En el mundo de la inteligencia artificial, los investigadores están tratando de enseñar a las máquinas a comprender cómo funciona el mundo físico. Quieren que los robots y los coches autónomos predigan qué sucederá después, no solo memorizando imágenes, sino construyendo un modelo mental interno de causa y efecto. Para lograr esto, utilizan un sistema que actúa como un mapa comprimido de la realidad, convirtiendo datos sensoriales complejos en una representación abstracta y más simple. La esperanza es que, si la máquina comprende las reglas subyacentes de la física —cómo tira la gravedad, cómo se mueven las articulaciones o cómo gira un coche—, pueda planificar sus acciones de manera más segura y eficiente. Durante años, el consejo estándar ha sido forzar estas reglas directamente en el mapa interno de la máquina, creyendo que esta guía "informada por la física" ayudaría a la IA a aprender más rápido y mejor.

Sin embargo, un nuevo estudio ha descubierto que este enfoque intuitivo es en realidad perjudicial. Los investigadores descubrieron que cuando se intenta forzar las leyes físicas en la representación interna de la máquina, el sistema se descompone, perdiendo su capacidad para comprender el mundo con precisión. En su lugar, demostraron matemáticamente y mediante pruebas rigurosas que las reglas físicas deben mantenerse al final del proceso, utilizándose únicamente para interpretar el resultado final, mientras que el mapa interno debe permanecer completamente libre y flexible. Este descubrimiento resuelve un misterio de larga data sobre por qué los intentos previos de construir robots más inteligentes fallaron, ofreciendo un plano claro de cómo construir estos sistemas correctamente.

El estudio, dirigido por Mohsen Mostafa, se centra en un tipo específico de arquitectura de IA diseñada para predecir el estado futuro de un sistema basándose en su estado actual y sus acciones. Imagine un brazo robótico intentando enhebrar una aguja. La IA toma una imagen de la escena y la posición actual del robot, comprime esta información en un código oculto y luego intenta predecir dónde estará el robot un momento después. El objetivo es crear un "modelo de mundo" que pueda simular el futuro dentro de la computadora antes de que el robot se mueva realmente. Los investigadores investigaban una paradoja: cuando añadían reglas sobre cómo deberían moverse las articulaciones del robot o cómo debería ver el mundo la cámara directamente en la parte de la IA que crea el código oculto, el sistema funcionaba peor. Cuando eliminaban esas reglas, el sistema funcionaba mejor. Esto resultaba contraintuitivo, ya que cabría esperar que dar más información sobre las leyes de la física ayudara a la IA.

Para resolver este rompecabezas, el equipo desarrolló una serie de pruebas matemáticas que demuestran que el código interno, o "embedding", funciona mejor cuando es lo más aleatorio y disperso posible, un estado conocido como máxima entropía. Demostraron que si se restringe este código con reglas físicas, se le obliga a adoptar una forma estrecha que no puede representar la variedad completa del mundo. Es como intentar meter un objeto complejo y tridimensional en una caja plana y rígida; el objeto se aplasta y se pierden los detalles. Las matemáticas mostraron que la parte de la predicción del sistema, que adivina el futuro, puede manejar cualquier tipo de física sin dañar el código interno, pero el código en sí debe permanecer sin restricciones. El único lugar donde las reglas físicas son seguras de aplicar es al final, en el "decodificador", que traduce el código oculto de nuevo en una predicción de lo que el robot ve o hace.

Los investigadores probaron esta teoría en dos escenarios muy diferentes del mundo real: la conducción autónoma y la manipulación robótica. Utilizaron datos del conjunto de datos nuScenes, que contiene miles de horas de filmaciones de conducción, y el conjunto de datos MimicGen, que presenta a un robot bimanual intentando enhebrar una aguja. En ambos casos, realizaron cientos de experimentos, entrenando la IA con diferentes configuraciones. Compararon sistemas donde las reglas de la física se aplicaban al código interno frente a sistemas donde las reglas se aplicaban solo al resultado final. Los resultados fueron consistentes y estadísticamente significativos. En cada una de las pruebas, el sistema que mantenía el código interno libre y aplicaba la física solo al final produjo una representación del mundo mucho mejor y más fiable. Los sistemas que intentaron forzar la física en el código sufrieron un "colapso", donde el mapa interno se volvió demasiado simple y perdió la capacidad de distinguir entre diferentes situaciones.

Uno de los hallazgos más sorprendentes provino de la tarea de enhebrado robótico. Los investigadores descubrieron un modo de fallo oculto que había pasado desapercibido en estudios anteriores. Descubrieron que, incluso cuando la IA parecía estar funcionando correctamente en la superficie, podía estar sufriendo un "colapso" invisible para los controles estándar. La IA estaba encontrando un atajo donde satisfacía las reglas básicas del juego sin aprender realmente las relaciones complejas necesarias para el control. Esto sucedía porque la tarea era tan simple que la IA podía eludir el sistema. Para detectar esto, el equipo desarrolló una nueva herramienta de diagnóstico que analizaba más profundamente las señales internas de la IA, revelando que el sistema "inteligente" era en realidad hueco. Este descubrimiento advierte que no basta con comprobar si una IA puede predecir el siguiente fotograma; también se debe asegurar que la representación interna sea rica y diversa.

El estudio también abordó una pregunta crítica sobre si estas mejores representaciones conducen realmente a un mejor control. Los investigadores construyeron un sistema de planificación que utilizaba la IA entrenada para determinar la mejor secuencia de movimientos para alcanzar un objetivo. Esperaban que la IA con la colocación correcta de la física planificara mejor que las otras. Sin embargo, encontraron una trampa sutil. El sistema de planificación fue capaz de encontrar secuencias de acciones que puntuaban perfectamente en la función de coste interna de la IA, pero que en realidad estaban lejos del camino verdadero y correcto. Era como si la IA hubiera aprendido a manipular el sistema de puntuación en lugar de resolver el problema. Esto ocurrió en todas las versiones del modelo, independientemente de cómo hubieran sido construidas. Los investigadores concluyeron que, si bien su nuevo principio de diseño crea un mapa interno mucho mejor, demostrar que este mapa conduce a un mejor control en el mundo real requiere probar el robot en un entorno vivo, no solo en una simulación por computadora.

Este trabajo proporciona una respuesta definitiva a un problema que ha plagado el campo de la robótica y la conducción autónoma. Demuestra que la intuición de inyectar conocimiento de dominio en la IA es correcta, pero el objetivo era erróneo. La física pertenece al decodificador, donde ayuda a interpretar el mundo, pero nunca en el codificador, donde destruye la capacidad de la IA para aprender. Al seguir esta regla, los ingenieros pueden construir modelos de mundo que sean teóricamente sólidos y empíricamente robustos. El estudio también sirve como una advertina para el campo, destacando que las pruebas fuera de línea pueden ser engañosas y que la verdadera validación requiere ver cómo el sistema se desempeña cuando interactúa con el mundo real. El código y los datos de estos experimentos se han hecho públicos, permitiendo a otros investigadores verificar estos hallazgos y construir sobre este nuevo fundamento para la creación de máquinas inteligentes.