Active Inference with a Self-Prior in the Mirror-Mark Task

Este estudio presenta un modelo computacional basado en el principio de inferencia activa y un "prior de sí mismo" que permite a un agente simulado reconocer y eliminar una marca en su propio cuerpo reflejado en un espejo sin recompensas externas, ofreciendo así una explicación unificada sobre los orígenes del desarrollo de la autoconciencia.

Lo esencial

Imagina que eres un bebé recién nacido frente a un espejo. No sabes quién eres, no tienes un manual de instrucciones y nadie te ha dicho: "Oye, tienes una mancha en la nariz, límpiatela". Sin embargo, de repente, tu mano se mueve hacia tu cara y borras la mancha. ¿Cómo ocurre esto?

Este paper de investigación explica cómo una computadora (un "bebé simulado") aprende a hacer exactamente eso, no porque alguien le dé una recompensa (como un caramelo), sino porque su cerebro interno siente que algo no encaja.

Aquí tienes la explicación sencilla, usando analogías cotidianas:

1. El Problema: ¿Por qué nos tocamos la nariz?

En la vida real, los científicos usan la "prueba de la marca" (poner un punto de pintura en la frente de un animal o bebé) para ver si se reconocen en el espejo. Si se tocan la frente, significa que entienden: "Ese reflejo soy yo".

Los modelos de computadora anteriores solían ser como robots muy tontos que necesitaban un programador humano que les dijera: "Si ves un punto rojo en el espejo, calcula las coordenadas y mueve la mano a la posición X". Necesitaban reglas externas.

Este estudio pregunta: ¿Puede un robot aprender esto solo, sin reglas, solo "sintiendo" que algo está mal?

2. La Solución: El "Prior de Sí Mismo" (La Memoria de lo Familiar)

Los autores crearon un modelo llamado "Self-Prior" (Prior de Sí Mismo). Imagina que este robot tiene un diario mental o una memoria de lo normal.

• La analogía de la ropa: Imagina que siempre te vistes con la misma ropa cómoda. Tu cerebro sabe exactamente cómo se siente y se ve esa ropa. Si un día te pones un sombrero gigante y extraño, tu cerebro dice: "¡Eso no es normal! No encaja con mi 'yo' habitual".
• El funcionamiento: El robot pasa mucho tiempo mirándose al espejo y moviéndose, pero sin pegatinas. Aprende cómo se ve y se siente su cuerpo "normal". Crea una "nube de probabilidad" de lo que es suyo.

3. El Momento "¡Ajá!": Cuando aparece la pegatina

Un día, ponen una pegatina en la cara del robot.

• El robot mira al espejo.
• Su "diario mental" (el Self-Prior) compara lo que ve con lo que sabe que es normal.
• Resultado: ¡Alerta! Hay una discrepancia. La pegatina es algo "raro" que no pertenece a su memoria de "cuerpo normal".
• La acción: El robot no necesita que nadie le diga qué hacer. Su única misión es reducir esa sensación de "raro". Para que el mundo vuelva a ser "normal" (bajar la tensión interna), la única solución lógica es quitar la pegatina.

Es como cuando tienes un cosquilleo molesto en la piel: no necesitas un manual para saber que debes rascarte. Tu cuerpo simplemente quiere volver a la comodidad.

4. ¿Cómo lo hace sin tocar? (El truco de los sentidos)

Lo más impresionante es que el robot no tiene sentido del tacto en esta simulación. Solo usa:

1. Vista: Ve la pegatina en el espejo.
2. Propiocepción: Sabe dónde están sus articulaciones (como saber dónde está tu mano sin mirarla).

El robot aprende a conectar estos dos mundos: "Cuando veo esto en el espejo y siento que mi brazo está en esta posición, entonces mi mano está tocando mi cara". Es como si aprendiera a traducir el lenguaje de los ojos al lenguaje de los músculos.

5. Los Resultados: ¡Funciona!

• Éxito: El robot logró quitar la pegatina en el 70% de las veces, solo guiado por su deseo interno de que las cosas volvieran a ser "normales".
• La prueba de fuego: Los científicos midieron la "energía de confusión" (llamada Free Energy). Cuando el robot quitó la pegatina, esa energía bajó drásticamente. Esto confirma que el robot no estaba moviéndose al azar; estaba buscando activamente aliviar la sensación de que algo estaba mal.

En resumen

Este estudio nos dice que la autoconciencia podría no ser un "superpoder" mágico, sino simplemente un mecanismo de ajuste fino.

Imagina que tu mente es un músico que toca una canción familiar. Si alguien pone un instrumento desafinado en la banda (la pegatina), el músico no necesita un director de orquesta para decirle qué hacer; su instinto natural es arreglar la nota falsa para que la música vuelva a sonar bien.

Los autores proponen que, de la misma manera, los bebés (y quizás los robots) aprenden a reconocerse a sí mismos no porque se les enseñe, sino porque su cerebro busca constantemente la coherencia entre lo que ven y lo que sienten. Cuando algo rompe esa armonía, actúan para restaurarla.

¿Qué significa esto para el futuro?
Sugiere que la inteligencia y la conciencia podrían surgir de la simple necesidad de que el mundo tenga sentido para nosotros, sin necesidad de recompensas externas como premios o castigos. Es una visión muy elegante de cómo nacemos sabiendo quiénes somos.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Active Inference with a Self-Prior in the Mirror-Mark Task", traducido y estructurado al español:

Resumen Técnico: Inferencia Activa con un "Self-Prior" en la Tarea de la Marca en el Espejo

1. Planteamiento del Problema

La prueba de reconocimiento de espejo (o prueba de la marca) es un indicador fundamental de la autoconciencia, donde un sujeto toca una marca en su propio cuerpo visible solo a través de un reflejo. Desde una perspectiva computacional, existe una brecha explicativa: ¿por qué la detección de una anomalía visual en el espejo conduce espontáneamente a una acción dirigida al propio cuerpo sin recompensas externas ni objetivos explícitos?
Los modelos computacionales anteriores solían depender de transformaciones explícitas de coordenadas o módulos intermedios diseñados manualmente para distinguir entre "yo" y "otro". El desafío central es lograr que la conducta de eliminar la marca emerja únicamente de la experiencia del agente, sin recompensas externas ni instrucciones directas.

2. Metodología

Los autores proponen un marco basado en el Principio de Energía Libre y la Inferencia Activa, integrando un nuevo componente llamado "Self-Prior" (Prioridad del Yo).

• Entorno de Simulación:

  • Se utilizó una plataforma de simulación de un infante (basada en MuJoCo) sentado frente a un espejo.
  • El agente posee 12 grados de libertad (cuello, hombros, codos) y actúa mediante motores virtuales.
  • Entradas: Visión (cámara RGB en el ojo derecho) y propiocepción (ángulos de las articulaciones).
  • Restricción clave: No se proporciona entrada táctil, obligando al agente a depender exclusivamente de la visión y la propiocepción para localizar y eliminar la marca.

• Arquitectura del Modelo:
  El sistema se basa en STORM (una extensión de DreamerV3 con Transformers) y consta de tres módulos principales:

  1. Modelo del Mundo: Un autoencoder variacional (VAE) categórico que comprime las observaciones visuales y propioceptivas en un estado latente discreto, utilizando un Transformer para la predicción temporal.
  2. Self-Prior (Prioridad del Yo): Un modelo de densidad implementado como un Transformer tipo GPT. Aprende la distribución de las experiencias multisensoriales familiares del agente (estados sin marcas). Funciona como un criterio interno que evalúa qué tan bien una observación actual coincide con la "imagen familiar de uno mismo".
  3. Red de Política: Selecciona acciones minimizando la Energía Libre Esperada (EFE). La EFE se calcula comparando los estados latentes futuros imaginados con el Self-Prior.

• Mecanismo de Aprendizaje:

  • El agente entrena en tres etapas progresivas: primero el modelo del mundo, luego el Self-Prior (entrenado principalmente con datos sin marcas, ignorando intencionalmente el 95% de los episodios con marcas), y finalmente la política.
  • La motivación para la acción surge intrínsecamente: cuando aparece una marca, la observación actual se desvía de la distribución aprendida por el Self-Prior, generando una alta energía libre. El agente actúa para reducir esta discrepancia, moviéndose hacia la marca para restaurar el estado familiar (sin marcas).

3. Contribuciones Clave

• Emergencia de Conducta sin Recompensa Externa: Demuestran que la conducta dirigida a la marca puede surgir espontáneamente mediante la minimización de la energía libre, sin necesidad de señales de recompensa externas ni módulos de detección de anomalías explícitos.
• El Self-Prior como Esquema Corporal Probabilístico: El modelo propone que el Self-Prior actúa funcionalmente como un "esquema corporal", capturando asociaciones cruzadas (visión-propiocepción) y sirviendo como criterio interno para distinguir lo propio de lo ajeno.
• Unificación de Detección y Acción: A diferencia de modelos previos que separan la detección de la anomalía de la generación de la acción, este enfoque unifica ambos procesos bajo el principio de minimización de la energía libre esperada desde entradas sensoriales crudas.

4. Resultados

• Éxito en la Eliminación: El agente simulado logró detectar y eliminar una marca (pegatina) de su propio rostro en aproximadamente el 70% de los casos, sin instrucciones explícitas.
• Reducción de la Energía Libre: Se observó una disminución significativa en la Energía Libre Esperada después de la eliminación de la marca (promedio de 12.00 unidades menos), confirmando que el agente percibía la marca como una anomalía que aumentaba la incertidumbre o el error de predicción.
• Aprendizaje de Asociaciones Cruzadas: El modelo demostró capacidad para reconstruir la apariencia visual del cuerpo basándose únicamente en la propiocepción, lo que indica que el Self-Prior ha aprendido la correlación entre el movimiento corporal y la imagen visual.
• Dinámica de Aprendizaje: A medida que avanzaba el entrenamiento, la distancia media entre la mano y la marca disminuía progresivamente, incluso antes de que la tasa de éxito de eliminación fuera alta, sugiriendo una localización temprana de la anomalía.

5. Significado e Implicaciones

• Orígenes de la Autoconciencia: El estudio sugiere que el Principio de Energía Libre puede servir como una hipótesis unificadora para entender los orígenes del desarrollo de la autoconciencia. La capacidad de distinguir "yo" de "no-yo" emerge de la densidad de las experiencias sensoriales familiares.
• Nivel de Autoconciencia: Según la escala de Rochat, el modelo alcanza el Nivel 3 (Identificación), donde la imagen reflejada se vincula al propio cuerpo, implementando la teoría inductiva del reconocimiento en el espejo (ajuste kinestésico-visual).
• Limitaciones y Futuro: El modelo se limita a un entorno simulado y no incluye entrada táctil, lo cual podría ser crucial para una generalización completa. Además, el éxito se estanca en el 70% debido a limitaciones cinemáticas y de visibilidad. Futuras investigaciones buscarán integrar el tacto y validar estos hallazgos en robots reales y datos de desarrollo infantil.

En conclusión, este trabajo ofrece una explicación computacional concisa de cómo un agente puede desarrollar una conducta orientada a la auto-referencia (eliminar una marca en el espejo) basándose únicamente en la discrepancia entre su estado actual y un modelo interno de su "yo" habitual, sin necesidad de supervisión externa.