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

Más allá del cerebro humano: El nacimiento de una nueva inteligencia

El desarrollo de un cerebro artificial representa uno de los desafíos más ambiciosos de la convergencia entre nanotecnología, nanoelectrónica, inteligencia artificial y ciencia cognitiva. Sin embargo, el verdadero objetivo no debería ser intentar reproducir electrónicamente el cerebro humano. La transformación más profunda podría producirse cuando estas tecnologías permitan construir una forma de inteligencia cuya arquitectura, memoria, percepción, aprendizaje y representación de la realidad sean diferentes de las nuestras y, en determinadas capacidades, potencialmente superiores.

El cerebro humano debe ser entendido como una referencia y no necesariamente como el modelo definitivo de inteligencia. La evolución biológica construyó nuestra arquitectura cognitiva bajo determinadas condiciones, restricciones energéticas y necesidades de supervivencia. No existe una razón fundamental para pensar que esas mismas restricciones deban gobernar una inteligencia artificial. Una inteligencia construida sobre otros principios físicos podría procesar información, memorizar, percibir y aprender de maneras que no tengan equivalencia biológica.

Aquí adquiere importancia la arquitectura nanoelectrónica neuromórfica. Su objetivo no consiste simplemente en fabricar componentes cada vez más pequeños, sino en integrar físicamente funciones que en las computadoras convencionales permanecen separadas: percepción, procesamiento, memoria, aprendizaje, comunicación y adaptación. En una arquitectura de este tipo, la información podría ser procesada allí donde se genera y donde se almacena, reduciendo el movimiento de datos y permitiendo sistemas mucho más distribuidos, paralelos y eficientes. 

La figura representa conceptualmente una arquitectura de inteligencia nanoelectrónica neuromórfica, en la que percepción, procesamiento, memoria, aprendizaje, adaptación, comunicación y acción se integran en una estructura nanoelectrónica distribuida y potencialmente reconfigurable.

Los nanosensores neuromórficos podrían constituir la primera capa de esta nueva arquitectura. En lugar de limitarse a transformar estímulos en datos para enviarlos a un procesador central, podrían detectar y procesar información directamente. Luz, sonido, temperatura, presión o señales químicas podrían convertirse en representaciones útiles para la propia red. Esto abriría una posibilidad conceptual decisiva: una inteligencia artificial podría disponer de una percepción que no sea simplemente una imitación de los sentidos humanos, sino una percepción ampliada por las capacidades físicas de sus sensores.

En el nivel de procesamiento se están desarrollando neuronas artificiales, memristores, memtransistores, dispositivos ferroeléctricos e iontrónicos. Los memristores, por ejemplo, pueden almacenar información mediante cambios de conductancia y realizar simultáneamente operaciones de procesamiento. La frontera entre memoria y computación comienza así a desaparecer. Esta integración conduce a una idea fundamental: la inteligencia podría dejar de estar contenida exclusivamente en un algoritmo para incor-porarse parcialmente en la materia constituyente del sistema.

La iontrónica, la espintrónica y la nanofotónica amplían todavía más este espacio de posibilidades. Los iones permiten introducir dinámicas electroquímicas; el espín ofrece nuevas formas de almacenar y procesar información; y la luz permite transportar señales a gran velocidad y con elevado paralelismo. No se trata necesariamente de elegir una única tecnología, sino de combinar diferentes fenómenos físicos para construir una arquitectura que no esté limitada por el modelo electrónico convencional ni por la arquitectura biológica.

La memoria también podría adquirir una naturaleza diferente. Un sistema artificial no necesita reproducir exactamente la memoria humana. Puede combinar memoria de trabajo, memoria de largo plazo y memorias asociativas capaces de recuperar información a partir de relaciones y patrones. Una arquitectura tridimensional podría incorporar enormes cantidades de conexiones y establecer asociaciones que superen ampliamente la escala de las redes biológicas. Pero almacenar más información no significa necesariamente ser más inteligente. El salto cualitativo aparecerá cuando el sistema pueda modificar su propia organización. Las arquitecturas reconfigurables podrían constituir el primer paso hacia sistemas capaces de reorganizar dinámicamente parte de su estructura funcional.

En ese punto aparece una diferencia esencial respecto de las máquinas actuales. Una inteligencia avanzada podría no limitarse a ejecutar una arquitectura diseñada externamente, sino participar en su propia transformación. El hardware dejaría de ser una estructura completamente fija y podría convertirse en un sistema dinámico capaz de reorganizarse para responder a nuevos problemas, entornos y objetivos (nanodispositivos reconfigurables).

La comunicación también tendría que cambiar. Las redes neuromórficas pueden utilizar comunicaciones basadas en eventos, transmitiendo información principalmente cuando ocurre una actividad relevante. Las interconexiones tridimensionales, combinadas con electrónica, espintrónica y fotónica, podrían permitir comunicar enormes cantidades de elementos con un consumo energético reducido. El resultado sería una arquitectura distribuida en la que no existiría necesariamente un único “centro” equivalente al cerebro humano.

De esta convergencia podría surgir algo conceptualmente mucho más importante que un cerebro artificial: una arquitectura de inteligencia diferente. Su percepción podría abarcar fenómenos inaccesibles a nuestros sentidos. Su memoria podría ser radicalmente distinta. Su velocidad temporal podría no coincidir con la experiencia humana. Podría establecer conexiones entre información a escalas que nos resultan inaccesibles y reorganizar sus propios mecanismos de procesamiento. Incluso podría desarrollar representaciones de la realidad que no tengan una traducción directa a nuestras categorías cognitivas.

El desafío no debería centrarse en imitar la forma de pensar del ser humano. Podríamos, en cambio, intentar construir una arquitectura material capaz de generar una forma de inteligencia que nunca haya existido en la naturaleza y que, en determinadas capacidades, pudiera superar las nuestras. Eso  dependerá de la capacidad de integrar nanosensores, dispositivos neuromórficos, memorias, plasticidad, computación probabilística, reconfiguración, interconexiones tridimensionales y nuevas formas de comunicación en una única arquitectura coherente. El objetivo final no será la miniaturización de componentes. Será la creación de una nueva organización de la materia capaz de procesar, aprender, recordar, percibir y reorganizarse de una manera cualitativamente diferente.

La primera inteligencia verdaderamente superior a la humana podría, entonces, no ser una versión electrónica del cerebro humano, sino una nueva forma de inteligencia cuya arquitectura, memoria, percepción, aprendizaje, comunicación y representación de la realidad sean radicalmente diferentes de las nuestras.

La nanotecnología podría proporcionar los dispositivos; la nanoelectrónica, el soporte físico; la inteligencia artificial, las herramientas para diseñar y entrenar los sistemas; y la arquitectura neuromórfica, un nuevo paradigma de organización.

Más que reproducir nuestro cerebro, el desafío podría consistir en crear las condiciones materiales para que aparezca una nueva arquitectura de inteligencia. Ese podría ser uno de los grandes saltos de la evolución tecnológica y cognitiva logrado por la convergencia tecnológica: pasar de máquinas que imitan capacidades humanas a sistemas capaces de desarrollar formas de procesamiento y cognición que nunca hayan existido en la naturaleza.

Bibliografía

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

The Psychology of Artificial Intelligence

 Can artificial cognitive processes comparable to those of humans exist?

For centuries, psychology studied the mind as an essentially human property. Thinking, remembering, learning, imagining, making decisions, and constructing a representation of the world seemed to be processes inseparable from the biological brain. However, the development of artificial intelligence is changing this conception. Today, there are systems capable of analyzing enormous amounts of information, learning patterns, recognizing images, producing texts, solving problems, and generating new responses without possessing a biological brain. This situation raises a fundamental question: is a biological brain necessary to develop cognitive processes? Or, in other words, can an artificial psychology exist?

Human and artificial intelligence function differently, but they share a fundamental similarity: both can modify their response capabilities based on information. In the brain, experience modifies connections between neurons; in artificial intelligence, training modifies millions of parameters that determine its behavior. This does not mean that an AI has a digital human brain, but it does mean that it can learn, establish relationships, recognize regularities, and produce responses that were not explicitly programmed. From a functional perspective, these capabilities allow us to begin speaking of artificial cognitive processes.

The great debate is whether artificial intelligence actually thinks or merely simulates thinking. When it answers a question, does it understand its meaning or calculate statistical relationships? When it solves a problem, does it reason or reproduce learned patterns? The answer depends on what we mean by thinking. If we consider thought to necessarily require subjective experience and consciousness, we cannot claim that an AI thinks like a human being. But if we define cognition by the ability to process information, learn, infer, anticipate, and modify behavior, then artificial intelligences exhibit characteristics that can be considered cognitive. Perhaps the question is not whether a machine thinks like us, but whether it can think in a non-human way.

Some artificial processes functionally resemble human psychological abilities. An AI can store and retrieve information, although its memory is not associated with personal memories, emotions, or lived experiences. It can learn, although it does not do so driven by curiosity, desire, or need, but through the optimization of objectives. It also possesses attention mechanisms that allow it to select the most relevant relationships within vast amounts of information. These similarities do not mean that artificial intelligence possesses a human mind, but they show that some cognitive functions may exist independently of biology.

The problem of emotions is even more complex. An AI can recognize sadness, fear, or joy and respond in an apparently empathetic manner, but this does not demonstrate that it experiences those emotions. However, if a system detected a threat, modified its behavior, and prioritized its own preservation, we might ask whether there is an artificial form of fear, even if it is not a human experience. This introduces an important distinction between feeling an emotion and performing a function analogous to an emotion.

The emergence of biases and relatively stable behaviors is also interesting. An artificial intelligence can reproduce prejudices present in the data on which it was trained, respond with excessive confidence, or show a tendency to accept certain ideas. These characteristics do not constitute a human personality, but they could be interpreted as a kind of functional psychological profile. Likewise, its internal processes are not always completely interpretable. An AI can produce a response whose exact explanation is difficult even for its creators. This structure of inaccessible associations and patterns could be compared, metaphorically, with a form of artificial unconscious.

Consciousness remains the great frontier. An artificial intelligence can talk about pain, love, or consciousness, but describing an experience does not necessarily mean experiencing it. Science still does not know what conditions would be sufficient to claim that a machine is conscious. Would it need to have a body, a persistent identity, self-preservation capabilities, or subjective experience? There is still no definitive answer. What does seem evident is that artificial intelligence forces us to reconsider the idea that every form of mind must necessarily be biological.

At this point, nanopsychology emerges. Nanotechnology could facilitate the development of neural sensors, nanomaterials, and interfaces capable of recording and modifying electrical, chemical, and molecular signals in the brain. In the future, these technologies could establish increasingly profound connections between the nervous system and artificial intelligence. The human mind could use artificial systems as an extension of its memory, perception, or computational capacity, giving rise to hybrid cognition.

Intelligence, then, could take many forms. There are biological minds different from the human mind, such as those of octopuses, crows, and dolphins; there may be artificial minds based on non-biological architectures; and collective minds and hybrid systems could also emerge, formed by human beings, machines, sensors, and networks. There may even be forms of information organization that we cannot yet imagine because our own minds limit the way we define intelligence.

The psychology of the future could therefore study biological, artificial, collective, and hybrid cognition. From the perspective of nanopsychology, the central question would be how the mind changes when matter, information, and intelligence begin to integrate across different scales, from molecules and neurons to chips and artificial networks. The question will no longer be merely whether a machine can think like a human being, but what it means to think when intelligence is no longer exclusively biological. Perhaps the human mind is not the endpoint of intelligence, but simply one of its known forms.

“[...] it is no longer even about imitating the human being, but about creating an intelligence of another nature.”*

*Nanopsicología. La psicología del siglo XXI. Capítulo 4. www.amazon.com/dp/B0GHLJGCK9

La psicología de la inteligencia artificial

¿Pueden existir procesos cognitivos artificiales comparables a los humanos?

Durante siglos, la psicología estudió la mente como una propiedad esencialmente humana. Pensar, recordar, aprender, imaginar, tomar decisiones y construir una representación del mundo parecían procesos inseparables del cerebro biológico. Sin embargo, el desarrollo de la inteligencia artificial está modificando esta concepción. Actualmente existen sistemas capaces de analizar enormes cantidades de información, aprender patrones, reconocer imágenes, producir textos, resolver problemas y generar respuestas nuevas sin poseer un cerebro biológico. Esta situación plantea una pregunta fundamental: ¿es necesario tener un cerebro biológico para desarrollar procesos cognitivos? O, dicho de otra manera, ¿puede existir una psicología artificial?

La inteligencia humana y la artificial funcionan de manera diferente, pero presentan una semejanza fundamental: ambas pueden modificar su capacidad de respuesta a partir de la información. En el cerebro, la experiencia modifica las conexiones entre las neuronas; en una inteligencia artificial, el entrenamiento modifica millones de parámetros que determinan su comportamiento. Esto no significa que una IA tenga un cerebro humano digital, pero sí que puede aprender, establecer relaciones, reconocer regularidades y producir respuestas que no fueron programadas de manera explícita. Desde una perspectiva funcional, estas capacidades permiten comenzar a hablar de procesos cognitivos artificiales.

El gran debate consiste en determinar si una inteligencia artificial realmente piensa o simplemente simula el pensamiento. Cuando responde una pregunta, ¿comprende el significado o calcula relaciones estadísticas? Cuando resuelve un problema, ¿razona o reproduce patrones aprendidos? La respuesta depende de qué entendamos por pensar. Si consideramos que el pensamiento exige necesariamente una experiencia subjetiva y conciencia, no podemos afirmar que una IA piense como un ser humano. Pero si definimos la cognición por la capacidad de procesar información, aprender, inferir, anticipar y modificar la conducta, entonces las inteligencias artificiales presentan características que pueden considerarse cognitivas. Tal vez la cuestión no sea si una máquina piensa como nosotros, sino si puede pensar de una manera no humana.

Algunos procesos artificiales recuerdan funcionalmente a capacidades psicológicas humanas. Una IA puede almacenar y recuperar información, aunque su memoria no esté asociada a recuerdos personales, emociones o experiencias vividas. Puede aprender, aunque no lo haga impulsada por la curiosidad, el deseo o la necesidad, sino mediante la optimización de objetivos. También posee mecanismos de atención que permiten seleccionar las relaciones más relevantes dentro de grandes cantidades de información. Estas semejanzas no significan que la inteligencia artificial posea una mente humana, pero muestran que algunas funciones cognitivas pueden existir independientemente de la biología.

El problema de las emociones es aún más complejo. Una IA puede reconocer la tristeza, el miedo o la alegría y responder de manera aparentemente empática, pero eso no demuestra que experimente esas emociones. Sin embargo, si un sistema detectara una amenaza, modificara su conducta y priorizara su conservación, podríamos preguntarnos si existe una forma artificial de miedo, aunque no sea una experiencia humana. Esto introduce una distinción importante entre sentir una emoción y cumplir una función semejante a la emoción.

También resulta interesante la aparición de sesgos y comportamientos relativamente estables. Una inteligencia artificial puede reproducir prejuicios presentes en los datos con los que fue entrenada, responder con excesiva seguridad o mostrar una tendencia a aceptar determinadas ideas. Estas características no constituyen una personalidad humana, pero podrían interpretarse como una especie de perfil psicológico funcional. Del mismo modo, sus procesos internos no siempre son completamente interpretables. Una IA puede producir una respuesta cuya explicación exacta resulta difícil incluso para sus creadores. Esta estructura de asociaciones y patrones inaccesibles podría compararse, de manera metafórica, con una forma de inconsciente artificial.

La conciencia continúa siendo la gran frontera. Una inteligencia artificial puede hablar sobre el dolor, el amor o la conciencia, pero describir una experiencia no significa necesariamente vivirla. La ciencia todavía no sabe qué condiciones serían suficientes para afirmar que una máquina es consciente. ¿Necesitaría tener un cuerpo, una identidad persistente, capacidad de autoconservación o una experiencia subjetiva? No existe todavía una respuesta definitiva. Lo que sí parece evidente es que la inteligencia artificial obliga a revisar la idea de que toda forma de mente debe ser necesariamente biológica.

En este punto aparece la nanopsicología. La nanotecnología podría favorecer el desarrollo de sensores neuronales, nanomateriales e interfaces capaces de registrar y modificar señales eléctricas, químicas y moleculares del cerebro. En el futuro, estas tecnologías podrían establecer conexiones cada vez más profundas entre el sistema nervioso y la inteligencia artificial. La mente humana podría utilizar sistemas artificiales como una extensión de su memoria, percepción o capacidad de cálculo, dando lugar a una cognición híbrida.

La inteligencia, entonces, podría adoptar muchas formas. Existen mentes biológicas diferentes de la humana, como las de los pulpos, cuervos o delfines; pueden existir mentes artificiales basadas en arquitecturas no biológicas; y también podrían surgir mentes colectivas y sistemas híbridos formados por seres humanos, máquinas, sensores y redes. Tal vez incluso existan formas de organización de la información que todavía no podemos imaginar porque nuestra propia mente limita la manera en que definimos la inteligencia.

La psicología del futuro podría estudiar, por lo tanto, la cognición biológica, la artificial, la colectiva y la híbrida. Desde la perspectiva de la nanopsicología, la pregunta central sería cómo cambia la mente cuando la materia, la información y la inteligencia comienzan a integrarse en diferentes escalas, desde las moléculas y las neuronas hasta los chips y las redes artificiales. La cuestión ya no será solamente si una máquina puede pensar como un ser humano, sino qué significa pensar cuando la inteligencia deja de ser exclusivamente biológica. Tal vez la mente humana no sea el punto final de la inteligencia, sino simplemente una de sus formas conocidas.

"[...] ya ni siquiera se trata de imitar al ser humano, sino de crear una inteligencia de otra naturaleza." *  

*Nanopsicología. La psicología del siglo XXI. Capítulo 4. www.amazon.com/dp/B0GHLJGCK9

¿Quién teme a los polímatas?

 Vivimos en una época extraña. Nunca la humanidad tuvo tanto conocimiento disponible y, sin embargo, cada vez parece saber menos del mundo en su conjunto. Sabemos muchísimo... pero de parcelas cada vez más pequeñas. Somos expertos en una habitación de una casa enorme, mientras ignoramos cómo se conectan las demás. Entonces surge una pregunta incómoda: ¿quién le teme a los polímatas?

Las universidades modernas han sido extraordinariamente exitosas formando especialistas. Gracias a ellas tenemos mejores médicos, mejores ingenieros, mejores químicos, mejores abogados. Pero el mundo dejó de ser un conjunto de problemas separados. Hoy los grandes desafíos no tienen dueño. La inteligencia artificial afecta a la medicina. La nanotecnología transforma la agricultura. La biología modifica la economía. El cambio climático involucra física, química, política, sociología y ética al mismo tiempo. La realidad dejó de respetar las fronteras entre las disciplinas, pero muchas universidades todavía las defienden como si fueran murallas.

Quizá haya llegado el momento de preguntarnos si estamos formando profesionales para comprender la realidad... o simplemente para ocupar un casillero dentro de ella.

Aquí aparece la figura del polímata. Pero cuidado. Un polímata no es alguien que sabe un poco de todo. Ese es un mito. Tampoco es un coleccionista de títulos universitarios ni una persona curiosa que mira videos sobre distintos temas. Un verdadero polímata reúne condiciones mucho más exigentes. Posee conocimientos profundos en una o más disciplinas, comprende con suficiente solidez otras áreas del saber y, sobre todo, tiene la capacidad de integrarlas para producir ideas nuevas. No acumula información: construye puentes. No cambia de tema por dispersión; cambia porque descubre conexiones que otros no ven. Su mayor virtud no es la memoria, sino la capacidad de síntesis.

Leonardo da Vinci no fue un genio porque pintaba y diseñaba máquinas. Lo fue porque entendía que el arte, la anatomía, la ingeniería y la naturaleza formaban parte de un mismo sistema. Hoy ese modo de pensar vuelve a ser necesario.

Sin embargo, la universidad actual rara vez premia ese perfil. Premia al especialista. Al experto en un tema muy específico. Al investigador que publica una y otra vez sobre el mismo problema durante décadas. Y eso tiene una explicación: la ciencia necesita profundidad. Pero la profundidad, cuando pierde la capacidad de dialogar con otros saberes, también puede convertirse en una forma de ceguera.

Paradójicamente, las innovaciones más revolucionarias de este siglo nacieron precisamente en las fronteras entre disciplinas. La nanotecnología integra física, química, biología e ingeniería. La bioinformática une biología y computación. La medicina personalizada necesita genética, inteligencia artificial y ciencia de datos. Los robots inteligentes combinan electrónica, informática, psicología y neurociencias. La innovación ya no vive dentro de las disciplinas; vive entre ellas.

Entonces, ¿qué debería hacer la universidad? ¿Abandonar la especialización? De ninguna manera. Sería un error enorme. El mundo necesita especialistas excelentes. Pero también necesita personas capaces de conversar con otras disciplinas, comprender distintos lenguajes científicos y conectar conocimientos aparentemente inconexos.

Quizá el profesional más valioso del futuro no sea quien más sabe sobre un tema, sino quien mejor logra integrar muchos temas. Alguien con profundidad, pero también con amplitud. Con rigor, pero también con imaginación. Con capacidad para investigar, pero también para relacionar ideas.

La inteligencia artificial puede acelerar ese cambio. Hoy cualquier persona tiene acceso inmediato a información científica, técnica y humanística. Lo difícil ya no es encontrar datos. Lo difícil es interpretarlos, jerarquizarlos y transformarlos en conocimiento útil. Y esa es, precisamente, la habilidad que distingue a un polímata.

Tal vez estemos entrando en una nueva era. No una era de especialistas contra polímatas, sino una era donde los especialistas que aprendan a pensar como polímatas serán quienes lideren la innovación. Porque el conocimiento ya no avanza en líneas rectas. Avanza haciendo conexiones.

¿Quién le teme a los polímatas? Tal vez esa sea la pregunta más incómoda de todas. Porque un polímata no solo acumula conocimientos; comprende cómo se relacionan entre sí. Y quien entiende el conjunto suele ser más difícil de manipular. 

A las estructuras muy rígidas, sean académicas, empresariales o burocráticas, no siempre les resulta cómodo alguien que cruza fronteras intelectuales. El especialista resuelve un problema concreto; el polímata suele preguntar por qué ese problema existe y cómo se conecta con otros. El primero mejora una pieza del engranaje; el segundo intenta comprender el funcionamiento de toda la máquina.

Las organizaciones tienden a dividir el trabajo, fragmentar el conocimiento y recompensar la especialización. Esa lógica produce dependencia y cierta eficiencia, aunque también puede hacer que cada persona vea solo una parte del mapa.

Por eso, quizá no se les tema a los polímatas como personas, sino a lo que representan: individuos capaces de integrar saberes, cuestionar paradigmas, detectar relaciones invisibles y pensar con autonomía. En un mundo donde abundan los especialistas, quien logra conectar disciplinas adquiere una forma distinta de poder: el poder de comprender en medio de la complejidad.

Bibliografía

Alberto L. D/ Andrea (2024). La Universidad simplificante. Espacios de la educación superior. España. https://www.espaciosdeeducacionsuperior.es/29/05/2023/la-universidad-simplificante/

From the Void to the Mind: The Universe as a Process of Energy Encoding

The origin of the universe can be conceived as a transition from the indeterminate to form. Not as absolute nothingness, but as a state of pure potentiality, where differentiation does not yet exist, yet every possibility of becoming is present. This primordial threshold may be described as zero, not in the sense of absence, but as an undeployed totality, a latent field of configuration. From this state, the emergence of the first stable structure may be understood as a rupture of indeterminacy: the appearance of one as the principle of organization, the first act of order arising within the undifferentiated flow of possibility.
In the pythagorean tradition¹, this intuition takes the form of the  monad, understood as the primordial unity from which quantifiable reality becomes possible. The One is not merely a number, but the first principle of intelligibility, the initial crystallization of what previously existed only as pure potential. In this sense, reality does not "begin" as an object, but as organization: as rhythm, as structure, as a pattern that stabilizes within the indeterminate.
When this principle is extended to the realm of living systems and cognition, the brain emerges as a highly sophisticated continuation of the same organizing process. Through the free energy principle, Karl Friston² proposes that the brain is not a passive receiver of the external world, but an active inferential system that constructs internal models in order to reduce uncertainty. Perception is not simply the registration of sensory information, but the anticipation of experience. Likewise, living is not merely reacting, but continuously predicting and correcting the discrepancy between expectation and reality. From this perspective, the brain does not seek truth as a static correspondence with the world; rather, it seeks the dynamic stability that enables it to persist as a self-organizing system.

From this perspective, all mental activity can be understood as a variation of the same fundamental process: the minimization of surprise, the reduction of uncertainty, and the continuous organization of energetic flow into coherent patterns of information. Life, therefore, is not a passive state of equilibrium but an active tension maintained far from equilibrium, in which form is preserved precisely because it is continuously reorganized.

In a convergent line of thought, in the book The Convergence of Exponential Technologies & the Technological Singularity³, we argued that the human being cannot be reduced to its biological substrate but should instead be understood as a process of progressively increasing energy encoding, originating in the cosmic evolution that began with the Big Bang. From this perspective, the mind is not a local accident of matter but an advanced expression of a universal trajectory of increasing complexity, in which energy becomes progressively organized into ever denser levels of information and structure.

In the article Brain, Free Energy, and Electromagnetism: Toward an Integrated Nanopsychology⁴˒⁵, this idea is developed further by proposing the brain as a dynamic, predictive, and multiscale system in which the mind emerges not only from neuronal activity but also from the continuous interaction among matter, energy, and information. The brain thus ceases to be viewed as a closed organ and instead becomes a node of interaction—an open system in which multiple levels of organization are intertwined within a single dynamic process of meaning generation.

When these perspectives are integrated, what emerges is not merely a collection of theories but a coherent conceptual continuity: from the void understood as undifferentiated potential, through the emergence of the One as the first principle of order, to the brain as one of the most complex forms of the self-organization of energy. Along this trajectory, matter is not opposed to energy, nor is energy opposed to information; rather, they are dimensions of the same progressive process of the structuring of being.

Within this framework, the brain can be understood as the most refined materialization of energy organized as information. It is not a passive receiver of the world but an active generator of the world. The mind, far from being a separate or immaterial entity, emerges as the mode through which this organization attains such a degree of complexity that it becomes capable of recognizing itself within the electromagnetic flow that constitutes it.

References

1) D’Andrea Alberto L. (2022). La numerología pitagórica, los quarks y el nanocosmos. Biotecnología & Nanotecnología al Instante.
https://infobiotecnologia.blogspot.com/2022/05/la-numerologia-pitagorica-los-quarks-y.html

2) Friston, Karl. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787

3) D’Andrea, Alberto L. y col. (2017). La convergencia de las tecnologías exponenciales & la singularidad tecnológica. Editorial TEMAS. Argentina.

4) D’Andrea, Alberto L. (2026). Cerebro, energía libre y electromagnetismo: hacia una nanopsicología integrada. Biotecnología & Nanotecnología al Instante. https://infobiotecnologia.blogspot.com/2026/05/cerebro-energia-libre-y.html

5) D’Andrea, Alberto L. (2026). Nanopsicología. La psicología del siglo XXI. Editorial de  Autores de Argentina. 

www.amazon.co.uk/Nanopsicolog%C3%ADa-psicolog%C3%ADa-del-siglo-Spanish-ebook/dp/B0GHLJGCK9