Una teoría computacional propone cómo el cerebro anticipa opciones al planificar

Planificar no es solo elegir lo que parece mejor en este instante. Para llegar a un destino, organizar una tarea o esquivar un obstáculo, hay que considerar una cadena de pasos y cambiar de rumbo cuando cambian las condiciones. Un estudio propone una explicación computacional de cómo la corteza prefrontal —una región cerebral vinculada con la toma de decisiones— podría representar varios momentos futuros de una acción al mismo tiempo.

La propuesta no parte de registrar ese circuito mientras una persona planifica. Sus autores construyeron un modelo matemático inspirado en redes neuronales y lo sometieron a tareas en entornos simulados. En esos ejercicios, un agente debía encontrar trayectorias que acumularan recompensa, incluso cuando la meta se movía o cuando la recompensa inmediata no coincidía con la mejor opción a largo plazo.

La idea central es que la actividad de una red puede organizarse en capas que corresponden a distintos pasos por delante: la situación actual, el siguiente movimiento y los que vendrían después. Las conexiones entre esas capas incorporan la estructura del entorno, como si incluyeran las rutas que están permitidas y descartaran los atajos imposibles. Al recibir información sobre la posición inicial y los objetivos, la red converge hacia una secuencia de acciones coherente.

Los investigadores llaman a este esquema un atractor espacio-temporal. Un atractor es, en este contexto, un patrón estable hacia el que tiende la actividad de la red; “espacio-temporal” indica que el patrón no representa solo dónde está el agente, sino también el orden de los pasos futuros. La comparación cotidiana sería un mapa mental que no muestra únicamente calles, sino una posible ruta desplegada en el tiempo.

En las simulaciones, el modelo resolvió tareas que exigen anticipar cambios y sacrificar una ganancia cercana para alcanzar otra mayor después. También reprodujo rasgos generales de representaciones neuronales descritas previamente en estudios de memoria de trabajo y corteza prefrontal. Además, cuando los autores entrenaron redes recurrentes —circuitos cuya actividad vuelve a influir sobre sí misma— para resolver los mismos problemas, aparecieron mecanismos semejantes. Eso sugiere que la estrategia puede ser una solución eficiente para tareas de planificación, al menos en el tipo de problemas evaluados.

Una parte especialmente interesante del modelo es su capacidad de ajustarse a entornos conocidos pero modificados. En vez de rehacer por completo las conexiones cada vez que aparece una barrera, la red puede usar la información nueva para inhibir las transiciones que ya no están disponibles. De ese modo conserva una estructura general del entorno, pero adapta el plan a la situación concreta. Es una hipótesis sobre cómo un sistema podría responder con rapidez cuando cambia una regla sin tener que aprender todo desde cero.

El trabajo ayuda a precisar qué debería buscarse en experimentos futuros: si este mecanismo opera en cerebros biológicos, distintas poblaciones de neuronas de la corteza prefrontal deberían reflejar pasos distintos de un plan y sus conexiones deberían corresponderse con las transiciones posibles del entorno. Esa clase de predicciones convierte el modelo en una teoría comprobable, no en una descripción definitiva de la planificación humana.

También hay límites importantes. Las tareas se desarrollaron en entornos simulados y el modelo recibió información sobre recompensas y estructura que, en la vida real, un organismo debe aprender de manera incompleta y ruidosa. El estudio tampoco demuestra que un cerebro humano implemente exactamente este circuito ni determina cómo se reparte la planificación entre la corteza prefrontal, el hipocampo y otras regiones. Su aporte es ofrecer una explicación concreta que puede contrastarse con nuevos registros neuronales y experimentos de comportamiento.