Una convolución recorre la entrada (una imagen, una señal de audio) con un filtro pequeño: en cada posición, multiplica los valores de un vecindario por los pesos del filtro y los suma. En una dimensión:
y[n] = Σₖ w[k] · x[n + k], con k entre −K y K
(Witten et al., 2017, p. 440). El resultado es un «mapa de rasgos» que indica dónde se detectó el patrón (un borde vertical, una curva). Como el mismo filtro se aplica en todas partes, los pesos se comparten: una red convolucional tiene muchísimos menos parámetros que una totalmente conectada, y cada neurona responde solo a su «campo receptivo» (Witten et al., 2017, pp. 438–440; Chollet, 2021, sec. 8.1.1). (Técnicamente, lo que se calcula es una correlación cruzada, pero el nombre quedó.)
Genealogía. Hubel y Wiesel encontraron en la corteza visual del gato células «simples», sensibles a un borde en una posición, y «complejas», sensibles al mismo borde en posiciones cercanas (Hubel y Wiesel, 1962). Fukushima trasladó esa división a su Neocognitrón: nodos que convolucionan y nodos que agregan (Fukushima, 1980; Buckner, 2024, pp. 122–124). Siguieron Red convolucional (LeNet), que leía cheques, y AlexNet, que en 2012 inauguró el auge del aprendizaje profundo. También son convolucionales las redes de política y valor de AlphaGo (Silver et al., 2016) y la U-Net de los modelos de difusión (Ho et al., 2020, sec. 4). Vision Transformer (ViT), en cambio, prescinde casi por completo de ellas.
Un sesgo incorporado. Convolución, pooling y conectividad local implementan dos supuestos: que las dependencias entre rasgos suelen ser locales y que un rasgo significa lo mismo dondequiera que aparezca (invariancia a la traslación) (Buckner, 2024, p. 130). Gary Marcus señaló esto como conocimiento innato de contrabando; Buckner (2024) responde que es un sesgo de dominio general, aplicable a cualquier dato con estructura local, y por lo tanto compatible con un empirismo moderado (2024, pp. 20–21) (ver empirismo vs innatismo).
Abstracción. Para Buckner (2024), los filtros convolucionales realizan una «abstracción como composición» (arman rasgos complejos con partes simples) y el pooling una «abstracción como sustracción»; apilados, forman «sándwiches» cada vez más abstractos (2024, p. 127). Ver abstracción.