P54 — Neurona lógica

Ruta de fundamentos · Reduce la neurona a una suma con umbral y demuestra que con esa pieza se calcula cualquier proposición lógica. Es computabilidad, no aprendizaje.

Nivel: L1 · Motor: mcculloch_pitts · Notebook: P54_mcculloch_pitts.ipynb · Anexo: álgebra y geometría

1. Identificación

Campo Valor
Título original A Logical Calculus of the Ideas Immanent in Nervous Activity
Autoría Warren S. McCulloch, Walter Pitts
Año 1943
Venue Bulletin of Mathematical Biophysics, 5, 115–133
Fuente primaria doi:10.1007/BF02478259
Acceso Restringido
Fecha de consulta 2026-08-17

2. Problema anterior

En 1943 había dos cuerpos de conocimiento que no se hablaban. Por un lado, la neurofisiología describía la actividad nerviosa: umbrales, sinapsis excitatorias e inhibitorias, el carácter de todo-o-nada del disparo. Por otro, la lógica formal y la teoría de la computabilidad de Turing describían qué se puede calcular.

Faltaba el puente. Sin un modelo formal de la neurona, no se podía plantear siquiera la pregunta de qué es capaz de computar una red nerviosa, y por tanto tampoco discutir si el pensamiento es computable.

3. Propuesta

Un modelo deliberadamente pobre de la neurona, elegido para que sea tratable:

Con esa pieza, el artículo demuestra que cualquier proposición de la lógica proposicional puede realizarse con una red de estas unidades, y que las redes con ciclos pueden mantener actividad en el tiempo, es decir, algo parecido a memoria.

4. Intuición sin fórmulas

Un comité que vota. Cada miembro emite un voto con un peso, y la propuesta sale adelante si la suma supera un número acordado. Además hay un miembro con derecho de veto: si lo ejerce, no importa cuántos votos haya a favor.

Con comités así encadenados —la salida de uno como entrada del siguiente— se puede construir cualquier regla de decisión que se pueda enunciar con «y», «o» y «no».

Dónde deja de funcionar la analogía: los miembros del comité deliberan y cambian de opinión. Estas unidades no: sus pesos son fijos, puestos por quien diseña la red. Aquí no hay nadie aprendiendo nada.

5. Matemática mínima

Unidad de umbral:
    salida = 1   si   Σ wᵢ·xᵢ ≥ θ   y   ninguna inhibitoria está activa
    salida = 0   en otro caso

Con dos entradas:
    AND   : w = (1, 1)    θ = 2
    OR    : w = (1, 1)    θ = 1
    NAND  : w = (−1, −1)  θ = −1
    XOR   : no existe ninguna (w, θ)

Dos capas sí:
    XOR(x, y) = AND( OR(x, y), NAND(x, y) )

La miniatura recorre las 175 configuraciones con pesos enteros en [−2, 2] y umbrales en [−3, 3]: 4 calculan AND, 5 calculan OR, 5 calculan NAND y 0 calculan XOR. Con dos capas, XOR sale exacto. Y el contador de parámetros aprendidos marca 0, que es el punto de toda la ficha.

6. Arquitectura o flujo

flowchart LR
    X["x"] --> OR["OR<br/>w=(1,1) θ=1"]
    Y["y"] --> OR
    X --> NAND["NAND<br/>w=(-1,-1) θ=-1"]
    Y --> NAND
    OR --> AND["AND<br/>w=(1,1) θ=2"]
    NAND --> AND
    AND --> S["XOR"]
    style AND fill:#1a3a2a,stroke:#3fb950,color:#f0f6fc

7. Qué observar en el paper original

8. Evidencia y resultados

El artículo es una demostración matemática, no un experimento. Lo que aporta es un teorema de representabilidad: toda proposición lógica expresable en el cálculo que definen puede realizarse con una red de unidades de umbral.

No hay datos ni mediciones que verificar. Lo verificable es la construcción, y es larga y densa; la notación de Pitts es de las más difíciles de la literatura fundacional.

La miniatura del eje comprueba el caso pequeño de forma exhaustiva, que es lo que se puede hacer en un cuaderno: enumerar todas las configuraciones y contar cuáles realizan cada función.

9. Impacto

10. Limitaciones

  1. Neurofisiológicamente falso. Las neuronas reales no son binarias, ni síncronas, ni tienen inhibición absoluta. Los propios autores lo asumen como idealización.
  2. No hay aprendizaje. Los pesos y umbrales los pone quien diseña. Toda la cuestión de cómo ajustarlos a partir de ejemplos queda fuera.
  3. La notación es un obstáculo real. El formalismo de Pitts hace que el artículo se cite mucho más de lo que se lee, y eso alimenta las atribuciones erróneas.
  4. El salto de la lógica al pensamiento no está justificado. Que una red pueda computar proposiciones no dice nada sobre cómo se representa el significado.
  5. Sin tratamiento del ruido ni de la incertidumbre, que son centrales en cualquier sistema biológico o artificial que funcione con datos reales.

11. Errores comunes

Error Corrección
«Es el primer modelo de red neuronal que aprende» No aprende nada. Los pesos son de diseño. El aprendizaje llega con Rosenblatt en 1958.
«Demuestra que las redes neuronales no pueden hacer XOR» Demuestra lo contrario: una red SÍ puede, con dos capas. Lo que no puede es una sola unidad.
«El límite del XOR es este artículo» El resultado famoso sobre XOR es de Minsky y Papert (1969), y va sobre el APRENDIZAJE del perceptrón de una capa, no sobre la representabilidad.
«Es un modelo de cómo funciona el cerebro» Es una idealización que los autores declaran como tal. Su valor es formal, no descriptivo.
«La inhibición es simplemente un peso negativo» En el modelo de 1943 es un veto absoluto: si está activa, la unidad no dispara aunque la suma excitatoria sea enorme.

12. Relación con trabajos anteriores

13. Relación con trabajos posteriores

14. Notebook asociado

P54_mcculloch_pitts.ipynb

Qué implementa: la enumeración exhaustiva de las 175 configuraciones de una unidad de umbral con dos entradas, cuántas realizan cada función booleana, la construcción de XOR con dos capas y la inhibición absoluta.

Qué NO implementa: no hay aprendizaje, ni ciclos, ni tiempo. La parte del artículo que trata redes recurrentes y memoria —la más interesante y la menos citada— no está en la miniatura.

ai-evolution paper-lab P54 --seed 7

15. Actividades Bloom

Nivel Actividad
Recordar Escribe los pesos y el umbral que realizan AND, OR y NAND con dos entradas.
Explicar Explica por qué una sola unidad de umbral no puede realizar XOR.
Aplicar Ejecuta el notebook y encuentra a mano una configuración que realice «x AND NOT y».
Analizar Analiza la diferencia entre inhibición absoluta y peso negativo, y qué cambia en la tabla de verdad.
Evaluar «Este artículo demuestra los límites de las redes neuronales». Evalúa la afirmación.
Crear Diseña con unidades de umbral un sumador de un bit y cuenta cuántas unidades necesitas.

16. Autoevaluación

  1. ¿Qué modelo de neurona propone el artículo y qué tres elementos lo definen?
  2. ¿Cuántos parámetros aprende esta neurona?
  3. ¿Por qué una sola unidad no puede realizar XOR?
  4. ¿Cómo se realiza XOR entonces?
  5. ¿Qué diferencia hay entre este trabajo y el perceptrón de 1958?
  6. ¿Qué es la inhibición absoluta?
  7. ¿Qué línea de la informática nace de aquí además de la IA?

17. Respuestas esperadas

  1. Una unidad de umbral: salida binaria, suma ponderada de entradas y disparo si esa suma alcanza un umbral, con inhibición que veta el disparo.
  2. Ninguno. Los pesos y el umbral los fija quien diseña la red. Es un resultado sobre qué se puede calcular, no sobre qué se puede aprender.
  3. Porque XOR no es linealmente separable: no existe ninguna recta —ningún par (w, θ)— que deje los casos (0,1) y (1,0) a un lado y los casos (0,0) y (1,1) al otro. La miniatura lo comprueba sobre las 175 configuraciones posibles.
  4. Con dos capas: una capa que calcula OR y NAND, y encima una unidad AND. La composición da la tabla de verdad exacta de XOR.
  5. McCulloch y Pitts responden qué puede computar una red con pesos dados. Rosenblatt responde cómo una unidad puede encontrar sus propios pesos a partir de ejemplos. Son preguntas distintas, y la segunda presupone la primera.
  6. Una entrada que, si está activa, impide el disparo sea cual sea la suma excitatoria. No es un peso negativo grande: es un veto.
  7. La teoría de autómatas. Kleene formaliza sobre este trabajo los autómatas finitos y los conjuntos regulares, de donde salen las expresiones regulares.

18. Fuentes primarias

⬅️ Anterior: P53 PCA · 📇 Índice · 📝 Evaluación · 🏫 Clase 001 · Qué es inteligencia artificial y qué no es · ➡️ Siguiente: P55 Teoría de la información