Técnicamente, un engrama es el rastro físico o bioquímico de la memoria en el cerebro. No es una entidad discreta y localizable, sino una red distribuida de cambios sinápticos y neuronales que, al ser reactivados, permiten la recuperación de una memoria específica. Implica modificaciones en la fuerza de las conexiones sinápticas (potenciación a largo plazo o LTP, y depresión a largo plazo o LTD), la formación de nuevas sinapsis, e incluso cambios estructurales en las neuronas, como la arborización dendrítica. La consolidación de la memoria es el proceso por el cual las memorias a corto plazo se transforman en engramas estables a largo plazo.
Aunque el concepto de engrama es fundamentalmente biológico y neurocientífico, su estudio ha inspirado el diseño de arquitecturas de sistemas de inteligencia artificial y aprendizaje automático. Por ejemplo, las redes neuronales artificiales (ANNs) y, en particular, las redes de Hopfield, pueden verse como modelos computacionales que intentan emular la formación y recuperación de engramas. En estas redes, la 'memoria' se distribuye a través de los pesos de las conexiones entre las neuronas, y la recuperación se logra mediante la convergencia a un estado estable que representa un patrón aprendido. Otro ejemplo son los sistemas de memoria asociativa que buscan almacenar y recuperar información basándose en la similitud de patrones, reflejando la naturaleza distribuida y asociativa de los engramas biológicos.
Para un arquitecto de sistemas, comprender el concepto de engrama, aunque sea una analogía, es crucial para diseñar sistemas de IA que manejen la persistencia, la recuperación y la adaptabilidad del conocimiento. Inspirarse en la naturaleza distribuida y resiliente de los engramas puede llevar a arquitecturas de sistemas de memoria y aprendizaje más robustas y escalables. Los trade-offs incluyen la complejidad de implementar modelos de memoria distribuida frente a la simplicidad de bases de datos centralizadas, y la capacidad de un sistema para 'olvidar' o 'reaprender' de manera eficiente. La resiliencia ante fallos parciales y la capacidad de generalización son beneficios clave que se pueden derivar de arquitecturas que emulan la distribución y la plasticidad de los engramas.