Una máquina inventa teorías sobre el pensamiento exprés
Un círculo cerrado: la máquina propone una idea, la prueba en personas, ve los fallos y genera una nueva conjetura más precisa. Así funciona AutoCog, el científico cognitivo automático. Antes, en la ciencia del pensamiento (la ciencia cognitiva), lo más difícil — idear una teoría — lo hacían solo los humanos. Los datos los recogían autómatas, los modelos los calculaban computadoras, pero el paso creativo quedaba en manos de la persona. AutoCog cierra este ciclo por primera vez.
El sistema está organizado como un debate entre varios agentes basados en grandes modelos de lenguaje. Cada agente propone su modelo de toma de decisiones — no solo texto, sino un programa funcional. Luego, AutoCog diseña el experimento que mejor dirima la disputa, recluta voluntarios por internet y recoge sus respuestas. Las teorías se evalúan según lo bien que predicen el comportamiento humano. Los modelos perdedores analizan sus errores y renacen en versiones mejoradas. El ciclo se repite.
Este hallazgo no estaba programado de antemano. Cuando el sistema se puso a prueba con datos simulados, recuperó incluso estrategias inusuales que contradecían el «sentido común» del modelo de lenguaje. Esto significa que AutoCog realmente escucha los datos y no repite patrones aprendidos. En experimentos con personas reales, sus teorías resultaron más precisas que las aceptadas comúnmente y funcionaron en dos tareas diferentes. La prueba final la superó la nueva teoría: sus predicciones se confirmaron en un experimento preregistrado con nuevos participantes.
El círculo se ha cerrado. AutoCog convierte la construcción de teorías sobre el pensamiento de un arte nebuloso en una ciencia transparente, reproducible y acumulativa.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2606.26448
Across the sciences, autonomous systems are increasingly being used in closed-loop discovery, proposing new theories and designing and running experiments to test them. This approach is yet to be applied in the field of cognitive science, where the central bottleneck is theory-building: the creative step of turning the accumulated failures of existing models into better ones. Theory generation has remained manual even as data collection, modeling, and experiment design have been automated. We present the Automated Cognitive Scientist (AutoCog), a fully autonomous agentic-AI system that closes this loop. Large-language-model agents advocate competing theories, each expressed as an executable cognitive model, design experiments that best discriminate them, collect behavioral data from participants recruited online, score theories against collected data based on their generative performance, diagnose why they fail, and synthesize a better successor. Repeating this cycle allows them to search the space of theories, models, and experiments. In the domain of decision-making, AutoCog recovered known decision-making strategies from simulated behavior, including unconventional ones, showing that its discoveries are ultimately driven by the data rather than strictly bound by the priors of the underlying language models. When run with human participants, it produced theories that outperformed the established theories it was seeded with and generalized to held-out studies in two different experimental settings. It also surfaced a novel theory of multi-cue decision-making in which choices show diminishing sensitivity to feature values. The distinctive predictions of this theory were confirmed in a preregistered study with new participants. AutoCog demonstrates how an automated discovery system can be used to turn cognitive theory-building into an explicit, executable, and cumulative science.
El sistema AutoCog está organizado como un debate: varios modelos de lenguaje compiten para ver qué teoría explica mejor el comportamiento humano, y luego los perdedores «mutan» en nuevas versiones.
Un enfoque similar se describe en el relato «La última pregunta» de Isaac Asimov, donde una máquina mejora iterativamente sus respuestas hasta lograr un avance.