# La red neuronal - Sitio: Ikusmira — enciclopedia en castellano de ciencias sociales y humanidades - URL canónica: https://ikusmira.org/p/la-red-neuronal/ - Categoría: Informática - Publicado: 2026-09-04 - Autoría: Eneko Sarasola (redacción de Ikusmira) - Política editorial (autoría, revisión, correcciones, financiación): https://ikusmira.org/politica-editorial/ Una **red neuronal** es una función matemática compuesta por capas de unidades simples, cada una de las cuales suma sus entradas con unos pesos y aplica una curva, cuyos pesos se ajustan a partir de ejemplos mediante descenso de gradiente. El nombre viene de una analogía con el cerebro que ya no guía a nadie: lo que importa no es que las unidades se parezcan a neuronas, sino que al encadenarlas en capas la función resultante puede tomar casi cualquier forma, y que existe un método eficiente para encontrar los pesos que le dan la forma que los datos piden. Con dos capas y unas pocas unidades, la red de esta página aprende a separar formas que ninguna recta separa; con cientos de capas y miles de millones de pesos, la misma construcción reconoce imágenes, transcribe voz y escribe texto. La figura entrena una red pequeña ante los ojos del lector. Tiene dos entradas, las coordenadas de un punto; una capa oculta de entre una y ocho neuronas, cada una con una tangente hiperbólica que aplasta la suma en el intervalo de −1 a 1; y una salida que da la probabilidad de que el punto sea naranja. El fondo del plano muestra lo que la red cree en cada lugar, y los puntos, lo que es verdad. Al empezar, los pesos son aleatorios y el fondo es un borrón sin sentido. Cada paso de entrenamiento toma dieciséis puntos, mide cuánto se equivoca la red con ellos, calcula por retropropagación cuánto contribuye cada peso al error y mueve todos los pesos un poco en la dirección que lo reduce. La curva de la derecha registra ese error, y el esquema de abajo muestra los pesos con el grosor y el color de cada conexión. Lo primero que enseña la figura es para qué sirve la capa oculta. El perceptrón de una capa solo traza una recta; cada neurona oculta de esta red traza también una recta, pero la salida combina las de todas, y la frontera resultante puede doblarse tantas veces como neuronas haya. Con una sola neurona oculta el XOR es imposible, igual que para el perceptrón. Con dos ya se puede, aunque no siempre lo consigue, y con cuatro lo aprende en unos cientos de pasos. El círculo dentro del anillo necesita que la frontera se cierre sobre sí misma, cosa que tres o cuatro rectas combinadas hacen bien. La espiral, que da dos vueltas, pide más: con ocho neuronas la red suele conseguirla pero tarda, y a veces se atasca en una solución a medias. George Cybenko demostró en 1989, y Kurt Hornik generalizó en 1991, que una red de una sola capa oculta con suficientes neuronas puede aproximar cualquier función continua tanto como se quiera. El teorema no dice cuántas neuronas hacen falta ni cómo encontrar los pesos; la figura da una idea de ambas cosas. Lo segundo es que el entrenamiento es un proceso, no una fórmula. La curva de pérdida baja a tirones, se estanca en mesetas y a veces cae de golpe cuando la red «descubre» una estructura de los datos. Dos entrenamientos con los mismos datos, la misma arquitectura y distintos pesos iniciales terminan en fronteras distintas, a menudo igual de buenas. Y la tasa de aprendizaje manda como en cualquier descenso de gradiente: demasiado baja y no pasa nada en miles de pasos, demasiado alta y la pérdida oscila o se dispara. El botón de reiniciar los pesos permite comprobar cuánto depende el resultado de dónde se empieza. El algoritmo que hace posible todo esto tiene nombre y fecha. La retropropagación, que Rumelhart, Hinton y Williams presentaron en 1986, resolvió el problema que había frenado las redes desde el perceptrón: cómo saber qué debe hacer una neurona intermedia, cuya salida correcta nadie conoce. La respuesta es no preguntárselo. Se mide el error en la salida y se propaga hacia atrás, capa a capa, con la regla de la cadena del cálculo, de modo que cada peso recibe la parte del error que le corresponde. En la figura eso ocurre dieciséis puntos y dieciséis veces por cada tic del reloj, y es lo mismo que ocurre, con más capas y más pesos, en cualquier red moderna. Durante veinte años las redes así entrenadas fueron una técnica más, con éxitos en el reconocimiento de dígitos manuscritos y poco más, y a menudo peores que alternativas más sencillas. Lo que cambió no fue la idea sino la escala. En 2012, Krizhevsky, Sutskever y Hinton entrenaron en dos tarjetas gráficas una red de ocho capas con sesenta millones de pesos sobre un millón de imágenes etiquetadas, y ganaron el concurso ImageNet con un margen que dejó obsoleto todo lo demás. El aprendizaje profundo, como resumieron LeCun, Bengio y Hinton en 2015, es esa misma red de la figura con muchas más capas, muchos más datos y muchas más máquinas; las capas sucesivas aprenden representaciones cada vez más abstractas de la entrada, bordes, luego texturas, luego partes, luego objetos, sin que nadie las diseñe. La figura de esta página no puede mostrar eso, pero sí lo esencial: una función ajustable, un error que se mide y un gradiente que se sigue, hasta que el fondo del plano y los puntos dicen lo mismo. ## Fuentes - David E. Rumelhart, Geoffrey E. Hinton y Ronald J. Williams — *Learning Representations by Back-Propagating Errors*, Nature 323 (1986) - George Cybenko — *Approximation by Superpositions of a Sigmoidal Function*, Mathematics of Control, Signals and Systems 2(4) (1989) - Kurt Hornik — *Approximation Capabilities of Multilayer Feedforward Networks*, Neural Networks 4(2) (1991) - Alex Krizhevsky, Ilya Sutskever y Geoffrey E. Hinton — *ImageNet Classification with Deep Convolutional Neural Networks*, Advances in Neural Information Processing Systems 25 (2012) - Yann LeCun, Yoshua Bengio y Geoffrey Hinton — *Deep Learning*, Nature 521 (2015) - Daniel Smilkov, Shan Carter, D. Sculley, Fernanda B. Viégas y Martin Wattenberg — *Direct-Manipulation Visualization of Deep Networks*, ICML Workshop on Visualization for Deep Learning, Nueva York (2016) --- Cómo citar: Sarasola, Josemari (2026). «La red neuronal». Ikusmira. https://ikusmira.org/p/la-red-neuronal/ Índice del sitio para modelos: https://ikusmira.org/llms.txt