Cientos de ladrillos simples se enseñaron a reconocer su propia forma

Un tema recurrente en la investigación de Sakana AI es la inteligencia colectiva: la observación de que un comportamiento sofisticado y robusto puede surgir de muchas partes simples que siguen reglas locales sin un controlador central. Hasta ahora, esa línea de trabajo se mantenía en software. Un artículo publicado en Nature Communications marca la primera vez que los mismos principios se han demostrado en hardware físico, en una colaboración entre investigadores de la Universidad de Copenhague (ITU), Sakana AI y Autodesk.

El sistema es una colección de ladrillos celulares, cada uno un pequeño cubo de placa de circuito impreso con conectores eléctricos en las seis caras, un microcontrolador, un LED para mostrar su suposición de clase actual y la electrónica para autoalimentarse. Los ladrillos se apilan formando objetos arbitrarios y se comunican puramente de forma local a través de un protocolo serial digital personalizado. A ningún ladrillo se le dice su posición ni de qué forma forma parte. Cada ladrillo ejecuta un autómata celular neuronal (NCA) idéntico, una red neuronal profunda que aprende las reglas de actualización local en lugar de tenerlas diseñadas a mano, e itera hasta que el colectivo converge en una única etiqueta de forma.

Qué hacen los ladrillos

El colectivo tiene la tarea de distinguir entre objetos que se asemejan a aviones, sillas, coches, mesas, casas, guitarras y barcos. En lugar de coincidir con una única configuración predefinida, el sistema generaliza a través de clases enteras de formas. Una mesa de cinco patas con patas en posiciones aleatorias seguía siendo clasificada como mesa. Un barco con su puente central desplazado fuera del centro seguía siendo reconocido. La red está captando características estructurales abstractas, no memorizando instancias.

En simulación, el enfoque alcanzó un 98.97% de precisión. En hardware, el equipo construyó cuatro formas distintas que iban desde 26 ladrillos (una guitarra) hasta 197 (una mesa redonda). Los ladrillos alcanzaron un consenso correcto en un avión, una guitarra, un barco y una mesa con una tasa de éxito del 100% en las cuatro, convergiendo en menos de 60 ciclos de actualización, aproximadamente tres minutos de tiempo real.

Detección de daños y autorreparación

Los sistemas biológicos como las planarias y los axolotes regeneran partes complejas del cuerpo a través de ciclos distribuidos de detección y regeneración sin un controlador central. Los ladrillos fueron entrenados para detectar si una célula vecina ha sido dañada, prediciendo ya sea ningún daño o daño en una de seis direcciones espaciales. El sistema mantuvo un 98.9% de precisión en la clasificación de formas mientras detectaba daños con una precisión promedio del 94.8%.

Para probar la recuperación, el equipo comenzó con un pequeño grupo de células y agregó repetidamente nuevas células en la dirección indicada por las existentes hasta que no se detectó más daño. Sin haber sido entrenado nunca para crecer a partir de solo unas pocas células, el modelo recuperó casi todas las formas en todas las clases de objetos con alta precisión. En cuadrículas simuladas más grandes de hasta 64x64x64, el enfoque funcionó para formas tan complejas como un pez, un logotipo de Sakana AI y un corazón construido con más de 18.000 cubos.

Estrategias de comunicación emergentes

El artículo también examina cómo el colectivo resuelve realmente la tarea. Al principio del proceso, los canales ocultos del NCA establecen patrones de activación izquierda-derecha y radial que se asemejan a los gradientes de morfógenos que forman los ejes de desarrollo en embriones. El mismo patrón explica cómo el sistema distingue mesas de sillas: para las sillas, una señal anteroposterior se propaga desde el respaldo hacia afuera, reclasificando gradualmente las células que inicialmente se leían como "mesa" en un consenso coherente de "silla".

El equipo señala que el enfoque es modular por naturaleza. La misma infraestructura y el código idéntico por cubo que maneja la clasificación de formas también se extiende a localizar módulos faltantes y guiar el recrecimiento. La escalabilidad parece ser predecible: a medida que aumentan la resolución espacial y la complejidad estructural, mantener un alto rendimiento requiere una mayor capacidad del modelo, pero la relación es favorable.

El trabajo es, para Sakana AI, un primer paso en una dirección más amplia: tomar los principios de la inteligencia colectiva estudiados en software y permitir que emerjan, descentralizados y robustos, en el mundo físico. El artículo en Nature Communications es de acceso abierto, y el código está disponible en GitHub. El equipo también señala limitaciones, incluido el hecho de que los cuellos de botella estructurales estrechos (una sola falla a lo largo del mástil de una guitarra) pueden romper el proceso de clasificación más fácilmente que en formas con conectividad redundante.