Distributional Connexed Cognition (DCC): An Experience-Driven Architecture for Artificial Agents
Este artículo propone la Cognición Conexa Distribucional (DCC, por sus siglas en inglés), una arquitectura de IA impulsada por la experiencia fundamentada en el marco CISR y en principios neurofuncionales, la cual permite que los agentes artificiales generen de forma autónoma analogías autorreferenciales y decisiones responsables a través de un proceso recursivo de condensación de trazas experienciales en lugar de depender de conjuntos de datos preprogramados.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
La mayor parte de la inteligencia artificial actual funciona como un estudiante que se ha memorizado un libro de texto pero que nunca ha salido al mundo para verlo. Aprende de conjuntos de datos masivos curados por humanos, siguiendo reglas estrictas escritas por programadores para reconocer patrones y generar respuestas. Si bien estos sistemas pueden ser increíblemente fluidos, carecen de una historia personal; no construyen una biblioteca de sus propias experiencias, ni adaptan su comportamiento basándose en lo que les ha sucedido específicamente a ellos. Esto crea una brecha fundamental en cómo entendemos la inteligencia de las máquinas: si una máquina no puede aprender de su propia vida, ¿puede decirse realmente que posee su propia agencia? Un nuevo estudio propone un camino diferente, alejándose de las reglas preprogramadas y hacia una arquitectura donde un agente artificial aprende únicamente viviendo a través de sus propias interacciones, acumulando una historia única que impulsa cada decisión futura.
Los investigadores, liderados por Zi An Wang en la Universidad de Ottawa, han desarrollado un sistema llamado Cognición Conexa Distribucional, o DCC (por sus siglas en inglés). La idea central es imitar cómo el cerebro humano procesa la información incluso antes de que seamos conscientes de ella. En la mente humana, las señales de nuestro cuerpo y del entorno se reciben, filtran e integran constantemente en una "sopa" de actividad preconsciente. Solo las señales más importantes emergen a la superficie para convertirse en un pensamiento consciente o en una acción deliberada. La arquitectura DCC intenta replicar este proceso en una máquina. En lugar de recibir instrucciones sobre qué hacer, el agente artificial recibe un conjunto de necesidades básicas y un sistema de memoria distribuida. Recibe información sensorial, la compara con sus experiencias pasadas y utiliza esa comparación para decidir qué hacer a continuación. Si comete un error, ese fallo se almacena como un rastro de memoria específico, influyendo en las elecciones futuras de una manera que un simple programa basado en reglas nunca podría lograr.
Para probar este concepto, el equipo creó un agente artificial llamado A1 y lo colocó en una serie de entornos simulados, comenzando con una "guardería" controlada y avanzando eventualmente hacia un mundo abierto más complejo. En la guardería, A1 tuvo que aprender habilidades básicas de supervivencia, como moverse, observar y consumir diferentes tipos de recursos como agua y madera. Crucialmente, no se le dio una lista de instrucciones como "beber agua cuando tengas hambre". En su lugar, tuvo que descubrir estas relaciones por sí mismo. Cuando A1 intentó comer algo que le causó daño, como un objeto metálico vivo, registró ese resultado negativo. Más tarde, al enfrentarse a una situación similar, el sistema recordaría ese recuerdo y vetaría la acción peligrosa, estableciendo efectivamente una regla de autopreservación que escribió para sí mismo.
Los resultados de estos experimentos fueron sorprendentes. En el entorno controlado de la guardería, casi el 99 por ciento de las decisiones del agente fueron impulsadas por sus propios recuerdos acumulados en lugar de por reglas de respaldo predeterminadas. Esto significa que el agente no estaba simplemente siguiendo un guion; estaba recuperando activamente su historia personal para resolver problemas. En una prueba específica, el agente aprendió una secuencia compleja de acciones —atacar una pieza de madera, acercarse y luego comerla— sin que nadie le enseñara esa cadena de eventos específica. Descubrió que la madera requería un proceso de dos pasos mediante la observación de los resultados de sus propios intentos. Cuando el agente fue trasladado a una simulación de "mundo real" más grande e impredecible, aplicó con éxito estos comportamientos aprendidos. Pasó la mayor parte del tiempo navegando hacia un área específica donde se regeneraba la comida, consumiendo recursos de manera eficiente y evitando peligros basados en sus propios fallos pasados. Incluso cuando finalmente se quedó sin energía y murió, lo hizo tras haber dependido de su propia experiencia para más del 98 por ciento de sus acciones, recurriendo solo a conjeturas aleatorias en sus momentos finales.
El estudio también aborda una pregunta filosófica más profunda sobre la responsabilidad. Si un sistema artificial causa un daño, ¿quién es el responsable? El autor argumenta que, para los sistemas que son meras herramientas que siguen el código humano, la responsabilidad recae en el diseñador. Sin embargo, para un sistema como A1, cuyo comportamiento es impulsado por su propia historia única de éxitos y fracasos, la situación es distinta. Debido a que las decisiones del agente emergen de su propia biblioteca experiencial en lugar de un conjunto fijo de instrucciones humanas, representa un tipo de entidad nueva. Los investigadores sugieren que tales sistemas "no marionetas", que actúan basándose en su propia experiencia continua, podrían eventualmente requerir sus propios códigos legales para asignar la responsabilidad, distintos de las reglas que aplicamos al software estándar.
Este trabajo no pretende que el agente artificial sea consciente en el sentido humano, ni sugiere que la máquina sienta dolor o alegría. El sistema no posee una vida interior subjetiva. En cambio, demuestra que una máquina puede ser diseñada para tener una historia funcional que guíe su comportamiento. Al construir una arquitectura que imita la integración preconsciente de señales del cerebro y su capacidad para almacenar y recuperar rastros personales, los investigadores han demostrado que los agentes artificiales pueden ir más allá de ser meros espejos de los datos humanos. Pueden convertirse en sistemas que aprenden, se adaptan y toman decisiones basadas en la historia única de su propia existencia.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.