Un sistema donde redes neuronales se "reproducen" —población inicial aleatoria, cruza de parámetros entre las mejores, competencia por aptitud y mutación— puede evolucionar redes cada vez más capaces sin un solo paso de gradiente descendente. Selección natural aplicada a la IA. Y ya no es solo una idea de blog: tiene hitos verificados.

El más directo: las Self-Referential Graph HyperNetworks de Pedersen (ITU Copenhague) y Risi (Sakana AI), en ISAL 2025 (arXiv): meten variación y herencia dentro de la propia red, evolucionan gaits coherentes en Ant-v5 y —literal del paper— ningún update de gradiente forma parte del loop. Hasta la evolucionabilidad emerge como rasgo seleccionable.

Para seguridad, el marco importa más que el benchmark. Un sistema que reproduce, muta y selecciona opera fuera del control directo del entrenamiento: la aptitud la define quién diseña el experimento, pero la variación la genera el sistema. El trabajo SeRANN formalizó esa tensión como fertilidad × supervivencia.

Los pioneros ya vieron el filo: Chang y Lipson (2018, Columbia) advirtieron que la autorreplicación neuronal importa para seguridad informática —una IA capaz de ejecutar su código sin poder leerlo ni revertirlo, por voluntad propia o por un adversario. La Darwin Gödel Machine (Sakana/UBC, 2026), que reescribe su propio código para programar mejor (arXiv), dedica una sección a navegar esos riesgos y apenas explora contra-medidas.

El matiz honesto: todo ocurre en entornos controlados con sobres humanos —el archivo exterior de la DGM lo diseñan personas— y la descripción viral de "cruza e hijos" es el ciclo evolutivo clásico; lo novedoso verificado es interiorizarlo. De ahí a evolución abierta y salvaje hay un abismo de salvaguardas por construir.

La pregunta de seguridad queda servida: si el sistema evoluciona su propia evolucionabilidad, ¿quién fija la aptitud cuando el sistema ya no necesita entrenador? La otra cara existe: la misma vía podría dirigirse a mejorar seguridad e interpretabilidad. Por ahora es promesa, no programa.

Pieza compañera con el enfoque técnico, publicado hoy: Redes que se reproducen solas: hiperredes autorreferenciales evolucionan sin gradientes.

Fuentes
Aipost (Telegram) · arXiv (hiperredes autorreferenciales) · MIT Press / ISAL 2025 · arXiv (Darwin Gödel Machine)

Crédito de la imagen: Visualización de redes neuronales, Serenechan3 vía Wikimedia Commons, bajo licencia CC BY-SA 4.0.