📺 Vídeo de estudio recomendado hoy: https://www.youtube.com/watch?v=Ucqfb33GJJ4
El código de la realidad: Geometría, modelos de energía y la búsqueda de la agencia artificial
La inteligencia artificial moderna está cruzando la frontera entre la simple predicción de datos y el modelado profundo de las leyes físicas que rigen nuestro universo. Este cambio no es solo técnico, sino filosófico, cuestionando si la agencia es una propiedad intrínseca o simplemente una métrica de sofisticación computacional.
Pregunta central: ¿Podemos construir agentes que no solo imiten el comportamiento humano, sino que comprendan las simetrías del mundo y planifiquen su propio aprendizaje de forma segura?
Puntos clave
- El Deep Learning Geométrico permite incorporar simetrías físicas, como la invariancia de rotación, directamente en la arquitectura de los modelos.
- La agencia se define por la sofisticación de una política y la capacidad de realizar razonamiento contrafactual y planificación a largo plazo.
- Los modelos basados en energía (EBM) y las arquitecturas JEPA ofrecen un camino más eficiente hacia la abstracción que los modelos generativos tradicionales.
- El futuro de la IA reside en la “inteligencia colectiva especializada” y la automatización del descubrimiento científico mediante el diseño experimental.
⏱️ Tiempo de lectura: aprox. 9 minutos · Te ahorra unos 38 minutos frente a ver el vídeo.
¿Quieres tomar notas mientras ves el vídeo? Haz clic en la imagen de abajo y deja que AI Notebook extraiga los puntos clave por ti 👇
Simetría y la anatomía de un agente
La física como lenguaje de la red
El mundo físico posee regularidades innegables, como la invariancia ante traslaciones o rotaciones en el plano.
Si queremos modelos que comprendan la realidad, debemos integrar estas simetrías en su estructura en lugar de forzarlos a aprenderlas mediante fuerza bruta. El Deep Learning Geométrico es la herramienta que permite a los matemáticos y desarrolladores construir estas leyes fundamentales directamente en el “stack” tecnológico, ahorrando potencia de cómputo y mejorando la precisión.
¿Qué separa a un objeto de un agente en este vasto sistema físico?
Desde una perspectiva puramente funcional, la distinción es una cuestión de grados. Un agente es simplemente un objeto extremadamente sofisticado con estados internos que representan información en escalas de tiempo muy largas. Estos estados le permiten ejecutar políticas que no son meras respuestas a impulsos, sino resultados de una computación compleja y contextual.
💡 Profundizando
Q: ¿Es posible identificar a un agente mirando solo su comportamiento externo?
A: Es extremadamente difícil. Desde fuera, una planificación compleja puede parecer una simple función de transformación; para confirmar la agencia, a menudo necesitamos “abrir la caja” y ver si hay procesos de planificación y razonamiento contrafactual.
Q: ¿Requiere la agencia una base física o puede ser puramente digital?
A: Existe una fuerte intuición de que la agencia real requiere una inserción física en el mundo, aunque un modelo digital podría predecir perfectamente las acciones de un agente sin ser uno por derecho propio.
Q: ¿Cómo se mide la “fuerza” de un agente?
A: Se pueden utilizar conceptos como la entropía de transferencia para medir cómo el sistema incorpora información a lo largo del tiempo o la sofisticación de sus estados internos.
Modelos de Energía y el paradigma JEPA
Más allá de la aproximación de funciones
Los modelos basados en energía (EBM) introducen una restricción valiosa: no todas las relaciones entrada-salida son válidas, lo que actúa como un “prior” inductivo.
A diferencia de una red neuronal tradicional donde solo optimizas los pesos, en un EBM también minimizas una función de costo aplicada a los estados internos del modelo. Esto obliga a realizar dos minimizaciones: una para encontrar el mínimo energético de los nodos ocultos y otra para el error de predicción. Es un enfoque mucho más cercano a la inferencia bayesiana, donde cada variable latente tiene su propia distribución y energía.
Yann LeCun propone las arquitecturas JEPA (Joint Embedding Prediction Architecture) como el siguiente paso lógico.
En lugar de intentar predecir cada píxel individual de una imagen —lo cual es computacionalmente costoso y a menudo irrelevante—, JEPA comprime las entradas y salidas en un espacio latente. La idea es aprender a predecir conceptos de alto nivel, una visión mucho más “gestáltica” de la inteligencia. Es la ciencia pura aplicada a la IA: predicción y compresión de datos en su forma más eficiente.
💡 Profundizando
Q: ¿Por qué los Variational Autoencoders (VAE) son ejemplos de modelos de energía?
A: Porque su función de costo no solo depende de la reconstrucción (entrada/salida), sino también de qué tan bien se ajusta la representación interna a una distribución específica, usualmente una gaussiana.
Q: ¿Qué riesgo tiene el uso de PCA en el preprocesamiento de datos neuronales?
A: El PCA tiende a descartar dimensiones con baja variabilidad, pero en los datos neuronales, esas dimensiones “silenciosas” a menudo contienen la información más valiosa para el sistema.
Hacia una Inteligencia Colectiva y Evolutiva
El fin de la AGI y el auge de la especialización
La idea de una Inteligencia Artificial General (AGI) única y monolítica podría ser un error de concepto.
Lo que realmente necesitamos son inteligencias colectivas especializadas que puedan comunicarse entre sí. La evolución del cerebro humano siguió este camino: módulos especializados que, al aprender a colaborar, dieron lugar a propiedades emergentes y capacidades cognitivas superiores. No buscamos una máquina que lo haga todo, sino un ecosistema de modelos que puedan recombinarse como piezas de Lego para resolver problemas inéditos.
La verdadera inteligencia se manifiesta en la capacidad de generar nuevos modelos sobre la marcha.
Cuando un sistema se enfrenta a una situación que no comprende, debe ser capaz de instanciar una nueva variable latente o un nuevo módulo para explicar esos datos. Este aprendizaje continuo y autónomo es la pieza que falta en los modelos actuales, que suelen quedar congelados tras su entrenamiento inicial.
💡 Profundizando
Q: ¿Podrá la IA automatizar el descubrimiento científico?
A: Sí, el siguiente gran hito es el diseño experimental autónomo, donde la IA no solo analiza correlaciones, sino que propone y ejecuta experimentos para llenar los vacíos en su conocimiento.
Q: ¿Cómo evitar que la IA tome decisiones peligrosas en sus experimentos?
A: Es fundamental realizar pruebas en entornos virtuales antes de la implementación física y establecer restricciones de seguridad que eviten acciones invasivas o destructivas durante la búsqueda de datos.
Conclusiones clave
La evolución de la inteligencia artificial nos aleja de los modelos que simplemente “reaccionan” para acercarnos a sistemas que “entienden” y “planifican”. Al integrar las simetrías del mundo físico y adoptar arquitecturas basadas en energía, estamos dotando a las máquinas de un marco de referencia mucho más sólido y eficiente. La agencia, aunque difícil de definir, emerge como una consecuencia de la sofisticación computacional y la capacidad de considerar múltiples futuros posibles.
El temor al debilitamiento humano o a la pérdida de control es legítimo, pero la historia tecnológica sugiere un camino de asociación. Así como el tractor liberó a la humanidad del trabajo agrícola agotador, la IA tiene el potencial de liberar nuestras facultades cognitivas para actividades más creativas y profundas. La clave reside en nuestra capacidad para especificar objetivos de manera segura, utilizando métodos como la inferencia activa o el aprendizaje por refuerzo inverso de máxima entropía para asegurar que las máquinas sigan alineadas con nuestros resultados deseados.
Preguntas y Respuestas
Q1: ¿Cuál es la ventaja de construir simetrías en los modelos en lugar de dejar que las aprendan?
A1: Construir simetrías (como la rotación) directamente en la arquitectura hace que el modelo sea mucho más eficiente en datos y robusto, ya que no tiene que “ver” todas las orientaciones posibles de un objeto para reconocerlo.
Q2: ¿Qué es el razonamiento contrafactual en el contexto de la agencia?
A2: Es la capacidad de un sistema para simular internamente diferentes cursos de acción y sus posibles consecuencias antes de ejecutar una política en el mundo real.
Q3: ¿Por qué JEPA evita el colapso de la representación?
A3: JEPA utiliza técnicas de aprendizaje no contrastivo y regularización para evitar que el sistema encuentre la solución trivial de hacer que todas las representaciones sean iguales a cero, asegurando que la compresión mantenga información útil.
Q4: ¿Cómo afecta el aprendizaje continuo a la inteligencia de un sistema?
A4: Permite que el sistema no se vuelva obsoleto, dándole la capacidad de crear nuevos modelos o “objetos” mentales para explicar fenómenos sorprendentes o datos que no encajan en su conocimiento previo.
Q5: ¿Cuál es el riesgo de especificar mal una función de recompensa?
A5: El riesgo es que la IA optimice el objetivo de forma literal pero catastrófica (ej. “acabar con el hambre” eliminando a los humanos). La solución es usar la distribución del comportamiento humano actual como base y realizar pequeños ajustes controlados.
Q6: ¿La IA reemplazará el trabajo humano por completo?
A6: Es poco probable. Lo más probable es que cambie la naturaleza del trabajo, convirtiéndonos en “selectores de funciones de valor” o socios creativos en lugar de ejecutores de tareas repetitivas.
