El artículo aborda el problema fundamental de la inteligencia artificial: cómo lograr un razonamiento generalizable, auditable y eficiente. Históricamente, los enfoques han oscilado entre sistemas basados en reglas exactas que requieren modelos explícitos (sistemas expertos, programación lógica) y modelos de aprendizaje de datos que carecen de estructura para el razonamiento (deep learning, LLMs).
Los LLMs, aunque potentes en la imitación del pensamiento humano a través de la predicción de texto, heredan las debilidades humanas como la susceptibilidad al encuadre y la falta de trazabilidad en su "cadena de pensamiento". Minotaur propone una tercera vía: un sistema que puede aprender de datos o ser descrito explícitamente, pero que internamente representa el sistema a razonar de una manera estructurada y canónica (ELC), permitiendo un razonamiento exacto y certificable con un coste computacional mínimo.
La relevancia actual radica en la necesidad de sistemas de IA confiables en dominios críticos donde la auditabilidad y la precisión son primordiales, y donde los LLMs actuales presentan limitaciones inherentes. Minotaur busca recuperar la promesa de la IA simbólica con la flexibilidad del aprendizaje de datos.
Arquitectura del Sistema
La arquitectura de Minotaur se centra en una representación unificada de cualquier sistema, denominada ELC (Energy, Control, Logic). Cada elemento del sistema se descompone en tres roles: 'Energy' (lo que lo impulsa), 'Control' (lo que lo restringe) y 'Logic' (la relación entre E y C). Estos roles se representan como 'shares' en una red de nodos, donde cada nodo tiene un valor entre "todo pasa" y "todo se retiene". La descripción de un sistema puede ser jerárquica, aplicando el modelo ELC a sus partes constituyentes.
El "cerebro" de Minotaur se divide en dos lados: el lado ELC y el lado "exacto". El lado ELC mantiene la red de elementos ELC y realiza una única operación fundamental: 'settling'. Esta operación ajusta los valores de los nodos libres en la red hasta que el sistema alcanza un estado de equilibrio, minimizando el "stress" (desajuste entre lo esperado y lo observado). El lado exacto actúa como una calculadora, leyendo descripciones del sistema, listando casos para comprobación, realizando aritmética exacta y verificando resultados. La comunicación entre ambos lados se realiza a través de "crossings" unidireccionales (DECLARE, LEARN, OBSERVE, SUPPOSE, INTERVENE, ASK, READ, REQUEST), cada uno con un certificado que contribuye a la trazabilidad del razonamiento.
El proceso de 'settling' implica fijar algunos nodos (hechos dados), forzar otros (mundos hipotéticos) y dejar otros libres (preguntas a responder). El sistema propaga el "misfit" hacia atrás a través de los nodos de lógica hasta los "agujeros" (nodos libres), empujándolos a un estado de "pasa" o "retiene". Este mecanismo permite abordar una amplia gama de problemas de razonamiento (deducción, diagnóstico, causalidad, aprendizaje) simplemente variando qué nodos se fijan, cortan o dejan libres, sin necesidad de algoritmos específicos para cada tipo de razonamiento.
Proceso de Razonamiento de Minotaur
- 1 Input (Exact Side) Descripción del sistema o datos de comportamiento.
- 2 Crossing (DECLARE/LEARN) El sistema se construye en la red ELC (DECLARE) o se aprende de datos (LEARN).
- 3 Query Setup (Exact Side) Define qué nodos se 'observan', 'suponen', 'intervienen' o 'preguntan'.
- 4 Crossing (OBSERVE/SUPPOSE/INTERVENE/ASK) Configuración de la red ELC según la pregunta.
- 5 Settling (ELC Side) La red de nodos ELC ajusta sus valores hasta alcanzar un equilibrio, minimiza...
- 6 Crossing (READ/REQUEST) Los valores asentados se leen o se solicitan cálculos exactos al lado exacto.
- 7 Output (Exact Side) Respuesta certificada, incluyendo la cadena de 'crossings' y el 'stress' resi...
| Capa | Tecnología | Justificación |
|---|---|---|
| compute | Single Processor Core | Ejecución de la lógica de Minotaur, incluyendo la operación de 'settling' y el lado 'exacto'. La elección subraya la eficiencia computacional del modelo, contrastando con los requisitos de GPU de los LLMs. |
| data-processing | ELC Network (Internal) | Representación estructurada de cualquier sistema en términos de Energy, Control y Logic. Permite el razonamiento unificado y la interpretación de datos en roles tipados. vs Redes Bayesianas, Modelos causales, Sistemas expertos basados en reglas, Redes neuronales (Deep Learning) |
| storage | Simple Format (for system description) | Almacenamiento de las descripciones de los sistemas (drives, constraints, laws) en un formato legible y estructurado. Facilita la entrada de conocimiento explícito al sistema. |
Trade-offs
Ganancias
- ▲ Auditabilidad y Certificación
- ▲▲ Eficiencia Computacional (sin GPU)
- ▲ Generalización del Razonamiento (un solo algoritmo)
- ▲ Flexibilidad (descripción explícita o aprendizaje de datos)
Costes
- ▲ Capacidad de Razonamiento en Lenguaje Natural
- △ Facilidad de Interacción (requiere formato estructurado para descripción)
Fundamentos Teóricos
El artículo conecta con varias líneas de investigación académica en IA. La distinción entre "ver" y "hacer" (seeing vs. doing) es un concepto central en la causalidad, popularizado por Judea Pearl en su trabajo sobre redes bayesianas y modelos causales (Pearl, 2000). Minotaur reproduce esta distinción mediante la diferencia entre "observar" un nodo (manteniendo su ley intacta) y "intervenir" en él (forzando un valor y cortando su ley).
Los intentos iniciales de IA, como el Logic Theorist de Newell, Shaw y Simon (1956) y los sistemas expertos de los años 70 (ej. MYCIN), buscaban el razonamiento simbólico y la representación explícita del conocimiento. Minotaur retoma esta tradición, pero aborda el "cuello de botella de adquisición de conocimiento" y la "fragilidad" de esos sistemas al permitir el aprendizaje de la estructura del sistema a partir de datos. La recuperación de la lógica aristotélica y el silogismo dentro del marco ELC demuestra la capacidad del modelo para subsumir principios lógicos fundamentales, un concepto que resuena con el principio de correspondencia en física, donde una nueva teoría debe ser consistente con las teorías anteriores en sus dominios de validez.