Un marco de IA dota a agentes virtuales de estados internos

Un agente de IA en un mundo virtual tridimensional ve, huele, percibe la temperatura y detecta colisiones mientras cuatro variables internas cambian en segundo plano: saciedad, hidratación, temperatura corporal y daño. Investigadores dirigidos por Woo Choong-Wan, del Institute for Basic Science y la Universidad Sungkyunkwan, construyeron este entorno de pruebas de supervivencia para estudiar un nuevo enfoque llamado IA interoceptiva, que otorga a esos estados internos un papel en el aprendizaje y la toma de decisiones.

La idea parte de una brecha conocida entre la biología y la IA convencional. Los organismos vivos ajustan sus prioridades según lo que ocurre dentro de su cuerpo; una señal externa puede significar algo distinto para un animal hambriento que para uno saciado. En cambio, la mayoría de los agentes de IA persiguen objetivos definidos desde el exterior. Los robots ya pueden detectar una batería baja, un motor sobrecalentado o un componente dañado, pero normalmente responden mediante reglas predefinidas. La IA interoceptiva trata las condiciones internas como un contexto continuo, no solo como fallos o entradas de recompensa.

Los investigadores formalizaron matemáticamente cómo los estados internos y externos pueden mantenerse separados mientras influyen entre sí. En EVAAA —Essential Variables in Autonomous and Adaptive Agents—, los agentes deben mantener sus cuatro variables internas dentro de rangos viables mientras se desplazan entre recursos, obstáculos, depredadores, temperaturas cambiantes y ciclos de día y noche. Entornos de prueba separados introducen condiciones ausentes durante el entrenamiento, de modo que la adaptación a situaciones desconocidas forma parte de la evaluación.

El marco también plantea decisiones que se parecen a los experimentos sobre comportamiento animal. Un agente puede tener que elegir entre recursos competidores según sus necesidades actuales, o sopesar el beneficio de obtener uno frente al riesgo de sufrir daños físicos. Los investigadores sugieren que los estados internos también podrían ajustar las tasas de aprendizaje, la sensibilidad a la información y el equilibrio entre explorar nuevas opciones y explotar las conocidas, al tiempo que ayudan a los agentes a aprender sin sobrescribir conocimientos anteriores.

En términos concretos, el cambio inmediato afecta a los investigadores de IA y robótica: disponen de un banco de pruebas virtual para comprobar si un agente puede trasladar una referencia interna estable de un entorno a otro. El trabajo se publica en Nature Machine Intelligence y presenta un marco propuesto y un banco de pruebas virtual.