Un tercer trabajo de vanguardia, elaborado por investigadores del Centro Nacional de Inteligencia Artificial (CENIA), ha sido aceptado en la prestigiosa conferencia NeurIPS 2025. La investigación presenta un método revolucionario en el que dos sistemas de IA, un “emisor” y un “receptor”, colaboran en un juego de comunicación para construir representaciones del mundo más estructuradas y con capacidad de generalización.
El objetivo del estudio es superar una de las barreras más complejas de la IA: lograr que los modelos no solo procesen datos, sino que comprendan sus componentes y relaciones subyacentes, una habilidad conocida como composicionalidad. Para lograrlo, los investigadores diseñaron un marco de auto-aprendizaje llamado CELEBI. En este sistema, un agente “emisor” debe describir un objeto complejo a un agente “receptor” usando un lenguaje que ellos mismos crean.
La clave del éxito de CELEBI radica en el equilibrio de tres mecanismos innovadores:
- Razonamiento paso a paso: Al emisor se le exige que revele la información de forma progresiva, forzándolo a descomponer ideas complejas en fragmentos más simples y lógicos, similar al razonamiento humano.
- Compresión inteligente: Para evitar la simple memorización, los nuevos agentes aprenden imitando únicamente los resultados finales de generaciones anteriores, lo que los obliga a crear un lenguaje cada vez más eficiente y comprimido.
- Riqueza expresiva: Al mismo tiempo, el sistema fomenta que los mensajes sean diversos y variados, asegurando que el lenguaje emergente sea lo suficientemente expresivo como para no perder información crítica.
Los resultados demuestran que este enfoque de “presiones opuestas” —comprimir la información al máximo sin perder su riqueza expresiva— da lugar a la aparición de un lenguaje estructurado y generalizable. En las pruebas, CELEBI superó significativamente a los métodos anteriores, logrando una mayor precisión y eficiencia.
Esta investigación, liderada por Rafael Elberg (Estudiante CENIA), Felipe del Río (Ingeniero CENIA), Mircea Petrache (Investigador asociado RL2) y Denis Parra (Investigador asociado RL1), aporta una solución ingeniosa a un problema fundamental y abre la puerta a sistemas de IA capaces de desarrollar una comprensión más profunda y análoga a la humana.
El estudio completo se encuentra disponible https://arxiv.org/abs/2501.19182
