Inteligencia incorporada a través del aprendizaje y la evolución

https://www.nature.com/articles/s41467-021-25874-z

Los procesos entrelazados de aprendizaje y evolución en nichos ambientales complejos han dado lugar a una notable diversidad de formas morfológicas. Además, muchos aspectos de la inteligencia animal están profundamente incorporados en estas morfologías evolucionadas. Sin embargo, los principios que rigen las relaciones entre la complejidad del entorno, la morfología evolucionada y la capacidad de aprendizaje del control inteligente siguen siendo esquivos, ya que la realización de experimentos in silico a gran escala sobre la evolución y el aprendizaje es un reto. Aquí presentamos el Aprendizaje Evolutivo Profundo por Refuerzo (DERL): un marco computacional que puede hacer evolucionar diversas morfologías de agentes para aprender tareas de locomoción y manipulación difíciles en entornos complejos. Aprovechando el DERL demostramos varias relaciones entre la complejidad del entorno, la inteligencia morfológica y la capacidad de aprendizaje del control. En primer lugar, la complejidad del entorno fomenta la evolución de la inteligencia morfológica, cuantificada por la capacidad de una morfología para facilitar el aprendizaje de nuevas tareas. En segundo lugar, demostramos un efecto morfológico de Baldwin, es decir, en nuestras simulaciones la evolución selecciona rápidamente las morfologías que aprenden más rápido, permitiendo así que los comportamientos aprendidos tarde en la vida de los primeros ancestros se expresen pronto en la vida de los descendientes. En tercer lugar, sugerimos una base mecánica para las relaciones anteriores a través de la evolución de morfologías que son más estables físicamente y eficientes energéticamente, y que por tanto pueden facilitar el aprendizaje y el control.