Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
On a bench at the University of Bristol, a few millimetres of human brain tissue, grown from cells in a dish, is now sorting touch signals. A tactile sensor scans a Braille character and turns what it feels into patterns of electrical stimulation. Those pulses travel into the organoid, the tiny lab-grown model of the human forebrain, and come back as a pattern of activity that a conventional learning algorithm then reads as a letter.
En una mesa de trabajo de la Universidad de Bristol, unos pocos milímetros de tejido cerebral humano, cultivado a partir de células en una placa, están ahora clasificando señales táctiles. Un sensor táctil recorre un carácter braille y convierte lo que percibe en patrones de estimulación eléctrica. Esos pulsos llegan al organoide, el pequeño modelo cultivado en laboratorio del prosencéfalo humano, y regresan como un patrón de actividad que un algoritmo de aprendizaje convencional interpreta como una letra.
The figures show how much one piece of tissue can carry. Each organoid, built from around 10,000 nerves and supporting cells, identified the correct letter with 61% accuracy on its own. Combining the responses of three organoids lifted accuracy to 83%, and the combined system held up better when the team added artificial noise. The organoids were never trained to read Braille: they used a fixed encoding of the letters, and the algorithm did the classification. The study shows that living tissue can transform touch information while keeping useful patterns, not that it has learned to read.
Las cifras muestran cuánta información puede transportar un solo fragmento de tejido. Cada organoide, formado por alrededor de 10.000 neuronas y células de soporte, identificó por sí solo la letra correcta con una precisión del 61 %. Al combinar las respuestas de tres organoides, la precisión subió al 83 %, y el sistema combinado aguantó mejor cuando el equipo añadió ruido artificial. Los organoides nunca fueron entrenados para leer braille: utilizaban una codificación fija de las letras, y el algoritmo se encargaba de la clasificación. El estudio demuestra que el tejido vivo puede transformar información táctil conservando patrones útiles, no que haya aprendido a leer.
The biggest test came from a collaboration between Cortical Labs and Honda Research Institute Europe. Cortical Labs' CL1 biological computers were connected to a virtual agent that had to head toward a simulated odour source, choosing between moving forward, turning left or turning right. The researchers tried about 1,300 configurations of the electrical signals, logging more than 4,000 hours of real-time interaction across dozens of biological units. Only 12 configurations learned consistently across episodes, and under comparable conditions those optimised agents beat conventional reinforcement-learning benchmarks at navigation. The work will be presented at NeurIPS, the machine-learning conference, in Sydney. The method behind it, called an Embodied Neurocomputation Framework, treats the unpredictability of neurons as an engineering problem to be systematically tuned.
La prueba más ambiciosa llegó de una colaboración entre Cortical Labs y Honda Research Institute Europe. Los ordenadores biológicos CL1 de Cortical Labs se conectaron a un agente virtual que debía avanzar hacia una fuente de olor simulada, eligiendo entre avanzar, girar a la izquierda o girar a la derecha. Los investigadores probaron unas 1.300 configuraciones de las señales eléctricas, registrando más de 4.000 horas de interacción en tiempo real con decenas de unidades biológicas. Solo 12 configuraciones aprendieron de forma constante a lo largo de los episodios, y, en condiciones comparables, esos agentes optimizados superaron a los bancos de prueba convencionales del aprendizaje por refuerzo en navegación. El trabajo se presentará en NeurIPS, la conferencia de aprendizaje automático, en Sídney. El método en el que se basa, llamado Embodied Neurocomputation Framework, considera la impredecibilidad de las neuronas como un problema de ingeniería que hay que ajustar de forma sistemática.
For robots, the most visible step is the dog. Cortical Labs used the firing rate of its cultured neurons to steer a robot dog through a small space. Brett Kagan, the company's co-founder and CEO, puts the gap plainly: robots are now capable at physical control but "still struggle with the higher-order control required to learn quickly or adapt when conditions change." If researchers can reliably harness neurons' efficiency and their capacity to adapt, biological computing could one day be the preferred choice for machines working in unfamiliar conditions far from home. That is a long road: the sources note that keeping the tissue alive remains a challenge, and none of these demonstrations suggests that biological computers will soon run warehouses or drive taxis.
En robótica, el paso más visible es el perro. Cortical Labs utilizó la tasa de disparo de sus neuronas cultivadas para dirigir a un perro robot por un espacio reducido. Brett Kagan, cofundador y consejero delegado de la empresa, resume la brecha sin rodeos: los robots son hoy capaces en el control físico, pero «todavía tienen dificultades con el control de nivel superior que se requiere para aprender rápidamente o adaptarse cuando cambian las condiciones». Si los investigadores logran aprovechar de forma fiable la eficiencia de las neuronas y su capacidad de adaptación, la computación biológica podría algún día convertirse en la opción preferida para máquinas que trabajen en condiciones desconocidas, lejos de casa. Aún queda un largo camino: las fuentes señalan que mantener vivo el tejido sigue siendo un reto, y ninguna de estas demostraciones sugiere que los ordenadores biológicos vayan a gestionar pronto almacenes o a conducir taxis.