Un problema de Bongard es un tipo de rompecabezas visual en el que una persona o una máquina debe identificar una regla que distinga dos conjuntos de imágenes, presentados típicamente lado a lado. Cada conjunto contiene seis diagramas simples, y el solucionador debe encontrar un criterio de clasificación binaria que separe el conjunto izquierdo del derecho. Los problemas fueron introducidos por el científico informático soviético Mikhail Bongard en su libro de 1970 "Reconocimiento de patrones", y desde entonces se han convertido en un estándar de referencia en la investigación de la ciencia cognitiva y la inteligencia artificial.
Los problemas de Bongard son notables por su combinación de dificultad perceptiva y conceptual. Las reglas pueden involucrar propiedades geométricas como forma, tamaño, orientación, número o disposición espacial, pero a menudo requieren razonamiento abstracto sobre relaciones, simetría o incluso categorías semánticas. Debido a que las imágenes son deliberadamente mínimas, los problemas aíslan el desafío central de descubrir una regla general a partir de ejemplos limitados, una tarea que es trivial para los humanos en muchos casos pero notoriamente difícil para las máquinas.
Contexto histórico
Mikhail Bongard desarrolló estos problemas mientras trabajaba en el Instituto de Cibernética de Moscú, con el objetivo de comprender los mecanismos del reconocimiento de patrones en sistemas biológicos y artificiales. Su monografía de 1970 presentó 100 problemas, cada uno diseñado para probar diferentes aspectos de la abstracción visual. Los problemas ganaron mayor atención en Occidente a través del libro de Douglas Hofstadter de 1979 "Gödel, Escher, Bach", que los discutió como ejemplos del "conocimiento tácito" involucrado en la percepción y la creación de analogías. Hofstadter usó más tarde los problemas de Bongard en su investigación en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, donde él y sus estudiantes desarrollaron modelos computacionales para resolverlos.
Estructura y ejemplos
Un problema típico de Bongard presenta dos cajas, etiquetadas A y B, cada una conteniendo seis diagramas pequeños. El solucionador debe encontrar una regla que todos los seis diagramas en la caja A satisfagan, mientras que ninguno de los seis en la caja B lo haga. Por ejemplo, un problema podría tener la caja A conteniendo solo formas con un número par de lados, y la caja B con formas de lados impares. Otro podría requerir reconocer que todas las figuras en la caja A están orientadas verticalmente, mientras que las de la caja B son horizontales. Las reglas pueden ser jerárquicas, como "todas las formas en A contienen un círculo pequeño dentro de un triángulo más grande", o pueden involucrar comparaciones entre elementos, como "el número de puntos negros es igual al número de cuadrados blancos".
Algunos problemas son deliberadamente ambiguos, con múltiples reglas plausibles, lo que resalta el papel del conocimiento previo y el contexto en la interpretación. La dificultad varía desde trivial (por ejemplo, color o tamaño) hasta altamente abstracto (por ejemplo, "las figuras en A son todas topológicamente equivalentes a un círculo").
Papel en la ciencia cognitiva
Los científicos cognitivos han utilizado los problemas de Bongard para estudiar la formación de conceptos humanos, el razonamiento inductivo y la naturaleza de la inteligencia visual. Investigadores como Joshua Tenenbaum y Brendan Lake en Stanford y MIT los han citado como ejemplos de las habilidades de "mapeo rápido" y "aprendizaje de una sola muestra" que los humanos poseen pero las máquinas carecen. Los problemas requieren no solo coincidencia de patrones, sino también la capacidad de generar y probar hipótesis sobre categorías abstractas, un proceso que sigue siendo poco comprendido. Los estudios han mostrado que los solucionadores humanos a menudo dependen de reglas verbalizables, sugiriendo un vínculo entre el lenguaje y el razonamiento visual.
Aprendizaje automático y puntos de referencia en IA
En el campo de la inteligencia artificial, los problemas de Bongard se han convertido en un punto de referencia para evaluar las capacidades de razonamiento visual. Los primeros intentos en las décadas de 1970 y 1980 usaron enfoques de IA simbólica, pero lucharon con la naturaleza abierta de las reglas. Con el auge del aprendizaje automático y el aprendizaje profundo, los investigadores han desarrollado nuevos conjuntos de datos basados en problemas de Bongard, como el conjunto de datos Bongard-HOI (2020) y el conjunto de datos Bongard-LOGO (2022), que generan grandes números de problemas programáticamente. Estos conjuntos de datos se utilizan para probar redes neuronales y modelos basados en transformadores, incluidos grandes modelos de lenguaje cuando se combinan con codificadores visuales.
Los sistemas de última generación actuales aún rinden muy por debajo de la precisión humana en problemas de Bongard novedosos. Por ejemplo, un estudio de 2023 encontró que incluso los mejores modelos lograron solo alrededor del 60% de precisión en un conjunto de 100 problemas, en comparación con el rendimiento casi perfecto de los humanos. La dificultad radica en la necesidad de razonamiento compositivo y la capacidad de generalizar a partir de un puñado de ejemplos, lo que contrasta con la naturaleza hambrienta de datos de la mayoría de los enfoques de aprendizaje profundo. Investigadores en Google DeepMind y OpenAI han explorado el uso de problemas de Bongard para sondear las capacidades de razonamiento de sus modelos, pero ningún sistema los ha dominado aún.
Conceptos relacionados y direcciones futuras
Los problemas están estrechamente relacionados con otras tareas de razonamiento visual como las Matrices Progresivas de Raven, que implican completar un patrón en una cuadrícula, y el Corpus de Razonamiento y Abstracción (ARC) introducido por François Fleuret en 2019. ARC comparte el objetivo de medir la inteligencia general a través de rompecabezas visuales, pero usa un formato diferente. Algunos investigadores argumentan que los problemas de Bongard son más desafiantes porque requieren descubrir una regla binaria a partir de ejemplos positivos y negativos, mientras que las tareas de ARC a menudo involucran reglas de transformación.
El trabajo futuro puede implicar combinar problemas de Bongard con enfoques de aprendizaje curricular o meta-aprendizaje, o usarlos para evaluar las habilidades de razonamiento emergentes de los sistemas de IA generativa. A mediados de la década de 2020, ningún sistema publicado ha logrado un rendimiento a nivel humano en un amplio conjunto de problemas de Bongard, lo que los convierte en un área activa de investigación en la búsqueda de la inteligencia artificial general.