IA neurosimbólica: cómo lograr que los modelos de lenguaje por fin sepan calcular

Las mayores tecnológicas del mundo han invertido decenas de miles de millones de dólares en modelos de lenguaje capaces de escribir código, traducir textos y generar razonamientos coherentes sobre cualquier tema. Pero pídele a cualquiera de ellos que divida 7429 entre 17 y empieza la lotería. A veces la respuesta es correcta, a veces no, y a veces el modelo suelta una alucinación con total seguridad, imposible de distinguir del resultado correcto. No es un fallo que se arregle con un parche. Es una limitación fundamental de la arquitectura, y un investigador de la plataforma Habr no solo ha señalado el problema, sino que ha propuesto una solución que funciona.

Antes de entrar en la solución, conviene entender por qué existe el problema. Los modelos de lenguaje basados en la arquitectura Transformer procesan la información mediante transformaciones matemáticas continuas: multiplicaciones de matrices, funciones de activación, el mecanismo de atención. Todo eso funciona de maravilla en tareas donde importan los patrones, el contexto y las estimaciones aproximadas. Pero la aritmética es una operación discreta. Dos más dos son exactamente cuatro, no 3.97 ni 4.02. Cuando una red neuronal intenta imitar cálculos exactos mediante aproximación, inevitablemente se equivoca, sobre todo con números que no aparecieron en los datos de entrenamiento o que quedan fuera de los rangos habituales.

La industria ha probado atajos. El prompting Chain-of-Thought obliga al modelo a razonar paso a paso, lo que mejora los resultados pero no elimina la raíz del problema: cada paso de la cadena lo sigue ejecutando la misma arquitectura aproximativa. El fine-tuning con problemas matemáticos ayuda en escenarios acotados, pero no generaliza. Ampliar la ventana de contexto y la escala del modelo da mejoras marginales a un coste computacional enorme. El resultado es una solución paradójica: conectar calculadoras corrientes a potentes redes neuronales mediante llamadas a herramientas. Funciona, pero parece un parche chapucero pegado a una nave espacial.

El investigador tomó otro camino y propuso una arquitectura neurosimbólica: un híbrido en el que los componentes neuronales se encargan de aquello en lo que realmente destacan y los módulos simbólicos asumen las tareas que exigen precisión. La idea no es nueva en el plano académico. La IA neurosimbólica se discute en círculos científicos desde hace varios años, e investigadores como Yoshua Bengio y Gary Marcus llevan tiempo señalando la necesidad de combinar los dos paradigmas. Pero de los argumentos teóricos a una implementación funcional hay una distancia enorme, y es la que el autor ha intentado salvar.

La esencia de la arquitectura propuesta es una red neuronal semántica en la que el modelo no intenta calcular directamente, sino que reconoce el tipo de tarea y delega la ejecución en el módulo simbólico correspondiente. La red neuronal actúa como intérprete de intenciones y enrutador, mientras que las operaciones exactas las realizan algoritmos deterministas. Esto es radicalmente distinto del enfoque de herramientas externas: en lugar de una llamada API torpe a una calculadora, la lógica simbólica está integrada directamente en la arquitectura del modelo, lo que le permite trabajar con más rapidez y fiabilidad.

Los resultados de los experimentos que describe el autor confirman que el enfoque es viable, aunque aún es prematuro hablar de revolución. La cuestión clave es la escalabilidad. La aritmética es el caso más simple de razonamiento simbólico. Integrar módulos simbólicos para la inferencia lógica, la planificación o la verificación de hechos es mucho más difícil. Si la arquitectura logra extenderse a esos ámbitos, cambiará de verdad el panorama. Si no, seguirá siendo una solución elegante pero de nicho.

Para la industria, el valor de este trabajo va más allá de una implementación concreta. Subraya una tendencia que gana fuerza en los últimos meses: el escalado puro de redes neuronales choca con un techo y el futuro es de los sistemas híbridos. OpenAI, Google y Anthropic ya experimentan con distintas formas de integración neurosimbólica, aunque no siempre lo cuentan abiertamente. Que un investigador independiente proponga ideas competitivas con código abierto habla de la madurez de la comunidad y de la democratización de la investigación en IA.

En definitiva, el trabajo plantea la pregunta correcta: ¿no habría que dejar de obligar a las redes neuronales a hacer aquello para lo que no fueron creadas y dejar que cada componente del sistema haga lo que mejor sabe hacer? La respuesta parece obvia. Solo falta llevarla a cabo a escala.