Formalización matemática de la excepción como gradiente de inestabilidad
TAE–AGI: Formalización de la Excepción como Gradiente de Error Estructural en Sistemas Cognitivos Toroidales Abstract La mayoría de los enfoques contemporáneos en inteligencia artificial general (AGI) conciben el aprendizaje como un proceso de minimización de error estadístico dentro de un espacio de representaciones predefinido. Este paradigma, heredero directo de la optimización matemática clásica, resulta eficaz en dominios cerrados, pero muestra limitaciones estructurales cuando se enfrenta a entornos abiertos, no estacionarios y con dinámicas no lineales profundas. En este trabajo se presenta una formalización alternativa basada en la Teoría de Aprendizaje por Excepción (TAE) , donde el aprendizaje no emerge de la corrección incremental del error, sino de la detección y resolución de rupturas de coherencia estructural . Se propone que la excepción no debe ser entendida como un outlier estadístico, sino como un gradiente de error topológico que amenaza la estabilidad globa...