Procesamiento Predictivo

El paradigma del procesamiento predictivo (también conocido como predictive coding o codificación predictiva) representa un cambio fundamental en nuestra comprensión del cerebro: en lugar de concebir la mente como un procesador pasivo de información sensorial que fluye de abajo hacia arriba (bottom-up), propone que el cerebro es fundamentalmente una máquina de predicción que genera activamente modelos del mundo y los contrasta con la información entrante.

Fundamentos del paradigma

El cerebro como máquina predictiva

La idea central del procesamiento predictivo es que el cerebro no espera pasivamente a recibir información del entorno para procesarla. En su lugar, genera continuamente predicciones sobre qué estímulos espera encontrar y utiliza la información sensorial principalmente para corregir errores en esas predicciones (Clark, 2013; Friston, 2010).

Esta inversión del flujo de procesamiento tiene implicaciones profundas:

• Flujo descendente (top-down): Las capas corticales superiores envían predicciones hacia las capas inferiores
• Flujo ascendente (bottom-up): Solo los errores de predicción (la diferencia entre lo predicho y lo observado) viajan hacia arriba
• Minimización del error: El objetivo del sistema es minimizar continuamente el error de predicción

Jerarquía predictiva

El cerebro se organiza como una jerarquía de modelos generativos, donde cada nivel:

1. Genera predicciones sobre la actividad esperada en el nivel inferior
2. Recibe señales de error cuando sus predicciones no coinciden con la entrada
3. Actualiza sus modelos para reducir futuros errores

Figura 1. Jerarquía predictiva cortical. Las predicciones fluyen de arriba hacia abajo (top-down), mientras que solo los errores de predicción —la discrepancia entre lo esperado y lo observado— ascienden hacia los niveles superiores (bottom-up). Este flujo bidireccional permite que el cerebro mantenga y actualice continuamente sus modelos del mundo.

El Principio de Energía Libre

Karl Friston formalizó matemáticamente el procesamiento predictivo mediante el Principio de Energía Libre (Free Energy Principle), que propone que todos los sistemas adaptativos (incluyendo los cerebros) minimizan una cantidad llamada energía libre variacional (Friston, 2010).

Formulación básica

La energía libre es un límite superior del error de predicción o sorpresa (surprise). Al minimizar la energía libre, el sistema minimiza la sorpresa a largo plazo, lo que equivale a mantener sus estados dentro de límites compatibles con la supervivencia.

$$F = D_{KL}[q(\theta) \| p(\theta | y)] - \ln p(y)$$

Donde:

• $F$ es la energía libre
• $q(\theta)$ es la distribución aproximada (modelo interno)
• $p(\theta | y)$ es la distribución posterior verdadera
• $D_{KL}$ es la divergencia de Kullback-Leibler

Dos estrategias de minimización

El cerebro puede minimizar el error de predicción de dos maneras fundamentalmente diferentes:

Estrategia	Mecanismo	Ejemplo
Inferencia perceptual	Actualizar el modelo interno para ajustarse mejor a los datos sensoriales	Reinterpretar una sombra como un objeto
Inferencia activa	Actuar sobre el mundo para que coincida con las predicciones	Mover la cabeza para ver mejor

Conceptos clave

Error de predicción

El error de predicción (prediction error) es la señal que se genera cuando hay una discrepancia entre lo que el modelo predice y lo que realmente se observa. Es la única información que necesita transmitirse hacia arriba en la jerarquía cortical.

$$\varepsilon = y - \hat{y}$$

Donde $y$ es la entrada sensorial y $\hat{y}$ es la predicción generada.

Precisión y ponderación

No todos los errores de predicción son iguales. La precisión (precision) determina cuánto peso se da a cada señal de error:

• Alta precisión: El error se considera fiable y debe tomarse en serio
• Baja precisión: El error se considera ruidoso y puede ignorarse

La precisión se modula por factores como:

• La calidad de la señal sensorial (luz, ruido ambiental)
• El contexto (expectativas previas)
• La atención (que puede entenderse como ponderación de precisión)

Modelos generativos

Un modelo generativo es una representación interna que puede generar las señales sensoriales esperadas. El cerebro mantiene modelos generativos a múltiples escalas temporales y niveles de abstracción:

• Modelos de las regularidades físicas del mundo
• Modelos de las contingencias sociales
• Modelos del propio cuerpo y sus capacidades
• Modelos de las propias creencias y estados mentales

Aplicaciones a funciones cognitivas

Percepción como inferencia

Desde el procesamiento predictivo, la percepción no es una "lectura" directa del mundo, sino una inferencia bayesiana sobre las causas más probables de nuestras sensaciones (Hohwy, 2013). Lo que experimentamos conscientemente es nuestra mejor hipótesis sobre el mundo, no los datos sensoriales crudos.

Esto explica fenómenos como:

• Ilusiones perceptuales: Ocurren cuando las predicciones dominan sobre los datos sensoriales
• Percepción ambigua: Refleja la competencia entre hipótesis igualmente plausibles
• Efecto del contexto: Las expectativas alteran literalmente lo que percibimos

Atención como ponderación de precisión

La atención se reconceptualiza como el proceso de asignar alta precisión a ciertas señales de error, amplificando su influencia en la actualización del modelo (Feldman y Friston, 2010). Esto proporciona una explicación unificada de los efectos atencionales:

• Atender a algo = aumentar la precisión esperada de sus errores de predicción
• Desatender algo = reducir el impacto de sus señales de error

Acción e inferencia activa

La inferencia activa propone que la acción no es solo una respuesta al entorno, sino una forma de confirmar predicciones (Friston et al., 2011). Cuando predigo que mi mano se moverá hacia la taza, las señales propioceptivas de error impulsan el movimiento hasta que la predicción se cumple.

Este marco unifica:

• Control motor
• Toma de decisiones
• Exploración del entorno
• Aprendizaje por refuerzo

Emociones e interocepción

Las emociones pueden entenderse como predicciones sobre estados corporales internos (interocepción predictiva). La ansiedad, por ejemplo, podría surgir de predicciones de alta precisión sobre amenazas futuras que generan errores de predicción interoceptivos difíciles de resolver (Seth y Friston, 2016).

Implicaciones para la psicopatología

El procesamiento predictivo ofrece nuevas perspectivas sobre diversos trastornos mentales:

Trastorno	Hipótesis predictiva
Esquizofrenia	Alteración en la ponderación de precisión; exceso de peso a los errores de predicción (Sterzer et al., 2018)
Autismo	Precisión atenuada de las predicciones de alto nivel; procesamiento excesivamente orientado a datos (Van de Cruys et al., 2014)
Ansiedad	Predicciones excesivamente precisas sobre amenazas; dificultad para actualizar modelos de seguridad
Depresión	Modelos generativos negativamente sesgados que resisten actualización
Trastorno obsesivo-compulsivo	Compulsiones como intentos de confirmar predicciones mediante inferencia activa

Relación con otros paradigmas

Comparación con el Procesamiento de la Información

Aspecto	Procesamiento de la Información	Procesamiento Predictivo
Flujo principal	Ascendente (bottom-up)	Descendente (top-down)
Rol del estímulo	Entrada que se procesa	Señal de error que corrige predicciones
Percepción	Construcción a partir de datos	Inferencia sobre causas
Representación	Símbolos discretos	Distribuciones de probabilidad
Atención	Filtro o recurso limitado	Ponderación de precisión

Compatibilidades y extensiones

El procesamiento predictivo no necesariamente reemplaza otros marcos, sino que puede integrarlos:

• Los módulos de Fodor pueden verse como modelos generativos encapsulados
• El modelo de memoria de trabajo de Baddeley puede reinterpretarse en términos de mantenimiento de predicciones
• Los procesos automáticos vs. controlados corresponden a predicciones de alta vs. baja precisión

Evidencia empírica

Estudios de neuroimagen

• La mismatch negativity (MMN) en EEG se interpreta como una señal de error de predicción auditiva (Garrido et al., 2009)
• Estudios de fMRI muestran que la activación cortical se reduce cuando los estímulos son predecibles, consistente con la supresión de errores de predicción

Estudios conductuales

• Los efectos de priming y facilitación contextual reflejan la reducción del error de predicción
• Los tiempos de reacción más rápidos para estímulos esperados indican predicciones exitosas
• Las ilusiones visuales demuestran el dominio de las predicciones sobre los datos sensoriales

Estudios computacionales

• Modelos de redes neuronales predictivas reproducen propiedades de las jerarquías corticales
• Algoritmos de predictive coding muestran eficiencia similar a la del cerebro en compresión de información

Críticas y limitaciones

Desafíos teóricos

• Problema de la banca de arena (dark room problem): Si el cerebro minimiza sorpresa, ¿por qué no buscamos ambientes completamente predecibles? (Respuesta: la sorpresa se define respecto a las necesidades del organismo)
• Testabilidad: Algunos críticos argumentan que el marco es demasiado flexible para ser falsable
• Escalas temporales: No está claro cómo se integran predicciones a diferentes escalas

Desafíos empíricos

• Identificar inequívocamente señales de predicción vs. error de predicción en datos neuronales
• Distinguir el procesamiento predictivo de otras teorías que hacen predicciones similares
• Especificar la implementación neural exacta de los mecanismos propuestos

Referencias

Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204. https://doi.org/10.1017/S0140525X12000477

Feldman, H. y Friston, K. (2010). Attention, uncertainty, and free-energy. Frontiers in Human Neuroscience, 4, 215. https://doi.org/10.3389/fnhum.2010.00215

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

Friston, K., Mattout, J. y Kilner, J. (2011). Action understanding and active inference. Biological Cybernetics, 104(1-2), 137-160. https://doi.org/10.1007/s00422-011-0424-z

Garrido, M. I., Kilner, J. M., Stephan, K. E. y Friston, K. J. (2009). The mismatch negativity: A review of underlying mechanisms. Clinical Neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029

Hohwy, J. (2013). The predictive mind. Oxford University Press.

Seth, A. K. y Friston, K. J. (2016). Active interoceptive inference and the emotional brain. Philosophical Transactions of the Royal Society B: Biological Sciences, 371(1708), 20160007. https://doi.org/10.1098/rstb.2016.0007

Sterzer, P., Adams, R. A., Fletcher, P., Frith, C., Lawrie, S. M., Muckli, L., Petrovic, P., Uhlhaas, P., Voss, M. y Corlett, P. R. (2018). The predictive coding account of psychosis. Biological Psychiatry, 84(9), 634-643. https://doi.org/10.1016/j.biopsych.2018.05.015

Van de Cruys, S., Evers, K., Van der Hallen, R., Van Eylen, L., Boets, B., de-Wit, L. y Wagemans, J. (2014). Precise minds in uncertain worlds: Predictive coding in autism. Psychological Review, 121(4), 649-675. https://doi.org/10.1037/a0037665