Minotaur es una arquitectura de IA diseñada para realizar razonamientos de alto nivel sin el uso de un gran modelo de lenguaje (LLM) o hardware especializado como las GPU. Mientras que los LLM modernos logran capacidades de razonamiento mediante la predicción de la siguiente palabra en una secuencia —imitando efectivamente la forma en que los humanos escriben sus pensamientos—, Minotaur opera analizando la estructura subyacente del sistema que está evaluando. La arquitectura se basa en un marco llamado ELC (Energía, Control y Lógica), que representa cualquier sistema como una red de elementos donde la 'Energía' impulsa el sistema, el 'Control' lo restringe y la 'Lógica' define la relación entre ambos.
El mecanismo central de Minotaur es un proceso llamado 'asentamiento'. Para responder a una pregunta, el sistema identifica nodos específicos en su red como 'retenidos' (hechos fijos), 'cortados' (valores forzados) o 'libres' (las incógnitas a resolver). La red luego se asienta, de manera similar a como el agua encuentra su nivel, donde cada nodo legal toma un valor dictado por su lógica interna. Minotaur mide el 'estrés', que es el grado en que los hechos retenidos dejan de ser consistentes después de que la red se asienta. Este estrés se empuja hacia atrás a través de los nodos de lógica hasta los huecos 'libres' hasta que se encuentra un estado consistente o se identifica una contradicción. Esto permite al sistema realizar deducción, inducción y abducción al encontrar el punto de equilibrio dentro de las reglas del sistema.
Esta imagen ilustra el mecanismo central de Minotaur donde la red se asienta como el agua encuentra su nivel.
Al separar el razonamiento en dos 'hemisferios' distintos, Minotaur mantiene una distinción clara entre el sistema sobre el cual se razona y el calculador que realiza el trabajo. El lado ELC contiene la estructura del sistema y puede aprender nuevos modelos a partir de registros de datos, mientras que el lado 'exacto' actúa como una calculadora que realiza operaciones aritméticas y verifica la consistencia lógica. Esta separación permite a Minotaur proporcionar una 'cadena de pensamiento' que consiste en 'cruces' registrados entre estos dos lados, ofreciendo un certificado verificable de cómo se llegó a una respuesta. Debido a que funciona sobre la estructura del sistema en lugar de la prosa del pensamiento humano, puede realizar estas operaciones en un solo núcleo de procesador ordinario en aproximadamente un cuarto de segundo por pregunta, ofreciendo un equilibrio diferente a los requisitos pesados en centros de datos de los LLM contemporáneos. Sin embargo, como un proyecto con fuentes limitadas, los detalles específicos de implementación y la disponibilidad pública del modelo siguen siendo un punto de incertidumbre para la verificación externa.
Esto representa los dos 'hemisferios' distintos —el lado ELC y el lado 'exacto'— descritos en la arquitectura.
Una limitación significativa de este enfoque en comparación con los LLM es el requisito de un 'grafo causal' o una descripción de los componentes del sistema. Mientras que los LLM pueden interpretar una descripción de un problema en palabras simples, Minotaur requiere una representación estructurada de las reglas y partes del sistema. El desarrollador sostiene que este es un compromiso necesario para lograr un razonamiento 'exacto' que pueda ser certificado y reproducido. Al situarse entre la lógica 'exacta' de la IA del siglo XX (como Prolog o sistemas expertos) y los patrones 'aprendidos' del aprendizaje profundo moderno, Minotaur intenta proporcionar un punto medio: un sistema que puede aprender un modelo a partir de datos pero que aún razona con la precisión de un solucionador de lógica formal.
En última instancia, la capacidad de Minotaur para igualar el razonamiento de los LLM en pruebas ciegas —incluyendo entrevistas policiales donde las preguntas cambian la memoria de un testigo y el diagnóstico de sistemas solo a partir de datos— sugiere que el razonamiento 'basado en prosa' de los LLM puede no ser la única vía hacia el comportamiento inteligente. Al centrarse en la mecánica del sistema sobre el cual se razona en lugar de los patrones lingüísticos del pensamiento humano, Minotaur ofrece un camino hacia un razonamiento que es computacionalmente eficiente y lógicamente verificable, incluso si requiere una entrada más estructurada que las interfaces conversacionales comunes en el panorama actual de la IA.
Esta imagen respalda la afirmación de que Minotaur puede realizar razonamiento diagnóstico, una capacidad clave mencionada en el texto.