Los seres humanos tienen una comprensión temprana de las leyes de la realidad física. Los bebés, por ejemplo, tienen expectativas sobre cómo deben moverse los objetos e interactuar entre sí, y muestran sorpresa cuando ocurre algo inesperado, como que un objeto desaparezca en un truco de magia de manos.
Ahora, investigadores del MIT han diseñado un modelo que demuestra una comprensión de algunos principios básicos de la «física intuitiva» sobre cómo deben comportarse los objetos. El modelo podría utilizarse para ayudar a desarrollar una inteligencia artificial más inteligente y, a su vez, aportar información que ayude a los científicos a comprender la cognición infantil.
El modelo, denominado ADEPT, observa cómo se mueven los objetos en una escena y realiza predicciones sobre cómo deberían comportarse, basándose en su física subyacente. Mientras rastrea los objetos, el modelo genera en cada fotograma de vídeo una señal que se correlaciona con un nivel de «sorpresa»: cuanto mayor es la señal, mayor es la sorpresa. Si un objeto no coincide drásticamente con las predicciones del modelo —por ejemplo, si desaparece o se teletransporta a través de la escena—, sus niveles de sorpresa aumentarán bruscamente.
Ante vídeos que muestran objetos que se mueven de maneras físicamente plausibles e implausibles, el modelo registró niveles de sorpresa que coincidían con los niveles informados por personas que habían visto los mismos vídeos.
«Cuando los bebés tienen 3 meses, ya tienen cierta noción de que los objetos no aparecen y desaparecen de forma repentina, y de que no pueden atravesarse entre sí ni teletransportarse», afirma el primer autor, Kevin A. Smith, investigador del Departamento de Ciencias Cerebrales y Cognitivas (BCS) y miembro del Centro de Cerebros, Mentes y Máquinas (CBMM). «Queríamos capturar y formalizar ese conocimiento para incorporar la cognición infantil a los agentes de inteligencia artificial. Ahora nos acercamos a una forma de razonamiento similar a la humana, en la manera en que los modelos pueden distinguir escenas básicas plausibles e implausibles».
Junto con Smith, firman el artículo los coprimeros autores Lingjie Mei, estudiante de grado del Departamento de Ingeniería Eléctrica e Informática, y Shunyu Yao, investigador del BCS; Jiajun Wu, doctor por la Universidad de 2019 (PhD ’19); Elizabeth Spelke, investigadora del CBMM; Joshua B. Tenenbaum, catedrático de ciencia cognitiva computacional e investigador del CBMM, el BCS y el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL); y Tomer D. Ullman, investigador del CBMM y doctor por la Universidad de 2015 (PhD ’15).
Realidades discordantes
ADEPT se basa en dos módulos: un módulo de «gráficos inversos», que captura las representaciones de los objetos a partir de imágenes sin procesar, y un «motor de física», que predice las representaciones futuras de los objetos a partir de una distribución de posibilidades.
Los gráficos inversos extraen, en esencia, información de los objetos —como la forma, la postura y la velocidad— a partir de entradas de píxeles. Este módulo captura fotogramas de vídeo como imágenes y utiliza los gráficos inversos para extraer esta información de los objetos de la escena. Sin embargo, no se entretiene en los detalles. ADEPT solo necesita una geometría aproximada de cada forma para funcionar. En parte, esto ayuda al modelo a generalizar predicciones a nuevos objetos, y no solo a aquellos con los que ha sido entrenado.
«No importa si un objeto es un rectángulo o un círculo, o si es un camión o un pato. ADEPT simplemente percibe que hay un objeto con una posición determinada que se mueve de cierta manera, y con ello realiza sus predicciones», afirma Smith. «De forma similar, los bebés pequeños tampoco parecen preocuparse mucho por ciertas propiedades, como la forma, a la hora de hacer predicciones físicas».
Estas descripciones gruesas de los objetos se introducen en un motor de física: un software que simula el comportamiento de sistemas físicos, como cuerpos rígidos o fluidos, y que se utiliza habitualmente en el cine, los videojuegos y los gráficos por ordenador. El motor de física de los investigadores «hace avanzar los objetos en el tiempo», explica Ullman. Esto genera una serie de predicciones, o una «distribución de creencias», sobre lo que ocurrirá con esos objetos en el siguiente fotograma.
A continuación, el modelo observa el siguiente fotograma real. Una vez más, captura las representaciones de los objetos, que luego alinea con una de las representaciones predichas de su distribución de creencias. Si el objeto obedece las leyes de la física, no habrá una gran discrepancia entre ambas representaciones. Por el contrario, si el objeto hace algo implausible —por ejemplo, desaparece detrás de una pared—, habrá una discrepancia importante.
ADEPT, a continuación, vuelve a muestrear su distribución de creencias y constata una probabilidad muy baja de que el objeto simplemente haya desaparecido. Si la probabilidad es lo bastante baja, el modelo registra una gran «sorpresa» en forma de pico de señal. En esencia, la sorpresa es inversamente proporcional a la probabilidad de que ocurra un suceso. Si la probabilidad es muy baja, el pico de señal es muy alto.
«Si un objeto pasa detrás de una pared, el motor de física mantiene la creencia de que el objeto sigue detrás de la pared. Si la pared cae y no hay nada, hay una discrepancia», explica Ullman. «Entonces, el modelo dice: “Hay un objeto en mi predicción, pero no veo nada. La única explicación es que ha desaparecido, lo que resulta sorprendente”».
Violación de expectativas
En psicología del desarrollo, los investigadores realizan pruebas de «violación de expectativas» en las que se muestran a los bebés pares de vídeos. Uno de ellos muestra un suceso plausible, en el que los objetos se ajustan a sus nociones esperadas sobre cómo funciona el mundo. El otro vídeo es idéntico en todos los aspectos, salvo que los objetos se comportan de una manera que viola de algún modo las expectativas. Los investigadores suelen utilizar estas pruebas para medir cuánto tiempo mira el bebé una escena después de que se produzca una acción implausible. Cuanto más tiempo fijan la mirada, según plantean los investigadores, más sorprendidos o interesados pueden estar por lo que acaba de ocurrir.
Para sus experimentos, los investigadores crearon varios escenarios basados en investigaciones clásicas sobre el desarrollo para examinar el conocimiento básico de objetos del modelo. Contaron con 60 adultos que vieron 64 vídeos de escenarios físicamente plausibles e implausibles conocidos. Por ejemplo, los objetos se desplazan detrás de una pared y, cuando la pared cae, siguen allí o han desaparecido. Los participantes valoraron su sorpresa en distintos momentos en una escala creciente de 0 a 100. Después, los investigadores mostraron los mismos vídeos al modelo. En concreto, los escenarios examinaron la capacidad del modelo para captar nociones de permanencia (los objetos no aparecen ni desaparecen sin motivo), continuidad (los objetos se desplazan por trayectorias conectadas) y solidez (los objetos no pueden atravesarse entre sí).
ADEPT coincidió especialmente bien con los seres humanos en los vídeos en los que los objetos se desplazaban detrás de paredes y desaparecían cuando la pared se retiraba. Curiosamente, el modelo también coincidió en los niveles de sorpresa en vídeos que no sorprendieron a los seres humanos, pero que quizá debieran haberlo hecho. Por ejemplo, en un vídeo en el que un objeto que se mueve a cierta velocidad desaparece detrás de una pared y sale inmediatamente por el otro lado, el objeto podría haber acelerado bruscamente al pasar detrás de la pared o podría haberse teletransportado al otro lado. En general, tanto los seres humanos como ADEPT se mostraron menos seguros de si ese suceso era o no sorprendente. Los investigadores también comprobaron que las redes neuronales tradicionales que aprenden física a partir de observaciones, pero que no representan explícitamente los objetos, son mucho menos precisas a la hora de diferenciar escenas sorprendentes de escenas no sorprendentes, y que sus selecciones de escenas sorprendentes no suelen coincidir con las de los seres humanos.
A continuación, los investigadores pretenden profundizar en cómo los bebés observan y aprenden sobre el mundo, con el objetivo de incorporar los nuevos hallazgos a su modelo. Estudios, por ejemplo, demuestran que los bebés hasta cierta edad en realidad no se sorprenden mucho cuando los objetos cambian por completo en algunos aspectos, como si un camión desaparece detrás de una pared pero reaparece como un pato.
«Queremos ver qué más hay que incorporar para entender el mundo más como lo hacen los bebés, y formalizar lo que sabemos de psicología para construir mejores agentes de IA», afirma Smith.
