TAE como sistema no convergente
La Teoría de Aprendizaje por Excepción (TAE), en su formulación más exigente, niega la convergencia clásica como objetivo primario del aprendizaje. No busca minimizar un error global hasta estabilizarlo, sino mantener una estructura abierta capaz de detectar, amplificar y reorganizarse ante excepciones estructurales. Este planteamiento entra en tensión directa con el paradigma dominante de optimización en redes profundas: Descenso de gradiente. Minimización de función de pérdida. Regularización para estabilidad. Convergencia hacia atractores. TAE, por el contrario, introduce un principio diferente: La estabilidad no es el objetivo; la sensibilidad estructural sí lo es. El problema aparece inmediatamente cuando escalamos a modelos con billones de parámetros: El mantenimiento permanente de inestabilidad controlada puede generar explosión computacional. La plasticidad constante puede impedir consolidación de representaciones. El coste energético y de memoria puede cre...