El estudio de KataGo explora cómo las redes de Go aprenden la simetría

KataGo ha publicado un estudio de cinco modelos que cuestiona una premisa básica sobre la ampliación de datos en aprendizaje automático. Las rotaciones y reflexiones aleatorias pueden hacer que las salidas sean coherentes, pero los conceptos internos de la red no tienen por qué volverse uniformemente simétricos.

El estudio examina cómo KataGo representa posiciones de Go en las ocho orientaciones espaciales del tablero. Las reglas de Go no cambian bajo cuatro rotaciones y cuatro rotaciones reflejadas. KataGo se entrena con orientaciones aleatorizadas, pero los modelos evaluados no imponen esa simetría en toda su arquitectura.

Esa distinción crea el conflicto central. La ampliación de datos enseña a un modelo qué respuestas deben mantenerse estables, mientras que la equivarianza arquitectónica restringe cómo el modelo realiza sus cálculos. Los resultados de KataGo sugieren que esas vías pueden producir organizaciones internas muy distintas, incluso cuando ambas llevan a un juego sobrehumano.

La investigación también compara redes convolucionales con modelos transformer más recientes. Ambas familias aprenden una simetría sustancial, pero parecen romperla y recuperarla en lugares distintos. Las cabezas de atención de los transformers produjeron el resultado más extraño del estudio: algunas se organizaron en familias direccionales que recuerdan a un hexágono.

El trabajo es un estudio de interpretabilidad, no una nueva versión de KataGo ni una referencia de fuerza de juego. Sus experimentos y artículo se produjeron en gran medida con IA bajo una detallada dirección humana. Esa procedencia inusual hace que el estudio sea interesante y que dependa de forma poco habitual de la reproducibilidad.

KataGo midió la simetría dentro de cinco redes publicadas

El estudio pregunta si la simetría reside solo en las respuestas de KataGo o también dentro de las representaciones utilizadas para producirlas.

El mantenedor de KataGo, David Wu, publicó el estudio el 1 de agosto de 2026. Lo presentó como una pequeña investigación sobre si las redes de Go aprenden conceptos independientes de la orientación o memorizan conceptos relacionados por separado para cada dirección.

La distinción importa porque las reglas ofrecen un entorno experimental claro. Una posición de Go sigue siendo estratégicamente idéntica tras una rotación o reflexión válida. Las coordenadas cambian, pero las libertades, conexiones, territorio, capturas y continuaciones legales se transforman junto con el tablero.

KataGo utiliza ampliación estocástica óctuple durante el entrenamiento. Cada lote de entrenamiento recibe una orientación del tablero seleccionada aleatoriamente. El modelo ve repetidamente posiciones equivalentes desde distintas direcciones, pero las capas ordinarias siguen siendo libres de procesar esas direcciones de manera diferente.

Los investigadores evaluaron cinco puntos de control publicados. Estos incluían dos tamaños de redes convolucionales, un control convolucional entrenado con SGD y dos modelos transformer. Por tanto, la comparación abarcó arquitectura, escala del modelo y una variación del optimizador.

El conjunto de prueba contenía 100 posiciones extraídas de partidas profesionales en tableros estándar de 19 por 19. Los investigadores pasaron versiones transformadas de esas posiciones por cada red. Después compararon canales internos y cabezas de atención tras tener en cuenta cómo debían rotar o reflejarse las coordenadas espaciales.

Esta propiedad se denomina equivarianza. Una representación es equivariante cuando transformar la entrada produce una transformación correspondiente y predecible en la representación. La invariancia es más estricta porque la propia representación permanece sin cambios.

Una política de Go no puede ser simplemente invariante en cada salida espacial. Si el tablero rota, la jugada recomendada debe rotar con él. Los mapas internos de características aún pueden representar conceptos independientes de la orientación si sus ubicaciones espaciales se transforman de forma coherente.

El estudio sobre simetría del proyecto examina este comportamiento en múltiples puntos dentro de cada modelo. Mide canales individuales en redes convolucionales y cabezas de atención individuales en transformers.

Esto ofrece más información que comprobar solo la concordancia de la política final. Dos modelos pueden recomendar jugadas casi idénticas mientras utilizan algoritmos internos muy diferentes. Uno puede reutilizar una representación común, mientras que otro mantiene varios componentes específicos de cada orientación que más tarde convergen.

El repositorio incluye datos, informes, scripts, figuras e instrucciones de descarga de puntos de control. Su canalización documentada analiza las ocho transformaciones y proporciona el material necesario para regenerar las figuras publicadas.

Los investigadores informan de que un análisis completo de transformer reprodujo exactamente 1.520 matrices almacenadas de capas internas. Las mediciones profundas de atención y correlación coincidieron dentro de una tolerancia declarada de 0,0000002. Ningún canal ni cabeza cambió de clasificación durante esa comprobación de reproducción.

Estas comprobaciones no validan de manera independiente la interpretación científica. Sí establecen una trazabilidad de auditoría más sólida que la de un gráfico sin código, datos ni identificadores de modelo.

La importancia del evento proviene de lo que se midió. KataGo no se limitó a preguntar si la ampliación mejora la generalización. Inspeccionó dónde un sistema entrenado comparte conceptos entre orientaciones y dónde preserva distinciones direccionales.

Por qué esta cuestión fundamental del aprendizaje automático va más allá de Go

KataGo convierte una discusión abstracta sobre el sesgo inductivo en una prueba con simetrías exactas y conocidas.

Un sesgo inductivo es una preferencia incorporada que guía qué soluciones aprende un modelo. La convolución aporta un sesgo relacionado con la traslación mediante filtros compartidos. La convolución estándar no impone automáticamente un tratamiento equivalente de rotaciones y reflexiones.

La ampliación de datos ofrece un enfoque más flexible. En lugar de restringir los cálculos del modelo, el entrenamiento presenta ejemplos transformados y penaliza las predicciones incoherentes. El modelo aprende a partir de la evidencia que la orientación no debe alterar la respuesta estratégica.

La alternativa es una arquitectura explícitamente equivariante. Un modelo de este tipo comparte parámetros entre un grupo definido de transformaciones, restringiendo las características para que se transformen según reglas conocidas.

Cohen y Welling formalizaron este enfoque en su investigación sobre redes equivariantes de grupo. Sus convoluciones de grupo extienden el uso compartido de pesos a transformaciones que incluyen rotaciones de un cuarto de vuelta y reflexiones.

La ventaja no es meramente estética. Un modelo no necesita redescubrir la misma relación de forma independiente para cada transformación permitida. Esto puede reducir los requisitos de muestras y hacer que el comportamiento sea más predecible ante transformaciones.

El coste es una menor libertad. La simetría exacta puede convertirse en una restricción equivocada cuando la canalización de datos, las condiciones de contorno, los sensores o la tarea contienen asimetrías significativas. Un modelo puede beneficiarse de romper la regla temporalmente.

Go hace que esa disyuntiva sea especialmente visible. Sus reglas abstractas respetan la simetría diédrica del tablero, que consiste en cuatro rotaciones combinadas con reflexiones. Sin embargo, los cálculos locales útiles aún pueden ser direccionales.

Una red que examina una forma puede distinguir el norte del este durante una operación intermedia. Una capa posterior puede combinar esas características direccionales en una evaluación independiente de la orientación. Por tanto, las salidas simétricas no requieren que cada operación interna sea simétrica.

Esta observación pone en cuestión dos narrativas simples.

La primera sostiene que la ampliación debería hacer que un modelo convencional sea efectivamente simétrico en todas partes. Las mediciones internas de KataGo no respaldan una conclusión tan uniforme.

La segunda sostiene que la simetría debe codificarse de forma rígida para obtener conceptos simétricos reutilizables. Según se informa, las redes aprenden una equivarianza interna sustancial sin esa garantía arquitectónica.

La pregunta útil se sitúa entre ambas afirmaciones. Los investigadores necesitan saber qué simetría emerge, cuál se fragmenta en familias de características y dónde se recombinan los fragmentos.

Esta cuestión fundamental del aprendizaje automático se aplica allí donde las transformaciones preservan el significado. Las imágenes médicas, los estudios astronómicos, las escenas satelitales, las moléculas, la robótica y las simulaciones físicas contienen estructura geométrica.

En esos campos, los desarrolladores suelen elegir entre conjuntos de datos ampliados más grandes y capas equivariantes especializadas. KataGo sugiere que la elección afecta a la organización interna, no solo a la precisión en los benchmarks.

Eso puede influir en la fiabilidad. Un sistema que aprende ocho atajos relacionados podría coincidir en entradas comunes y, aun así, fallar de formas distintas fuera de la distribución de entrenamiento. Un sistema con representaciones compartidas tiene menos formas independientes de desviarse.

El estudio no establece que las características más simétricas de KataGo sean más seguras. Proporciona mediciones que permiten poner a prueba la hipótesis.

También ofrece a los investigadores de interpretabilidad un entorno controlado. Los modelos de lenguaje contienen relaciones semánticas inciertas y etiquetas de evaluación discutidas. Go proporciona transformaciones exactas y una correspondencia objetiva entre los puntos correspondientes del tablero.

Esa claridad ayuda a separar dos preguntas difíciles. Los investigadores pueden comprobar primero si una representación respeta una simetría conocida. Después pueden investigar qué concepto estratégico contiene esa representación.

Las redes convolucionales y los transformers rompen la simetría de forma diferente

El resultado central no es que una arquitectura aprendiera simetría y la otra fracasara, sino que situaron la asimetría en componentes internos distintos.

Según se informa, los modelos convolucionales de KataGo desarrollaron muchos canales que se comportaban de forma equivariante entre posiciones transformadas. Un canal asociado a un patrón estratégico podía seguir ese patrón mientras el tablero rotaba o se reflejaba.

Sin embargo, las redes convolucionales no eran uniformemente simétricas. Algunas características siguieron siendo sensibles a la orientación. El modelo convolucional más grande también mostró lo que el proyecto describe como una leve “bruma de asimetría”, en lugar de una división simple entre canales perfectos y canales rotos.

Esa bruma importa porque la simetría aprendida no es necesariamente binaria. Una característica puede comportarse de manera coherente en la mayoría de las posiciones, pero desviarse ligeramente en otras. También puede combinar una señal simétrica dominante con un componente direccional menor.

El control entrenado con SGD ayuda a comprobar si esta organización pertenece únicamente a una trayectoria de optimización concreta. Los optimizadores influyen en qué solución alcanza una red entre muchas soluciones con pérdidas de entrenamiento similares.

El estudio incluye ese control, pero no convierte la elección del optimizador en la explicación principal. La arquitectura produjo la diferencia reportada más marcada.

Los transformers distribuyen el cálculo espacial mediante atención. Una cabeza de atención asigna pesos entre ubicaciones del tablero, permitiendo que una ubicación recopile información de otras posiciones.

Los transformers de KataGo aprendieron cabezas de atención con comportamientos de simetría distintos. Algunas cabezas permanecieron estrechamente alineadas bajo transformaciones. Otras parecían formar grupos cuyos miembros correspondían a direcciones diferentes.

Este es un resultado más estructurado que ocho soluciones memorizadas sin relación entre sí. Si rotar una entrada asigna el comportamiento de una cabeza al de otra, el grupo actúa como una órbita. Las cabezas individuales son direccionales, mientras que la familia en conjunto respeta la simetría del tablero.

Esta disposición se parece a un equipo de especialistas. Un componente gestiona una relación en una dirección, otro gestiona su contraparte rotada y un cálculo posterior puede combinarlos.

El repositorio del estudio informa de una marcada diferencia entre redes convolucionales y transformers en el punto donde se rompe la simetría. También documenta un análisis de órbitas para características no equivariantes.

Un resultado corregido merece atención. Un análisis inicial contenía un error de cancelación de signos que sugería que determinados canales emparejados por signo carecían de equivalentes rotados. El cálculo corregido encontró una órbita cerrada de cuatro miembros que conserva el signo.

Esa corrección refuerza la transparencia del proyecto, aunque debilita cualquier afirmación de que el flujo de trabajo estuvo libre de errores. El repositorio actual identifica el informe defectuoso y dirige a los lectores hacia la versión corregida.

La diferencia entre una característica realmente aislada y un miembro de una órbita es considerable. Una característica aislada sugiere aprendizaje separado sin una regla de transformación reconocible. Una órbita sugiere que el modelo codificó la simetría en múltiples componentes.

Los cambios de signo añaden otra capa. Una característica transformada puede representar la misma estructura mientras invierte el signo de su activación. Los pesos posteriores pueden ignorar ese signo o utilizar componentes emparejados para reconstruir la relación original.

Por eso la simple correlación entre canales puede inducir a error. Los investigadores deben probar permutaciones, signos y transformaciones espaciales. De lo contrario, una representación equivariante organizada puede parecer inconsistente.

El hallazgo también complica el debate de horizon machinelearning sobre los «conceptos compartidos». Compartir no exige que una sola neurona o canal signifique lo mismo en todas las orientaciones.

Un concepto puede distribuirse entre una colección estructurada de unidades. La representación sigue siendo reutilizable porque las transformaciones mapean la colección sobre sí misma.

Esa interpretación encaja con trabajos más amplios sobre redes equivariantes, pero KataGo no utilizó una arquitectura de transformador formalmente equivariante. La organización surgió de las señales de entrenamiento y de la estructura computacional disponible del modelo.

Esto no demuestra que los transformadores descubran de forma natural todos los grupos relevantes. El experimento abarca cinco checkpoints de KataGo, un juego y un conjunto finito de transformaciones.

Sí demuestra que la asimetría interna puede estar organizada en lugar de ser arbitraria. Esa es la inversión más trascendental del estudio.

El patrón de atención hexagonal es la pista más extraña

Según se informa, varias cabezas del transformador se organizaron en estructuras direccionales semejantes a un hexágono, pese a la cuadrícula cuadrada de Go y a la simetría óctuple del tablero.

A primera vista, un hexágono parece fuera de lugar en un tablero cuadrado de Go. El tablero admite relaciones horizontales, verticales y diagonales, mientras que su simetría global implica giros de cuarto de vuelta y reflexiones.

Las figuras del estudio muestran cabezas de atención con patrones de desplazamiento preferidos. Estos patrones describen dónde tiende a mirar una cabeza con respecto a una posición consultada del tablero.

En algunas capas, cabezas relacionadas ocupaban funciones direccionales que formaban una organización de seis partes. Los autores las describen como cabezas de atención dispuestas hexagonalmente.

Esto no significa que el transformador descubriera un tablero de Go literalmente hexagonal. Indica que la base direccional aprendida no reflejaba la descomposición humana más evidente de la tarea.

Las redes neuronales pueden elegir coordenadas internas que respalden eficientemente el cálculo posterior sin coincidir con un conjunto de etiquetas humanas. Una base puede ser útil incluso cuando sus componentes individuales se resisten a recibir nombres semánticos directos.

Por tanto, el patrón hexagonal funciona como una pista, no como un algoritmo descifrado. Sugiere que las cabezas de atención se coordinan mediante una geometría más estructurada que el aprendizaje independiente de características.

Los investigadores examinaron posiciones individuales, perfiles medios de desplazamiento, escaleras y ejemplos relacionados con ko. Una escalera es una secuencia forzada de capturas que recorre el tablero en diagonal. Ko es una lucha local repetitiva restringida por las reglas contra la repetición inmediata del tablero.

Ambas situaciones requieren relaciones a distancia. Ofrecen pruebas plausibles para la atención direccional porque las piedras locales pueden depender de continuaciones lejanas o de restricciones de recaptura.

El repositorio incluye una ablación de escaleras por cabeza. La ablación elimina o suprime un componente para observar cómo cambian las salidas. Estas pruebas van más allá del parecido visual, pero aún requieren una interpretación cuidadosa.

Si eliminar una cabeza modifica la evaluación de una escalera, eso no demuestra que la cabeza implemente exclusivamente la lectura de escaleras. Las cabezas de atención interactúan, y una representación dañada puede afectar a varias tareas.

Del mismo modo, una cabeza que mira en una dirección puede transportar contenido no relacionado con la dirección geométrica. Los pesos de atención muestran patrones de comunicación, no toda la información transmitida por ellos.

Esta limitación es habitual en la interpretabilidad mecanicista. Una visualización clara puede invitar a una interpretación semántica más contundente de lo que permite la evidencia.

El trabajo sobre KataGo aborda ese riesgo al presentar correlaciones, estructura de órbitas e intervenciones seleccionadas. Sus conclusiones siguen siendo más limitadas que una ingeniería inversa completa de su forma de jugar.

Aun así, el patrón es valioso porque una regularidad inesperada puede generar nuevos experimentos. Los investigadores pueden comprobar si la disposición de seis cabezas aparece con distintas semillas de entrenamiento, tamaños de modelo u otros juegos de tablero.

También pueden entrenar un transformador con equivariancia diédrica explícita. Comparar sus cabezas con la estructura aprendida por KataGo revelaría si la base hexagonal compensa la ausencia de una restricción arquitectónica.

Otra prueba consistiría en eliminar la aumentación después de una fase concreta del entrenamiento. Si la estructura persiste, la simetría podría volverse autosostenida una vez que el modelo establece un algoritmo interno.

Una tercera prueba alteraría la forma del tablero. KataGo admite tableros rectangulares y no convencionales, pero el estudio actual se centra en posiciones profesionales de 19 por 19. Los tableros rectangulares eliminan algunas simetrías cuadradas, aunque conservan las relaciones de reflexión y media vuelta.

Si la misma organización de seis partes sobreviviera a ese cambio, argumentaría en contra de una codificación directa del grupo de simetrías del tablero. Si se reorganizara, la interpretación geométrica ganaría respaldo.

Por tanto, el resultado de atención es interesante porque abre un programa de investigación abordable. No demuestra que los investigadores comprendan ahora todo el proceso de razonamiento de KataGo.

El código reproducible no elimina la brecha de verificación

El estudio es inusualmente inspeccionable, pero su proceso de producción intensivo en IA exige más replicación independiente, no menos.

Wu afirma que la IA produjo casi todos los experimentos, la implementación y la redacción bajo una supervisión humana significativa. El repositorio público identifica a Claude como el sistema principal de generación.

Esa divulgación cambia la forma en que los lectores deberían evaluar el trabajo. No desacredita automáticamente los hallazgos. Sí aumenta la importancia de la revisión independiente del código, el diseño de nuevos experimentos y la replicación fuera del flujo de trabajo original.

El análisis generado por IA puede producir errores internamente coherentes. La misma suposición equivocada puede entrar en el código, la documentación, las figuras y la prosa, creando una apariencia de concordancia.

La corrección de la cancelación de signos es un ejemplo concreto. El flujo inicial produjo una conclusión falsa sobre equivalentes rotados. Una revisión adversarial detectó el problema, y el análisis corregido modificó la interpretación.

El proyecto informa de que cinco revisores independientes recalcularon los valores del artículo a partir de datos sin procesar. También informa de una reproducción integral frente a checkpoints publicados y un featurizador de entrada puro en Python.

Son salvaguardas significativas. Sin embargo, los revisores parecen formar parte del proceso asistido por IA del proyecto, en lugar de ser grupos de investigación independientes. Por ello, la afirmación debe interpretarse como una auditoría adversarial interna.

La muestra también limita la generalización. Cien posiciones profesionales pueden revelar una estructura recurrente sólida, pero no representan todos los estados legales de Go.

Las partidas profesionales se concentran en posiciones estratégicamente plausibles. Estados inusuales del tablero, configuraciones adversariales, tableros pequeños, tableros grandes y posiciones simétricas artificiales pueden producir un comportamiento interno diferente.

La selección de modelos crea otro límite. Cinco checkpoints respaldan las comparaciones de arquitectura, pero no pueden aislar todos los factores que separan las redes convolucionales de los transformadores.

Los historiales de entrenamiento, el número de parámetros, los calendarios de optimización, los flujos de características y la madurez de los checkpoints pueden afectar a la representación. Un experimento controlado entrenaría arquitecturas emparejadas con semillas aleatorias repetidas.

La propia puntuación de equivariancia también incorpora decisiones analíticas. Los investigadores deben seleccionar la normalización, los umbrales de coincidencia, las reglas de alineación espacial y los métodos para manejar signos o permutaciones.

Una métrica diferente podría dividir de otra manera los canales limítrofes. La «bruma de asimetría» reportada hace que esta sensibilidad sea especialmente relevante.

La fuerza de juego introduce otra complicación. El proyecto público de KataGo describe sus modelos como algunos de los sistemas de Go de código abierto más potentes, pero la fuerza no garantiza una fiabilidad interna amplia.

Investigadores anteriores entrenaron políticas adversariales que lograron una tasa de victorias reportada superior al 97 por ciento contra KataGo con configuraciones sobrehumanas. Los ataques explotaban estructuras cíclicas inusuales en lugar del juego profesional ordinario.

Ese historial no contradice los hallazgos sobre simetría. Muestra por qué un comportamiento medio limpio no debe confundirse con una comprensión exhaustiva.

Un modelo puede aprender una elegante estructura de transformación para posiciones comunes y aun así fallar en configuraciones poco frecuentes. La regularidad interna y la robustez adversarial son cuestiones relacionadas, no intercambiables.

La investigación sobre equivariancia aproximada ofrece otra advertencia. Un análisis de equivariancia de 2023 concluyó que pequeños detalles arquitectónicos pueden romper la simetría exacta y reducir la generalización a transformaciones no vistas.

Ese trabajo también encontró casos en los que relajar la equivariancia exacta ayudaba cuando la simetría de los datos no coincidía perfectamente con los supuestos de la red. La lección más amplia es que las restricciones de simetría implican compensaciones medibles.

En el caso de KataGo, las ocho transformaciones probadas son válidas según las reglas estándar de un tablero cuadrado. Sin embargo, las características de entrada, los límites del tablero, la codificación del historial y la búsqueda posterior aún merecen comprobaciones individuales.

Por tanto, el estudio actual debe tratarse como una afirmación de investigación reproducible. Ofrece código y mediciones falsables, pero los investigadores independientes aún no han establecido hasta qué punto se transfieren sus conclusiones.

Ese marco es más útil que descartar el trabajo por haber sido generado con IA o aceptar sus patrones visuales sin más.

Qué deberían vigilar los investigadores a continuación

Tres señales de seguimiento mostrarán si KataGo halló una propiedad general de las representaciones aprendidas o una curiosidad específica de un checkpoint.

La primera señal es la replicación independiente con distintas semillas de entrenamiento. Otro grupo debería repetir las mediciones en modelos convolucionales y de transformador entrenados por separado con configuraciones equivalentes.

Las estructuras de órbitas repetidas reforzarían la afirmación de que la arquitectura determina dónde se rompe la simetría. Una gran variación entre semillas sugeriría que las estructuras reportadas son solo una solución entre muchas.

La segunda señal es una comparación controlada con equivariancia explícita. Los investigadores pueden entrenar una red de Go equivariante respecto a grupos y comparar su eficiencia, fuerza, calibración y organización interna con modelos que solo usan aumentación.

Ese experimento pondría a prueba directamente al principal rival. Podría mostrar si la simetría codificada de forma rígida elimina el aprendizaje redundante o suprime cálculos direccionales útiles.

La comparación debería medir más que el Elo final. La eficiencia muestral durante el entrenamiento, el coste de inferencia, la consistencia en posiciones transformadas y el rendimiento en tableros adversariales revelarían la verdadera compensación.

La tercera señal es una intervención causal en las órbitas de características descubiertas. Los investigadores deberían perturbar familias direccionales completas en lugar de eliminar una cabeza de atención cada vez.

Si eliminar una órbita completa daña de forma consistente las versiones transformadas de una tarea, la interpretación geométrica cobra fuerza. Si los efectos permanecen dispersos, la órbita podría describir la apariencia sin capturar la función.

Las pruebas de escalera y ko ofrecen puntos de partida útiles, pero los trabajos futuros deberían incluir conjuntos de posiciones preregistrados. Esto reduciría el riesgo de seleccionar ejemplos después de inspeccionar los patrones de atención.

Los investigadores también deberían probar tableros rectangulares y reglas intencionalmente asimétricas. Esos entornos pueden revelar si una característica aprendida sigue una simetría genuina de la tarea o simplemente refleja el proceso de aumento de datos.

Para los desarrolladores, la lección práctica es moderada. El aumento de datos puede fomentar una estructura interna significativa, incluso cuando la arquitectura no impone esa estructura.

Sin embargo, unos resultados consistentes no indican a los desarrolladores cómo organizó el modelo el problema. Necesitan mediciones internas, pruebas de transformación y evaluación adversarial cuando la consistencia de orientación afecta a la seguridad o la fiabilidad.

Para los equipos de interpretabilidad, KataGo ofrece un modelo útil de presentación de la investigación. El proyecto conecta un artículo accesible con scripts, datos de medición, informes sin procesar, correcciones e instrucciones de reproducción.

Los equipos que evalúan investigación asistida por IA pueden adoptar ese patrón. Mantener informes locales consultables en una base de conocimiento de ingeniería puede ayudar a los revisores a rastrear las afirmaciones hasta los experimentos y las revisiones.

La cuestión más amplia del horizonte del aprendizaje automático sigue abierta. Las redes neuronales pueden aprender simetría sin recibir una regla arquitectónica rígida, pero no necesariamente la expresan mediante componentes uniformemente simétricos.

El resultado más interesante de KataGo se encuentra en el punto intermedio. Sus redes parecen construir conceptos simétricos reutilizables junto con especialistas direccionales organizados.

Eso deja claro el siguiente paso. Los investigadores deberían dejar de preguntar únicamente si un modelo es simétrico y empezar a probar dónde, cómo y bajo qué entradas se mantiene esa simetría.

¿Las replicaciones independientes recuperarán las mismas órbitas de características y familias de atención hexagonales? La respuesta determinará si se trata de un estudio de caso compacto de KataGo o de un mapa reutilizable para interpretar la geometría aprendida.