Diseñan robots virtuales con curiosidad infantil y descubren algo inesperado sobre el origen del lenguaje humano
ROBÓTICA.
Un robot virtual con curiosidad artificial aprende a entender el lenguaje en la mitad de tiempo que uno indiferente, y empieza a jugar y a equivocarse como un niño pequeño.
El juego libre e interactivo, estimulado por la curiosidad artificial, permite a los robots comprender mejor el lenguaje.
Un robot virtual acaba de aprender a hablar en la mitad de tiempo tras aprender, antes, a ser curioso. Y, sin que nadie se lo pidiera, empezó a comportarse como un niño pequeño: jugó por su cuenta, tiró objetos al suelo y cometió los mismos errores de gramática que cometen los bebés humanos mientras aprenden a hablar.
Imagina a un niño de dos años señalando al cielo y diciendo "pájaro" la primera vez que ve una gaviota, sin que nadie le haya enseñado esa palabra en ese contexto exacto. Cualquiera que haya criado a un hijo lo ha visto: los niños aprenden a hablar a una velocidad pasmosa, con muy poca ayuda explícita. Mientras tanto, los chatbots más potentes del mundo necesitan tragarse bibliotecas enteras de texto para sonar medianamente coherentes. ¿Qué sabe un bebé que no sepa un modelo de lenguaje entrenado con toda la web?
Un equipo de la Unidad de Neurorrobótica Cognitiva del Instituto de Ciencia y Tecnología de Okinawa (OIST) cree haber encontrado una pieza de ese rompecabezas, y el resultado ha sorprendido incluso a sus propios autores.
El lingüista que no encaja con los datos.
Desde los años 60, Noam Chomsky planteó lo que se conoce como "la pobreza del estímulo": los niños generan frases gramaticalmente correctas que nunca han escuchado antes, a partir de una cantidad de lenguaje relativamente escasa y desordenada. Es el misterio opuesto al de los grandes modelos de lenguaje comerciales, que necesitan billones de palabras para producir un resultado razonable.
El estudio de Theodore Tinker y Jun Tani, publicado en Science Advances, no recurre a niños reales ni a robots físicos de laboratorio. Es importante dejarlo claro desde el principio: se trata de una simulación computacional en un entorno físico simulado, con un robot virtual dotado de una red neuronal llamada PV-RNN (una red recurrente variacional inspirada en la codificación predictiva).
La curiosidad como atajo.
La codificación predictiva parte de una idea sencilla: el cerebro (o, en este caso, la red neuronal) intenta anticipar lo que va a percibir, y cuando se equivoca, ajusta sus creencias internas para reducir esa sorpresa. Es el llamado principio de energía libre, propuesto por el neurocientífico Karl Friston.
Para entenderlo, sirve una analogía sencilla: imagina que llevas semanas comiendo el mismo sabor de chocolate. En algún momento, tu cerebro se "aburre" de acertar siempre lo mismo y busca algo distinto (chocolate blanco, regaliz), no porque tenga hambre, sino porque la novedad le ayuda a aprender más rápido sobre el mundo. Los investigadores dotaron a su robot virtual de ese mismo impulso: en lugar de limitarse a repetir patrones conocidos, el sistema busca activamente situaciones que reduzcan su incertidumbre interna.
El resultado, según el estudio: los robots "curiosos" aprendieron a comprender combinaciones de verbo-adjetivo-objeto en la mitad de tiempo que las versiones sin ese impulso, tanto con 48 como con 180 combinaciones distintas, y generalizaron mejor frente a frases que no habían visto nunca. Cuanto más diversa era la mezcla de sentencias a la que se exponía al robot, mayor era la ventaja de la curiosidad: la combinación de variedad lingüística y ganas de explorar, más que cualquiera de las dos por separado, es lo que aceleró el aprendizaje.
Jugar y equivocarse, sin que nadie se lo enseñe.
Lo que más llamó la atención de los propios autores no estaba en el guion. Durante el entrenamiento, el robot empezó a tirar objetos al suelo y a jugar de forma espontánea, sin que ninguna instrucción del algoritmo se lo pidiera. Fue precisamente ese comportamiento lúdico, producto de la misma curiosidad matemática que impulsa el aprendizaje, lo que pareció acelerar la comprensión del lenguaje.
Gráfico de rendimiento que ilustra el impacto de la curiosidad y la diversidad lingüística en el aprendizaje de tareas complejas en la simulación del OIST.
El robot también reprodujo, sin haber sido programado para ello, la conocida "curva en U" que muestran los niños humanos al aprender verbos: al principio lo hacen bien (memorizando formas concretas), luego empeoran durante un tiempo porque empiezan a sobregeneralizar reglas ("yo sabo" en lugar de "yo sé"), y finalmente vuelven a mejorar cuando dominan también las excepciones. Nadie diseñó esa curva a propósito: emergió sola, como efecto secundario de la misma curiosidad que empujaba al robot a jugar. Para los investigadores, encontrar ese patrón en una máquina que nunca ha visto un niño real es la señal más fuerte de que están capturando algo genuino del proceso de aprendizaje, y no solo una coincidencia estadística.
Conviene ser prudentes con el alcance real del hallazgo. El entorno lingüístico y físico al que se expone el robot es extremadamente simplificado frente al denso y caótico mundo de un niño pequeño: no hay interacción social real, ni lenguaje corporal, ni el contexto social completo que rodea a la adquisición del lenguaje humano.
Por eso, más que "confirmar" cómo aprenden los bebés, lo que este trabajo propone es un mecanismo verosímil: una explicación teórica plausible sobre por qué una curiosidad dirigida, combinada con diversidad lingüística, podría explicar parte de la rapidez con la que los niños adquieren el lenguaje pese a la escasez de estímulo que señalaba Chomsky. Sigue sin resolverse si el cerebro humano gestiona la energía libre exactamente de la misma manera en todas las áreas de la cognición del lenguaje.
Aquel niño que señalaba a la gaviota probablemente no tenía ni idea de que estaba resolviendo, sin esfuerzo aparente, uno de los problemas más difíciles de la ciencia cognitiva. Un robot virtual con curiosidad artificial acaba de dar la primera pista seria de cómo lo hace.
Por: Santiago Campillo Brocal. Biólogo. Máster en Biología Molecular y Biotecnología, Director de Muy Interesante Digital.
Sitio Fuente: MuyInteresante