Robots curiosos reproducen los errores lingüísticos de los niños pequeños

Un robot virtual desarrollado por investigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) aprendió a comprender el lenguaje más rápido cuando se le dotó de un impulso interno de curiosidad. El sistema también desarrolló un comportamiento lúdico y reprodujo un patrón de errores observado en niños pequeños que aprenden verbos irregulares.

Los hallazgos, publicados en Science Advances, examinan si los modelos de IA comprenden el lenguaje que generan. Los investigadores expusieron a los robots virtuales a combinaciones verbo-adjetivo-objeto en un entorno simulado con física, donde una voz de comando instruía cada tarea y una voz de retroalimentación narraba las acciones del robot.

«Los robots curiosos alcanzan lo que parece ser una comprensión genuina del lenguaje en la mitad del tiempo que sus congéneres indiferentes. Y nos sorprendió el comportamiento similar al juego y la capacidad para manejar excepciones que surgieron de forma independiente durante el entrenamiento.»

Cómo la curiosidad cambió el aprendizaje del robot

Los robots utilizaron una Red Neuronal Recurrente Variacional (PV-RNN) inspirada en la codificación predictiva, una arquitectura basada en teorías sobre cómo el cerebro procesa la información. A diferencia de los grandes modelos de lenguaje, que generan respuestas estadísticamente probables a partir de enormes conjuntos de datos, las PV-RNN se entrenan para reducir la “energía libre” equilibrando dos objetivos: predecir la realidad con precisión y minimizar los cambios en sus creencias internas.

Recomendado

El satélite Lobachevsky prueba la alternativa rusa a Sentinel

El equipo añadió aprendizaje por refuerzo con dos recompensas:

• Una recompensa externa por completar la tarea asignada.
• Una recompensa interna por curiosidad, ligada directamente a la complejidad de actualizar las creencias del robot.

Esto creó una tensión entre preservar un modelo del mundo preciso y estable y realizar acciones que produjeran experiencias sorprendentes. A mitad del entrenamiento, los robots curiosos experimentaron repetidamente con acciones no relacionadas con sus tareas asignadas, incluso derribando objetos. Los investigadores no les habían instruido que jugaran, pero ese comportamiento les ayudó a generalizar entre distintos tipos de tareas.

«No le dijimos al robot que jugara como un niño. Le dijimos que aprendiera. Y, sin embargo, al parecer una actividad conduce a la otra: el comportamiento similar al juego, reforzado por la curiosidad, ayudó a los robots a comprender el lenguaje más rápido.»

La exposición diversa al lenguaje mejora la generalización

El estudio se basa en el descubrimiento previo de los investigadores de que el éxito en tareas lingüísticas no vistas anteriormente depende de la diversidad de construcciones de oraciones encontradas durante el entrenamiento. En los nuevos experimentos, los robots curiosos expuestos a 48 combinaciones alcanzaron una tasa de generalización del 25 %, mientras que los expuestos a 180 combinaciones llegaron al 85 %.

×

Los robots fueron evaluados durante 60.000 épocas en tareas como «estar cerca del pilar verde» y «empujar la mancuerna magenta hacia la izquierda». La curiosidad produjo las mayores mejoras en tareas complejas, que requerían identificar la forma y el color correctos, desplazarse hacia el objeto y empujarlo en la dirección especificada. Las regiones sombreadas del gráfico representan intervalos de confianza del 99 %.

Los resultados también abordan el problema de la «pobreza del estímulo», planteado por Chomsky en 1980. Los niños adquieren un lenguaje complejo a pesar de recibir ejemplos escasos, incompletos y a veces erróneos. Los investigadores sostienen que la curiosidad, combinada con un entorno lingüístico rico y variado, podría ayudar a explicar ese aprendizaje rápido.

Los robots reproducen los errores en forma de U de los niños pequeños

El equipo se sorprendió cuando los robots también reprodujeron la curva en forma de U de manejo de excepciones que se observa en los niños que aprenden la conjugación verbal. Los niños inicialmente repiten formas familiares como «the dog ran» y «the boy went». Tras aprender la regla general de añadir «-ed», pueden sobregeneralizarla, produciendo errores como «the dog runned» y «the boy goed». El rendimiento mejora después a medida que aprenden las excepciones.

Los investigadores crearon un desafío similar intercambiando los significados de dos tareas. Cuando la instrucción era «watch magenta pillar», el robot era recompensado por realizar la tarea no declarada «be near green pole», y viceversa. El rendimiento primero mejoró, luego disminuyó a medida que los robots aprendían reglas más generales, antes de recuperarse una vez que manejaron la excepción.

«El hecho de que los robots reprodujeran el desempeño de los niños al manejar excepciones nos sorprendió por completo, porque no había nada en el modelo que abordara específicamente la sobregeneralización o el manejo de excepciones: parecían aprenderlo por sí mismos.»

A diferencia de los grandes modelos con billones de parámetros entrenados en conjuntos de datos masivos, las PV-RNN exponen sus estados ocultos, lo que permite a los investigadores rastrear predicciones y planes internos en tiempo real. Esa transparencia da al equipo del OIST control sobre qué estímulos despiertan curiosidad y con qué intensidad.

«Este entorno abstracto nos permite estudiar el impacto de la curiosidad dentro de un modelo muy convincente de cómo los humanos aprenden a procesar el lenguaje.»

El estudio, “Curiosity-Driven Development of Action and Language in Robots Through Self-Exploration,” fue publicado en Science Advances en 2026. DOI: 10.1126/sciadv.aee7533.