🤖 machine learning

Building The Ph(ysical)AI Layer Of Machine Intelligence

Este artículo propone un modelo fundacional basado en principios entrenado exclusivamente con datos de radiofrecuencia utilizando principios de la teoría de señales, el cual logra una transferencia transmodal de cero disparos (zero-shot) efectiva hacia diversos dominios como el audio, las imágenes y el texto sin necesidad de ajuste fino, demostrando que codificar las leyes físicas permite una generalización eficiente al distinguir entre la comprensión física y la semántica.

Autores originales: Ulbert Jose Botero, Liam Smith, Brooks Olney, Pooya Khorrami, Steven Kusiak, Watson Jia, Sage Trudeau, Daniel Capecci

Publicado 2026-06-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ulbert Jose Botero, Liam Smith, Brooks Olney, Pooya Khorrami, Steven Kusiak, Watson Jia, Sage Trudeau, Daniel Capecci

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot cómo entender el mundo.

La mayoría de los robots de IA modernos aprenden memorizando ejemplos. Les muestras millones de fotos de gatos, perros y coches, y aprenden a reconocerlos detectando patrones estadísticos. Si luego les muestras una foto de un "gato" que nunca han visto, podrían confundirse porque el patrón no coincide perfectamente con su memoria. Son excelentes reconociendo lo que han visto, pero malos entendiendo las reglas de cómo funcionan las cosas.

Los investigadores de este artículo (del MIT Lincoln Laboratory) probaron un enfoque diferente. En lugar de memorizar ejemplos, le enseñaron al robot las leyes fundamentales de la física que rigen todas las señales.

Aquí tienes un desgierno sencillo de lo que hicieron y lo que encontraron:

1. La idea del "Traductor Universal"

Piensa en todos los datos del mundo —música, voz, imágenes, ondas de radio, terremotos— como diferentes tipos de música.

La voz es una canción cantada por un humano.
Las ondas de radio son una canción tocada por una máquina.
Los terremotos son una canción tocada por el suelo.

Aunque estas "canciones" suenen diferentes, todas siguen las mismas reglas matemáticas de la física. Todas tienen ritmo (tiempo), tono (frecuencia) y volumen (energía).

Los investigadores hipotetizaron que si enseñaban a una IA a entender estas reglas musicales universales, no importaría qué instrumento estuviera tocando la canción. La IA debería ser capaz de entender la "música" de una onda de radio y usar ese conocimiento para entender la "música" de una voz humana o de una imagen, sin haber visto nunca una foto o una voz antes.

2. El entrenamiento: Aprendiendo con "estática de radio"

Para probar esto, no le mostraron a la IA imágenes de gatos o libros. La entrenaron exclusivamente con datos de Radiofrecuencia (RF).

¿Por qué radio? Las señales de radio son increíblemente complejas. Rebotan en edificios, cambian de velocidad y se vuelven ruidosas. Es como entrenar a un músico haciéndole escuchar una estación de radio caótica y ruidosa durante horas. Si puede aprender a distinguir la melodía en ese caos, es un muy buen músico.
El resultado: La IA aprendió a descomponer estas señales de radio en sus componentes básicos (frecuencia, tiempo, energía) utilizando reglas matemáticas estrictas (como la Transformada de Fourier, que es solo una forma elegante de decir "descomponer un sonido complejo en notas simples").

3. El truco de magia: Transferencia de cero disparos (Zero-Shot Transfer)

Una vez que la IA fue entrenada en ondas de radio, los investigadores congelaron su cerebro. No permitieron que aprendiera nada nuevo. Luego le pidieron que realizara tareas que nunca había visto:

Reconocimiento de hablantes (¿Es esta voz masculina o femenina?).
Identificación de instrumentos musicales (¿Es una guitarra o un piano?).
Clasificación de imágenes (¿Es un gato o un perro?).
Detección de terremotos (¿Es un temblor o un camión pasando por ahí?).

La sorpresa: Aunque la IA nunca había visto una imagen o escuchado una voz humana durante su entrenamiento, se desempeñó sorprendentemente bien.

Fue excelente en tareas basadas en la estructura física (como reconocer un transmisor de radio específico o un terremoto específico). Obtuvo una precisión de aproximadamente el 84.5%.
Fue buena, pero no perfecta, en tareas basadas en el significado humano (como adivinar el género de una canción o el tema de un texto). Obtuvo una precisión de aproximadamente el 70%.

4. El gran descubrimiento: El límite entre lo "Físico" y el "Significado"

El artículo hace un punto crucial sobre por qué la IA funcionó bien en algunas cosas y no en otras.

Tareas físicas (El "Cómo"): La IA aprendió la física de la señal. Sabe que un tipo específico de terremoto crea un patrón de vibración específico, tal como un radio específico crea un patrón de señal específico. Debido a que las leyes de la física son las mismas en todas partes, la IA pudo transferir este conocimiento perfectamente.
Tareas semánticas (El "Qué"): La IA tuvo dificultades con cosas que requieren contexto humano. Por ejemplo, saber que una canción es "Jazz" no es solo cuestión de las ondas sonoras; es cuestión de cultura e historia humana. La IA aprendió la forma del sonido, pero no la historia detrás de él.

La analogía:
Imagina que la IA es un arquitecto maestro.

Si le muestras el plano de una casa (datos de radio), aprende las reglas de la gravedad, las vigas y los cimientos.
Si luego le muestras el plano de un puente (datos de terremoto) o una presa (sismología), puede entender instantáneamente cómo construirlo porque la física es la misma.
Sin embargo, si le pides que diseñe una casa que parezca "Victoriana" o "Moderna", podría tener dificultades. Sabe cómo construir la estructura, pero no entiende el estilo o el significado cultural de esas palabras.

5. Por qué esto es importante

Los investigadores construyeron un nuevo tipo de IA llamado PlanFormer.

Eficiencia: Es diminuta en comparación con otros modelos de IA famosos (como CLIP). Tiene 76 veces menos parámetros (células cerebrales) y, aun así, rinde igual de bien en tareas físicas.
La "Capa Física": Proponen que debemos construir la IA en capas. Primero, construir una "Capa Física" que entienda las leyes del universo (energía, simetría, ondas). Luego, construir una "Capa Semántica" encima de eso para entender el significado humano.

Resumen

El artículo afirma que no necesitas mostrarle a una IA millones de imágenes para enseñarle a ver. Si le enseñas las leyes matemáticas de cómo funcionan las señales (usando las ondas de radio como campo de entrenamiento), puede entender naturalmente la estructura física de las imágenes, los sonidos y las vibraciones.

Es como enseñar a alguien a nadar haciéndole practicar en una piscina con corrientes específicas. Una vez que dominan la física del agua, pueden nadar en el océano, en un lago o en un río, incluso si nunca han visto esos cuerpos de agua antes. Solo necesitan un poco de ayuda adicional para aprender la "cultura" del océano (la semántica), pero la natación (la física) surge de forma natural.

Resumen Técnico: Construyendo la Capa de la IA Física (Ph(ysical)AI) de la Inteligencia de Máquina

Planteamiento del Problema

Los modelos fundacionales actuales logran la generalización principalmente a través de paradigmas impulsados por la escala, dependiendo de cantidades masivas de datos multimodales emparejados y diversos para aprender correlaciones estadísticas. Aunque son efectivos dentro de sus distribuciones de entrenamiento, estos modelos enfrentan limitaciones significativas al transferirse a dominios verdaderamente desconocidos, particularmente cuando los datos de entrenamiento emparejados no están disponibles. Los autores argumentan que esta dependencia de la correlación estadística no logra capturar las leyes físicas fundamentales que gobiernan los datos estructurados a través de diferentes modalidades. El desafío central es desarrollar un modelo fundacional que pueda generalizar a través de dominios (por ejemplo, de señales de radiofrecuencia a audio, imágenes, texto) sin realizar un ajuste fino (fine-tuning) en el dominio objetivo, mediante la codificación de principios físicos universales en lugar de estadísticas específicas de un dominio.

Metodología: PlanFormer

Los autores proponen PlanFormer, un modelo fundacional impulsado por principios diseñado para codificar principios de la teoría de señales —específicamente la descomposición de Fourier, la conservación de la energía y la simetría— en lugar de aprender correlaciones estadísticas sin control. La metodología se basa en la hipótesis de que los dominios difieren no en la física fundamental, sino en transformaciones aprendibles de tiempo, frecuencia, magnitud o fase.

1. Dominio de Entrenamiento y Datos

El modelo es entrenado exclusivamente con datos de Radiofrecuencia (RF). Este dominio fue seleccionado por su excepcional diversidad de señales (contenido de frecuencia desde kHz hasta GHz, dinámicas temporales complejas y diversos tipos de transformaciones como desplazamientos Doppler) y su distancia contextual de los objetivos de evaluación (imágenes, voz, sismología, texto). Esta configuración sirve como una prueba rigurosa de transferencia transmodal, forzando al modelo a aprender propiedades de señal generales en lugar de atajos específicos de un conjunto de datos.

2. Arquitectura Co-diseñada (PlanFormer)

La arquitectura está co-diseñada con funciones de pérdida para asegurar la consistencia física. Los componentes clave incluyen:

Procesamiento de Doble Dominio: Las señales se procesan simultáneamente en los dominios del tiempo y la frecuencia. Las entradas de valores reales se convierten en representaciones analíticas de valores complejos mediante la transformación de Hilbert y se representan como pares de Fase/Cuadratura (IQ) entrelazados.
Pooling de Preservación de Frecuencia: Para evitar el sesgo espectral y la pérdida de información de alta frecuencia (que es crítica para aprender la equivariancia de la traslación de frecuencia), el modelo aplica un pooling promedio directamente sobre los espectros de valores complejos en el dominio de la frecuencia, en lugar de hacerlo en el dominio del tiempo o espacial.
Transformador de Parseval: El mecanismo de atención central es el Enfoque de Parseval Multicabezas (Multi-Head Parseval Focus).
- Enfoque de Covarianza Escalada: Reemplaza la atención estándar de producto punto con una atención basada en la covarianza para capturar relaciones funcionales (tendencias, covariación) en lugar de similitud instantánea.
- Atención Cruz-Dominio Bidireccional: Modela las relaciones entre los tokens de tiempo y frecuencia en ambas direcciones (Tiempo $\rightarrow$ Frecuencia y Frecuencia $\rightarrow$ Tiempo).
- Consistencia de Parseval: Impone la conservación de la energía entre dominios utilizando la Distancia de Jensen-Shannon (JSD) como una pérdida de regularización y un mecanismo de compuerta dinámica. Si una característica del dominio del tiempo atiende a una característica de la frecuencia, la relación inversa debe sostenerse con una fuerza equivalente.
- Enfoque Dinámico: Un mecanismo que agudiza la atención de forma adaptativa basándose en la distintividad de los tokens, inspirado en la carga neurocognitiva en entornos de baja relación señal-ruido (SNR).
Sumidero de Ruido (Noise Sink): Un módulo explícito que estima y elimina el ruido no correlacionado utilizando una convolución de punto ciego y restricciones de decorrelación de Pearson, permitiendo el aprendizaje en regímenes de SNR negativa.

3. Funciones de Pérdida Co-diseñadas

Los objetivos de entrenamiento están diseñados explícitamente para imponer simetrías físicas:

IsoFICReg (Regularización de Covarianza de Invarianza Focal Isotrópica): Una extensión de VICReg que impone invariancia a través de múltiples observaciones ruidosas del mismo emisor (integración coherente) mientras utiliza un reponderado focal para enfatizar las muestras de baja SNR.
LED (Diferencias Equivariantes Latentes): Aprende explícitamente cómo deben cambiar las representaciones bajo transformaciones (desplazamientos de frecuencia, desplazamientos de tiempo, rotaciones de fase). El modelo es entrenado para asegurar que aplicar una transformación al input produzca la misma diferencia latente que aplicar la transformación correspondiente al input limpio.
Objetivos Complementarios: Incluye pérdidas de separación de fuentes a nivel de token y de reconstrucción de doble dominio para preservar detalles específicos de la instancia.

Contribuciones Clave

Generalización Transmodal Zero-Shot: Los autores demuestran que el entrenamiento en un único dominio rico en señales (RF) permite una transferencia significativa a diversos dominios no vistos (audio, imágenes, texto, video) utilizando representaciones congeladas (sin ajuste fino del codificador).
Diseño Impulsado por Principios: Introducción de PlanFormer, que integra principios de la teoría de señales (descomposición de Fourier, teorema de Parseval, simetría) tanto en la arquitectura (pooling de preservación de frecuencia, procesamiento de doble dominio) como en las funciones de pérdida (IsoFICReg, LED).
Establecimiento del Límite Físico-Semántico: La evaluación sistemática revela una brecha de rendimiento distintiva: el modelo logra una alta precisión en tareas fundamentadas en la física (84.5% top-1) pero una precisión menor en tareas semánticas (70.0% top-1). Los autores postulan que esto es una característica, no un error, que delinea el límite donde el procesamiento de señales físicas termina y la abstracción semántica comienza.

Resultados

El modelo fue evaluado mediante linear probing en representaciones congeladas a través de 15 tareas diversas.

Desempeño:
- Tareas Físicas: Logró un 84.5% de precisión promedio top-1 (96.3% top-3) en tareas como reconocimiento de locutor, detección de eventos sísmicos y huella digital de RF.
- Tareas Semánticas: Logró un 70.0% de precisión promedio top-1 en tareas como clasificación de géneros musicales y reconocimiento de lenguaje.
- General: 77.7% de precisión promedio top-1 (91.9% top-3) a través de las 15 tareas.
Eficiencia: Con solo 1.99M de parámetros, PlanFormer es 76 veces más pequeño que CLIP ViT-B/32 y 11 veces más pequeño que DinoV3 ViT-S. Logra un desempeño competitivo en tareas físicas (84.5% vs 87.7% para CLIP) con un costo computacional significativamente menor (158 veces menos FLOPs que CLIP).
Comparación con Características Expertas: En tareas semánticas como el reconocimiento de lenguaje (69.8%) y género musical (64.1%), PlanFormer iguala o supera el desempeño de las características diseñadas por expertos (ej. MFCCs), a pesar de no haber tenido exposición previa a esos dominios específicos.
Reconstrucción Zero-Shot: A pesar de haber sido entrenado solo con datos de RF en 1D, el modelo puede realizar la reconstrucción de imágenes zero-shot preservando la coherencia estructural y las relaciones espaciales, confirmando el aprendizaje de características físicas transferibles.

Significado y Reivindicaciones

El artículo afirma establecer un nuevo camino, eficiente en recursos, para los modelos fundacionales que complementa el enfoque predominante impulsado por la escala. Al fundamentar los modelos en principios de la teoría de señales, los autores argumentan que:

Los principios físicos permiten una transferencia transmodal eficiente: Aprender las reglas de transformación en un dominio (RF) permite la generalización a cualquier dominio que comparta la misma estructura matemática, sin necesidad de conjuntos de datos masivos y emparejados.
Está emergiendo una arquitectura jerárquica para la IA: Los resultados sugieren una división del trabajo donde los "modelos fundacionales físicos" proporcionan una capa base que captura la estructura causal y las propiedades invariantes al dominio. El razonamiento semántico puede construirse entonces sobre esta capa física.
Definición de los límites del procesamiento de señales: La degradación sistemática del desempeño en tareas semánticas (vs. tareas físicas) valida empíricamente el límite entre la comprensión física (capturada por el aprendizaje de la teoría de señales) y la comprensión semántica (que requiere mayor abstracción).

Los autores enfatizan que su objetivo no es superar todos los benchmarks existentes en cada tarea, sino demostrar que la transferencia impulsada por la física es posible y competitiva, ofreciendo una alternativa viable a los paradig Tegrados de datos y de escala.