Propuesta de Marco Metodológico para Modelar la Abstracción Semántica en Inteligencia Artificial: Aplicación a la Tarea del RIT

Un área fundamental y de gran oportunidad en la Inteligencia Artificial (IA) es dotar a las máquinas de una comprensión lingüística profunda, que vaya más allá del procesamiento superficial de palabras para abarcar sus relaciones semánticas, el contexto y el significado subyacente. Este objetivo enfrenta importantes desafíos teóricos, técnicos y metodológicos. Aunque los Modelos de Lenguaje Preentrenados (PLMs, por sus siglas en inglés: Pretrained Language Models) y, especialmente, los Modelos de Lenguaje Grandes (LLMs, por sus siglas en ingles: Large Language Models) como BERT y GPT han logrado avances notables en tareas como traducción y generación de texto, su comprensión es esencialmente limitada. Desde la perspectiva de la semántica psicológica, estos sistemas adolecen de carencias fundamentales ya que su conocimiento se deriva principalmente de patrones estadísticos extraídos de grandes corpus, sin un anclaje conceptual a las creencias, intenciones y al mundo real que caracterizan la cognición humana. Esto se traduce en problemas como la generación de alucinaciones, la perpetuación de sesgos y una notable falta de razonamiento abstracto y profundo. Un problema fundamental es que, al trabajar con relaciones léxicas sin procesar, los LLMs tienden a atascarse en asociaciones literales, sin captar la profundidad semántica. Para superar estas limitaciones, las investigaciones actuales se han enfocado en dos líneas principales: 1) La integración de conocimiento estructurado externo (como bases de datos ontológicas) para enriquecer la representación semántica y 2) La mejora de los mecanismos de razonamiento mediante técnicas como el debate entre múltiples agentes o prompting avanzado.