenes, palabras o acciones. Las investigaciones de la Agencia de Proyectos de Investigación Avanzada de Defensa agregan la posibilidad inversa: utilizar principios físicos como el magnetismo, el ultrasonido, la electricidad o la óptica para transmitir información hacia el cerebro.
El verdadero salto tecnológico, entonces, no consiste simplemente en “leer la mente”. Consiste en avanzar desde una comunicación en un solo sentido hacia un circuito cerebro–inteligencia artificial: detectar, interpretar, responder y eventualmente estimular. El cerebro deja de ser solamente el órgano que controla una máquina y comienza a convertirse en parte de un sistema de comunicación en el que la inteligencia artificial puede interpretar señales neuronales y, en determinadas tecnologías experimentales, devolver información al sistema nervioso. Es precisamente en esa convergencia entre neurociencia, nanotecnología e inteligencia artificial donde podría comenzar una nueva etapa de la relación entre la mente natural y la mente artificial.

Bibliografía

1. Roman Beliy,  Jonathan Kogman, Michal Irani  Amit Zalcher y Navve Wasserman. BRAIN-IT: Image reconstruction from FMRI via brain-interaction transformer.  Published as a conference paper at ICLR 2026.  arxiv.org/abs/2510.25976v2

2. D’Andrea A. L. (2026 ) Nanopsicología. La psicología del siglo XXI. Editorial Autores de Argentina. www.amazon.com/dp/B0GHLJGCK9

3. D’Andrea, Alberto L. (2026). Del ion al amor: correlatos electromagnéticos de la mente. Biotecnología & Nanotecnología al Instante.

https://infobiotecnologia.blogspot.com/2026/01/correlatos-electromagneticos-de-la.html

The New Scientific Method

For centuries, science developed according to a relatively orderly logic. Scientists observed a phenomenon, formulated a problem, proposed a hypothesis, designed and conducted an experiment, analyzed the results, drew conclusions, and finally communicated their findings. This process, known as the classical scientific method, was fundamental to building much of the knowledge we possess today.

However, we are entering a stage in which artificial intelligence, robotics, and automated laboratories are beginning to profoundly transform this dynamic. This is not simply a matter of using a computer to perform calculations more quickly. The novelty lies in the fact that AI can begin to participate in different stages of the scientific process: formulating hypotheses, designing experiments, analyzing results, and proposing new hypotheses. This makes it possible to envision a new way of doing science: an accelerated discovery cycle in which humans and artificial intelligence work together.

In the classical scientific method (represented in the figure on the left), the process generally begins with an observation. The scientist observes something that arouses their interest: an unexpected behavior of a molecule, a particular property of a material, a reaction that does not occur as expected, or an anomaly in a dataset. From this observation arises the formulation of the problem. Why does this phenomenon occur? What variables determine it? Is it possible to modify it or make use of it?

Then comes one of the central elements of scientific research: the hypothesis. The researcher proposes a possible explanation that can be experimentally tested. The next stage is experimentation. A procedure is designed, variables are selected, experimental conditions are established, and information is obtained. The results are subsequently analyzed. The scientist determines whether the data support or contradict the hypothesis and, finally, formulates a conclusion. The knowledge obtained can then be communicated to the scientific community and/or used to formulate a new working hypothesis. The cycle depends primarily on the human capacity to imagine, design, execute, and interpret each stage.

Artificial intelligence introduces a qualitative change. In the new scientific cycle, the starting point may be a scientific question formulated by a researcher, a technological need, or even a question derived from the analysis of large amounts of information. Based on that question, specialized AI can explore vast amounts of scientific knowledge and generate multiple hypotheses.

Here an important difference from the traditional method emerges. A human researcher may develop a few hypotheses based on their knowledge, experience, and intuition. An AI system can simultaneously evaluate thousands or millions of possible combinations, relating information from scientific papers, databases, molecular structures, simulations, and previous experimental results.

The next step is to design the experiment. AI can select variables, propose concentrations, temperatures, materials, reaction times, and different experimental conditions. It can even compare multiple experimental designs and select those that, according to specific criteria, have the greatest probability of producing relevant information. The experiment can then move from the virtual world into the physical world.

In an automated laboratory, robots and instruments execute the instructions: they prepare samples, mix substances, modify conditions, perform measurements, and record the results. In this way, a significant part of experimentation no longer depends on the researcher's manual intervention.
Once the data have been obtained, AI can analyze the results. It can detect patterns that are not obvious to a human observer, compare results with enormous databases, identify anomalies, and determine which variables appear to have the greatest influence.
AI can use those results to propose new hypotheses. In other words, the outcome of an experiment does not necessarily represent the end of the process. It immediately becomes information for designing the next experiment.

Then the experiment appears again. And then another. And another.
Science acquires a dynamic much closer to a continuous learning loop than to a sequence of steps. This characteristic makes it possible to speak of an accelerated discovery cycle.
In the classical model, each experimental cycle may require days, weeks, months, or even years. Between one experiment and the next, there are numerous human tasks: reviewing the literature, designing protocols, preparing materials, performing calculations, conducting the experiment, processing the data, and deciding what to do next.
In an integrated AI and automation system, some of these stages can be performed in parallel or with much less human intervention.

AI can analyze results overnight, select new experimental conditions, and send instructions to an automated laboratory. The laboratory performs the experiments and returns the data to the system, which analyzes them again. The cycle can be repeated many times.
This does not mean that scientists will no longer be necessary. On the contrary, their role may acquire a different kind of importance.
In the classical model, the researcher participates directly in virtually every stage. In the new model, the researcher may progressively become the director, supervisor, and guide of the discovery process. They will be responsible for formulating major questions, establishing objectives, determining which problems are worth investigating, evaluating the relevance of discoveries, and ensuring that the results are scientifically valid. They will also have to establish boundaries.

The “new scientific method,” although not yet universally established, emerges from a recent research paradigm driven by the convergence of artificial intelligence, automation, robotics, simulation, and large-scale data analysis. Its objective remains the same as that of the classical method: to generate reliable knowledge through testable hypotheses and experimental evidence.
The comparative figure makes it possible to visualize two ways of doing science. On the left is a linear, sequential, and predominantly human-centered science. On the right is an iterative, collaborative, AI-assisted science, in which the boundaries between knowledge generation, experimentation, and analysis are becoming much more dynamic.
The true conceptual leap may lie in the fact that AI does not merely use existing knowledge; it also participates in the search for knowledge that does not yet exist.

This is particularly relevant in fields such as nanotechnology, biotechnology, materials chemistry, and drug discovery, where the number of possible combinations may be virtually impossible for traditional human research to explore exhaustively.
We are therefore facing a possible profound transformation of scientific practice: from the scientist who executes each stage of a process to the scientist who directs a discovery system capable of learning from every experiment and using that learning to decide what to investigate next.
Science no longer advances only experiment after experiment; it begins to learn experiment after experiment. The iterative-evolutionary new scientific method could become one of the most consequential transformations in science in the twenty-first century.

Bibliography

1) Chalmers, A. F. (2013). What Is This Thing Called Science? 4th ed. University of Queensland Press.

2) Gauch, H. G. Jr. (2003). Scientific Method in Practice. Cambridge: Cambridge University Press.

3) D'Andrea Alberto L. (2026). La IA científica y el laboratorio robotizado que experimenta solo. Biotecnología y Nanotecnología al Instante. Disponible en:

https://infobiotecnologia.blogspot.com/2026/05/la-ia-cientifica-y-el-laboratorio.html

El nuevo método científico

Durante siglos, la ciencia se desarrolló siguiendo una lógica relativamente ordenada. El científico observaba un fenómeno, planteaba un problema, formulaba una hipótesis, diseñaba y realizaba un experimento, analizaba los resultados, extraía conclusiones y finalmente comunicaba sus hallazgos. Este proceso, conocido como método científico clásico, fue fundamental para construir gran parte del conocimiento que hoy poseemos.

Sin embargo, estamos entrando en una etapa en la que la inteligencia artificial, la robótica y los laboratorios automatizados comienzan a modificar profundamente esa dinámica. No se trata simplemente de utilizar una computadora para hacer cálculos más rápidamente. La novedad reside en que la IA puede comenzar a participar en diferentes etapas del proceso científico: formular hipótesis, diseñar experimentos, analizar resultados y proponer nuevas hipótesis. Esto permite imaginar una nueva forma de hacer ciencia: un ciclo de descubrimiento acelerado, en el que seres humanos e inteligencia artificial trabajan conjuntamente.

En el método científico clásico (representado en la figura de la izquierda) el proceso comienza generalmente con una observación. El científico observa algo que despierta su interés: un comportamiento inesperado de una molécula, una propiedad particular de un material, una reacción que no ocurre como estaba previsto o una anomalía en un conjunto de datos. A partir de esa observación surge el planteamiento del problema. ¿Por qué ocurre ese fenómeno? ¿Qué variables lo determinan? ¿Es posible modificarlo o aprovecharlo?

Luego aparece uno de los elementos centrales de la investigación científica: la hipótesis. El investigador propone una explicación posible que pueda ser sometida a prueba experimental. La siguiente etapa es la experimentación. Se diseña un procedimiento, se seleccionan las variables, se establecen las condiciones experimentales y se obtiene información. Los resultados son posteriormente analizados. El científico determina si los datos respaldan o contradicen la hipótesis y, finalmente, formula una conclusión. El conocimiento obtenido se puede comunicar a la comunidad científica y/o plantear una nueva hipótesis de trabajo. El ciclo depende principalmente de la capacidad humana para imaginar, diseñar, ejecutar e interpretar cada etapa.

La inteligencia artificial introduce un cambio cualitativo. En el nuevo ciclo científico, el punto de partida puede ser una pregunta científica formulada por un investigador, por una necesidad tecnológica o incluso derivada del análisis de grandes cantidades de información. A partir de esa pregunta, una IA especializada puede explorar enormes cantidades de conocimiento científico y generar múltiples hipótesis. Aquí aparece una diferencia importante respecto del método tradicional. Un investigador humano puede desarrollar unas pocas hipótesis basándose en su conocimiento, experiencia e intuición. Una IA puede evaluar simultáneamente miles o millones de combinaciones posibles, relacionando información procedente de artículos científicos, bases de datos, estructuras moleculares, simulaciones y resultados experimentales anteriores. El siguiente paso consiste en diseñar el experimento. Una IA puede seleccionar variables, proponer concentraciones, temperaturas, materiales, tiempos de reacción y diferentes condiciones experimentales. Incluso puede comparar múltiples diseños y seleccionar aquellos que, según determinados criterios, tengan mayor probabilidad de producir información relevante. El experimento puede entonces pasar del mundo virtual al físico. 

En un laboratorio automatizado, robots e instrumentos ejecutan las instrucciones: preparan muestras, mezclan sustancias, modifican condiciones, realizan mediciones y registran los resultados. De esta manera, una parte importante de la experimentación deja de depender de la intervención manual del investigador. Una vez obtenidos los datos, la IA puede analizar los resultados. Puede detectar patrones que no son evidentes para un observador humano, comparar los resultados con enormes bases de datos, identificar anomalías y determinar qué variables parecen tener mayor influencia. La IA puede utilizar esos resultados para proponer nuevas hipótesis. Es decir, el resultado de un experimento no representa necesariamente el final del proceso. Se convierte inmediatamente en información para diseñar el siguiente. Entonces aparece nuevamente el experimento.Y después otro.Y otro. La ciencia adquiere una dinámica mucho más cercana a un bucle de aprendizaje continuo que a una secuencia de pasos. Esta característica es la que permite hablar de un ciclo de descubrimiento acelerado.

En el modelo clásico, cada ciclo experimental puede requerir días, semanas, meses o incluso años. Entre un experimento y el siguiente existen numerosas tareas humanas: revisar bibliografía, diseñar protocolos, preparar materiales, realizar cálculos, ejecutar el experimento, procesar los datos y decidir qué hacer a continuación.

En un sistema integrado de IA y automatización, algunas de esas etapas pueden ejecutarse en paralelo o con una intervención humana mucho menor.

La IA puede analizar resultados durante la noche, seleccionar nuevas condiciones experimentales y enviar las instrucciones a un laboratorio automatizado. El laboratorio ejecuta los experimentos y devuelve los datos al sistema, que vuelve a analizarlos. El ciclo puede repetirse muchas veces. Esto no significa que el científico deje de ser necesario.Por el contrario, su función puede adquirir una importancia diferente.

En el modelo clásico, el investigador participa directamente en prácticamente todas las etapas. En el nuevo modelo, puede convertirse progresivamente en director, supervisor y orientador del proceso de descubrimiento. Será quien formule grandes preguntas, establezca objetivos, determine qué problemas vale la pena investigar, evalúe la relevancia de los descubrimientos y controle que los resultados sean científicamente válidos. También deberá establecer límites.

El “nuevo método científico”, aún no establecido universalmente, emerge de un reciente paradigma de investigación, impulsado por la convergencia entre inteligencia artificial, automatización, robótica, simulación y análisis masivo de datos. Su objetivo continúa siendo el mismo que el del método clásico: generar conocimiento confiable mediante hipótesis contrastables y evidencia experimental.

La figura comparativa permite visualizar dos formas de hacer ciencia. A la izquierda aparece una ciencia lineal, secuencial y predominantemente humana. A la derecha aparece una ciencia iterativa, colaborativa y asistida por IA, donde la frontera entre generación de conocimiento, experimentación y análisis comienza a hacerse mucho más dinámica. 

El verdadero salto conceptual puede estar en que la IA no solamente utiliza el conocimiento existente, sino que participa en la búsqueda del conocimiento que todavía no existe. Esto resulta particularmente relevante en campos como la nanotecnología, la biotecnología, la química de materiales y el descubrimiento de fármacos, donde el número de combinaciones posibles puede ser prácticamente inabarcable para la investigación humana tradicional.

Estamos, por lo tanto, ante una posible transformación profunda de la práctica científica: del científico que ejecuta cada etapa de un proceso al científico que dirige un sistema de descubrimiento capaz de aprender de cada experimento y utilizar ese aprendizaje para decidir qué investigar después. La ciencia deja de avanzar solamente experimento tras experimento y comienza a aprender experimento tras experimento. El nuevo método científico iterativo-evolutivo podría ser uno de los cambios más trascendentes de la ciencia del siglo XXI.

Bibliografía

1) Chalmers, A. F. (2013). What Is This Thing Called Science? 4th ed. University of Queensland Press.

2) Gauch, H. G. Jr. (2003). Scientific Method in Practice. Cambridge: Cambridge University Press.

3) D'Andrea Alberto L. (2026). La IA científica y el laboratorio robotizado que experimenta solo. Biotecnología y Nanotecnología al Instante. Disponible en:

https://infobiotecnologia.blogspot.com/2026/05/la-ia-cientifica-y-el-laboratorio.html

Beyond the Human Brain: The Birth of a New Intelligence

The development of an artificial brain represents one of the most ambitious challenges arising from the convergence of nanotechnology, nanoelectronics, artificial intelligence, and cognitive science. However, the true goal should not necessarily be to reproduce the human brain electronically. The deepest transformation could occur when these technologies make it possible to construct a form of intelligence whose architecture, memory, perception, learning, and representation of reality are different from our own and, in certain capabilities, potentially superior.

The human brain should be understood as a reference, not necessarily as the ultimate model of intelligence. Biological evolution constructed our cognitive architecture under specific conditions, energy constraints, and survival requirements. There is no fundamental reason to assume that these same constraints must govern artificial intelligence. An intelligence built upon different physical principles could process information, store memories, perceive, and learn in ways that have no biological equivalent.

Here, neuromorphic nanoelectronic architecture becomes particularly important. Its goal is not simply to manufacture increasingly smaller components, but to physically integrate functions that remain separate in conventional computers: perception, processing, memory, learning, communication, and adaptation. In such an architecture, information could be processed where it is generated and stored, reducing data movement and enabling systems that are far more distributed, parallel, and energy-efficient.

The figure conceptually represents a neuromorphic nanoelectronic intelligence architecture in which perception, processing, memory, learning, adaptation, communication, and action are integrated into a distributed and potentially reconfigurable nanoelectronic structure.

Neuromorphic nanosensors could constitute the first layer of this new architecture. Rather than merely transforming stimuli into data and sending them to a central processor, they could detect and process information directly. Light, sound, temperature, pressure, or chemical signals could be converted into representations useful to the network itself. This would open up a decisive conceptual possibility: an artificial intelligence could possess a form of perception that is not simply an imitation of human senses, but rather a perception expanded by the physical capabilities of its sensors.

At the processing level, artificial neurons, memristors, memtransistors, ferroelectric devices, and iontronic devices are being developed. Memristors, for example, can store information through changes in conductance while simultaneously performing computational operations. The boundary between memory and computation thus begins to disappear. This integration leads to a fundamental idea: intelligence could cease to be contained exclusively within an algorithm and become partially embedded in the material that constitutes the system.

Iontronics, spintronics, and nanophotonics expand this space of possibilities even further. Ions can introduce electrochemical dynamics; spin offers new ways of storing and processing information; and light makes it possible to transmit signals at high speed and with a high degree of parallelism. The objective is not necessarily to choose a single technology, but to combine different physical phenomena in order to construct an architecture that is not constrained by either the conventional electronic model or biological architecture.

Memory could also acquire a fundamentally different nature. An artificial system does not need to reproduce human memory exactly. It could combine working memory, long-term memory, and associative memories capable of retrieving information through relationships and patterns. A three-dimensional architecture could incorporate enormous numbers of connections and establish associations that vastly exceed the scale of biological networks. Yet storing more information does not necessarily mean being more intelligent. The qualitative leap will occur when the system becomes capable of modifying its own organization. Reconfigurable architectures could represent the first step toward systems capable of dynamically reorganizing part of their functional structure.

At this point, an essential difference emerges between such systems and today's machines. An advanced intelligence might not be limited to executing an architecture designed externally, but could participate in its own transformation. Hardware would cease to be a completely fixed structure and could become a dynamic system capable of reorganizing itself in response to new problems, environments, and objectives through reconfigurable nanodevices.
Communication would also have to change. Neuromorphic networks can employ event-based communication, transmitting information primarily when relevant activity occurs. Three-dimensional interconnections, combined with electronics, spintronics, and photonics, could make it possible to communicate among enormous numbers of elements while maintaining low energy consumption. The result would be a distributed architecture in which there would not necessarily be a single “center” equivalent to the human brain.

From this convergence, something conceptually much more important than an artificial brain could emerge: a different architecture of intelligence. Its perception could encompass phenomena inaccessible to our senses. Its memory could be radically different. Its temporal processing could operate at a pace that does not correspond to human experience. It could establish connections between information at scales inaccessible to us and reorganize its own processing mechanisms. It could even develop representations of reality that have no direct translation into our cognitive categories.

The challenge should not focus on imitating the way human beings think. Instead, we could attempt to construct a material architecture capable of generating a form of intelligence that has never existed in nature and that, in certain capabilities, could surpass our own. This will depend on the ability to integrate nanosensors, neuromorphic devices, memory, plasticity, probabilistic computing, reconfiguration, three-dimensional interconnections, and new forms of communication into a single coherent architecture.

The ultimate goal will not be the miniaturization of components. It will be the creation of a new organization of matter capable of processing, learning, remembering, perceiving, and reorganizing itself in a qualitatively different way.
The first intelligence truly superior to human intelligence may therefore not be an electronic version of the human brain, but rather a new form of intelligence whose architecture, memory, perception, learning, communication, and representation of reality are radically different from our own.

Nanotechnology could provide the devices; nanoelectronics, the physical substrate; artificial intelligence, the tools for designing and training the systems; and neuromorphic architecture, a new paradigm of organization.
Rather than reproducing our brain, the challenge could be to create the material conditions for a new architecture of intelligence to emerge. This could represent one of the great leaps in technological and cognitive evolution achieved through technological convergence: moving from machines that imitate human capabilities to systems capable of developing forms of processing and cognition that have never existed in nature.

Bibliography

Kudithipudi, D., Schuman, C., Vineyard, C. M., et al. (2025). Neuromorphic computing at scale. Nature, 637, 801–812.

Li, J., Abbas, H., Ang, D. S., Ali, A., & Ju, X. (2023). Emerging memristive artificial neuron and synapse devices for the neuromorphic electronics era. Nanoscale Horizons, 8, 1456–1484.

Duan, S., et al. (2024). Memristor-Based Neuromorphic Chips. Advanced Materials.
Xia, Y., Zhang, C., Xu, Z., et al. (2024). Organic iontronic memristors for artificial synapses and bionic neuromorphic computing. Nanoscale, 16, 1471–1489.

Bae, J., Won, J., & Shim, W. (2024). The rise of memtransistors for neuromorphic hardware and in-memory computing. Nano Energy, 126, 109646.

Marrows, C. H., Barker, J., Moore, T. A., et al. (2024). Neuromorphic computing with spintronics. npj Spintronics, 2, 12.

Farmakidis, N., Dong, B., & Bhaskaran, H. (2024). Integrated photonic neuromorphic computing: opportunities and challenges. Nature Reviews Electrical Engineering, 1, 358–373.

Vianello, E., & Payvand, M. (2024). Scaling neuromorphic systems with 3D technologies. Nature Electronics, 7, 419–421.

Huang, X., Tong, L., Xu, L., et al. (2025). 2D MoS₂-based reconfigurable analog hardware. Nature Communications, 16, 101.

D’Andrea A. L. (2026 ) Nanopsicología. La psicología del siglo XXI. Editorial Autores de Argentina. www.amazon.com/dp/B0GHLJGCK9