La neurona M-P con 4 entradas
¿voy al cine hoy?
La primera neurona artificial de la historia (1943) recibe valores binarios {1, 0} y devuelve otro valor binario. El dibujo clásico es un círculo partido en dos: la mitad z (agregación) suma las entradas y la mitad a (decisión) comprueba si la suma alcanza el threshold θ. Vamos a decidir con ella si hoy toca cine, con n = 4 características de entrada.
Pero… ¿vamos al cine?
Cada característica es una pregunta de respuesta sí = 1 / no = 0. Pulsa sobre cada entrada x₁…x₄ para responder, ajusta el threshold θ y observa cómo la neurona agrega (z), decide (a) y emite su salida ŷ: 1 = sí voy al cine · 0 = no voy.
Versión del modelo
Escenarios
Threshold θ (manual)
Agregación z, decisión a, salida ŷ
El threshold se fija a mano (aquí θ = 2): es el número mínimo de entradas que deben estar activas para que la neurona se dispare. No hay pesos, ni decimales, ni aprendizaje: la neurona M-P solo cuenta y compara.
Las 16 combinaciones posibles
Con n = 4 entradas binarias hay 2⁴ = 16 situaciones posibles. Pulsa una fila para cargarla en el diagrama; la fila resaltada es el estado actual. Cambia de versión del modelo arriba y verás cómo cambia la columna ŷ.
¿Por qué el círculo está partido en dos?
Agregación
La neurona cuenta cuántas características valen 1: z(x) = Σ xᵢ. En nuestro ejemplo: ¿cuántas razones hay hoy encima de la mesa? Esta mitad no decide nada, solo acumula evidencia, igual que el soma de una neurona biológica integra las señales que llegan por las dendritas.
Decisión (función de activación)
La suma se compara con el threshold: si z(x) ≥ θ la salida es ŷ = 1 (voy al cine); si z(x) < θ, ŷ = 0 (me quedo). Es la ley del todo o nada: no existe "ir medio al cine". Esta función escalón es la abuela de todas las funciones de activación actuales.
Excitadoras vs. inhibidoras
Fíjate en la trampa de la versión 1: "¿está el cine cerrado?" = 1 ¡sumaría a favor de ir! Por eso los inputs se clasifican en excitadores (x₁, x₄) e inhibidores (x₂, x₃). La regla es simple: una inhibidora apagada (0) no hace nada, como si no existiera; una inhibidora encendida (1) es un NO rotundo, ŷ = 0 sin mirar la suma. El circulito rojo del dibujo solo marca que esa entrada puede vetar, no que esté vetando.
Mismo sábado, un solo bit de diferencia
Es sábado (x₁ = 1), no tienes tarea (x₂ = 0) y estrenan la película que querías ver (x₄ = 1): dos motivos a favor, justo los que pide el umbral (θ = 2). Lo único que cambia entre las dos filas es x₃ — ¿está el cine cerrado? Pulsa una fila para cargarla en el diagrama (activa la versión con inhibidoras).
| situación | x₁ | x₂ | x₃ | x₄ | qué hace la neurona | ŷ |
|---|---|---|---|---|---|---|
| cine abierto | 1 | 0 | 0 | 1 | ninguna inhibidora a 1 → cuenta: z = 1+1 = 2 ≥ θ | 1 · voy |
| cine cerrado | 1 | 0 | 1 | 1 | x₃ = 1 → veto: la suma ni se consulta | 0 · no voy |
La regla completa en una frase: ¿alguna inhibidora a 1? → no voy. ¿Ninguna? → cuento los síes y, si llegan al umbral θ, voy. Mismos motivos a favor, un solo bit cambiado, decisión opuesta: eso es la inhibición absoluta.
Limitaciones de la neurona M-P
Cuatro limitaciones
- Recibe únicamente valores binarios {1, 0}; los problemas reales traen valores de otros tipos.
- El threshold se elige a mano: nadie lo aprende de los datos.
- Todas las entradas valen lo mismo: no se puede dar más importancia al estreno que al fin de semana.
- Solo resuelve problemas linealmente separables: la operación XOR queda fuera de su alcance.
El perceptrón
El perceptrón de Rosenblatt ataca justo esas carencias: acepta entradas con valores reales e introduce pesos numéricos que ajustan cuánto importa cada entrada — y que se pueden aprender. Sigue siendo el mismo círculo partido en dos: agregar y decidir.
De 1943 a 2012
Las RNA nacen en 1943 con McCulloch (neuropsicólogo) y Pitts (matemático), pierden interés hacia 1990 frente a técnicas como las Support Vector Machines, y resurgen con más fuerza que nunca en 2012, cuando Geoffrey Hinton gana el reto ImageNet con una red neuronal convolucional. Todo empezó contando razones para ir al cine.
Tres preguntas rápidas
¿Cómo decide una neurona de McCulloch-Pitts?
Compara la suma de entradas binarias excitadoras con un umbral. En la versión con inhibición, una entrada inhibidora activa veta la salida.
Cómo se utiliza en este recurso
Cambia las entradas y el umbral, compara dos versiones, explora las 16 combinaciones de la tabla de verdad y responde tres preguntas.
Alcance y límites
Modelo didáctico con decisiones ficticias y parámetros manuales: no aprende de datos ni reproduce toda la complejidad de una neurona biológica. Un perceptrón simple tampoco resuelve XOR.
Preguntas frecuentes
¿La neurona aprende por sí sola?
No. En esta actividad se eligen manualmente las entradas y el umbral.