RL | Metaaprendizaje | IA multiagente
Pablo Magariños, investigador en IA
Ingeniero aeroespacial investigando cómo la IA corporeizada puede aprender de su entorno
La ingeniería aeroespacial fue mi primer acercamiento a mi pasión desde pequeño: el progreso tecnológico. El avance humano.
Mi fascinación por la inteligencia artificial se remonta a mi adolescencia, y mi ambición por contribuir me llevó a aprender más y cursar el Máster en Matemática Industrial.
Hoy me dedico a la investigación y, sobre todo, a esforzarme por contribuir en este campo. Mi trabajo se sitúa en el aprendizaje por refuerzo y el metaaprendizaje bajo observabilidad parcial, aplicados a sistemas multiagente y a la IA corporeizada. Concretamente, investigo qué papel juegan los modelos del mundo y el estado de creencia en la capacidad del agente para adaptarse a situaciones novedosas y, con el tiempo, aprender de ellas.
Nuevos entornos. Nuevos compañeros. Nuevo conocimiento.
Trabajo actual
Estoy empezando un doctorado en Ingeniería Aeroespacial en la Universidade de Vigo, centrado en la inteligencia artificial corporeizada.
En paralelo al doctorado, investigo en ATRG, el Aerospace Technology Research Group de la misma universidad, y acabo de empezar a dar clase en la Escuela de Ingeniería Aeroespacial, donde me formé como ingeniero.
Hay más detalles de cada cosa en Experiencia e Investigación.
Formación
Doctorado en Ingeniería Aeroespacial
Universidade de Vigo 2026 – Actualidad
Acabo de empezar el doctorado, centrado en la inteligencia artificial corporeizada: cómo puede un agente aprender a actuar con soltura en el mundo físico a partir de su propia experiencia en él.
Máster en Matemática Industrial
Universidad Carlos III de Madrid 2024 – 2026
Hice el máster para profundizar en el campo, movido por la ambición de entender mejor el lenguaje que permite manipular la realidad a través de la lógica y el rigor.
Grado en Ingeniería Aeroespacial
Universidade de Vigo 2020 – 2024
El grado me dio una base sólida de ingeniería, pero también una buena formación en matemáticas y física, y una comprensión más profunda de la realidad. De él salió además mi primer artículo publicado, que puedes encontrar en Investigación.
Líneas de investigación
Mi investigación se centra en desarrollar una inteligencia que entienda de verdad su entorno, en lugar de limitarse a identificar correlaciones estadísticas en los datos.
Este es mi árbol de investigación. Haz clic enToca cada elemento para saber más.
-
Cómo lo abordo
IA corporeizada
Ahora mismo investigo IA aplicada a drones y robótica aérea, pero en realidad es una tecnología transversal: los avances en este campo se propagan a todos los demás. Los drones son simplemente un anclaje.
Tareas de largo horizonte
Las tareas de largo horizonte son difusas: muchas veces ni siquiera sabemos cómo podrían resolverse. Sobre todo, cuesta saber si nos estamos acercando al objetivo final, porque la señal que lo confirma llega tarde, si es que llega. Razonar, modelar el mundo y discretizar los eventos en símbolos con los que poder razonar podría ser lo que haga alcanzables los objetivos lejanos.
Metaaprendizaje
El objetivo es «forzar» a nuestros modelos a que no se limiten a memorizar lo que ven, sino a que abstraigan a partir de ello. Que su conocimiento les sirva para aprender todavía más. Eso les permitirá adaptarse rápido a tareas nuevas y a situaciones nunca vistas.
Aprendizaje continuo
Un modelo que se entrena una vez y luego se congela deja de aprender en cuanto sale del laboratorio. Un agente corporeizado se enfrenta a un mundo que no deja de cambiar: tiene que seguir aprendiendo sobre la marcha sin olvidar lo que ya sabía, e integrar cada experiencia nueva en su propio conocimiento.
Modelos del mundo
La capacidad de predecir lo que va a ocurrir en el mundo está muy ligada a la capacidad de entenderlo. No solo sirve para saber qué pasará a continuación: sirve para construir reglas sobre cómo funciona la realidad.
Estado de creencia
Nunca tenemos acceso a la realidad tal como es. No podemos saber con certeza qué hará un rival, ni conocemos la física que hay detrás de todo lo que vemos. Por eso resulta fundamental construir un estado de creencia que «rellene» la realidad que no conocemos.
Aprendizaje por refuerzo
Aprender a partir de datos ya existentes es eficiente, pero dificulta divergir y crear conocimiento nuevo. Los avances de los últimos años muestran que, cuando se deja al agente explorar y descubrir nuevas políticas, los resultados son fascinantes.
IA multiagente
La teoría de la mente y la capacidad de cooperar siguen siendo, a día de hoy, algunos de los grandes retos de la inteligencia artificial. Aprender en un entorno social, y no desde una posición puramente egoísta, abre la puerta a la IA de enjambre. Adaptarse a los demás en tiempo real es un paso fundamental.
Más sobre mí
Me encanta la fotografía. Lo que me atrae es experimentar con la cámara, entender la óptica a nivel físico y probar cosas nuevas para ver cómo funcionan realmente la luz y las imágenes.
También me apasiona la producción musical, que forma parte de mi vida desde hace más de ocho años. Toqué la guitarra varios años y después me pasé al piano, pero lo que de verdad se ha quedado conmigo es la producción musical, sobre todo por su lado creativo y por el placer de experimentar con el sonido y el software.
También disfruto dejando que mis pensamientos divaguen, teniendo ideas y pensando por el gusto de pensar. Soy una persona curiosa, y escribo algunas de esas reflexiones en Reflexiones.
Algunos momentos de los últimos años, cada uno con la historia que hay detrás, están en la Galería.
