Descubrimiento agéntico de representaciones ejecutables del mundo para razonamiento físico | Cómo obtener modelos de mundo en código que permitan razonar sobre causalidad física | Sistema de agentes que construye simuladores ejecutables automáticamente para predicción en IA

Abstract

PROBLEMA: Los modelos de lenguaje y agentes de IA muestran un razonamiento físico limitado y poco verificable. Al carecer de representaciones ejecutables del mundo, razonan sobre causalidad física de forma estadística y aproximada, sin poder simular dinámicas ni validar hipótesis mediante ejecución real. SOLUCIÓN: Este trabajo presenta 'Code as Worlds', un paradigma en el que los agentes descubren de forma autónoma representaciones del mundo expresadas como código ejecutable. En lugar de razonar simbólicamente, el sistema construye y ejecuta simuladores que modelan la física subyacente, obteniendo respuestas a partir de la ejecución de programas. METODOLOGÍA: El sistema emplea un pipeline agéntico de descubrimiento: propone hipótesis sobre la dinámica del entorno, escribe código simulador, lo ejecuta y contrasta las predicciones con observaciones, refinando iterativamente la representación hasta lograr una correspondencia fiel con la realidad. Se evalúa en tareas de razonamiento físico donde la causalidad y la predicción son esenciales. RESULTADOS: El enfoque logra mejoras sustanciales en benchmarks de razonamiento físico frente a modelos que razonan solo textualmente. Al poder ejecutar y verificar sus hipótesis, los agentes alcanzan predicciones más precisas y robustas, lo que demuestra el valor de los modelos de mundo ejecutables frente a los puramente estadísticos. RELEVANCIA: Es un avance fundamental para la línea de modelos de mundo y sistemas agénticos generales, con implicaciones directas para predicción de sistemas dinámicos, robótica y la integración de simulación verificable en pipelines de LLMs.