La adopción generalizada de modelos de aprendizaje profundo (DL) en la investigación en neurociencia ha introducido una paradoja epistemológica fundamental: mientras que estos modelos demuestran un rendimiento notable en tareas de reconocimiento de patrones y predicción, su opacidad inherente contradice el objetivo fundamental de la neurociencia de comprender los mecanismos biológicos. Este artículo de revisión examina la creciente tendencia de utilizar modelos de DL para interpretar la dinámica neural y extraer información sobre la función cerebral, argumentando que la naturaleza de caja negra de estos modelos socava fundamentalmente su utilidad para la comprensión mecanicista. Exploramos la distinción entre rendimiento computacional y explicación científica, analizamos las limitaciones de las técnicas actuales de interpretabilidad y discutimos las implicaciones para la metodología de investigación en neurociencia. Proponemos que el campo debe evaluar críticamente si los modelos de DL pueden contribuir genuinamente a nuestra comprensión de los procesos neuronales o si simplemente proporcionan herramientas sofisticadas de ajuste que oscurecen en lugar de iluminar la biología subyacente.