Prosociality by Coupling, Not Mere Observation: Homeostatic Sharing in an Inspectable Recurrent Artificial Life Agent

Título del Estudio

Prosocialidad por Acoplamiento, no por Mera Observación: Compartición Homeostática en un Agente de Vida Artificial Recurrente Inspectable

1. El Problema

En los sistemas de inteligencia artificial y vida artificial (ALife), es trivializar la "prosocialidad" (comportamiento de ayuda). A menudo, los agentes ayudan porque su función de recompensa incluye explícitamente el bienestar de otros, o porque el espacio de acciones está codificado para favorecer movimientos de ayuda. Esto hace que sea difícil distinguir si un agente ayuda porque "siente" la necesidad del otro o simplemente porque su arquitectura lo obliga.

El problema central abordado es la distinción entre:

1. Acceso cognitivo: Observar el estado interno de otro agente (saber que está en apuros).
2. Acoplamiento homeostático: Que la necesidad de otro afecte directamente la regulación interna y el control del propio agente.

El objetivo del autor es determinar si la mera observación es suficiente para generar comportamiento prosocial, o si es necesario un mecanismo de acoplamiento que integre la necesidad del otro en la propia homeostasis del agente.

2. Metodología

El estudio se basa en una extensión de ReCoN-Ipsundrum, un controlador recurrente pequeño e inspectable.

• Arquitectura Base: Se utiliza un controlador recurrente con un bucle de persistencia (inspirado en la hipótesis del "ipsundrum" de Humphrey) y un proxy afectivo.
• Extensión Social: Se añade un estado de recurso homeostático explícito y un canal de acoplamiento social.
  • Ecuación Clave: La distress (angustia) acoplada se calcula como $d_{cpl} = d_{self} + \lambda \cdot d_{other}$, donde $\lambda$ es la fuerza del acoplamiento afectivo y $d_{other}$ es la estimación de la energía del socio.
  • Restricción Crítica: El planificador es estrictamente autodirigido. El agente solo evalúa y maximiza su propio estado interno predicho (valor, arousal, error de presupuesto corporal). No se introduce ninguna recompensa externa por el bienestar del socio ni términos de "ayuda" directos.
• Entornos de Prueba:
  1. FoodShareToy (Un paso): Un agente posee comida y debe elegir entre comer (EAT), pasar (PASS) o quedarse (STAY). El socio es pasivo. Se utiliza un solucionador exacto para encontrar el umbral de cambio.
  2. SocialCorridorWorld (Múltiples pasos): Un entorno de corredor 1D donde el agente debe buscar comida, cruzar un peligro y entregarla al socio. Requiere planificación secuencial (horizonte de 10 pasos en episodios de 18).
• Condiciones Experimentales: Se comparan cuatro condiciones:
  • Ninguna: Sin acceso al socio.
  • Cognitiva: Acceso directo al estado del socio, pero sin acoplamiento ($\lambda=0$).
  • Afectiva: Acceso directo al homeostato con acoplamiento ($\lambda > 0$).
  • Completa: Acceso directo + acoplamiento.
• Lesiones: Se realizan pruebas de ablación (lesiones) para verificar la causalidad:
  • Sham (Falsa): Control.
  • Acoplamiento apagado: Se elimina el canal de acoplamiento.
  • Socio aleatorizado: Se inyecta una señal de energía incorrecta del socio.

3. Contribuciones Clave

1. Replicación Mecanicista Mínima: Logra aislar y descomponer la distinción entre observación y acoplamiento en un controlador recurrente especificado a mano, sin aprendizaje por refuerzo complejo.
2. Solución Exacta en Un Paso: Demuestra un umbral matemático exacto ($\lambda^* \approx 0.91$) en el que el comportamiento cambia de egoísta a prosocial en un entorno trivial.
3. Validación Causal mediante Lesiones: Muestra que eliminar el canal de acoplamiento elimina la ayuda, mientras que mantener el acceso cognitivo pero sin acoplamiento no produce ayuda.
4. Límites Ecológicos: Identifica que la prosocialidad no es un parámetro universal "más es mejor", sino que depende de la carga metabólica y el horizonte temporal.

4. Resultados Principales

• Acceso Cognitivo Insuficiente: En ambas condiciones (Ninguna y Cognitiva Directa), donde $\lambda=0$, el agente nunca ayuda. La mera observación del estado del socio no altera la decisión de acción; el agente sigue maximizando su propia regulación.
• El Poder del Acoplamiento: En las condiciones Afectiva y Completa ($\lambda > 0$), el agente siempre ayuda. La distress del socio se integra en la propia función de error homeostático del agente, haciendo que "ayudar" sea la opción óptima para su propia regulación.
  • En FoodShareToy, el cambio de EAT a PASS ocurre exactamente en $\lambda \approx 0.91$.
  • En SocialCorridorWorld, el acoplamiento aumenta la tasa de ayuda de 0 a 1, reduce la latencia de rescate de 18 a 9 pasos y duplica la viabilidad mutua (de 0.15 a 0.33).
• Efecto de las Lesiones:
  • Las lesiones Sham preservan la ayuda.
  • Las lesiones de Acoplamiento apagado y Socio aleatorizado eliminan completamente la ayuda, devolviendo el comportamiento al patrón egoísta. Esto confirma que la ayuda depende de la integridad del canal de acoplamiento, no de la mera presencia de datos.
• Dependencia de la Carga Metabólica:
  • Bajo baja carga metabólica, la ayuda aparece con $\lambda \ge 0.25$.
  • Bajo carga media y alta, ningún valor de $\lambda$ probado logra rescatar al socio dentro del horizonte temporal. La ayuda es posible solo si el costo ecológico lo permite.

5. Significado e Implicaciones

• Distinción Filosófica y Técnica: El estudio demuestra que en esta arquitectura, "saber" que otro sufre no es suficiente para ayudar. La ayuda surge solo cuando la necesidad del otro se convierte en parte del problema de control propio (regulación homeostática). Esto separa conceptualmente la "representación" de la "acoplamiento regulatorio".
• Método para ALife: El trabajo propone un enfoque metodológico donde la vida artificial actúa como "filosofía experimental". Al usar modelos pequeños, inspectables y con solucionadores exactos, se pueden probar hipótesis sobre la conciencia y la empatía mediante intervenciones mecánicas (lesiones, cambios de parámetros) en lugar de inferencias cualitativas.
• Limitaciones y Futuro: El modelo no implica empatía humana ni conciencia. Es un hallazgo sobre arquitectura de control. Las limitaciones incluyen la falta de aprendizaje, memorias autobiográficas y socios pasivos. Sin embargo, su simplicidad es su mayor fortaleza, permitiendo una legibilidad causal total que modelos más complejos no ofrecen.

En conclusión, el artículo establece que la prosocialidad en sistemas artificiales mínimos no es un subproducto de la observación, sino una consecuencia directa de rutear la necesidad del otro hacia la propia homeostasis del agente.