Mapa en la cabeza: cómo el cerebro transfiere la experiencia exprés
Al mudarse a un piso nuevo, uno no vuelve a aprender a abrir puertas ni a encender la luz. La experiencia de la casa anterior se transfiere sola: la cocina es el lugar con fogones y fregadero, el dormitorio, el de la cama. El cerebro no guarda un mapa exacto, sino un esquema flexible que superpone al espacio desconocido.
Los científicos han construido un modelo computacional de esa transferencia. Tiene dos plantas. La planta superior es la tarea abstracta: encontrar comida, recordar un rincón seguro. La planta inferior es el espacio concreto, con paredes y recovecos. Entre ambas trabaja un traductor: conecta el objetivo «encontrar comida» con un punto del mapa.
Cuando el modelo llega a un lugar nuevo, no entra en pánico. Aplica el esquema antiguo: si antes la comida estaba en la esquina noroeste, la busca allí. Si la esquina está vacía, reaprende rápido. Igual que una persona en un piso nuevo va primero al sitio donde estaba el interruptor en el anterior.
La planta superior del modelo resultó parecerse a la corteza prefrontal: hay células que responden al progreso hacia la meta, independientemente del lugar concreto. La planta inferior, al hipocampo: hay células de lugar, como las de las ratas en el laberinto. El modelo unió los dos niveles, y eso ha dado una nueva perspectiva sobre cómo el cerebro transfiere la experiencia.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2601.18946
Schemas -- abstract relational structures that capture the commonalities across experiences -- are thought to underlie humans' and animals' ability to rapidly generalize knowledge, rebind new experiences to existing structures, and flexibly adapt behavior across contexts. Despite their central role in cognition, the computational principles and neural mechanisms supporting schema formation and use remain elusive. Here, we introduce schema-based hierarchical active inference (S-HAI), a novel computational framework that combines predictive processing and active inference with schema-based mechanisms. In S-HAI, a higher-level generative model encodes abstract task structure, while a lower-level model encodes spatial navigation, with the two levels linked by a grounding likelihood that maps abstract goals to physical locations. Through a series of simulations, we show that S-HAI reproduces key behavioral signatures of rapid schema-based generalization in spatial navigation tasks, including the ability to flexibly remap abstract schemas onto novel contexts, resolve goal ambiguity, and balance reuse versus accommodation of novel mappings. Crucially, S-HAI also reproduces prominent neural codes reported in rodent medial prefrontal cortex during a schema-dependent navigation and decision task, including task-invariant goal-progress cells, goal-and-spatially conjunctive cells, and place-like codes at the lower level. Taken together, these results provide a mechanistic account of schema-based learning and inference that bridges behavior, neural data, and theory. More broadly, our findings suggest that schema formation and generalization may arise from predictive processing principles implemented hierarchically across cortical and hippocampal circuits, enabling the generalization of experience.
Las ratas tienen células que se activan cuando el animal se acerca a la meta, incluso si la meta está al otro extremo del laberinto. Estas «células de progreso» también se han encontrado en el modelo.
En la película «Origen», los arquitectos construyen sueños siguiendo esquemas generales que el soñador rellena con detalles, igual que el cerebro superpone un esquema conocido a un lugar nuevo.