Resumen Técnico: Descubrimiento Léxico Neuro-Simbólico (NSLD)

1. Planteamiento del Problema

El artículo aborda un cuello de botella crítico en el despliegue de agentes de Modelos de Lenguaje Extensos (LLM) en entornos genuinamente desconocidos (por ejemplo, la exploración planetaria o de las profundidades marinas). Aunque los LLM sobresalen en la comunicación mediante lenguaje natural, carecen de mecanismos para fundamentar nuevos símbolos en referentes observables que no tienen nombre en ningún lenguaje humano. Los enfoques existentes producen tokens semánticamente opacos o requieren la participación directa de humanos en la construcción del vocabulario. Esto crea un "Probleño de la Fundamentación de Símbolos" (SGP, por sus siglas en inglés) donde los agentes no pueden adquirir una fundamentación visual de referentes ajenos totalmente ausentes en los corpus de lenguaje natural, ni pueden asociar estos nuevos símbolos "alienígenas" con palabras humanas conocidas para informar sus hallazgos. Los autores postulan que, para un despliegue eficaz en robótica, los LLM deben ser capaces de desarrollar autónomamente vocabularios compartidos y fundamentados para entidades fuera de la distribución (OOD) sin representación lingüística previa.

2. Metodología: El Marco de Trabajo de Descubrimiento Léxico Neuro-Simbólico (NSLD)

Los autores proponen el marco NSLD, un sistema neuro-simbólico donde una población de agentes basados en LLM juega un "Juego Referencial de Fundamentación" para autoorganizar un léxico alienígena compartido.

2.1 Arquitectura del Agente

Cada agente consta de tres componentes integrados:

• Percepción (Visión): Un codificador de visión CLIP congelado (ViT-B/32) que proyecta las entradas visuales en un espacio de incrustación (embedding) compartido de 512 dimensiones. Este módulo está desacoplado del motor de razonamiento para garantizar un acceso transparente a los vectores de significado internos.
• Memoria (Léxico Fundamentado): Un índice de vectores FAISS privado que actúa como memoria léxica persistente. Contiene dos particiones:
  1. Una base perceptual estática: Aproximadamente 3,000 sustantivos/adjetivos en inglés codificados mediante texto CLIP, que sirve como puente hacia el lenguaje natural.
  2. Un índice de palabras alienígenas dinámico: Privado para cada agente, almacena incrustaciones de imágenes CLIP de los referentes visuales asociados con las nuevas palabras "alienígenas" creadas.
• Razonamiento (LLM): Un LLM puramente textual (específicamente gpt-oss:20b en los experimentos) responsable de la toma de decisiones, la selección léxica y la estrategia de juego. Interactúa con los módulos de visión y memoria a través de una interfaz de herramientas controlada (por ejemplo, observe_environment, add_alien_word, check_confidence).

2.2 El Juego Referencial de Fundamentación

El marco opera a través de rondas iterativas que involucran a un Hablante y un Oyente:

1. Fase del Hablante: El hablante observa un conjunto de referentes visuales OOD (criaturas alienígenas sintéticas, rocas, artefactos), selecciona uno y produce una "palabra alienígena" (una cadena de tres sílabas de un inventario fonológico fijo, asegurando que no haya solapamiento con el lenguaje natural). La palabra se fundamenta asociándola con la incrustación CLIP del referente.
2. Fase del Oyente: El oyente observa el mismo referente (atención conjunta) y debe seleccionar una palabra de su propio léxico para referirse a él.
3. Retroalimentación y Actualización:
   • Éxito: Si las palabras coinciden, ambos agentes aumentan su puntuación de confianza (+0.25).
   • Fallo: Si las palabras difieren, la confianza disminuye (-0.20). Los agentes utilizan entonces sus puntuaciones de confianza para decidir si mantienen su palabra o adoptan la del compañero, actualizando sus índices FAISS en consecuencia.

2.3 Configuración Experimental

• Conjunto de Datos: 10 referentes visuales OOD sintéticos generados con Nano Banana Pro, diseñados para ser irreconocibles para el corpus de entrenamiento de CLIP y del LLM.
• Escala: Simulaciones realizadas con poblaciones ($n_a$) que van desde 2 a 20 agentes y conteos de entidades ($n_e$) de 3 a 10.
• Restricciones: Las palabras alienígenas están estrictamente limitadas a un inventario fonológico para evitar atajos lingüísticos preentrenados.

3. Resultados Clave

3.1 Convergencia Léxica

El sistema logra un consenso fiable en todas las configuraciones probadas.

• Dinámica: Las rondas iniciales muestran una alta divergencia con muchas palabras únicas y transitorias. Con el tiempo, emerge una dinámica de "el ganador se lo lleva todo", lo que conduce a una palabra alienígena única y compartida para cada referente.
• Rendimiento: En un escenario de 5 agentes y 5 referentes, se alcanzó el consenso (definido como $G \ge 0.95$) tras aproximadamente 165 rondas.
• Escalabilidad: El tiempo de convergencia ($T_{0.95}$) escala monótonamente con el tamaño de la población y el conteo de entidades. La configuración más rápida ($n_a=2, n_e=3$) convergió en $16 \pm 9$ rondas, mientras que la más lenta ($n_a=20, n_e=10$) requirió $4572 \pm 472$ rondas.

3.2 Fundamentación Semántica y Alineación Humano-Máquina

Crucialmente, las palabras alienígenas descubiertas no están semánticamente aisladas. Debido a que están ancladas al espacio de incrustación CLIP, heredan la proximidad semántica a la base perceptual estática en inglés.

• Interpretabilidad: Cada palabra alienígena se asocia con descriptores coherentes en inglés (por ejemplo, "roca", "criatura") basándose en la proximidad de vectores, lo que permite a los operadores humanos comprender el vocabulario del agente sin observar directamente los referentes visuales.
• Fundamentación: El sistema crea con éxito vínculos "alienígena-a-inglés" que están perceptualmente fundamentados, ampliando efectivamente el vocabulario humano con nuevos términos.

3.3 Modelado Analítico

Los autores proponen tres modelos matemáticos que caracterizan la dinámica de convergencia, todos alcanzando un $R^2 > 0.95$:

1. Modelo Directo: Una función logística que predice el grado de consenso de fundamentación $G(T)$ en cualquier ronda $T$ basado en $n_a$ y $n_e$.
2. Modelo Inverso: Estima el número de rondas necesarias para alcanzar un umbral de consenso específico $\theta$.
3. Modelo de Vocabulario: Predice la evolución del tamaño del vocabulario global $V(T)$, capturando la explosión inicial de palabras únicas seguida de una fase de poda a medida que se alcanza el consenso.

4. Contribuciones Clave

1. Nuevo Marco para la Fundamentación OOD: El marco NSLD demuestra que los agentes de LLM pueden adquirir una fundamentación perceptual nativa sobre referentes que no poseen representación lingüística previa, desafiando la hipótesis de que los LLM solo poseen una fundamentación indirecta a través de los corpus de lenguaje.
2. Co-desarrollo Autónomo de Vocabulario: El sistema logra un vocabulario compartido humano-máquina de forma autónoma, sin intervención humana, resolviendo un desafío identificado previamente como un problema abierto en la interacción humano-máquina.
3. Interpretabilidad mediante el Espacio de Incrustación: Al anclar los símbolos alienígenas a un espacio de incrustación compartido, el marco hace que la comunicación emergente sea interpretable para los humanos mediante la proximidad semántica a los descriptores del lenguaje natural.
4. Herramientas de Planificación Predictiva: Los modelos analíticos derivados proporcionan un primer paso hacia la planificación previa al despliegue en misiones de exploración autónoma, permitiendo la estimación de recursos (rondas/tiempo) basándose en la población y la complejidad del entorno.

5. Significado y Reivindicaciones

El artículo afirma que el NSLD representa un avance cualitativo sobre los juegos de nombres clásicos y los estudios previos de comunicación emergente. Mientras que trabajos anteriores demostraron la convergencia hacia tokens arbitrarios compartidos, el NSLD demuestra la convergencia hacia símbolos fundamentados compartidos que están desacoplados del contexto conversacional y anclados en una memoria perceptual persistente.

Los autores posicionan este trabajo como una solución de ingeniería concreta al Problema de la Fundamentación de Símbolos en la robótica, yendo más allá del debate filosófico para demostrar que los LLM pueden adquirir una nueva fundamentación de forma nativa. La importancia radica en permitir que los agentes autónomos operen en entornos verdaderamente desconocidos, desarrollen un léxico compartido para entidades innombrables y reporten estos hallazgos a los humanos utilizando un vocabulario semánticamente fundamentado. Los autores reconocen limitaciones, señalando que los experimentos se basan actualmente en simulaciones, están limitados a un único motor de LLM y utilizan topologías de población totalmente conectadas, identificando estas como direcciones inmediatas para trabajos futuros.