Consenso Léxico: Aprendizaje de Palabras Fundamentado y Significado Compartido en Agentes Artificiales

Resumen

Los sistemas de inteligencia artificial suelen evaluarse mediante el desempeño en tareas y la imitación conductual, pero dichas evaluaciones no resuelven si un agente artificial puede adquirir, estabilizar y usar nuevos significados léxicos a partir de la experiencia fundamentada. Este artículo presenta Consenso Léxico, un marco experimental para estudiar el aprendizaje de palabras fundamentado sobre un sustrato perceptual estructurado. Mediante incrustaciones visuales congeladas de DINOv2, palabras inventadas al estilo Carroll y aprendices léxicos interpretables junto con líneas base lineales, evaluamos si los agentes pueden adquirir etiquetas artificiales para conceptos visuales, generalizarlas bidireccionalmente y estabilizarlas en entornos controlados. El resultado principal es un gradiente robusto de coherencia perceptiva: las categorías nativas son las más fáciles de aprender, las sobreextensiones coherentes siguen siendo aprendibles, los conceptos disyuntivos de rango medio se degradan y los conceptos disyuntivos lejanos se aproximan al azar. Un experimento de disociación preregistrado con CIFAR-100 confirma que este gradiente está gobernado por la distancia perceptiva y no por la relación semántica: la distancia perceptiva predice la precisión de adquisición (R² parcial = 0,245, p < 1e-7), mientras que la distancia semántica no añade poder explicativo significativo (R² parcial = 0,002, p = 0,660). La evaluación bidireccional muestra que la denominación y la recuperación son distintas: los mecanismos basados en ejemplares superan a los prototipos centroidales en la recuperación de etiqueta a imagen, revelando una dimensión de fidelidad de memoria separada de la precisión en denominación. Los controles de falsación, las evaluaciones con grupos de candidatos homogéneos y los resultados nulos sobre la reestructuración representacional indican que la geometría perceptiva congelada tanto permite la fundamentación léxica como limita lo que puede adquirirse sin adaptación representacional.

English

Artificial intelligence systems are commonly evaluated through task performance and behavioral imitation, but such evaluations leave open whether an artificial agent can acquire, stabilize, and use new lexical meanings from grounded experience. This paper introduces Lexical Consensus, an experimental framework for studying grounded word learning over a structured perceptual substrate. Using frozen DINOv2 visual embeddings, Carroll-style nonce words, and interpretable lexical learners plus linear baselines, we test whether agents can acquire artificial labels for visual concepts, generalize them bidirectionally, and stabilize them across controlled settings. The main result is a robust perceptual-coherence gradient: native categories are easiest to learn, coherent overextensions remain learnable, mid-range disjunctive concepts degrade, and far-disjunctive concepts approach chance. A pre-registered CIFAR-100 dissociation experiment confirms that this gradient is governed by perceptual distance rather than semantic relatedness: perceptual distance predicts acquisition accuracy (partial R^2 = 0.245, p < 1e-7), while semantic distance adds no significant explanatory power (partial R^2 = 0.002, p = 0.660). Bidirectional evaluation shows that naming and retrieval are distinct: exemplar-based mechanisms outperform centroid prototypes in label-to-image retrieval, exposing a memory-fidelity dimension separate from naming accuracy. Falsification controls, homogeneous candidate-pool evaluations, and null results on representational restructuring indicate that frozen perceptual geometry both enables lexical grounding and limits what can be acquired without representational adaptation.