Premio ARC 2026: Cómo Neuraxon Evoluciona Cerebros de IA Sin GPUs
El equipo científico de Qubic no diseña a mano los cerebros de sus agentes Neuraxon: deja que la evolución los busque. Para ARC-AGI-3, el benchmark interactivo del Premio ARC 2026, el equipo probó más de 110 configuraciones y millones de cerebros evolucionados en cerca de 500 núcleos de CPU, sin GPU ni modelo preentrenado, según Neuraxon Intelligence Academy Vol. 14. Su mejor puntuación offline alcanzó 0.38, y su última entrega en Kaggle puntuó 0.41. Esta guía explica cómo funciona la búsqueda evolutiva de arquitectura neuronal, cómo juegan los cerebros Neuraxon ARC-AGI-3, qué revelaron los experimentos, qué buscará Neuraxon 3.0 a continuación y cómo descargar el código y el conjunto de datos de 603,054 filas que lo respalda.
En Breve
- La búsqueda de arquitectura neuronal (NAS) automatiza el diseño de la estructura de una red, no solo la afinación de sus pesos.
- Neuraxon usa búsqueda evolutiva: los cerebros heredan parámetros, mutan y los mejores se reproducen.
- En ARC-AGI-3, el equipo evolucionó millones de cerebros en unos 500 núcleos de CPU sin GPU; su última entrega en Kaggle puntuó 0.41, frente a 0.38.
- Los experimentos mostraron la maldición del ganador: cerebros que pasaban un juego en todas las semillas usadas para seleccionarlos fallaban en nuevas semillas.
- Neuraxon 3.0 seleccionará cerebros según la rapidez con que aprenden en juegos desconocidos, bajo un protocolo fijado antes de recolectar datos.
- El código es de código abierto (MIT para el núcleo) y los cerebros evolucionados están publicados en Hugging Face (82.7 GB).
¿Qué es la búsqueda de arquitectura neuronal?
La búsqueda de arquitectura neuronal es el diseño automatizado de la estructura de una red neuronal: cuántas unidades tiene, cómo se conectan y qué reglas las actualizan. El entrenamiento ajusta la fuerza de las conexiones dentro de un diseño fijo; NAS decide el diseño mismo. La revisión de referencia del campo, por Elsken, Metzen y Hutter (JMLR, 2019), divide cada método NAS en tres partes.
- Un espacio de búsqueda: el conjunto de arquitecturas que el método puede considerar.
- Una estrategia de búsqueda: la forma en que explora ese espacio.
- Una estimación de desempeño: la forma en que decide cuál candidato es mejor, sin entrenar completamente cada uno.
Piénsalo como la diferencia entre aprender a cocinar y diseñar la cocina. El entrenamiento enseña a una red a cocinar bien; NAS decide dónde van el horno, el fregadero y la encimera.
Cuatro estrategias, cuatro perfiles de costo
Cuatro familias de estrategias de búsqueda dominan la literatura, como se resume en nuestra introducción a la búsqueda de arquitectura neuronal. Sus costos computacionales difieren por órdenes de magnitud.
| Estrategia | Cómo busca | Trabajo emblemático | Computación reportada |
|---|---|---|---|
| Búsqueda aleatoria | Muestra arquitecturas al azar; la línea base que todo método debe superar | Li y Talwalkar, 2020 | Mismo presupuesto que el método con el que se compara |
| Aprendizaje por refuerzo | Una red controladora propone arquitecturas y es recompensada por su precisión | Zoph y Le, 2017 | 800 GPUs funcionando en paralelo |
| Búsqueda evolutiva | Una población de arquitecturas muta; las mejores sobreviven y se reproducen | Real et al., 2019 | 450 GPUs durante aproximadamente 7 días |
| Búsqueda diferenciable | Relaja la elección de arquitectura para que el descenso de gradiente la optimice | Liu, Simonyan y Yang (DARTS), 2019 | 1.5 a 4 días-GPU |
NAS ya está en tu bolsillo. Google lo usó para diseñar MobileNetV3, la red de imágenes detrás de muchas funciones de cámara de teléfonos, porque un teléfono necesita un modelo que sea preciso, pequeño y rápido a la vez. La evolución también encontró mejoras para el mismo Transformer en The Evolved Transformer (So, Liang y Le, 2019).
NAS no es ajuste de hiperparámetros
Cambiar una tasa de aprendizaje o tamaño de lote es ajuste de hiperparámetros: afinan cómo aprende una red dada. NAS cambia qué tipo de red es. La distinción importa porque se aplica la misma regla a ambos: un método de búsqueda solo justifica su computación si supera a la búsqueda aleatoria con el mismo presupuesto, como demostraron Bergstra y Bengio para hiperparámetros en 2012.
¿Por qué usar la evolución para diseñar un cerebro?
Porque así lo hizo la naturaleza. En animales, el aprendizaje ajusta la fuerza de las sinapsis durante la vida, mientras que la arquitectura del cerebro se moldea a lo largo de generaciones por la evolución. En un artículo de 2019 en Nature Communications, el neurocientífico Anthony Zador llamó a esto «el cuello de botella genómico»: un genoma es demasiado pequeño para especificar cada sinapsis, por lo que la evolución codifica una receta compacta para el cableado y aprendizaje, no la red terminada.
Un resultado anterior apunta en la misma dirección. En 1987, Hinton y Nowlan demostraron en simulación que el aprendizaje puede guiar la evolución: individuos capaces de aprender encuentran soluciones buenas más rápido, y la evolución entonces selecciona esa capacidad de aprender. Esto es conocido como el efecto Baldwin.
Los grandes modelos de lenguaje tomaron la ruta opuesta. El Transformer es una arquitectura diseñada a mano que no cambia mientras el modelo se usa, y solo una pequeña parte ha sido buscada automáticamente. Neuraxon apuesta que la inteligencia general necesita ambos niveles: evolución para elegir la arquitectura y aprendizaje dentro de cada vida. El método tradicional para evolucionar la estructura de la red es NEAT, de Stanley y Miikkulainen (2002), que hace crecer topologías de simples a complejas.
¿Qué es Neuraxon?
Neuraxon es una unidad computacional inspirada en el cerebro desarrollada por los asesores científicos de Qubic David Vivancos y José Sánchez, liberada como código abierto en GitHub. Mientras una neurona artificial clásica produce un número en cada paso, una neurona Neuraxon corre en tiempo continuo y toma uno de tres estados: exitatorio (+1), neutro (0) o inhibitoria (-1), una idea explorada en Más allá del binario: dinámica ternaria.
Cada sinapsis lleva tres pesos que cambian a diferentes velocidades (rápido, lento y meta), y las sinapsis pueden formarse, colapsar o reconectarse. Cuatro neuromoduladores simulados (dopamina, serotonina, acetilcolina y noradrenalina) actúan a través de nueve subtipos de receptores, como se describe en nuestro volumen sobre neuromodulación. Células similares a astrocitos regulan la plasticidad, un mecanismo cubierto en Astrocitos e IA inspirada en el cerebro, y cuatro bucles homeostáticos mantienen la actividad en un rango saludable.
Esa riqueza es justamente por qué la búsqueda de arquitectura importa aquí. Un cerebro Neuraxon tiene decenas de elecciones estructurales que ningún diseñador puede ajustar bien a mano. La evolución, a través del marco Aigarth de Qubic, es la herramienta que las explora.
¿Qué es ARC-AGI-3 y por qué es tan difícil para la IA?
ARC-AGI-3 es el primer benchmark interactivo de la serie ARC, lanzado el 25 de marzo de 2026 por la ARC Prize Foundation. Es un conjunto de juegos por turnos en los que nadie explica las reglas: el jugador ve una cuadrícula de colores, actúa y debe descubrir qué significa ganar. El Vol. 14 cuenta con 25 juegos de desarrollo públicos y 55 juegos de evaluación ocultos. En el lanzamiento, los humanos puntuaron 100% y la IA de frontera 0.51%. Explicamos por qué este tipo de prueba importa en ¿Cómo Medimos la Inteligencia de una Máquina?
La puntuación recompensa la eficiencia, no solo el éxito. Para cada nivel, la metodología oficial divide el número de acciones que necesitó un humano por las que necesitó la IA, y luego al cuadrado: un agente que toma diez veces más acciones que un humano puntúa 1% en ese nivel. Los niveles posteriores pesan más, y la puntuación final promedia todos los juegos.
Las reglas de la competición elevan la vara aún más. El Premio ARC 2026 ofrece 2 millones de dólares en premios en sus tres categorías, según la página oficial del concurso. La evaluación en Kaggle se realiza sin acceso a internet, se prohíben sistemas basados en API como GPT o Claude, y los participantes líderes deben publicar sus soluciones como código abierto para ser elegibles a premio. Cada participante debe llevar su propia inteligencia a una sala sellada.
¿Cómo juega Neuraxon ARC-AGI-3?
Un cerebro Neuraxon recibe la cuadrícula como números, elige acciones, y sigue aprendiendo durante el juego mediante la plasticidad. La búsqueda de arquitectura neuronal funciona antes de que empiece el juego: determina la configuración del cerebro, es decir, qué regiones de la pantalla atiende, cómo los colores se asignan a entradas, cómo balancea la exploración y explotación, y hasta dónde pueden alcanzar sus clics.
El equipo estableció una regla básica, según el Vol. 14: estudiar juegos públicos, partidas humanas y análisis para elegir el espacio de búsqueda es legítimo; dar esa información al agente durante el juego no lo es.
Un protocolo evolutivo de tres fases
| Fase | Qué pasa | Qué prueba |
|---|---|---|
| 1. Evolución | Los cerebros se reproducen en un juego específico | Si un cerebro puede resolver algo |
| 2. Examen corto | Miles de cerebros juegan algunos juegos en algunas semillas (variantes de un juego con diferentes disposiciones iniciales) | Si la solución sobrevive a un cambio de disposición |
| 3. Examen largo | Los mejores cerebros juegan los 25 juegos públicos, en semillas nunca usadas para selección | Si el resultado se mantiene más allá de los datos usados para elegirlo |
La escala fue considerable: más de 110 configuraciones de búsqueda y millones de cerebros evolucionados, ejecutados en cerca de 500 núcleos de CPU sin GPU. La mejor puntuación en la versión offline de Kaggle alcanzó 0.38, según el Vol. 14, y la última entrega del equipo en la competencia Kaggle puntuó 0.41, un nuevo récord personal, según el Equipo Científico Qubic. La entrega cerró el 2 de noviembre de 2026, y la ARC Prize Foundation anunciará resultados el 4 de diciembre.
Cómo interpretar el 0.41
El número necesita contexto. Las entradas líderes en la competencia envuelven modelos de lenguaje de pesos abiertos de 27 a 31 mil millones de parámetros dentro de arneses de agentes, según un análisis de octubre de 2026 de Metir AI, y puntúan mucho más alto. Los cerebros Neuraxon comienzan sin conocimiento preentrenado de lenguaje o imágenes y corren en procesadores comunes. La puntuación mide hasta dónde puede llegar la evolución sola con un cerebro pequeño que debe descubrir cada juego desde cero, no cómo se compara con sistemas que traen miles de millones de parámetros de conocimiento previo.
El equipo es sincero sobre qué hacen mejor las entradas principales: predicen qué cambiará en pantalla antes de actuar y aprenden de sus errores. El Vol. 14 indica que esta es la dirección que ahora sigue Neuraxon.
¿Qué revelaron los experimentos ARC-AGI-3?
El Vol. 14 es inusualmente abierto sobre lo que salió mal, y cada fallo coincide con una trampa clásica de la búsqueda de arquitectura neuronal.
- La maldición del ganador. Un grupo de cerebros pasó un juego en cada semilla usada para seleccionarlos, y no pasó ninguno de las nuevas semillas. Elegir al mejor entre muchos candidatos con los mismos datos usados para clasificarlos infla la puntuación del ganador por suerte, como mostraron Cawley y Talbot (2010). Es el estudiante que memorizó las respuestas del examen del año pasado.
- Éxito sin aprendizaje. En juegos simples, una política fija más algo de exploración puede pasar un nivel sin entender las reglas. Los éxitos también se agruparon en pocos juegos, casi siempre en el primer nivel.
- Sin prueba de aprendizaje. Una puntuación alta no demuestra que un cerebro haya aprendido algo durante el juego.
«NAS selecciona el resultado final y no nos dice si hay aprendizaje interno.»
Equipo Científico Qubic, Neuraxon Intelligence Academy Vol. 14, 4 de noviembre de 2026
El equipo convirtió estas lecciones en tres reglas: seleccionar en algunas semillas y reportar en otras; mantener algunos juegos públicos fuera de la búsqueda totalmente; y siempre restar una línea base de acción aleatoria con el mismo presupuesto. Esa última regla resuena con Li y Talwalkar (2020), que encontraron que la búsqueda aleatoria es un competidor sorprendentemente fuerte en NAS.
¿Qué es Neuraxon 3.0?
Neuraxon 3.0 es la próxima versión del cerebro, diseñada para cerrar la brecha que expuso ARC-AGI-3: los cerebros actuales exploran y se adaptan dentro de un juego, pero no establecen metas ni encadenan acciones hacia ellas, según el Vol. 14. La pregunta de búsqueda cambia accordingly. Ya no es «¿qué red gana?» sino «¿qué mecanismos y constantes de tiempo necesita un cerebro para aprender en un entorno nuevo?»
El diseño añade cinco mecanismos, cada uno operando en una escala temporal diferente.
| Mecanismo | Qué hace |
|---|---|
| Plasticidad dependiente del orden de picos | Fortalece o debilita una conexión según qué neurona dispare primero |
| Etiquetas sinápticas | Marcan una sinapsis y esperan segundos por una señal neuromoduladora antes de consolidar el cambio |
| Plasticidad a escala de tiempo conductual | Inspirada en el hipocampo, enlaza eventos que ocurren con segundos de diferencia |
| Dominios astrogliales | Limitan cuánto puede cambiar un grupo de sinapsis a la vez |
| Homeostasis multiescala | Mantiene la red estable sin congelarla, un tema de ¿Cómo maneja el cerebro el tiempo? |
La búsqueda cubre mecanismos, no recuentos brutos de parámetros. Cada mecanismo tiene un rango limitado por la fisiología, y cada uno puede apagarse para medir exactamente qué aporta.
Un nuevo criterio de selección: velocidad de aprendizaje
Los cerebros Neuraxon 3.0 serán recompensados por la rapidez con que reducen su error de predicción por acción en juegos que nunca han visto. Bajo este criterio, un cerebro que gana por suerte no recibe nada. También apunta a las dos capacidades que distinguen a las principales entradas ARC-AGI-3: anticipar qué cambiará en pantalla y aprender de los errores.
Salvaguardas escritas antes de los datos
El protocolo está construido contra las trampas listadas arriba, según el Vol. 14.
- El diseño experimental se fija antes de que se vean datos.
- La selección de arquitectura se sella con una huella digital (un hash) antes de generar el conjunto de prueba.
- Cada búsqueda se compara con una búsqueda aleatoria con el mismo presupuesto.
- Las semillas se emparejan, los resultados se corrigen por múltiples comparaciones y se declara un tamaño mínimo de efecto por adelantado.
- Ningún experimento se detiene temprano porque los resultados parezcan favorables.
- Los resultados se publicarán cuando los experimentos completos estén terminados, sea cual sea su conclusión.
Neuraxon 3.0 es una arquitectura en diseño con pruebas preliminares, y el Vol. 14 no da fecha de lanzamiento. A 6 de noviembre de 2026, el repositorio público en GitHub llega hasta Neuraxon 2.0.
¿Por qué la red de Qubic es compatible natural para la búsqueda evolutiva?
La búsqueda evolutiva es en naturaleza masivamente paralela: cada cerebro en una población puede evaluarse independientemente. Eso coincide con cómo funciona Qubic. A través de Prueba Útil de Trabajo, la potencia computacional que asegura la red se dirige también a tareas de IA, como se explica en nuestra página de minería.
La verificación es la segunda conveniencia. Un resultado que viene de millones de evaluaciones distribuidas en muchas máquinas necesita ser confiable. La red de Qubic es operada por 676 Computadores que alcanzan acuerdo mediante un quórum tolerante a fallos bizantinos, de modo que un resultado alegado puede ser comprobado por muchas partes independientes en vez de aceptarse por fe. El protocolo sellado y pre-registrado de Neuraxon 3.0 está hecho para este tipo de verificación. Para la visión más amplia, véase ¿Qué es AGI? y el centro científico de Qubic.
Código abierto y datos abiertos: cómo explorar Neuraxon tú mismo
Todo lo necesario para reproducir o extender el trabajo publicado hasta ahora es público.
| Recurso | Qué obtienes | Licencia |
|---|---|---|
| Neuraxon en GitHub | Neuraxon 1.0 y 2.0, Multi Neuraxon 2.0, kernels CUDA, un preset de conectoma de mosca de la fruta, ejemplos y pruebas (533 estrellas al 6 de noviembre de 2026) | MIT para el núcleo; características híbridas de Aigarth bajo la Licencia Aigarth, que prohíbe uso militar |
| Nxon2ArcAGI3Brains en Hugging Face | 603,054 filas, 82.7 GB en formato Parquet, del trabajo ARC-AGI-3 | CC BY-SA 4.0 |
| Constructor de redes Neuraxon | Construye y visualiza una red Neuraxon en el navegador | Ver Space |
La guía rápida en el repositorio muestra cómo construir una red, alimentarla con entradas, aplicar neuromodulación y ejecutar una evolución Aigarth en pocas líneas de Python, sin dependencias externas para el archivo núcleo.
Qué viene después
Tres hitos enmarcan las próximas semanas. Los trabajos para la pista de artículos del Premio ARC 2026 entregan el 8 de noviembre, los resultados del concurso se anunciarán el 4 de diciembre, y los experimentos de Neuraxon 3.0 se publicarán una vez completos, sea cual sea su resultado. La medida a observar no es solo el ranking, sino si los cerebros evolucionados comienzan a aprender dentro de un juego, que es la capacidad que separa a las mejores entradas actuales de las demás. Para seguir la serie desde el principio, comienza con NIA Vol. 1: Neuraxon Time.
FAQ
Es una forma de diseñar redes neuronales simulando la evolución: se evalúa una población de arquitecturas candidatas, las mejores se reproducen con pequeñas mutaciones y el proceso se repite a lo largo de varias generaciones. Se popularizó gracias a NEAT (2002) y a la evolución regularizada (Real et al., 2019).
No. El ajuste de hiperparámetros modifica parámetros como la tasa de aprendizaje de una red fija. La búsqueda de arquitectura neuronal modifica la propia red: sus unidades, conexiones y reglas de actualización.
ARC-AGI-3 es un banco de pruebas interactivo lanzado en marzo de 2026 por la Fundación ARC Prize. Los agentes de IA deben jugar a juegos desconocidos sin instrucciones, y se les puntúa en función de la eficiencia con la que superan los niveles en comparación con los humanos.
Neuraxon 3.0 es la próxima versión de la arquitectura inspirada en el cerebro de Qubic, actualmente en fase de diseño. Incorpora cinco mecanismos de plasticidad y estabilidad, y selecciona las redes en función de la rapidez con la que reducen su error de predicción en juegos que nunca han visto.
No. Los experimentos ARC-AGI-3 se ejecutaron en unos 500 núcleos de CPU sin GPU, y el archivo principal de Neuraxon está escrito íntegramente en Python. Existen núcleos CUDA opcionales para redes Multi Neuraxon más grandes.
El código está en GitHub, en DavidVivancos/Neuraxon, y los cerebros de ARC-AGI-3 se encuentran en Hugging Face como el conjunto de datos Nxon2ArcAGI3Brains.
¡Maximiza tu experiencia en Cointribune con nuestro programa "Read to Earn"! Por cada artículo que leas, gana puntos y accede a recompensas exclusivas. Regístrate ahora y comienza a acumular beneficios.
El equipo editorial de Cointribune une sus voces para expresarse sobre temas relacionados con las criptomonedas, la inversión, el metaverso y los NFT, esforzándose por responder mejor a sus preguntas.
Las ideas y opiniones expresadas en este artículo pertenecen al autor y no deben tomarse como consejo de inversión. Haz tu propia investigación antes de tomar cualquier decisión de inversión.