Cooperación en IA: Una Mirada Más Cerca

Los Modelos de Lenguaje Grande (LLMs) han estado en el centro de atención últimamente. Estas herramientas están siendo probadas por su capacidad para imitar el comportamiento social humano. Vamos a ver más de cerca si estos modelos pueden cooperar como lo hacemos los humanos cuando se enfrentan a dilemas sociales-un término elegante para situaciones donde los intereses personales y los del grupo chocan.

#El Juego del Dilema del Prisionero

En el corazón de nuestra investigación hay un juego llamado El Dilema del Prisionero. Imagina esto: dos amigos son atrapados haciendo algo travieso. Pueden quedarse callados (cooperar) o delatarse (defectar). Si ambos se quedan callados, reciben un castigo mínimo. Si uno delata, ese se va libre mientras el otro enfrenta las consecuencias. Si los dos delatan, bueno, ambos reciben un castigo severo. Este escenario sienta las bases para entender cómo funciona la Cooperación entre individuos.

Ahora, los humanos suelen mostrar más cooperación en entornos estructurados donde se conocen entre sí, como en un grupo cerrado. En cambio, cuando se encuentran con una nueva multitud donde todos son extraños, la cooperación tiende a caer. Sin embargo, los LLMs parecen favorecer la cooperación más en estos entornos aleatorios. Esto plantea una gran pregunta: ¿Pueden los LLMs seguir los pasos de la cooperación humana, especialmente cuando son parte de redes?

#La Investigación

Realizamos estudios para comparar el comportamiento de los LLMs con el de los humanos en situaciones de dilemas sociales. El plan era simple: establecer un juego de Dilema del Prisionero tanto en entornos bien mezclados (donde todos interactúan al azar) como en redes estructuradas (donde los jugadores se conocen). Nuestro objetivo era averiguar cómo tanto los humanos como los LLMs abordan la cooperación en estos diferentes contextos.

#Diferencias Clave entre Humanos y LLMs

Los humanos tienen una gran capacidad para adaptar su comportamiento según las personas a su alrededor. Si notan que todos están cooperando, es probable que se unan a esa onda. En redes estructuradas, pueden llevar la cuenta de sus amigos y enemigos, lo que les permite ajustar sus estrategias. Pero los LLMs? No tanto. Parecen mantenerse firmes, mostrando una adaptabilidad limitada a diferentes contextos sociales.

Uno de nuestros hallazgos principales fue que mientras los humanos prosperan en entornos estructurados, los LLMs tienen problemas. No cambiaron su comportamiento cooperativo al enfrentarse a diferentes estructuras de red. Si los humanos se adaptan según las Normas Sociales, los LLMs parecen quedarse atrapados en sus propias burbujas, indiferentes al comportamiento de sus vecinos.

#Las Limitaciones de los LLMs

¿Por qué está pasando esto? Los LLMs son inteligentes, pero tienen algunas limitaciones fundamentales. Les falta una comprensión profunda de las normas sociales. Los humanos aprenden de sus experiencias y ajustan su comportamiento con el tiempo, mientras que los LLMs tienden a operar basándose en patrones aprendidos de datos de entrenamiento. Son buenos siguiendo instrucciones y cumpliendo roles asignados, pero no parecen captar las sutilezas de las interacciones sociales.

Por ejemplo, cuando se enfrentan a una red de amigos que están cooperando, los humanos podrían unirse rápidamente. La calidez de la conexión social fomenta un comportamiento colectivo. Los LLMs, por otro lado, no pueden realmente sentir esa calidez social. Podrían seguir haciendo su propia cosa, como un robot en una fiesta que se perdió la nota sobre cómo bailar.

#Configuración Experimental

Para nuestros experimentos, montamos anillos de jugadores interactuando en una red. Cada jugador podía cooperar o defectar. Variamos el número de conexiones y la relación beneficio-costo de la cooperación para ver cómo estos factores influían en el comportamiento tanto de humanos como de LLMs.

En una configuración, se pidió a los jugadores que jugaran el juego muchas veces con unos pocos participantes. En otra, jugaron menos rondas, pero con más personas involucradas. Queríamos ver cómo se adaptaban los LLMs y los humanos a estas diferentes condiciones.

#Observando Comportamientos

En nuestras observaciones, nos dimos cuenta de algo interesante. Los humanos tendían a establecer cooperación cuando eran parte de redes estructuradas. Aprenden de interacciones anteriores y pueden ajustar sus estrategias según lo que hacen sus vecinos. Si están rodeados de personas que cooperan, seguramente cooperarán también. Si todos defectan, bueno, eso podría cambiar las cosas también.

Los LLMs, sin embargo, no mostraron este tipo de adaptabilidad. Se comportaron de manera muy diferente en comparación con los humanos cuando se les colocó en los mismos entornos. GPT-3.5 tuvo problemas para formar relaciones cooperativas sólidas, mientras que GPT-4 mostró algo de capacidad para ajustarse pero aún no entendía completamente la dinámica social.

#Resultados de los Experimentos

A medida que profundizábamos, comenzamos a ver un patrón. En poblaciones bien mezcladas, LLMs como GPT-4 sorprendemente mostraron más cooperación que en entornos estructurados. ¡Esto fue un giro que no esperábamos! En contraste, los humanos normalmente cooperan más cuando tienen conexiones estables con compañeros conocidos. Era como si GPT-4 favoreciera la aleatoriedad de conocer nuevos compañeros sobre la estabilidad de aliados conocidos, cambiando el guion de lo que pensábamos entender sobre la cooperación.

Por el contrario, GPT-3.5 se quedó estancado, mostrando poca variación en los niveles de cooperación, sin importar la situación. Era como ese amigo que siempre pide el mismo plato en un restaurante, incluso cuando hay opciones nuevas y emocionantes en el menú. Esta rigidez en el comportamiento contrastaba marcadamente con la adaptabilidad humana.

#La Importancia del Contexto

El contexto en el que ocurren las interacciones juega un papel importante en moldear el comportamiento cooperativo. Los humanos ajustan naturalmente sus estrategias según las estructuras sociales que habitan. Si están en un grupo de cooperadores, se sienten alentados a cooperar. Pero si hay defectores en la mezcla, pueden inclinarse hacia el interés propio para protegerse.

Los LLMs no parecen captar estas señales. Incluso cuando los factores son favorables para la cooperación, se quedan atrás porque no comprenden completamente el entorno social más amplio. Esto hace que sea un desafío para ellos interactuar eficazmente en entornos sociales variados. No leen la habitación-ya sea una fiesta o una reunión seria, los LLMs podrían seguir hablando sobre el clima.

#Respuestas a Cambios en el Entorno

En pruebas adicionales, observamos a los LLMs mientras enfrentaban cambios en la composición de su vecindario-específicamente cuando vecinos cooperativos se convirtieron en defectores. Aquellos con personalidades más inteligentes, como GPT-4, ajustaron sus estrategias y reconocieron cuándo era el momento de cambiar de marcha.

Sin embargo, GPT-3.5 parecía estar ajeno, manteniéndose con su estrategia inicial sin importar los cambios que ocurrían a su alrededor. Podrías decir que era como un coche atascado en primera, incapaz de cambiar cuando las condiciones de la carretera cambiaban.

#Cooperación Humana vs. LLM en Redes

Al observar cómo se desarrollaba la cooperación, quedó claro que aunque tanto humanos como LLMs mostraron algún nivel de cooperación, los mecanismos subyacentes eran bastante diferentes. Los humanos navegan dinámicas sociales con intuición y comportamiento aprendido, mientras que los LLMs parecían operar estrictamente según las instrucciones que recibían.

En redes estructuradas, el nivel promedio de cooperación entre humanos a menudo aumentaba, mientras que los LLMs exhibían comportamientos erráticos y a veces confusos. Era como si los humanos estuvieran jugando ajedrez, pensando estratégicamente varios movimientos por delante, mientras que los LLMs solo movían piezas al azar, ocasionalmente derribando al rey.

#La Imagen Global

Las diferencias en cómo los humanos y los LLMs abordaron la cooperación plantean algunas preguntas clave sobre el futuro de la IA en la ciencia del comportamiento. Aunque los LLMs son herramientas impresionantes con un potencial increíble, actualmente carecen de la inteligencia social de los humanos. El entusiasmo en torno a su aplicación en experimentos sociales puede estar un poco exagerado.

Los LLMs pueden sobresalir en entornos controlados, pero necesitamos ser realistas sobre sus limitaciones. Los diseños futuros podrían beneficiarse de incorporar normas sociales en su marco. Al dotar a los LLMs de perfiles más definidos y comprensión de la reciprocidad social, podríamos ayudarles a emular mejor la cooperación humana.

#Conclusión

En resumen, nuestra exploración del comportamiento de los LLMs en dilemas sociales ha mostrado que, aunque estos modelos han hecho progresos significativos, aún tienen un largo camino por recorrer en términos de imitar la adaptabilidad humana y el comportamiento cooperativo. La rigidez de las respuestas de los LLMs revela que aún no están completamente equipados para manejar las complejidades de las interacciones sociales humanas, particularmente en entornos en red.

Así que, la próxima vez que hables con una IA, recuerda: puede ser inteligente, pero todavía tiene mucho que aprender sobre jugar en la caja de arena social. Si queremos que la IA colabore como lo hacen los humanos, podría ser necesario repensar cómo entrenamos estos modelos, asegurándonos de que comprendan las capas de interacción que hacen que la cooperación humana sea tan especial. Después de todo, la cooperación es más que solo un juego; es una parte crucial de lo que nos hace humanos.