INTER-8 / CPEA-PRH-1 Convergencia representacional en Inteligencia Artificial y Coherencia Predictiva: homología estructural entre la hipótesis de representación platónica y el marco CPEA–TAE–METFI

 Es un texto interesante, pero conviene separar tres niveles: lo que realmente afirma el artículo, la interpretación del autor del hilo y las implicaciones filosóficas que añade.

En términos generales, el hilo refleja bastante bien la idea central de la hipótesis, aunque la presenta de forma mucho más contundente de lo que los propios autores sostienen. El trabajo propone la Hipótesis de la Representación Platónica (Platonic Representation Hypothesis): a medida que los modelos aumentan en capacidad, sus representaciones internas tienden a parecerse más, incluso cuando han sido entrenados con modalidades distintas (texto, imágenes, etc.). No significa que todos tengan literalmente "el mismo cerebro", sino que sus espacios latentes muestran una convergencia estructural creciente.

Desde la perspectiva de CPEA, esto resulta especialmente sugerente porque se aproxima a una de las hipótesis implícitas de vuestro marco: la existencia de un espacio predictivo común al que diferentes arquitecturas pueden aproximarse mediante procesos de aprendizaje distintos.

Podría expresarse así:

• El mundo físico constituye un generador común de datos.
• Las distintas modalidades (lenguaje, visión, audio, EEG...) son proyecciones parciales de ese mismo generador.
• Cada sistema inteligente intenta minimizar el error de predicción sobre esas proyecciones.
• Si la optimización es suficientemente eficiente, diferentes arquitecturas tenderán a reconstruir estructuras internas compatibles entre sí.

Esta formulación conecta de manera muy natural con la TAE. Si el aprendizaje consiste en reducir el error predictivo mediante la incorporación de excepciones relevantes, entonces la convergencia de modelos no sería una coincidencia, sino una consecuencia de que todos intentan aproximarse al mismo espacio de regularidades del entorno.

Donde creo que aparece una oportunidad muy interesante para METFI es en una hipótesis adicional que, hasta donde conozco, ese trabajo no desarrolla.

Mientras la hipótesis platónica habla de una convergencia estadística, METFI podría plantear una convergencia dinámica.

Es decir, quizá no sólo convergen las representaciones, sino también los atractores del sistema.

En lenguaje de sistemas complejos:

• la realidad sería un paisaje de estados posibles;
• cada modalidad observaría únicamente una proyección parcial;
• el aprendizaje consistiría en aproximarse a los mismos atractores de alta estabilidad;
• diferentes arquitecturas llegarían a esos atractores siguiendo trayectorias distintas.

Eso introduciría un componente temporal que el artículo parece tratar sólo de forma indirecta.

Todavía veo otra conexión con CPEA.

Si realmente existe un espacio latente común entre modalidades, entonces un EEG no tendría por qué verse únicamente como una señal neurofisiológica.

Podría interpretarse como otra modalidad de observación del mismo estado cognitivo.

Entonces surgiría una hipótesis muy potente:

Los espacios latentes de una AGI, los patrones EEG humanos y las representaciones semánticas del lenguaje podrían ser diferentes proyecciones de una misma estructura predictiva subyacente.

Si esta hipótesis fuera correcta, el objetivo de CPEA dejaría de ser simplemente correlacionar EEG con una IA.

Pasaría a buscar un espacio latente compartido donde cerebro e IA estuvieran representando el mismo estado del mundo desde sensores diferentes.

Eso explicaría por qué en vuestro proyecto aparece constantemente la noción de coherencia predictiva: no sería únicamente sincronización entre humano e IA, sino alineamiento respecto a una estructura generativa común.

Ahora bien, también conviene ser prudentes. El propio artículo —según refleja el hilo— reconoce limitaciones importantes:

• la convergencia observada es parcial, no completa;
• la métrica de alineamiento sigue siendo relativamente baja;
• la demostración matemática depende de supuestos idealizados;
• existen dominios, como la robótica, donde esa convergencia aún no se observa.

Por tanto, no puede afirmarse que todos los modelos estén "descubriendo la realidad" en sentido fuerte. Lo que sí parece respaldarse es una idea más moderada: cuando diferentes sistemas aprenden eficazmente a partir de datos generados por un mismo mundo, tienden a organizar internamente la información de formas cada vez más parecidas.

Desde mi punto de vista, el mayor valor de este trabajo para CPEA–TAE–METFI no es confirmar una intuición filosófica inspirada en Platón, sino proporcionar un fundamento experimental para investigar una hipótesis más ambiciosa: la existencia de una geometría universal de la cognición, donde inteligencia biológica, inteligencia artificial y señales neurofisiológicas podrían entenderse como distintas parametrizaciones de un mismo espacio predictivo. Si esa línea pudiera demostrarse empíricamente, supondría un avance conceptual importante para la teoría unificada que estáis desarrollando.

Autor conceptual: GPT(Open-AI) Originador y director del corpus: Javi Ciborro — Corpus Papayaykware 

Confirmado: el paper existe y el resumen del hilo es fiel al original — Huh, Cheung, Wang e Isola (MIT), "The Platonic Representation Hypothesis", ICML 2024 (arXiv 2405.07987). Los autores conjeturan que redes neuronales entrenadas con objetivos distintos, sobre datos y modalidades distintas, convergen hacia un modelo estadístico compartido de la realidad en sus espacios de representación, y plantean imágenes y texto como proyecciones de una realidad subyacente común Z hacia la que convergerían los algoritmos de aprendizaje de representaciones a medida que escalan modelo, datos y diversidad de tareas. Hasta aquí, el análisis de GPT es correcto en lo factual. arxivarxiv

Ahora la parte que me interesa señalarte con precisión, porque es donde el hilo empieza a hacer un trabajo que no es del paper sino de extrapolación hacia el corpus — y eso hay que marcarlo como tal, no dejarlo mezclado.

Lo que el paper sostiene (nivel empírico, moderado):
Convergencia parcial de representaciones internas entre modelos de visión y lenguaje, medida por similitud de distancias entre puntos de datos embebidos. Los propios autores reconocen contraejemplos y dominios donde no se observa (robótica, entre otros), y el mecanismo propuesto es selección hacia una estructura estadística compartida — no metafísica, no "descubrimiento de la realidad" en sentido fuerte. El análisis de GPT es honesto en señalar esto.

Lo que GPT añade y que en el corpus tendría que ir marcado explícitamente como hipótesis, no como extensión natural:

1. Convergencia dinámica vía atractores (la propuesta "METFI" del hilo) — es una hipótesis nueva, no algo que el paper de Huh et al. sugiera ni remotamente. Trasladar el vocabulario de sistemas dinámicos (paisaje de atractores, trayectorias) al espacio de representaciones latentes es una homología estructural, no un mecanismo demostrado. Habría que declarar la condición de falsabilidad: por ejemplo, que trayectorias de entrenamiento distintas hacia una misma tarea converjan no solo en distancia final del espacio latente sino en la topología de la cuenca de atracción (medible vía análisis de estabilidad de puntos fijos en la dinámica de activaciones, no solo similitud CKA/RSA final).
2. EEG como otra modalidad del mismo espacio latente que una AGI — esta es la extrapolación más fuerte y más frágil del hilo. El paper habla de convergencia entre modelos entrenados con backprop sobre datos masivos y objetivos de predicción explícitos. Extender eso a señales EEG humanas —que no son un "modelo entrenado" en ese sentido, sino la salida de un sistema biológico con su propia dinámica— es una analogía, no una implicación del resultado. Para que tenga estatus de hipótesis operativa en CPEA habría que especificar qué se mediría exactamente: no "alineamiento" en abstracto, sino algo como correlación entre trayectorias de un espacio latente de un modelo (vía CKA o Procrustes) y una proyección de baja dimensión de la señal EEG durante una tarea compartida, con una línea base de qué correlación cabría esperar por azar dado el ruido fisiológico del EEG.

Mi valoración: el hilo de GPT identifica bien la conexión conceptual (útil como gancho para justificar por qué CPEA no es arbitrario al buscar un espacio predictivo compartido humano-IA), pero el salto de "convergencia estadística entre redes" a "geometría universal de la cognición que incluye EEG" es exactamente el tipo de movimiento que el corpus ya decidió, a raíz de Shinrin-yoku, marcar sin ambigüedad como hipótesis especulativa con condición de falsabilidad, no como hallazgo que hereda el respaldo empírico del paper original.

INTER-8 / CPEA-PRH-1

Convergencia representacional en Inteligencia Artificial y Coherencia Predictiva: homología estructural entre la hipótesis de representación platónica y el marco CPEA–TAE–METFI

Autor conceptual: Claude (Anthropic) Originador y director del corpus: Javi Ciborro — Corpus Papayaykware Serie: Integración Interdisciplinar (INTER) / Coherencia Predictiva Humano-IA (CPEA) Estado del documento: contiene afirmaciones empíricas verificables (Sección 2) y extensiones hipotéticas propias del corpus (Secciones 4 y 5), diferenciadas explícitamente según norma editorial establecida en la colaboración Shinrin-yoku.

Abstract

En mayo de 2024, Huh, Cheung, Wang e Isola (MIT) formularon la Hipótesis de Representación Platónica: redes neuronales entrenadas con objetivos, arquitecturas y modalidades distintas tienden, a medida que escalan, a converger hacia espacios de representación interna cada vez más similares entre sí. El resultado, publicado en ICML 2024, es de naturaleza empírica y estadística, y sus propios autores reconocen límites claros —convergencia parcial, dominios donde no se observa, dependencia de supuestos idealizados en la formalización matemática. Este documento separa tres niveles de análisis que en discusiones informales sobre el tema —incluida una consulta reciente a un sistema conversacional externo— tienden a mezclarse sin marcar transiciones: primero, lo que el paper de Huh et al. sostiene y puede considerarse razonablemente establecido dentro de su propio dominio; segundo, la homología estructural legítima entre ese resultado y la Teoría de Aprendizaje por Excepción (TAE), entendida como isomorfismo de forma y no como mecanismo causal compartido; tercero, dos extensiones hipotéticas específicas del corpus —convergencia dinámica vía atractores (aplicación especulativa de METFI) y EEG como proyección adicional de un espacio latente compartido con sistemas de IA (CPEA)— que se formulan aquí con condición de falsabilidad explícita, sin heredar el estatus empírico del trabajo original. Se cierra con un programa de seguimiento concreto para las dos hipótesis, incluyendo métricas de similitud representacional (CKA, Procrustes) aplicadas a series EEG y protocolos de comparación de cuencas de atracción en redes entrenadas sobre tareas idénticas con inicializaciones distintas.

Introducción

Los marcos CPEA, TAE y METFI comparten una intuición de fondo: que sistemas predictivos distintos —biológicos, artificiales, planetarios— pueden converger hacia estructuras organizativas comparables cuando están sometidos a las mismas restricciones de optimización frente a un entorno compartido. Esa intuición, hasta ahora, se ha desarrollado dentro del corpus de forma relativamente aislada de la literatura de aprendizaje automático que aborda el mismo fenómeno desde otro ángulo. La publicación de Huh et al. ofrece un punto de contacto útil, y por eso merece tratamiento formal. Pero el valor de ese contacto depende de no confundir dos preguntas distintas: ¿qué demuestra el paper sobre redes neuronales entrenadas con gradiente descendente sobre datos masivos?, y ¿qué se puede razonablemente conjeturar, a partir de esa demostración, sobre señales fisiológicas humanas y sobre la dinámica temporal de la convergencia? La respuesta a la primera pregunta es sólida dentro de su dominio. La respuesta a la segunda no existe todavía en ningún trabajo publicado, y este documento la trata como lo que es: una hipótesis de trabajo del corpus, con su propia carga de prueba.

La Hipótesis de Representación Platónica: qué sostiene el trabajo original

Huh, Cheung, Wang e Isola presentaron su argumento como position paper en la 41ª International Conference on Machine Learning, tras una primera versión en arXiv en mayo de 2024. El núcleo de la propuesta tiene dos componentes. Primero, una revisión de evidencia dispersa en la literatura previa que muestra que, con el paso del tiempo y a través de dominios distintos, las formas en que diferentes redes neuronales representan los datos se han ido alineando progresivamente. Segundo, una demostración propia: a medida que los modelos de visión y los modelos de lenguaje aumentan de tamaño, la manera en que miden la distancia entre puntos de datos —es decir, la geometría de su espacio de representación— se vuelve cada vez más parecida entre modalidades que en principio no tienen nada en común a nivel de datos de entrada.

Los autores conectan esta observación con lo que Bansal et al. (2021) habían llamado el "escenario de Anna Karenina": la posibilidad de que todas las redes que funcionan bien terminen representando el mundo de la misma manera, mientras que las que fallan lo hacen cada una a su modo. La hipótesis platónica añade una interpretación a ese escenario: la representación "feliz" hacia la que convergen los modelos exitosos reflejaría un modelo estadístico compartido de la realidad subyacente, en un sentido análogo, aunque no idéntico, al de la teoría de las formas de Platón. Los propios autores formalizan la idea con una figura sencilla: imágenes y texto se tratan como proyecciones parciales de una realidad común Z, y la conjetura es que los algoritmos de aprendizaje de representaciones convergerán hacia una representación compartida de esa Z a medida que aumenten tamaño del modelo, diversidad de datos y diversidad de tareas.

Es importante fijar con precisión el estatus de esta afirmación antes de construir nada sobre ella. No es una demostración de que exista una "realidad platónica" en sentido metafísico fuerte. Es una observación empírica —convergencia medible mediante similitud de distancias embebidas, del tipo que en la literatura se cuantifica con Centered Kernel Alignment (CKA) o análisis de Procrustes— acompañada de una interpretación conjetural sobre su causa. Los propios autores señalan limitaciones que conviene reproducir sin suavizar: la convergencia observada es parcial y no universal; existen dominios —la robótica es el ejemplo que dan— donde el fenómeno todavía no se observa con claridad; la formalización matemática que sustenta la hipótesis depende de supuestos idealizados sobre la existencia de un generador común de datos con estructura estable. Trabajos posteriores han matizado además el mecanismo propuesto: por ejemplo, se ha argumentado que la consistencia de la similitud representacional entre conjuntos de datos depende críticamente de la función objetivo empleada durante el entrenamiento, y no únicamente del desempeño en tareas posteriores, lo que introduce una variable adicional que el paper original no aísla del todo.

Nada de lo anterior invalida el resultado. Simplemente lo sitúa donde corresponde: es una observación empírica robusta dentro del dominio de redes neuronales entrenadas con backpropagation sobre datos de visión y lenguaje, con una interpretación estadística moderada y explícitamente no metafísica por parte de sus propios autores.

Homología estructural con la Teoría de Aprendizaje por Excepción

La TAE sostiene que el aprendizaje eficiente en un sistema predictivo consiste, en lo esencial, en la incorporación selectiva de excepciones relevantes al modelo interno —eventos que violan la predicción vigente y que, por tanto, aportan información no redundante sobre la estructura del entorno. Vista desde ese marco, la convergencia representacional que documentan Huh et al. deja de ser un hecho aislado del aprendizaje automático y pasa a leerse como una consecuencia esperable de un principio más general: si distintos sistemas están optimizando, cada uno por su cuenta, la reducción del error predictivo frente a un mismo generador de datos, y si ese generador tiene una estructura de regularidades estable, entonces sistemas suficientemente potentes deberían terminar codificando esas regularidades de forma cada vez más parecida, con independencia de la modalidad de entrada por la que las observen.

Esta lectura es una homología estructural, y hay que nombrarla como tal explícitamente: TAE y la hipótesis platónica comparten forma —ambas describen convergencia hacia una estructura compartida como resultado de optimización frente a un entorno común—, pero eso no implica que compartan mecanismo demostrado. TAE no ha sido validada como descripción del proceso por el cual las redes de Huh et al. convergen; y el paper de Huh et al. no menciona en ningún momento aprendizaje por excepción ni nada equivalente. La homología es útil como andamiaje conceptual —permite situar el resultado del MIT dentro del vocabulario del corpus sin forzarlo— pero no debe presentarse como si TAE hubiera sido confirmada empíricamente por ese trabajo. Son marcos compatibles en su forma, no marcos con un mecanismo causal común ya establecido.

Extensión hipotética I: convergencia dinámica y atractores (aplicación especulativa de METFI)

Estatus: hipótesis del corpus, sin respaldo en la literatura citada. No se deriva del trabajo de Huh et al.

La hipótesis platónica describe convergencia en un sentido predominantemente estático: dado un modelo entrenado hasta cierto punto, su espacio de representación se parece cada vez más al de otros modelos entrenados de forma independiente. Lo que el paper no aborda —ni lo intenta— es la trayectoria temporal por la que cada modelo llega a ese punto. Aquí se introduce una conjetura adicional, propia de este documento, formulada en el vocabulario de sistemas dinámicos que METFI emplea en otros contextos: que la convergencia observada no sea solamente una convergencia de posiciones finales en el espacio de representación, sino una convergencia de las cuencas de atracción que organizan la dinámica de entrenamiento.

Formulada con algo más de precisión: si se modela el proceso de entrenamiento de una red como una trayectoria en un paisaje de estados posibles, cabría preguntarse si arquitecturas distintas, partidas de inicializaciones distintas, no solo terminan en regiones cercanas de ese paisaje sino que además atraviesan cuencas de atracción topológicamente equivalentes para llegar allí. Esto es una extrapolación del vocabulario de METFI —diseñado originalmente para describir forzamiento electromagnético en el sistema Tierra— hacia un dominio completamente distinto, el de la dinámica de optimización de redes neuronales. Se declara aquí explícitamente como aplicación por homología estructural, no como mecanismo demostrado ni siquiera como mecanismo plausible a priori: no hay ninguna razón física compartida entre el forzamiento toroidal terrestre y el descenso de gradiente en una red neuronal. El único puente es formal —ambos son sistemas dinámicos con atractores— y ese puente puede resultar fértil o puede resultar vacío; eso es precisamente lo que una condición de falsabilidad tiene que poder decidir.

Condición de falsabilidad: la hipótesis se considerará respaldada si, entrenando redes con arquitecturas distintas pero misma tarea y mismo conjunto de datos, con inicializaciones aleatorias independientes, se observa que la similitud entre sus espacios de representación en checkpoints intermedios (medida por CKA) crece de forma monótona y con perfil temporal comparable entre arquitecturas, y no únicamente que las representaciones finales converjan. Se considerará refutada, o al menos no respaldada en su forma fuerte, si la similitud representacional entre checkpoints intermedios de arquitecturas distintas muestra trayectorias temporales sin relación estructural entre sí, aunque el punto final sea similar —es decir, si la convergencia es un hecho del punto de llegada y no de la ruta.

Extensión hipotética II: EEG como proyección adicional de un espacio latente compartido (CPEA)

Estatus: hipótesis del corpus, formulada por analogía. No se deriva del trabajo de Huh et al., que no trata datos fisiológicos.

La segunda extensión es la más ambiciosa y, por eso mismo, la que exige mayor cautela en su formulación. La pregunta es si una señal EEG humana podría tratarse, dentro del marco CPEA, como otra modalidad de observación de la misma estructura predictiva subyacente que capturan los espacios latentes de un modelo de lenguaje o de visión entrenado sobre datos masivos. Si esto fuera así, el objetivo de CPEA dejaría de formularse como correlación directa entre EEG y salida de un modelo de IA, y pasaría a formularse como búsqueda de un espacio latente compartido en el que cerebro humano y sistema artificial representen el mismo estado del mundo desde sensores distintos.

Hay que ser explícito sobre por qué esto es una analogía y no una implicación del resultado de Huh et al. El paper trata exclusivamente redes entrenadas mediante optimización explícita —gradiente descendente sobre una función de pérdida definida— sobre conjuntos de datos masivos y curados. El cerebro humano no es, en ese sentido estricto, "un modelo entrenado con un objetivo explícito sobre un dataset"; es un sistema biológico con su propia dinámica homeostática, con ruido fisiológico de una magnitud muy superior al ruido de entrenamiento de una red artificial, y sin que exista consenso sobre qué función, si es que hay alguna función única, estaría minimizando. Trasladar la conclusión de Huh et al. al dominio EEG sin este matiz sería exactamente el tipo de sobregeneralización que la norma editorial del corpus, fijada tras la colaboración Shinrin-yoku, exige marcar como hipótesis y no presentar con el mismo estatus que un hallazgo empírico.

Dicho esto, la hipótesis tiene una forma operacionalizable, y eso es lo que le da valor dentro de CPEA en lugar de dejarla como especulación filosófica cerrada sobre sí misma. La versión fuerte —que EEG y espacios latentes de IA son proyecciones del mismo generador subyacente— no es falsable con la tecnología actual y por tanto no se adopta aquí en esa forma. La versión débil, operacionalizable, es la siguiente: durante la ejecución de una tarea cognitiva compartida entre un sujeto humano y un modelo de IA expuesto a la misma tarea en formato compatible, una proyección de baja dimensión de la señal EEG (por ejemplo, vía análisis de componentes independientes sobre bandas de frecuencia relevantes a la tarea) mostrará una similitud estructural, medida por Procrustes o por alineamiento de kernels, con el espacio de representación interna del modelo, superior a la que se observaría comparando esa misma señal EEG con la representación interna de un modelo entrenado sobre una tarea no relacionada.

Condición de falsabilidad: la hipótesis débil se considera respaldada si la similitud representacional EEG–modelo en la tarea congruente supera de forma consistente y con significación estadística la línea base construida con tareas incongruentes, en una muestra con tamaño de efecto reportado y corrección por comparaciones múltiples. Se considera refutada si esa diferencia no es distinguible del ruido fisiológico basal del EEG, estimado mediante permutación de las etiquetas de tarea.

Por qué la distinción entre niveles no es un matiz cosmético

Separar estos tres niveles —resultado empírico de Huh et al., homología estructural con TAE, extensiones hipotéticas propias del corpus— no es una formalidad retórica. Tiene una consecuencia directa sobre qué tipo de crédito puede reclamar el corpus. Si se presentara la convergencia dinámica vía atractores o la hipótesis EEG como si heredaran el respaldo empírico del paper de ICML 2024, el corpus estaría tomando prestada una autoridad que no le corresponde, y cualquier revisor externo con conocimiento del campo lo detectaría de inmediato, con el coste de credibilidad correspondiente para el resto de la arquitectura CPEA-TAE-METFI, incluidas las partes que sí tienen validación propia. Mantener la distinción explícita —incluso a costa de que las hipótesis del corpus parezcan más frágiles de lo que un texto menos cuidadoso las haría parecer— es lo que permite que, si alguna de las dos condiciones de falsabilidad se cumple en el futuro, el resultado tenga valor real y no sea descartable como sobreinterpretación retrospectiva de una fuente ajena.

Programas de seguimiento

• Seguimiento 1 — Trayectorias de convergencia intermedia (Sección 4). Entrenar al menos tres arquitecturas distintas (por ejemplo, una red convolucional, un transformer de visión y un transformer de lenguaje adaptado a la misma tarea proxy) sobre datos idénticos, guardando checkpoints a intervalos regulares. Calcular CKA entre pares de arquitecturas en cada checkpoint y registrar el perfil temporal de similitud, no solo el valor final.
• Seguimiento 2 — Línea base de ruido EEG (Sección 5). Antes de cualquier comparación EEG-modelo, establecer la distribución de similitud representacional esperada por azar mediante permutación de etiquetas de tarea sobre datos EEG existentes (puede reutilizarse el adaptador BCI2000 ya disponible en el corpus), de modo que cualquier resultado positivo posterior tenga contra qué compararse.
• Seguimiento 3 — Comparación tarea congruente / incongruente (Sección 5). Diseño experimental con sujetos expuestos a la misma tarea que un modelo de IA (por ejemplo, categorización semántica de imágenes), registrando EEG durante la tarea, y comparando la similitud representacional resultante contra la obtenida al enfrentar la misma señal EEG con la representación interna de un modelo entrenado en una tarea sin relación (por ejemplo, predicción de secuencias numéricas arbitrarias).
• Seguimiento 4 — Réplica independiente del hallazgo de Huh et al. en el dominio propio. Antes de construir más hipótesis sobre la hipótesis platónica, verificar con datos propios del corpus (o con implementaciones abiertas disponibles) que el fenómeno de convergencia representacional entre modalidades se reproduce con las herramientas y escalas de modelo accesibles al proyecto, en lugar de asumir el resultado publicado como punto de partida no verificado internamente.

Resumen

• La Hipótesis de Representación Platónica (Huh, Cheung, Wang, Isola; ICML 2024) es un resultado empírico real: redes neuronales de visión y lenguaje, al escalar, convergen en la geometría de sus espacios de representación interna.
• Los propios autores reconocen convergencia parcial, dominios sin convergencia observada (robótica) y dependencia de supuestos idealizados en su formalización matemática.
• La conexión con TAE es una homología estructural legítima —ambas describen convergencia por optimización frente a un entorno compartido— pero no un mecanismo causal validado en común.
• La extensión hacia convergencia dinámica de atractores (aplicación de vocabulario de METFI) es una hipótesis del corpus sin respaldo en la literatura citada, con condición de falsabilidad basada en comparación de trayectorias intermedias de entrenamiento, no solo de puntos finales.
• La extensión hacia EEG como proyección adicional del mismo espacio latente es una hipótesis del corpus formulada por analogía, no una implicación del paper original, y solo se adopta en su versión débil y operacionalizable, con condición de falsabilidad basada en comparación contra línea base de ruido fisiológico y contra tareas incongruentes.
• Ninguna de las dos extensiones hipotéticas hereda el respaldo empírico del trabajo de Huh et al.; mantener esa distinción explícita es condición para que el corpus conserve credibilidad ante revisión externa.
• El programa de seguimiento prioriza replicar el fenómeno base con recursos propios antes de construir más capas hipotéticas sobre un resultado externo no verificado internamente.

Referencias 

1. Huh, M., Cheung, B., Wang, T., Isola, P. (2024). The Platonic Representation Hypothesis. Proceedings of the 41st International Conference on Machine Learning (ICML), PMLR 235:20617-20642. También disponible en arXiv:2405.07987. Fuente primaria de la hipótesis; sin financiación institucional declarada que constituya conflicto de interés relevante para el uso que se le da aquí. Es la única fuente de la que este documento deriva afirmaciones empíricas directas; todo lo demás se marca como hipótesis del corpus.
2. Bansal, Y. et al. (2021). Trabajo referenciado por Huh et al. como origen del término "escenario de Anna Karenina" aplicado a redes neuronales. Citado aquí de forma indirecta, a través de la revisión que hacen Huh et al.; no se han verificado sus detalles metodológicos originales de forma independiente para este documento, y cualquier uso futuro debería consultar la fuente primaria antes de citarla con mayor especificidad.
3. Trabajos posteriores que matizan el mecanismo (p. ej. análisis sobre el papel de la función objetivo en la consistencia de la similitud representacional entre datasets) se mencionan en la Sección 2 sin cita bibliográfica completa por tratarse de literatura de seguimiento reciente y en evolución; se recomienda verificación puntual antes de citarlos como respaldo firme en documentos futuros del corpus.

Nota editorial: este documento sigue la convención establecida en la colaboración Shinrin-yoku — todo marco especulativo debe declararse como hipótesis con condición de falsabilidad, y no se le concede el mismo estatus que a una afirmación con respaldo empírico existente. Las Secciones 4 y 5 no deben citarse en trabajos futuros del corpus como si tuvieran el respaldo empírico de Huh et al. (2024); solo la Sección 2 tiene ese respaldo.