Cómo razona una IA sin palabras ni tarjeta gráfica

Razonar sin un modelo de lenguaje

Minotaur puede razonar usando métodos que normalmente se atribuyen a los modelos de lenguaje grandes, a pesar de no tener ningún modelo de lenguaje ni ninguna tarjeta gráfica ¹. Realiza deduction, sacando conclusiones a partir de reglas generales; induction, encontrando patrones a partir de datos; abduction, imaginando la mejor explicación para lo ocurrido; y diagnosis, averiguando por qué algo salió mal . También puede comparar lo que debería haber pasado con lo que pasó, elegir el experimento que resolvería una pregunta, cambiar de opinión cuando recibe nueva información y reflexionar sobre si hacer una pregunta podría alterar la respuesta misma . Todo esto proviene de una única operación en un solo núcleo de procesador normal, y tarda aproximadamente un cuarto de segundo por pregunta . En pruebas ciegas en las que los autores nunca vieron su código fuente, funcionó igual de bien que un modelo de lenguaje moderno —alcanzando resultados comparables en entrevistas policiales que remodelan el recuerdo de los testigos y en sistemas que aprenden, diagnostican y predicen puramente a partir de datos.

Por qué los modelos de lenguaje imitan el pensamiento humano

Los modelos de lenguaje grandes se entrenan para predecir la siguiente palabra a partir de enormes cantidades de escritos ¹. Puesto que gran parte de esos escritos son personas pensando en voz alta sobre papel —demostraciones matemáticas, notas médicas, razonamientos detectivescos—, un modelo que se vuelve muy bueno continuando texto también se vuelve muy bueno imitando cómo piensan las personas . Esto les da fortalezas como la capacidad de explicarse y usar el sentido común, pero también debilidades: aceptan argumentos que suenan creíbles incluso cuando son defectuosos, sus respuestas cambian según cómo se formule una pregunta y sus explicaciones suelen escribirse después de los hechos en lugar de mostrar cómo se alcanzó realmente la respuesta . Solo ven descripciones humanas del mundo, nunca el mundo mismo .

Un historial más largo de otros intentos

Antes de que los modelos de lenguaje dominaran, los investigadores pasaron décadas probando otros enfoques ¹. El Logic Theorist, creado en 1956 por Allen Newell, Cliff Shaw y Herbert Simon, demostraba teoremas matemáticos buscando entre los pasos posibles . Su sucesor, el Solucionador general de problemas, funcionaba con acertijos pero se topaba con la combinatorial explosion: el número de pasos posibles crece tan rápido que los problemas reales resultaban imposibles de buscar . En 1973 el informe Lighthill dirigido al gobierno británico llamó a esto la explosión combinatoria, y la financiación en Reino Unido se redujo drásticamente .

En la década de 1970, los expert systems como MYCIN, que recomendaba antibióticos, y XCON, que configuraba pedidos de computadoras, mostraron que dar a las máquinas reglas escritas a mano por expertos humanos podía funcionar bien en ámbitos estrechos ¹. Pero sufrían del cuello de botella de adquisición de conocimiento, la imposibilidad de escribir todas las reglas que un experto conoce, y fragilidad: fuera de sus normas estrechas, no tenían nada sensato que decir . Para finales de los años 1980, la demanda de estos sistemas se había desmoronado.

El Prolog, creado en Marsella en 1972, y el proyecto japonés Sistemas informáticos de Quinta Generación pretendían construir máquinas que razonaran exactamente mediante lógica formal ¹. Hoy los solucionadores de lógica se usan diariamente para comprobar chips informáticos, pero la lógica está limitada a problemas ya expresados en lógica formal, y el proyecto de Quinta Generación concluyó sin entregar las máquinas pensantes que prometía.

El enfoque diferente de Minotaur

El enfoque de Minotaur vuelve a una idea más antigua: si quieres un razonamiento exacto, verificable y certificable, empieza trabajando directamente sobre la estructura del sistema del que estás razonando, en lugar de imitar la manera en que las personas escriben su pensamiento ¹. En vez de predecir la siguiente palabra, mide: comprueba regulaciones reales frente a registros de cómo se aplicaron y descubre qué organización infringió una norma, cuánto y dónde . Esto le otorga capacidad de razonamiento sin los compromisos que trae el diseño de un modelo de lenguaje .

Un paso hacia el razonamiento comprobado

La historia de Minotaur importa porque muestra que las impresionantes habilidades de razonamiento de los mayores modelos actuales no dependen del lenguaje en absoluto ¹. Durante más de sesenta años, los investigadores han estado intentando construir máquinas que piensen de formas que puedan comprobarse y repetirse . Cada intento se topó con un muro: la búsqueda explotaba, las reglas resultaban imposibles de escribir, la lógica formal no lograba capturar el mundo real, y los modelos de lenguaje acabaron emergiendo como un parche práctico . Minotaur sugiere que una ruta distinta podría estar reabriéndose ahora . Si una máquina puede razonar con mediciones en vez de predicciones, quizás ofrezca un camino hacia adelante más rápido, más barato y más fácil de verificar que ejecutar modelos de lenguaje grandes sobre hardware caro .

Correcciones y actualizaciones

• Corrected on 12 November 2026. Una versión anterior afirmaba que el Logic Theorist fue construido en la Universidad de Stanford; la fuente no indica su afiliación, solo que ellos lo construyeron. Este detalle añadido fue inventado y no aparece en el texto. Una versión anterior afirmaba que los sistemas expertos fracasaron únicamente por culpa del cuello de botella de adquisición de conocimiento; la fuente decía que además enfrentaban fragilidad, citando dos razones distintas. Una versión anterior condensó la frase del informe Lighthill en una única cita entre corchetes pero eliminó el detalle del nombre; la versión reemplazada restauró el texto original en el que se indica que el informe lo denominaba así.

Los datos clave

• La IA Minotaur realiza deducción, inducción, abducción y diagnóstico sin un modelo de lenguaje ni tarjeta gráfica.
• Opera en un único núcleo de procesador estándar, tardando aproximadamente un cuarto de segundo por pregunta.
• Igualó a un modelo de lenguaje actual en pruebas ciegas que involucraban entrevistas policiales y diagnóstico de sistemas.
• Los sistemas expertos como MYCIN y XCON enfrentaron el cuello de botella de adquisición de conocimiento y fragilidad, lo que llevó al colapso del mercado a finales de los años 1980.
• Minotaur razona midiendo estructuras en lugar de predecir lenguaje.

Fuentes

1. Minotaur AI Deep Dive: Achieving Reasoning Without a Language Model — fleetingswallow.com