La neurona de McCulloch y Pitts es un modelo matemático de la neurona como interruptor lógico: recibe señales binarias, cuenta cuántas entradas excitatorias están activas y «dispara» si ese número alcanza un umbral. Warren McCulloch y Walter Pitts la propusieron en 1943 no como el plano de una máquina sino como una teoría de cómo el tejido nervioso puede hacer lógica (McCulloch y Pitts, 1943; Mollick, 2026).
Cómo funciona
El artículo parte de cinco supuestos: la actividad de la neurona es de «todo o nada»; para excitarla hace falta un número fijo de sinapsis activas dentro de un breve período de suma; el único retardo relevante es el sináptico; cualquier sinapsis inhibitoria activa impide absolutamente el disparo; y la estructura de la red no cambia con el tiempo (McCulloch y Pitts, 1943, sec. 2). En términos actuales, es una neurona artificial con pesos iguales a 1, una función de activación escalón y un veto inhibitorio.
Con dos entradas y umbral 2, la unidad computa la conjunción; con umbral 1, la disyunción; la inhibición da la negación. Witten et al. (2017) muestran por qué basta una unidad para AND, OR y NOT pero no para el o-exclusivo: los tres primeros casos se pueden separar con una recta y XOR no. XOR se obtiene componiendo unidades, como (a ∨ b) ∧ ¬(a ∧ b), y dos capas alcanzan para cualquier fórmula proposicional, que es en el fondo la forma normal disyuntiva (2017, pp. 262–263).
Lógica hecha de neuronas
El resumen del artículo lo dice sin rodeos: por el carácter de «todo o nada» de la actividad nerviosa, «neural events and the relations among them can be treated by means of propositional logic» (McCulloch y Pitts, 1943). Cada neurona corresponde a una proposición («la neurona i dispara en el instante t») y la notación viene del Lenguaje II de Carnap y de los Principia de Whitehead y Russell, con sus puntos incluidos (McCulloch y Pitts, 1943, sec. 2). No citan a Boole, aunque su álgebra (Boole, 1854) es la raíz de esa tradición (Mollick, 2026). Como curiosidad genealógica, Geoffrey Hinton, uno de los padres del aprendizaje profundo, es tataranieto de Boole (2026).
Las redes sin circuitos corresponden a fórmulas proposicionales con referencia temporal. Las redes con circuitos son más interesantes: la actividad puede reverberar, lo que da memoria, y los autores sostienen que una red provista de una cinta computa exactamente los números computables por una máquina de Turing, lo que les parece una «justificación psicológica» de la definición de Turing (McCulloch y Pitts, 1943, sec. 3). En 1956, Stephen Kleene caracterizó qué secuencias de estímulos pueden reconocer estas redes y, en el camino, inventó las expresiones regulares (Kleene, 1956): los lenguajes regulares, el escalón más bajo de la jerarquía que Chomsky usaría contra los modelos de Markov del inglés (ver Modelo de n-gramas), nacieron de analizar neuronas de McCulloch y Pitts.
Límites
La unidad no aprende: los umbrales y las conexiones los fija quien diseña la red. El paso siguiente fue el del perceptrón de Rosenblatt, que agregó pesos ajustables a partir de ejemplos; Buckner (2024) ubica a McCulloch y Pitts al comienzo de la «primera ola» de las redes neuronales, justamente porque mostraron que un modelo simple de umbral podía computar operaciones lógicas básicas (2024, pp. 119–120). Los supuestos biológicos (tiempo discreto, inhibición absoluta, señales binarias) eran idealizaciones fuertes incluso para la neurofisiología de la época.
Aun así, la idea de que operaciones lógicas complejas pueden surgir de muchos componentes simples bien conectados inspiró directamente tanto a John von Neumann como a Frank Rosenblatt; es decir, a las dos tradiciones que produjeron la arquitectura de la computadora digital y las redes profundas (Buckner, 2024, p. 9). Para aquellos pioneros, la analogía entre computadoras y cerebros era fuerte y replicar la inteligencia humana en programas parecía obvio (M. Mitchell, 2019, ch. 1); en este modelo, circuito lógico y neurona todavía coincidían.