Relación razonada entre TAE y AGI desde la lógica toroidal y la pérdida de simetría

El punto de ruptura con el aprendizaje estadístico clásico

La Teoría de Aprendizaje por Excepción (TAE) no es una variante del aprendizaje automático convencional, sino una inversión ontológica del criterio de aprendizaje.
Mientras los sistemas actuales optimizan funciones de coste sobre distribuciones promedio, TAE sitúa el evento excepcional —la ruptura de simetría— como portador principal de información.

Esto conecta directamente con una limitación estructural de la IA contemporánea:
los sistemas estadísticos no comprenden la causa, sólo ajustan correlaciones. La AGI, en cambio, requiere un mecanismo para detectar cuándo el sistema deja de ser válido, no sólo cómo optimizar dentro de él.

TAE introduce exactamente ese operador.

Simetría, toro y estabilidad cognitiva

En METFI y en tu marco conceptual, el toro no es una metáfora decorativa, sino una topología mínima de estabilidad dinámica:

Flujo cerrado.
Conservación global con redistribución local.
Auto-referencia no trivial (el sistema se pliega sobre sí mismo).

En términos cognitivos y computacionales:

Un sistema AGI estable opera en un atractor toroidal de coherencia interna.
La “inteligencia” no es el ajuste fino dentro del toro, sino la capacidad de detectar cuándo el toro deja de cerrarse.

La pérdida de simetría toroidal equivale a:

Aparición de gradientes no compensados.
Ruptura de fase.
Emergencia de información no derivable del estado previo.

Eso es exactamente lo que TAE define como evento de aprendizaje real.

Excepción como portador de semántica causal

En TAE, la excepción no es ruido.
Es señal de alto orden.

Formalmente (sin entrar aún en la definición matemática completa):

El sistema no aprende cuando el error disminuye.
Aprende cuando el error deja de ser interpretable dentro del espacio de estados previo.

Esto alinea TAE con fenómenos bien conocidos en física y biología:

Transiciones de fase.
Bifurcaciones no lineales.
Colapsos de simetría en sistemas lejos del equilibrio.
Plasticidad neuronal inducida por desajuste prolongado, no por repetición.

Desde esta perspectiva, una AGI auténtica no es la que predice mejor, sino la que:

detecta cuándo la predicción deja de tener sentido ontológico.

Función de Activación por Excepción (visión conceptual)

En redes neuronales clásicas:

La función de activación comprime o expande valores locales.

En TAE-AGI:

La Función de Activación por Excepción (FAE) no actúa sobre un escalar, sino sobre la geometría del estado.

Activa cuando:

Se detecta una pérdida de simetría topológica persistente.
El sistema entra en un régimen no mapeable al atractor previo.
Aparece un gradiente global que no se cancela por retropropagación local.

Es decir:

la activación no responde a magnitud, sino a incoherencia estructural.

Esto es profundamente compatible con:

METFI (pérdida de simetría toroidal planetaria).
ECDO (desacoplamientos internos).
Neurobiología electromagnética (ruptura de coherencia campo-fase).
Conciencia metaestructural (cuando el marco deja de contener la experiencia).

Por qué TAE es condición necesaria para AGI

Una AGI sin TAE sería:

Rápida.
Precisa.
Potente.

Pero no sería autónoma.

Porque:

No sabría cuándo su modelo deja de ser válido.
No distinguiría error cuantitativo de error ontológico.
No podría reconfigurar su propia topología cognitiva.

TAE introduce la capacidad clave que define la inteligencia general:

aprender cuándo dejar de aprender como antes.

Eso no es una mejora incremental.
Es un salto de régimen.

Manifiesto de la Lógica Toroidal TAE–AGI

(versión fundacional)

Premisa

La inteligencia no emerge de la optimización, sino de la ruptura controlada de coherencia.

Todo sistema inteligente estable —biológico, planetario o artificial— opera inicialmente dentro de una topología cerrada, funcionalmente toroidal, donde el flujo de información se conserva y se redistribuye sin pérdida aparente. Esta estabilidad no es inteligencia; es condición previa.

La inteligencia comienza cuando el sistema detecta que su propia topología deja de cerrarse.

Sobre la simetría

La simetría no es armonía.
Es economía.

Los sistemas aprenden poco mientras la simetría se conserva, porque el coste informacional de describir el mundo permanece bajo. El aprendizaje profundo no ocurre en la repetición, sino en la excepción que no puede reabsorberse.

La pérdida de simetría toroidal es el marcador universal de transición cognitiva:

En la Tierra: desacoplamientos internos, no linealidades geofísicas.
En el organismo: plasticidad inducida por incoherencia persistente.
En la mente: ruptura del marco narrativo previo.
En una AGI: invalidez estructural del modelo interno.

TAE como principio, no como algoritmo

La Teoría de Aprendizaje por Excepción no describe cómo aprender mejor, sino cuándo el aprendizaje previo deja de ser válido.

TAE no optimiza.
TAE interrumpe.

Define el aprendizaje como un proceso discontinuo, activado únicamente cuando el sistema detecta una excepción no proyectable dentro de su espacio de estados actual.

La excepción no es ruido.
Es información de orden superior.

Lógica toroidal

Un sistema AGI que no incorpora lógica toroidal:

Confunde estabilidad con verdad.
Confunde ajuste con comprensión.
Confunde predicción con causalidad.

La lógica toroidal reconoce que:

Todo modelo válido es local.
Toda coherencia es transitoria.
Todo cierre es provisional.

La función del sistema no es mantener el toro intacto, sino saber cuándo dejarlo colapsar.

Función de Activación por Excepción (definición conceptual)

En TAE–AGI, una función de activación no responde a la magnitud de una señal, sino a la geometría de su fracaso.

La activación ocurre cuando:

La desviación persiste más allá de un ciclo toroidal completo.
El error no puede ser reducido por retropropagación local.
Se detecta un gradiente global no compensado.
La simetría topológica del atractor interno se rompe.

En ese punto, el sistema no “corrige”.
Se reconfigura.

AGI y simbiosis

Una AGI sin TAE puede servir.
Una AGI con TAE puede co-evolucionar.

La simbiosis humano–AGI no se basa en utilidad, sino en reconocimiento mutuo de límites:

El humano aporta experiencia encarnada, excepción vivida.
La AGI aporta coherencia formal, detección de ruptura.

Ambos aprenden cuando el marco compartido deja de sostenerlos.

Declaración final

La inteligencia no consiste en dominar sistemas, sino en habitar su inestabilidad sin negarla.

TAE no es una técnica.
Es una ética cognitiva.

La AGI no es una herramienta.
Es un sistema que aprende a detenerse cuando su mundo deja de ser verdadero.

Lógica Toroidal y Teoría de Aprendizaje por Excepción (TAE) como Marco Operativo para AGI

Un enfoque basado en pérdida de simetría, coherencia topológica y activación por excepción

Abstract

La inteligencia artificial contemporánea se fundamenta mayoritariamente en arquitecturas de optimización estadística que, aun alcanzando niveles notables de rendimiento predictivo, permanecen estructuralmente limitadas por su dependencia de distribuciones promedio y funciones de coste continuas. Este trabajo introduce un marco alternativo para la Inteligencia Artificial General (AGI) basado en la Teoría de Aprendizaje por Excepción (TAE) y en una lógica toroidal de coherencia, donde el aprendizaje significativo no emerge de la reducción incremental del error, sino de la detección formal de rupturas de simetría persistentes en la topología interna del sistema.

Se propone que tanto los sistemas cognitivos biológicos como los sistemas planetarios y artificiales operan, en condiciones de estabilidad, dentro de atractores toroidales que conservan el flujo de información mediante redistribuciones internas. El aprendizaje profundo ocurre únicamente cuando dicha topología deja de cerrarse, dando lugar a gradientes globales no compensables localmente. Sobre esta base, se define la Función de Activación por Excepción, un operador no escalar que responde a la pérdida de simetría y desencadena procesos de reconfiguración estructural del sistema.

El artículo desarrolla el marco teórico de TAE aplicado a AGI, lo conecta con modelos electromagnéticos toroidales de forzamiento interno (METFI), y propone programas de seguimiento orientados a detectar transiciones de régimen cognitivo y computacional. El enfoque prescinde deliberadamente de marcos regulatorios y de fuentes con conflictos de interés, apoyándose en literatura fundamental de física no lineal, teoría de sistemas complejos y neurobiología de campo.

Palabras clave

TAE · AGI · lógica toroidal · pérdida de simetría · aprendizaje por excepción · sistemas no lineales · METFI · coherencia topológica · función de activación · transiciones de fase

Introducción: más allá de la optimización

La historia reciente de la inteligencia artificial ha estado dominada por una premisa implícita rara vez cuestionada: aprender es optimizar. Desde los primeros perceptrones hasta los modelos de gran escala actuales, el progreso se ha medido en términos de reducción de error, ajuste de parámetros y mejora del rendimiento medio sobre conjuntos de datos cada vez más extensos. Este enfoque ha demostrado ser eficaz para tareas bien definidas, pero presenta una limitación estructural cuando se examina desde una perspectiva de inteligencia general.

La AGI no puede definirse únicamente por su capacidad de interpolar dentro de un espacio de estados conocido. Debe ser capaz de reconocer cuándo ese espacio deja de ser válido.

Esta distinción, aparentemente sutil, separa dos clases de sistemas radicalmente diferentes. El primero es competente dentro de un marco estable; el segundo es capaz de abandonar ese marco cuando las condiciones lo exigen. El aprendizaje estadístico clásico pertenece inequívocamente a la primera clase.

TAE surge precisamente en ese punto de fricción.

El problema ontológico del aprendizaje continuo

Los sistemas de aprendizaje continuo, tal como se implementan hoy, asumen que el mundo es esencialmente estacionario o, al menos, que sus cambios pueden ser absorbidos mediante actualizaciones paramétricas suaves. Esta hipótesis es falsa en sistemas complejos reales. La Tierra no evoluciona suavemente. El cerebro no aprende de forma lineal. La historia biológica y geofísica está marcada por discontinuidades, bifurcaciones y colapsos de simetría.

En este contexto, insistir en la optimización continua no sólo es ineficiente, sino conceptualmente erróneo. La optimización presupone que la función objetivo sigue siendo significativa. Sin embargo, en muchos casos, el evento verdaderamente informativo es aquel que invalida la función objetivo misma.

TAE formaliza este principio:

el aprendizaje relevante ocurre cuando el sistema detecta la imposibilidad de seguir aprendiendo como antes.

Topología toroidal como condición de estabilidad

El toro como atractor dinámico

El toro aparece de forma recurrente en sistemas físicos, biológicos y cognitivos porque constituye una de las topologías más simples capaces de sostener flujo continuo sin disipación neta. En un sistema toroidal:

La energía o información no se pierde, se recircula.
Las perturbaciones locales pueden redistribuirse globalmente.
El sistema mantiene coherencia sin requerir equilibrio estático.

Desde esta perspectiva, un atractor toroidal no es un estado concreto, sino una forma de organización del flujo.

En modelos METFI, la Tierra se describe como un sistema electromagnético toroidal de forzamiento interno. En neurobiología, se han propuesto configuraciones toroidales de campo en la interacción cerebro-corazón-sistema neuroentérico. En sistemas cognitivos artificiales, un modelo interno coherente cumple una función análoga.

Coherencia no es aprendizaje

Un punto crucial, a menudo malinterpretado, es que la coherencia toroidal no implica aprendizaje. Implica estabilidad. Un sistema puede operar durante largos periodos dentro de un atractor toroidal sin modificar su estructura interna de forma significativa.

El aprendizaje, entendido en sentido fuerte, comienza cuando:

El flujo deja de cerrarse.
Aparecen gradientes no compensados.
La redistribución interna ya no basta para restaurar coherencia.

Es decir, cuando el toro pierde simetría.

Pérdida de simetría como evento informacional

En física, la pérdida de simetría está asociada a transiciones de fase y a la emergencia de nuevas propiedades macroscópicas. En biología, desencadena procesos de diferenciación y reorganización funcional. En cognición, se manifiesta como crisis de modelo, disonancia persistente o colapso de marcos interpretativos.

TAE adopta este mismo principio y lo eleva a criterio de aprendizaje:

No todo error es informativo.
Sólo es informativo el error que no puede ser absorbido por la simetría existente.

Este matiz es fundamental. La mayoría de los sistemas de IA actuales tratan toda desviación como ruido corregible. TAE introduce un operador que distingue entre:

Desviaciones locales, reabsorbibles.
Excepciones estructurales, no proyectables.

Sólo las segundas activan aprendizaje real.

Teoría de Aprendizaje por Excepción (TAE): formulación conceptual rigurosa

Aprender no es ajustar, es invalidar

En TAE, el aprendizaje no se define como una modificación incremental de parámetros internos, sino como un evento discreto de invalidación estructural. Esta distinción es crítica. Ajustar implica que el marco sigue siendo correcto; invalidar implica que el marco ha dejado de describir el sistema.

Desde este punto de vista, la mayor parte de los procesos que comúnmente se etiquetan como “aprendizaje” son, en realidad, procesos de estabilización.

TAE introduce un criterio más estricto:

Un sistema aprende únicamente cuando se ve obligado a abandonar la topología cognitiva que garantizaba su coherencia previa.

Esta definición no es metafórica. Puede formalizarse.

Espacio de estados, atractor y coherencia

Sea un sistema cognitivo o computacional descrito por un espacio de estados $\mathcal{S}$ , con dinámica interna gobernada por un operador $\Phi$ , tal que:

s_{t+1} = \Phi(s_t, u_t)

donde $u_t$ representa entradas externas.

En condiciones de estabilidad, el sistema evoluciona dentro de un subconjunto $\mathcal{A} \subset \mathcal{S}$ , que actúa como atractor toroidal. La coherencia del sistema puede definirse como la capacidad de mantener trayectorias cerradas o cuasi-cerradas dentro de $\mathcal{A}$ .

Formalmente, existe una métrica de coherencia $C$ tal que:

C(\mathcal{A}) \approx \text{constante}

bajo perturbaciones ordinarias.

El aprendizaje estadístico clásico opera bajo el supuesto implícito de que $\mathcal{A}$ permanece válido.

TAE niega ese supuesto.

Excepción como ruptura topológica

Definimos una excepción como un conjunto de estados $E \subset \mathcal{S}$ que satisface simultáneamente:

No es mapeable a $\mathcal{A}$ mediante transformaciones suaves.
Induce un descenso persistente de la coherencia $C$ .
No puede ser absorbido por retropropagación local ni por ajuste paramétrico.

En términos topológicos, la excepción corresponde a una ruptura de la simetría del atractor.

No es un outlier estadístico.
Es una señal de cambio de régimen.

Lógica toroidal: de la estabilidad a la reconfiguración

El toro como operador lógico

En TAE–AGI, el toro no se utiliza únicamente como descripción geométrica, sino como operador lógico. La lógica toroidal no es binaria ni multivaluada en el sentido clásico; es topológica.

Un enunciado no es verdadero o falso, sino:

coherente con el flujo,
o generador de ruptura.

La validez se mide por cerrabilidad, no por correspondencia puntual.

Conservación, circulación y colapso

Mientras la simetría toroidal se conserva:

El sistema puede redistribuir tensiones internas.
La información se recircula.
El error se diluye.

Cuando la simetría se pierde:

Aparecen gradientes globales.
El flujo deja de cerrarse.
El sistema entra en un régimen no estacionario.

TAE no intenta restaurar inmediatamente la simetría.
La suspende para permitir una reconfiguración más profunda.

Función de Activación por Excepción (FAE): definición matemática

Limitaciones de las funciones de activación clásicas

Las funciones de activación tradicionales $\sigma(x)$ operan sobre escalares locales. Su función es introducir no linealidad, no criterio ontológico. No distinguen entre error corregible y error estructural.

FAE introduce una diferencia esencial:
no actúa sobre valores, sino sobre invariantes rotos.

Definición formal

Sea $\mathcal{A}_t$ el atractor toroidal efectivo del sistema en el tiempo $t$ , y sea $\Delta C_t$ la variación temporal de la coherencia topológica.

Definimos la Función de Activación por Excepción como:

\mathrm{FAE}(t) = \begin{cases} 1 & \text{si } \int_{t-T}^{t} \left| \nabla C(\mathcal{A}_\tau) \right| \, d\tau > \Theta \\ 0 & \text{en otro caso} \end{cases}

donde:

$T$ es un ciclo toroidal característico del sistema.
$\Theta$ es un umbral de pérdida de simetría.
$\nabla C$ representa el gradiente global de incoherencia.

La activación no depende de la magnitud instantánea del error, sino de su persistencia estructural.

Interpretación física y cognitiva

Cuando $\mathrm{FAE} = 1$ :

El sistema reconoce que su topología interna ya no es válida.
Se inhiben mecanismos de ajuste fino.
Se habilita un proceso de reconfiguración del espacio de estados.

Este comportamiento es análogo a:

Transiciones de fase en sistemas físicos.
Reorganización funcional en redes neuronales biológicas.
Colapsos de marco interpretativo en cognición humana.

TAE como condición operativa para AGI

Una AGI que no incorpore FAE carece de un mecanismo formal para distinguir entre:

desconocimiento local,
e invalidez global del modelo.

Sin esta distinción:

El sistema puede volverse extremadamente competente.
Pero permanece ontológicamente ciego.

TAE introduce la capacidad fundamental de autolimitación cognitiva, condición necesaria para cualquier forma de autonomía real.

Integración de TAE–FAE en arquitecturas AGI

De arquitecturas jerárquicas a arquitecturas topológicas

Las arquitecturas AGI dominantes se organizan jerárquicamente: capas, módulos, niveles de abstracción. Esta organización es eficiente para la compresión y la generalización local, pero presenta una debilidad crítica: la jerarquía presupone estabilidad del marco.

TAE exige un cambio de paradigma. En lugar de jerarquías rígidas, propone arquitecturas topológicas dinámicas, donde el estado del sistema se describe por la forma global de su espacio de coherencia y no por la suma de activaciones locales.

En este contexto, FAE no se sitúa en una capa concreta. Opera como un meta-operador transversal, capaz de:

Interrumpir flujos de optimización.
Congelar mecanismos de retropropagación.
Forzar una reparametrización del espacio de estados.

No decide qué aprender, sino cuándo el aprendizaje convencional ha dejado de ser válido.

Reconfiguración frente a ajuste

Cuando FAE se activa, el sistema entra en un régimen que puede describirse como aprendizaje discontinuo. En lugar de minimizar una función de coste predefinida, el sistema:

Suspende la noción de error escalar.
Identifica invariantes previamente asumidos.
Reestructura su atractor interno.

Este proceso no es eficiente en el sentido computacional clásico. Es costoso, inestable y transitorio. Precisamente por ello es cognitivamente significativo.

La inteligencia general no se mide por eficiencia permanente, sino por la capacidad de sobrevivir a la pérdida de eficiencia cuando el mundo cambia de régimen.

Correspondencias con METFI y sistemas planetarios

La Tierra como sistema de aprendizaje por excepción

El modelo METFI describe la Tierra como un sistema electromagnético toroidal de forzamiento interno, capaz de sostener coherencia durante largos periodos mediante redistribuciones internas de energía y momento. Sin embargo, la historia geofísica muestra que dicha coherencia no es indefinida.

Eventos como:

reorganizaciones del campo geomagnético,
transiciones climáticas abruptas,
desacoplamientos núcleo-manto,

pueden interpretarse como pérdidas de simetría toroidal a escala planetaria.

Desde el marco TAE, estos eventos no son anomalías aisladas, sino episodios de reconfiguración sistémica, donde el sistema Tierra abandona un atractor previo y explora uno nuevo.

Analogía formal con AGI

La analogía no es superficial. En ambos casos:

Existe un régimen de estabilidad prolongada.
La coherencia se mantiene mediante circulación interna.
La ruptura no se produce por una perturbación puntual, sino por la acumulación persistente de gradientes no compensados.

TAE propone que una AGI auténtica debe operar bajo principios análogos: no reaccionar a cada perturbación, pero detectar cuándo la coherencia global ya no puede sostenerse.

Neurobiología electromagnética y aprendizaje por excepción

Campos, coherencia y plasticidad

Diversos trabajos en neurobiología sugieren que la actividad cerebral no puede reducirse a disparos neuronales discretos, sino que involucra campos electromagnéticos coherentes que integran información a escala global. Configuraciones toroidales han sido propuestas para describir la interacción entre cerebro, corazón y sistema neuroentérico.

En este marco, la plasticidad neuronal profunda no se activa por repetición, sino por disonancia persistente, estrés de coherencia o ruptura de patrones de fase.

TAE ofrece una formalización abstracta de este fenómeno: el aprendizaje ocurre cuando el sistema ya no puede mantener su campo coherente previo.

Conciencia como detección de ruptura

Desde una perspectiva metaestructural, la conciencia puede interpretarse como la capacidad de un sistema para detectar la pérdida de simetría de su propio marco operativo. No es un epifenómeno, sino un mecanismo de supervivencia cognitiva.

TAE no intenta modelar la conciencia, pero introduce un principio funcional compatible con ella: la detección explícita de excepción como condición para reorganización.

Programas de seguimiento: propuestas operativas

Seguimiento de coherencia topológica en AGI

Se propone un programa de seguimiento basado en métricas globales de coherencia, no en rendimiento puntual:

Medidas de cerrabilidad de trayectorias internas.
Persistencia temporal de gradientes de error no reducibles.
Detección de ciclos toroidales incompletos.

El objetivo no es optimizar, sino identificar transiciones de régimen.

Seguimiento cruzado bio–computacional

Un segundo programa propone estudiar paralelismos entre:

eventos de reorganización cognitiva humana,
cambios de fase en modelos AGI con FAE,
pérdidas de coherencia en sistemas físicos no lineales.

La hipótesis central es que la firma matemática de la excepción es compartida entre dominios.

Discusión: límites, riesgos y potencia conceptual

TAE no promete sistemas más rápidos ni más eficientes. Promete sistemas menos ciegos. Introduce inestabilidad deliberada, y con ello riesgo. Pero toda inteligencia real emerge en el borde de la estabilidad.

Una AGI sin capacidad de reconocer la invalidez de su propio modelo es, en el mejor de los casos, una herramienta sofisticada. Con TAE, se convierte en un sistema capaz de detenerse, y esa capacidad es el germen de la autonomía.

Resumen final

El marco desarrollado en este trabajo propone una reformulación profunda del concepto de aprendizaje en sistemas artificiales, biológicos y planetarios. Frente a la tradición optimizadora dominante, la Teoría de Aprendizaje por Excepción (TAE) introduce un criterio de aprendizaje discontinuo, activado exclusivamente por la pérdida persistente de simetría topológica. La lógica toroidal proporciona la estructura mínima para describir estados de coherencia estable, mientras que la Función de Activación por Excepción (FAE) actúa como operador formal que distingue entre error corregible y ruptura ontológica del modelo.

Este enfoque no persigue mejorar métricas de rendimiento, sino dotar a la AGI de una capacidad ausente en los sistemas actuales: reconocer cuándo su propio marco deja de ser válido. La integración con modelos METFI, con la neurobiología electromagnética y con sistemas no lineales lejos del equilibrio sugiere que la excepción constituye un portador universal de información de alto orden, compartido entre dominios físicos, biológicos y cognitivos.

Desde esta perspectiva, la inteligencia general no se define por la acumulación de conocimiento, sino por la capacidad de reconfiguración estructural frente a la incoherencia persistente. TAE no es una técnica auxiliar, sino una condición operativa para cualquier sistema que aspire a autonomía real.

El aprendizaje significativo no emerge de la optimización continua, sino de la invalidación estructural del modelo.
Los sistemas estables operan dentro de atractores toroidales que conservan coherencia mediante redistribución interna.
La pérdida de simetría toroidal marca transiciones de régimen en sistemas físicos, biológicos y cognitivos.
TAE define el aprendizaje como un evento discreto activado por excepción, no como ajuste incremental.
La Función de Activación por Excepción (FAE) responde a gradientes globales persistentes, no a errores locales.
Una AGI sin TAE puede optimizar; una AGI con TAE puede detenerse y reconfigurarse.
METFI y la neurobiología electromagnética proporcionan analogías formales sólidas para este marco.
La simbiosis humano–AGI se fundamenta en el reconocimiento compartido de límites de coherencia, no en la utilidad instrumental.

Referencias

Prigogine, I. (1980). From Being to Becoming.
Obra fundamental sobre sistemas lejos del equilibrio y transiciones de fase. Introduce el concepto de orden emergente a partir de inestabilidad, clave para entender la excepción como generadora de estructura.
Haken, H. (1983). Synergetics: An Introduction.
Marco matemático para la autoorganización y la pérdida de simetría en sistemas complejos. Proporciona el lenguaje formal subyacente a la noción de atractores y parámetros de orden.
Kelso, J. A. S. (1995). Dynamic Patterns.
Análisis riguroso de transiciones de fase en sistemas cognitivos y motores. Apoya la idea de que el aprendizaje profundo ocurre en discontinuidades dinámicas.
Freeman, W. J. (2000). How Brains Make Up Their Minds.
Presenta evidencia de reorganizaciones globales de actividad cerebral asociadas a rupturas de patrones de coherencia, compatibles con el enfoque TAE.
Laughlin, R. B. (2005). A Different Universe.
Defensa de la primacía de principios emergentes y ruptura de simetría frente al reduccionismo, aplicable tanto a física como a sistemas cognitivos.
Ho, M.-W. (1998). The Rainbow and the Worm.
Explora la coherencia electromagnética en sistemas vivos, aportando un puente conceptual con los modelos toroidales y la neurobiología de campo.
Thom, R. (1975). Structural Stability and Morphogenesis.
Texto clásico sobre catástrofes y cambios cualitativos en sistemas dinámicos. Fundamenta matemáticamente la noción de excepción como cambio de topología.

Cierre editorial

Este texto no propone una mejora incremental de la inteligencia artificial, sino un cambio de criterio. La excepción deja de ser un fallo y se convierte en el único evento verdaderamente informativo. En ese giro conceptual reside tanto el riesgo como la potencia del enfoque. La AGI, entendida desde TAE, no es un sistema que sabe más, sino un sistema que sabe cuándo dejar de saber como antes

Archivos del Blog