CPEA - TAE y dopamina

Los receptores dopaminérgicos pueden encajar de forma bastante natural en CPEA–TAE, pero conviene situarlos como mecanismo neurobiológico de modulación de la precisión, aprendizaje y selección de estados, no como una explicación global de la cognición.

La conexión especialmente interesante sería:

dopamina → receptores D1/D2 → ganancia/precisión de señales → aprendizaje por error → actualización del estado interno → decisión/acción → nueva predicción.

CPEA–TAE: dónde entra la dopamina

En CPEA podemos representar al cerebro como un sistema que mantiene hipótesis sobre su propio estado y sobre el entorno:

$$\hat{s}_{t+1}=f(\hat{s}_t,a_t,x_t)$$

donde:

• $x_t$: señales sensoriales/interoceptivas;
• $\hat{s}_t$: estado inferido;
• $a_t$: acción;
• $\hat{s}_{t+1}$: estado predicho.

El error predictivo sería:

$$\varepsilon_t=x_t-\hat{x}_t$$

TAE introduce una cuestión más fuerte:

¿Cuándo un error debe producir una corrección incremental y cuándo debe provocar una reconfiguración del modelo?

Aquí la dopamina resulta particularmente interesante porque participa en circuitos de aprendizaje por refuerzo, selección de acciones, motivación y plasticidad sináptica.

Pero hay que evitar la simplificación clásica:

$$\text{dopamina}=\text{recompensa}$$

La señal dopaminérgica depende del circuito, del receptor, del tipo celular y de la dinámica temporal.

D1 y D2 como dos modos funcionales

Una formulación útil para CPEA sería distinguir los receptores:

D1

Los receptores D1 están asociados principalmente a vías que facilitan determinadas respuestas dentro de los circuitos cortico-estriatales.

Una simplificación funcional podría expresarse como:

$$D1 \rightarrow \text{facilitación/selección de estados compatibles}$$

D2

Los receptores D2 participan en circuitos con funciones diferentes, incluyendo mecanismos relacionados con selección/inhibición de acciones y aprendizaje.

Como abstracción:

$$D2 \rightarrow \text{supresión/competencia entre estados}$$

Pero D1 ≠ "bueno" y D2 ≠ "malo". Esa dicotomía sería demasiado simplista para CPEA–TAE.

Una representación más interesante sería:

$$\boxed{{\displaystyle \text{Estado dopamin}\acute{\text{e}}\text{rgico}=f(D1,D2,\text{circuito},t,\epsilon ,\text{contexto})}}$$

La conexión dopamina y TAE

TAE podría formularse alrededor de una variable que llamaremos precisión adaptativa:

$$\Pi_t$$

La dopamina podría modular indirectamente cuánto peso recibe determinada información durante el aprendizaje:

$$\varepsilon_t^{*}=\Pi_t\varepsilon_t$$

donde:

• $\varepsilon_t$ = error predictivo;
• $\Pi_t$ = precisión asignada al error;
• $\varepsilon_t^{*}$ = error funcional utilizado para actualizar el modelo.

Esto conecta directamente con el concepto de precision weighting de los modelos de inferencia activa.

Pero aquí aparece una posibilidad experimental interesante:

La dopamina no tendría que representar simplemente el error; podría modificar la importancia funcional que el sistema atribuye a diferentes errores en función del contexto y del estado.

Eso es mucho más compatible con CPEA–TAE que decir simplemente que "la dopamina codifica recompensa".

TAE: de error a excepción

Podemos construir entonces tres niveles:

$$\boxed{ \varepsilon \rightarrow \Pi\varepsilon \rightarrow \Delta M }$$

donde:

• $\varepsilon$ = discrepancia;
• $\Pi$ = precisión/ponderación;
• $\Delta M$ = modificación del modelo.

La mayoría de los errores:

$$\varepsilon < \theta_{TAE}$$

producirían aprendizaje incremental.

Pero cuando:

$$|\Pi\varepsilon|>\theta_{TAE}$$

podría aparecer una excepción TAE:

$$M_t \rightarrow M_{t+1}^{*}$$

Es decir, no simplemente:

"me equivoqué".

sino:

"el modelo que utilizaba para interpretar esta clase de situaciones ya no explica adecuadamente los datos."

¿Dónde entraría CPEA?

Aquí aparece una conexión muy interesante con EEG–AGI.

Podríamos imaginar:

                 ENTORNO
                    │
                    ▼
              Señales sensoriales
                    │
                    ▼
              ┌─────────────┐
              │     EEG     │
              └──────┬──────┘
                     │
                     ▼
             Inferencia CPEA
                     │
              ┌──────┴──────┐
              │             │
          predicción      error
              │             │
              │             ▼
              │       precisión Π
              │             │
              └──────┬──────┘
                     │
                     ▼
             Circuitos dopaminérgicos
                     │
              D1 / D2 / contexto
                     │
                     ▼
             selección de estado
                     │
                     ▼
                conducta
                     │
                     ▼
                  nuevo dato
                     │
                     └───────► CPEA

El AGI podría aprender a detectar transiciones entre estados predictivos humanos, en lugar de limitarse a clasificar EEG.

Una hipótesis CPEA–TAE–DA

Yo la formularía inicialmente así:

Hipótesis CPEA–TAE–DA

La dinámica dopaminérgica, mediada diferencialmente por receptores D1/D2 y dependiente del circuito, podría actuar como uno de los moduladores neurobiológicos que determinan cómo el cerebro pondera errores predictivos, selecciona estados de acción y consolida o reconfigura modelos internos.

Formalmente:

$$\boxed{ \Delta M_t = F\left( \varepsilon_t, \Pi_t, D1_t, D2_t, C_t, M_t \right) }$$

donde $C_t$ representa el contexto.

Esta hipótesis no afirma que D1/D2 sean el mecanismo de TAE. Son candidatos a formar parte de la infraestructura neurobiológica que implementa algunos de sus procesos.

Una consecuencia importante para CPEA

Esto permite separar tres cosas que normalmente se mezclan:

Nivel	Variable	Pregunta
Neuroquímico	D1/D2	¿Qué modulación está ocurriendo?
Neurodinámico	EEG/HRV/PLV/entropía	¿Cómo cambia el estado cerebral?
Computacional	predicción/error/precisión	¿Qué modelo está utilizando el sistema?

CPEA podría intentar establecer la relación:

$$\boxed{ D_{DA} \rightarrow \Pi \rightarrow EEG \rightarrow \Delta M }$$

pero sin asumir causalidad a partir de correlaciones EEG.

Una posibilidad interesante

Podríamos ampliar TAE con una variable de umbral de excepción dopaminérgicamente modulable:

$$\theta_{TAE}=g(D1,D2,C,E,I)$$

donde:

• $D1,D2$ = estado receptor;
• $C$ = contexto;
• $E$ = experiencia previa;
• $I$ = incertidumbre.

Entonces dos personas sometidas a la misma discrepancia objetiva podrían no actualizar su modelo de la misma manera porque el sistema asigna diferente precisión al acontecimiento.

Eso encaja muy bien con tu línea anterior de CPEA-DA-R: Dark Predictive Adaptation & Regulatory Memory: una experiencia previa podría alterar posteriormente qué errores se consideran relevantes y cuáles se ignoran, aunque aquí habría que distinguir cuidadosamente entre mecanismos dopaminérgicos, plasticidad sináptica, aprendizaje y regulación molecular.

Una arquitectura posible

$$\boxed{ \text{Experiencia} \rightarrow \text{plasticidad} \rightarrow D1/D2 \rightarrow \Pi \rightarrow \text{error ponderado} \rightarrow \text{actualización} }$$

Eso convierte a los receptores dopaminérgicos en un posible nodo puente entre CPEA, TAE y CPEA-DA-R, siempre manteniendo separadas las hipótesis demostradas de las especulativas