IA neurosimbólica
Aprendizaje y razonamiento en un mismo sistema
Las redes aprenden de datos pero razonan mal; los sistemas simbólicos razonan con rigor pero no aprenden. La IA neurosimbólica intenta el matrimonio.
Intuición
Kahneman popularizó dos sistemas de pensamiento: el rápido e intuitivo (Sistema 1) y el lento y deliberado (Sistema 2). Muchos investigadores ven en las redes neuronales un Sistema 1 y en la lógica un Sistema 2, y buscan combinarlos.
Hay muchas formas de hacerlo. Henry Kautz (2020) propuso una taxonomía: desde redes que llaman a solucionadores simbólicos (como un LLM que usa una calculadora) hasta lógica diferenciable en la que las reglas se vuelven pérdidas que guían el aprendizaje.
El laboratorio implementa la segunda vía, al estilo de las Logic Tensor Networks: los predicados («fuma», «tiene cáncer», «son amigos») son valores aprendibles en y las reglas lógicas se convierten en restricciones difusas que se satisfacen por descenso de gradiente.
Mecanismo
Lógica difusa diferenciable: conjunción con el producto , disyunción , implicación de Reichenbach y cuantificador universal como media generalizada. La satisfacción total de una base de conocimiento es diferenciable respecto a los parámetros.
Otros enfoques: KBANN (Towell y Shavlik, 1994) compila reglas en la arquitectura de una red; DeepProbLog (Manhaeve et al., 2018) añade predicados neuronales a un lenguaje de programación lógica probabilística; AlphaGeometry (2024) combina un modelo de lenguaje que propone construcciones auxiliares con un motor deductivo simbólico.
La promesa: aprender con menos datos, generalizar sistemáticamente, respetar restricciones duras y producir explicaciones verificables.
Laboratorio
Lógica diferenciable: amigos y fumadores
Un clásico de las redes lógicas: si dos amigos, uno fuma y el otro tiende a fumar; fumar implica cáncer. Fija hechos y observa cómo el gradiente propaga la verdad por el grafo.
Historia
- 1988
Fodor y Pylyshyn critican al conexionismo por no explicar la sistematicidad del pensamiento.
Fodor & Pylyshyn (1988), Cognition 28
- 1994
KBANN: redes neuronales inicializadas con conocimiento simbólico.
Towell & Shavlik (1994), Artificial Intelligence 70
- 2006
Redes lógicas de Markov: lógica de primer orden con pesos.
Richardson & Domingos (2006), Machine Learning 62
- 2016
Logic Tensor Networks: lógica real y aprendizaje profundo.
Serafini & d'Avila Garcez (2016), arXiv:1606.04422
- 2018
DeepProbLog integra predicados neuronales en ProbLog.
Manhaeve et al. (2018), NeurIPS
- 2020
Kautz propone su taxonomía de sistemas neurosimbólicos en la conferencia Engelmore de AAAI.
Kautz (2022), AI Magazine 43(1)
- 2024
AlphaGeometry resuelve problemas de geometría olímpica a nivel de medallista.
Trinh et al. (2024), Nature 625
Límites
La lógica difusa relaja la verdad; algunas reglas dejan de comportarse como reglas.
Combinar búsqueda simbólica y gradientes suele ser costoso y difícil de escalar.
No hay una arquitectura dominante: es un campo de muchas propuestas.
¿Es el pensamiento simbólico una capa sobre la percepción o surge de ella?
Kant distinguía la sensibilidad, que recibe, del entendimiento, que ordena con conceptos: «los pensamientos sin contenido son vacíos; las intuiciones sin conceptos son ciegas». La IA neurosimbólica reescribe esta frase en ingeniería.
La pregunta abierta es si los símbolos deben programarse o pueden emerger de redes suficientemente grandes. Si emergen, ¿serían los mismos símbolos que los nuestros?