Un equipo de investigación propone una hipótesis que reconcilia dos tradiciones de la inteligencia artificial: la simbólica, basada en combinaciones estructuradas de símbolos, y la conexionista, sustentada en vectores continuos. Los sistemas modernos de IA alcanzan rendimientos notables en áreas como la lógica, la aritmética, el código o el lenguaje pese a que los vectores parecen inadecuados para capturar ese tipo de estructuras.
El trabajo muestra que las representaciones internas de distintas redes neuronales —desde modelos pequeños entrenados para manipular listas hasta grandes modelos de lenguaje (LLM)— pueden aproximarse mediante estructuras simbólicas. En concreto, los autores reemplazan todo el proceso generador de representaciones de la red por una ecuación de forma cerrada que instancia una estructura simbólica, y el comportamiento de la red apenas varía.
El hallazgo se valida en cuatro dominios centrales de las tradiciones simbólicas: aritmética, lógica, código y lenguaje. Además, la aproximación simbólica permite intervenir de forma precisa sobre las representaciones internas de un LLM para modificar su comportamiento, lo que sugiere que ese comportamiento depende de las estructuras simbólicas identificadas.
La investigación, publicada en arXiv, ofrece una vía para conectar las concepciones simbólicas de la inteligencia —lógicas y estructuradas— con la naturaleza vectorial de la IA actual, un debate abierto desde hace décadas.