La visió biològica no és una cadena en què la informació només avança: les àrees superiors del cervell tornen senyals cap a les primeres etapes del processament, el que s'anomena retroalimentació descendent. Molts sistemes de visió artificial no ho tenen. I el cervell té una altra característica, la variabilitat neuronal, és a dir, les fluctuacions a l'atzar de l'activitat de les neurones. Un equip de l'Institut Hertie de Recerca Clínica del Cervell, a Tubinga, es va preguntar si combinar totes dues coses podia fer més fiable una xarxa neuronal.
L'estudi, signat per Antonino Greco, Markus Siegel, Marco D'Alessandro, Giovanni Pezzulo i Karl J. Friston, s'ha publicat a la revista revisada per parells «Patterns» (DOI 10.1016/j.patter.2026.101693). Els autors van entrenar xarxes neuronals per reconèixer imatges, amb retroalimentació i sense, i per simular la variabilitat van desactivar unitats de la xarxa a l'atzar durant l'entrenament. Després van provar-ne la resistència al soroll de la imatge, a canvis dissenyats expressament per provocar errors i a imatges diferents de les de l'entrenament.
El resultat és que la retroalimentació sola aporta pocs beneficis, però combinada amb l'entrenament amb aleatorietat les xarxes resulten substancialment més robustes en totes les proves. Segons l'anàlisi dels autors, la variabilitat evita que les unitats depenguin massa les unes de les altres, i la retroalimentació organitza l'activitat col·lectiva en patrons més estables i compactes. «La retroalimentació només esdevé efectiva quan la xarxa ha après a conviure amb l'aleatorietat», diu Greco.
Les conclusions tenen límits. La variabilitat neuronal es va modelar de manera simplificada, no com un model biològic complet, i la nota de premsa no dona xifres d'encert, de manera que no es pot calibrar la dimensió de la millora. Els autors presenten el resultat com una via per a treballs futurs, no com una solució llesta per usar en sistemes reals.