Nueva técnica mejora predicciones de modelos del mundo en IA

Investigadores de aprendizaje automático han desarrollado una técnica que mejora la capacidad de los modelos del mundo para hacer predicciones sobre cómo se comportarán los objetos en el mundo real. Estos modelos se utilizan para entrenar sistemas de IA, como robots, sobre cómo navegar por el entorno. La nueva técnica permite que los modelos infieran posibles escenarios contracausales, es decir, eventos que no ocurrieron, basándose en lo que sí sucedió.

El método se basa en el axioma de Gottfried Leibniz 'la naturaleza no hace saltos', que se refiere a la idea de que los cambios en el mundo ocurren de manera gradual, no de forma abrupta. Los investigadores, incluyendo Randall Balestriero, Kerda Varaku y Yann LeCun, explican que este principio les permitió diseñar un método para la inferencia física de cero disparos, lo que significa que no necesitan datos adicionales para hacer predicciones.

Según el documento 'Counterfactual World Models: Natura Non Facit Saltus', los modelos del mundo contracausales utilizan la discrepancia entre la predicción del modelo y lo que realmente ocurre para entender qué salió mal y ajustar las predicciones futuras. Esto permite que los robots aprendan de sus errores y tomen decisiones más precisas en situaciones inesperadas.

En un ejemplo, se describe un barco cruzando un río con una corriente oculta. El modelo del mundo predijo adónde terminaría el barco después de virar a la izquierda, pero en realidad terminó dos metros más abajo. Esta diferencia se usó para estimar la corriente y predecir qué habría sucedido si el barco hubiera virado a la derecha. El método se basa en la física, ya que los efectos de las acciones y las perturbaciones (como la corriente) crecen proporcionalmente al tiempo, y su interacción crece solo con su cuadrado, lo que permite que se sumen como fuerzas.

Los modelos del mundo contracausales tienen tres usos principales: permitir que un robot repita una acción después de un evento sorpresa, adaptarse a fallos persistentes, y ayudar a las personas a entender los fallos. En experimentos simulados, el método alcanzó un éxito del 35 al 69 por ciento en un solo intento, y del 51 al 97 por ciento con dos intentos adicionales.

Los investigadores señalan que los modelos del mundo se entrenan para predecir, pero en el mundo real, los robots, coches o drones se sorprenden constantemente por cosas que no podían ver venir. Después de una sorpresa, la pregunta útil no es lo que se esperaba, sino qué habría sucedido si hubieran actuado de manera diferente en esa misma situación. La nueva técnica permite responder a esa pregunta, lo que es crucial para depurar fallos, distinguir entre decisiones malas y mala suerte, y decidir qué hacer en el próximo intento.