Resumen Técnico: En Busca de los Ingredientes de la Apertura Infinita: Replicando Picbreeder con Grandes Modelos Visuales-Lingüísticos

Declaración del Problema

El artículo aborda el desafío de lograr apertura infinita artificial: la capacidad de un sistema autónomo para generar un suministro aparentemente interminable de artefactos novedosos y significativos sin intervención humana ni objetivos de optimización predefinidos. Si bien el aprendizaje automático depende en gran medida de conjuntos de datos estáticos, los cuales se están convirtiendo en un cuello de botella, los sistemas de apertura infinita prometen una generación continua de novedad. Sin embargo, la apertura infinita totalmente automatizada sigue siendo un "gran desafío".

Los autores postulan que Picbreeder, un sistema histórico con participación humana en el bucle donde los usuarios evolucionaron colaborativamente imágenes mediante redes neuronales (CPPN), sirve como un ejemplo canónico de descubrimiento de apertura infinita. La pregunta central de investigación es si los Grandes Modelos Visuales-Lingüísticos (VLM) pueden replicar el comportamiento de apertura infinita de los usuarios humanos en este entorno y, de ser así, qué ingredientes de diseño (memoria, exploración, diversidad) son necesarios para facilitarlo.

Metodología

Los autores implementaron una recreación totalmente artificial de Picbreeder, reemplazando a los usuarios humanos con VLM de vanguardia.

Arquitectura del Sistema

• Motor Subyacente: El sistema utiliza NEAT (Neuroevolución de Topologías Aumentadas) para evolucionar CPPN (Redes Productoras de Patrones Composicionales). Cada CPPN toma coordenadas $(x, y, r)$ como entrada y genera tono, saturación y brillo, produciendo imágenes de $128 \times 128$.
• Bucle del Agente: Una "sesión" consiste en un agente que ramifica desde una imagen existente o comienza desde una población aleatoria. El agente selecciona padres de una población de 15 imágenes, aplica mutaciones (y cruces) y evoluciona la población durante 20 generaciones. En la generación final, el agente selecciona una imagen para publicar en un archivo compartido y le asigna un título.
• Interfaz del Agente: Los agentes reciben una muestra del archivo (categorizada por mejor valoradas, mejores nuevas, más ramificadas, más recientes y aleatorias) y se les solicita que seleccionen padres, alternen modos de color/estructura y ajusten la fuerza de mutación. Deben proporcionar una justificación para sus decisiones.

Intervenciones Experimentales

Para identificar los "ingredientes" de la apertura infinita, los autores variaron tres parámetros clave:

1. Memoria (Longitud de Contexto, $CL$): El número de pasos de interacción anteriores incluidos en la ventana de contexto del agente.
   • $CL=0$: Solo es visible la población actual.
   • $CL=1$ (Predeterminado): Actual y una vuelta anterior.
   • $CL=20$ (Completo): Todo el historial de la sesión es visible, incluyendo un prompt específico que pide al agente justificar la novedad en relación con el archivo.
2. Exploración (Ruido de Selección, $\epsilon$): Una estrategia $\epsilon$-greedy donde, con probabilidad $\epsilon$, la selección del agente se reemplaza por una acción aleatoria (selección aleatoria de padres, configuraciones de mutación aleatorias o alternancia del modo de color).
3. Diversidad Multiagente ($N_A$): El número de "personalidades" distintas asignadas a los agentes. Los rasgos de personalidad (por ejemplo, "Estás buscando el equivalente visual de una sirena aullante") fueron generados por un LLM y añadidos al inicio del prompt del sistema para simular estilos de juego diversos.

Métricas de Evaluación

Los autores desarrollaron métricas para cuantificar el "factor X" del archivo humano:

• Recuerdo Semántico: La capacidad de redescubrir objetos conocidos (basado en el conjunto de datos THINGS) midiendo la distancia coseno mínima entre las imágenes del archivo y las incrustaciones de clase en un espacio conjunto texto-visión (SigLIP2-B).
• Novedad Visual y Semántica: Medida mediante el radio de cobertura $k$ en espacios de incrustación (SigLIP-2-B-alignet para imágenes, gemini-embedding-001 para subtítulos). Esto cuantifica qué tan bien el archivo cubre el espacio de formas posibles.
• Equilibrio del Árbol Filogenético ($J_1$): Una medida de la diversidad de la línea evolutiva, que evalúa si los agentes se ramifican desde una amplia variedad de ancestros o repetidamente desde las mismas pocas imágenes.

Resultados Clave

1. Compensación entre Exploración y Calidad

• Ruido ($\epsilon$): Introducir pequeñas cantidades de ruido exploratorio ($\epsilon \approx 0.25$) aumentó la diversidad del archivo (Cobertura Visual/Semántica) y evitó el colapso de modos. Sin embargo, niveles de ruido más altos ($\epsilon \ge 0.5$) degradaron la legibilidad y el recuerdo semántico de las imágenes.
• Observación: Aunque el ruido aumentó la diversidad filogenética (los agentes se ramificaron desde fuentes más variadas), no aumentó necesariamente la diversidad genética de una manera que condujera a una variación significativa y profunda a largo plazo. Los VLM exhibieron un "favoritismo terco", seleccionando consistentemente formas específicas incluso en conjuntos ruidosos.

2. El Papel de la Memoria (Longitud de Contexto)

• $CL=0$: Los agentes sufrieron un severo colapso de modos, publicando duplicados y variaciones casi idénticas, resultando en un bajo recuerdo semántico.
• $CL=1$: Sorprendentemente efectivo. Un solo paso de contexto fue suficiente para prevenir la repetición inmediata y obtuvo las puntuaciones más altas de recuerdo semántico.
• $CL > 1$: Aumentar la longitud del contexto generalmente degradó el rendimiento. $CL=2$y$CL=10$ condujeron a "comportamiento patológico", incluida sobrecarga de información, imágenes más desordenadas y bucles de auto-sycofancia donde los agentes reforzaron sus propios sesgos.
• $CL=20$: Si bien las métricas de diversidad alcanzaron su punto máximo (probablemente debido al prompt explícito de novedad), el recuerdo semántico permaneció más bajo que en $CL=1$, y las imágenes a menudo eran abstractas o ruidosas.

3. Dinámicas Multiagente

• Diversidad: Aumentar el número de agentes ($N_A$) mejoró significativamente la Cobertura Visual y Semántica y el Equilibrio del Árbol.
• Artefactos Adversarios: En conteos altos de agentes ($N_A = 1,000$), el archivo se llenó de patrones de alta frecuencia, ininterpretables y "psicodélicos". Estas imágenes actuaron como hubs adversarios, satisfaciendo simultáneamente las preferencias abstractas y conflictivas de muchos agentes diferentes. Si bien estas imágenes lograron puntuaciones altas de Cobertura Semántica, eran cualitativamente no descriptivas y ruidosas.

4. Comparación con la Línea Base Humana

El archivo humano histórico dominó la mayoría de las métricas, particularmente en el Recuerdo Semántico y el refinamiento de las imágenes. Los humanos demostraron una capacidad para "saltos audaces" en el espacio semántico (por ejemplo, saltar de una cara a un coche), mientras que los VLM tendieron a dar pasos más pequeños e incrementales (por ejemplo, cara $\to$ ojo $\to$ rana $\to$ coche).

Significado y Afirmaciones

El artículo afirma que la apertura infinita totalmente automatizada aún no ha sido lograda por los VLM, incluso con modelos de última generación. Sin embargo, el estudio proporciona un marco para comprender las condiciones necesarias:

1. Memoria Mínima es Óptima: Contrario a la intuición de que más historia ayuda al razonamiento, los autores encontraron que un contexto excesivo conduce a un comportamiento patológico y colapso de modos. Un contexto mínimo ($CL=1$) fue suficiente para un rendimiento óptimo.
2. La Exploración es un Arma de Doble Filo: Si bien es necesaria para escapar de óptimos locales, demasiado ruido degrada la calidad de los artefactos.
3. Diversidad sin Cohesión: Los sistemas multiagente aumentan la cobertura del espacio de búsqueda pero pueden conducir a la propagación de imágenes "adversarias" que satisfacen a muchos agentes pero carecen de significado semántico.
4. La Brecha del "Factor X": Los autores concluyen que los VLM actualmente carecen de la "audacia y discernimiento" de los usuarios humanos. Si bien pueden ser guiados para producir artefactos diversos, luchan por generar las "piedras de paso" de novedad de alta calidad y semánticamente coherente que caracterizan la búsqueda de apertura infinita impulsada por humanos.

El trabajo sugiere que para lograr una apertura infinita a nivel humano, los sistemas futuros podrían necesitar combinar estas intervenciones cuidadosamente e incorporar potencialmente estudios con usuarios para calibrar las métricas, en lugar de depender únicamente de la optimización automatizada. El código se pone a disposición para facilitar más investigación sobre los "ingredientes" de la apertura infinita.