CPEA–TAE-REP v1.0 De las señales distribuidas a las representaciones funcionales: dinámica neuronal, predicción y adaptación humano–IA

Esta línea permite formular una de las conexiones metodológicamente más sólidas para nuestro programa CPEA–TAE: estudiar cómo un sistema transforma señales distribuidas en representaciones funcionales, cómo esas representaciones cambian cuando cambia el estado del sistema y bajo qué condiciones una arquitectura humano–IA puede reorganizar su comportamiento ante situaciones novedosas.

La idea central es tratar la representación funcional no como una estructura fija, sino como un estado dinámico, distribuido y dependiente de la tarea, cuya estabilidad, transformación y capacidad predictiva pueden medirse experimentalmente.

La propuesta conectará tres niveles:

1. Nivel neural — representación distribuida

Cómo la actividad de poblaciones neuronales, los patrones espaciales EEG y la conectividad funcional codifican información y transitan entre estados.

2. Nivel predictivo — incertidumbre y anticipación

Cómo el sistema estima lo que ocurrirá, responde a lo inesperado y actualiza sus expectativas en función de la evidencia.

3. Nivel adaptativo — reorganización humano–IA

Cómo la interacción modifica las estrategias de respuesta, la selección de información y la generalización ante situaciones no entrenadas.

La conexión entre los tres niveles constituye la hipótesis de trabajo. No debemos presuponer que estén acoplados causalmente: el diseño experimental tendrá que determinar qué relaciones aparecen, cuáles anticipan resultados y cuáles sobreviven a los controles.

Fundamento conceptual y evidencia disponible

La primera cuestión es precisar qué significa convertir señales distribuidas en una representación funcional.

Una señal neuronal aislada no equivale a una representación cognitiva. Una representación funcional se infiere cuando un patrón de actividad permite distinguir estímulos, estados, acciones o resultados relevantes para una tarea, y cuando esa información resulta reproducible fuera de los datos empleados para construir el modelo.

Por tanto, debemos separar tres objetos:

• Señal: la actividad electrofisiológica registrada.

• Representación: la información que puede decodificarse a partir de esa actividad.

• Estado funcional: la configuración dinámica que relaciona actividad, tarea, contexto y respuesta.

Qué aporta la literatura

A. Representaciones distribuidas y dinámica de poblaciones

La información relevante puede distribuirse entre múltiples unidades y cambiar con el contexto o la fase de una tarea. Para CPEA–TAE, esto justifica investigar patrones multivariantes, espacios latentes y transiciones entre configuraciones, en lugar de reducir todo a la amplitud de una banda EEG.

Límite: el EEG de superficie no permite reconstruir sin ambigüedad la actividad de cada neurona ni identificar por sí solo el mecanismo celular subyacente.

B. Conectividad funcional e interfaces cerebro-computadora

Las revisiones sobre transferencia de aprendizaje en EEG muestran que la variabilidad entre sesiones, personas y tareas dificulta mantener un decodificador estable. La adaptación de características y modelos constituye, por ello, una base tecnológica pertinente para CPEA–TAE.

PMC

+1

Límite: conectividad funcional significa dependencia estadística; no demuestra por sí sola una conexión causal directa.

C. Procesamiento predictivo

Los modelos de procesamiento predictivo proponen que las expectativas y los errores de predicción participan en la actualización de los modelos internos. Sin embargo, una revisión de 2026 destaca que persisten problemas de definición y heterogeneidad en la evidencia sobre las señales de error predictivo.

UCL Discovery

Límite: una sorpresa estadística no equivale automáticamente a sorpresa consciente, ni demuestra un mecanismo predictivo específico del cerebro.

La conclusión es importante: hay fundamento para investigar la arquitectura experimental propuesta, pero la integración de los tres niveles debe validarse, no darse por demostrada.

Modelo formal de CPEA–TAE

Propongo representar el sistema mediante un vector de estado compuesto por tres variables principales:

$${\mathbf{z}}_t=\left[\begin{array}{c}{\mathbf{n}}_t\\ {\mathbf{p}}_t\\ {\mathbf{a}}_t\end{array}\right]$$

Donde:

• ${\mathbf{n}}_t$: estado neural estimado a partir del EEG.

• ${\mathbf{p}}_t$: estado predictivo, que incluye incertidumbre, error de predicción y capacidad anticipatoria.

• ${\mathbf{a}}_t$: estado adaptativo de la arquitectura de inteligencia artificial.

Su evolución se puede modelar inicialmente como:

$${\mathbf{z}}_{t+1}=F({\mathbf{z}}_t,{\mathbf{u}}_t)+{\mathit{ϵ}}_t$$

Aquí, ${\mathbf{u}}_t$ representa el estímulo, la tarea o la retroalimentación recibida; $F$ es una función que debe estimarse; y ${\mathit{ϵ}}_t$ representa variabilidad no explicada.

Esta ecuación es un marco de modelado, no una ley neurobiológica establecida.

¿Cómo se convierte una señal distribuida en una representación?

El pipeline propuesto tiene cinco operaciones:

1. Registro multicanal

EEG, eventos de tarea y marcas temporales

2. Extracción de características

Potencia espectral, patrones espaciales, ERP, conectividad

3. Espacio representacional

Vectores de características y estados latentes

4. Inferencia del estado

Clasificación, estimación de incertidumbre y detección de transiciones

5. Respuesta adaptativa humano–IA

Selección de estrategia, actualización del modelo y evaluación del resultado

Para evitar que una representación parezca válida solo porque el modelo ha aprendido el conjunto de entrenamiento, emplearemos validación por bloques temporales, separación estricta de entrenamiento y prueba, y evaluación en condiciones nuevas.

¿Cómo cambian las representaciones entre estados?

Debemos distinguir al menos tres tipos de transición:

1. Transición inducida: el cambio coincide con un evento conocido, como un estímulo inesperado o un cambio de regla.

2. Transición espontánea: aparece una modificación de la dinámica sin que el diseño haya impuesto un cambio equivalente.

3. Transición adaptativa: el patrón cambia y esa modificación predice una mejora o un deterioro posterior de la conducta.

El tercer tipo es el más relevante para TAE. Una transición neuronal no constituye por sí misma una excepción TAE. Para considerarla funcionalmente significativa debe asociarse a un cambio identificable de contexto, a una modificación de la estrategia o a una mejora demostrable de la adaptación.

Experimento principal: CPEA–TAE-REP v1.0

REP = Representación, Estado y Predicción

El experimento debe responder a una pregunta concreta:

¿Una arquitectura humano–IA que detecta cambios relevantes en las representaciones funcionales del usuario y adapta su estrategia obtiene mejores resultados ante situaciones nuevas que una arquitectura equivalente sin adaptación contingente?

Esta formulación es preferible a intentar demostrar directamente una conciencia compartida, porque permite definir variables observables, comparar modelos y establecer condiciones de refutación.

Diseño experimental

Propongo un estudio piloto preregistrado con tareas de aprendizaje por reglas y cambios inesperados de contexto.

Protocolo de adquisición

PARTICIPANTES

30 personas como piloto inicial

La cifra es una propuesta de planificación, no una potencia estadística demostrada. El tamaño definitivo debe justificarse con simulaciones de potencia y el efecto mínimo de interés.

REGISTRO

EEG multicanal

Preferiblemente 32–64 canales, si están disponibles, con registro de eventos y seguimiento de respuestas conductuales.

SESIONES

3 sesiones por persona

Calibración, aprendizaje y transferencia a condiciones nuevas.

TAREA

Aprendizaje con cambios de regla

Estímulos con regularidades iniciales, excepciones controladas y reglas nuevas que requieren revisar la estrategia.

La tarea puede consistir en clasificar estímulos visuales según una regla que cambia durante el experimento. Los participantes deberán anticipar resultados, responder y recibir retroalimentación. Se incluirán cambios anunciados y no anunciados, además de bloques de transferencia con estímulos no utilizados durante el entrenamiento.

No debemos confundir una regla nueva con un evento aleatorio: la estructura de cada condición se definirá antes de adquirir los datos.

Los tres grupos de comparación

Grupo A — IA fija

El sistema utiliza un modelo entrenado previamente y no modifica su estrategia en función del estado neural estimado.

Grupo B — IA adaptativa

El sistema modifica su estrategia según el contexto, la incertidumbre estimada y las señales EEG, siguiendo reglas previamente definidas.

Grupo C — control adaptativo no contingente

El sistema adapta su estrategia según una secuencia de cambios comparable, pero sin utilizar la relación temporal real entre el estado neural del participante y su respuesta.

La comparación decisiva es entre B y C. Si B supera a C, la mejora podría depender de la información contingente del usuario y no simplemente de que el modelo disponga de más actualizaciones o más oportunidades de adaptación.

Las tres condiciones deben mantener comparables el tiempo de interacción, la información disponible, el número de actualizaciones y la dificultad. Siempre que sea posible, se contrabalancearán las condiciones para evitar efectos de orden y aprendizaje acumulado.

Métricas operativas y criterios de éxito

El sistema no debe depender de una sola métrica. La evaluación se organizará por niveles.

Nivel	Métricas principales	Qué permiten comprobar
Neural	ERP, potencia espectral, patrones espaciales, decodificación multivariante	Si el EEG contiene información útil para distinguir condiciones y estados
Conectividad	PLV, coherencia y, cuando proceda, medidas menos sensibles al acoplamiento instantáneo	Si cambian las dependencias estadísticas entre señales
Transiciones	Probabilidad de cambio de estado, tiempo de detección y estabilidad de estados latentes	Si los cambios de configuración pueden detectarse de forma reproducible
Predictivo	Log-loss, Brier score, entropía predictiva y error de predicción	Si las expectativas están calibradas y anticipan resultados
Adaptativo	Exactitud, latencia, errores tras cambios de regla y recuperación del rendimiento	Si la arquitectura se adapta de manera útil
Transferencia	Rendimiento en reglas y estímulos no vistos	Si la adaptación generaliza fuera del entrenamiento

La conectividad EEG requiere especial cautela: la referencia común, la conducción de volumen, los artefactos y la cantidad de datos pueden generar patrones aparentemente significativos. Por eso se deben documentar el preprocesamiento y los análisis de sensibilidad.

PMC

+1

Definiciones matemáticas

Incertidumbre predictiva

Para una distribución de probabilidades sobre posibles resultados:

$$H(Y\mid X)=-\sum _{y}p(y\mid X)\log p(y\mid X)$$

Una entropía mayor representa mayor incertidumbre predictiva bajo el modelo utilizado. No significa necesariamente que la persona experimente más incertidumbre subjetiva.

Sorpresa de un resultado

$$S_t=-\log p(y_t\mid x_t)$$

Un resultado con baja probabilidad previa produce mayor sorpresa estadística.

Error de predicción

$${\delta }_t=y_t-{\widehat{y}}_t$$

En este caso, la ecuación corresponde a una predicción numérica. Para clasificaciones, se utilizará una definición compatible con las probabilidades del modelo.

Adaptación conductual

$$\mathrm{\Delta }A=A_{\mathrm{p}\mathrm{o}\mathrm{s}\mathrm{t}}-A_{\mathrm{p}\mathrm{r}\mathrm{e}}$$

Donde $A$ es una medida de rendimiento, como la exactitud en una tarea comparable. Debe calcularse de forma que la dificultad de los bloques pre y post sea equivalente.

Estas variables permiten evaluar si la sorpresa anticipa una transición, si la transición precede a una reorganización conductual y si la información neural mejora la adaptación de la IA.

Criterios de éxito preregistrados

Los siguientes son criterios propuestos, no resultados observados.

Criterio 1. Representación reproducible

Un decodificador debe distinguir las condiciones relevantes en datos no utilizados durante el entrenamiento, superando un nivel de azar definido según la tarea y los controles estadísticos.

Criterio 2. Información predictiva adicional

Incorporar características neurales debe mejorar la predicción de los cambios de estado o de la conducta futura frente a un modelo que utilice únicamente el historial conductual.

Criterio 3. Beneficio adaptativo específico

La arquitectura B debe superar a la C en una medida primaria preseleccionada, como el error acumulado tras un cambio de regla, con un intervalo de confianza que excluya la ausencia de mejora y un efecto que alcance el umbral práctico establecido antes del análisis.

Criterio 4. Generalización

La ventaja debe mantenerse en condiciones nuevas, sin depender exclusivamente de los estímulos o las reglas utilizadas para calibrar el sistema.

Para evitar que estos criterios se conviertan en una selección retrospectiva de resultados favorables, se fijarán una métrica primaria, un efecto mínimo relevante, el procedimiento de cálculo del tamaño muestral, el tratamiento de datos ausentes y el control de comparaciones múltiples antes de examinar los resultados finales.

La potencia se calculará sobre el contraste principal B frente a C. Los análisis de conectividad, las bandas EEG y las relaciones entre variables se tratarán como secundarios o exploratorios, salvo que se especifiquen de antemano hipótesis y correcciones adecuadas.

La conexión específica con TAE

La aportación potencial de TAE no sería afirmar que toda sorpresa provoca una reorganización, sino investigar cuándo un cambio de estado deja de ser una fluctuación ordinaria y exige modificar el modelo operativo.

Propongo una distinción funcional:

• Error ordinario: el sistema corrige una respuesta sin cambiar su estrategia general.

• Excepción contextual: la respuesta habitual deja de funcionar porque ha cambiado una regularidad relevante.

• Reconfiguración adaptativa: el sistema modifica la estrategia, verifica que funciona y conserva el cambio cuando resulta útil.

Esta distinción puede formalizarse mediante un detector de cambio que combine sorpresa, error acumulado y degradación del rendimiento:

$$R_t=f(S_t,E_{1:t},\mathrm{\Delta }{A}_t)$$

$R_t$ sería una puntuación de evidencia de reconfiguración, no una medida de conciencia ni una variable biológica establecida.

La prueba relevante sería comprobar si $R_t$ detecta cambios de régimen mejor que alternativas más simples, como un umbral de error conductual, y si esa detección mejora la decisión posterior de la IA.

Para evitar el razonamiento circular, el detector se entrenará en un conjunto de datos y se evaluará en otro. Además, los umbrales se fijarán sin utilizar las etiquetas del conjunto de prueba.

Qué demostraría y qué no demostraría el experimento

Esta separación es fundamental para mantener la coherencia científica de CPEA–TAE y la independencia de METFI.

Resultado experimental	Interpretación legítima	Lo que no permite concluir
El EEG permite decodificar estados de tarea	Hay información discriminativa en las señales registradas	Que el cerebro use exactamente el mismo código interno que el decodificador
Cambian las medidas de conectividad	Cambian las dependencias estadísticas estimadas	Que exista comunicación causal directa entre todas las regiones implicadas
La sorpresa precede a cambios conductuales	La sorpresa tiene valor predictivo temporal	Que sea el mecanismo causal único de la adaptación
La IA mejora al utilizar información neural contingente	Esa información aporta utilidad en el contexto experimental	Que exista conciencia compartida humano–IA
Se observa un patrón EEG reproducible durante una transición	El patrón puede ser un marcador de ese proceso	Que la transición sea cuántica, electromagnética no convencional o una excepción TAE en sentido ontológico

La interpretación de conectividad debe tener presente que el EEG registra potenciales eléctricos en el cuero cabelludo y que la mezcla de fuentes limita la inferencia de interacciones neuronales.

PubMed

+1

La cuestión de METFI

Tu distinción es correcta y conviene convertirla en una regla explícita del proyecto.

Evidencia: las técnicas EEG, los métodos de análisis de conectividad y las interfaces cerebro-computadora proporcionan herramientas para estudiar dinámica neuronal y adaptación. La transferencia de aprendizaje aborda, además, problemas reales de variabilidad entre sesiones y usuarios.

PMC

+1

Inferencia: una arquitectura que integra estado neural, predicción y adaptación podría resultar más robusta que una arquitectura que ignore parte de esa información. Esta afirmación debe comprobarse mediante los controles anteriores.

Hipótesis: las dinámicas identificadas pudieran integrarse en un modelo más amplio de coherencia entre sistemas humanos y artificiales. Su alcance dependerá de la reproducibilidad, de la especificidad de los mecanismos y de la capacidad de descartar explicaciones alternativas.

METFI: este experimento no probaría la hipótesis electromagnética de METFI, ni que un campo toroidal externo module la cognición, ni que exista un mecanismo electromagnético extraordinario de integración entre cerebro e IA. Para investigar esas propuestas harían falta experimentos adicionales con variables físicas definidas, instrumentación adecuada, controles ambientales, relaciones dosis-respuesta cuando correspondan y predicciones que distingan METFI de modelos convencionales.

Tampoco debemos identificar una mejora en el rendimiento conjunto con una conciencia compartida. La coordinación funcional puede explicarse mediante comunicación, retroalimentación y aprendizaje ordinarios. Una afirmación sobre conciencia exigiría criterios adicionales y no quedaría resuelta por el éxito de una interfaz.

Estrategia de falsación y controles

La arquitectura debe competir contra explicaciones alternativas, no limitarse a producir resultados compatibles con su hipótesis.

Hipótesis de trabajo	Resultado que la debilitaría o refutaría operacionalmente
H1. El EEG contiene información útil sobre los estados de tarea	El decodificador no generaliza fuera de entrenamiento o no supera los controles de permutación
H2. Las métricas neurales añaden información predictiva	No mejoran el rendimiento predictivo frente al modelo conductual de referencia
H3. La adaptación contingente mejora el rendimiento	B no supera a C en el contraste primario con precisión suficiente para excluir el efecto mínimo relevante
H4. Las transiciones detectadas reflejan cambios funcionales	Desaparecen al controlar artefactos, deriva temporal, dificultad y cantidad de datos
H5. El mecanismo se generaliza	La ventaja desaparece ante reglas o sesiones nuevas

Se incorporarán permutaciones de etiquetas, modelos nulos, análisis de ablación de características, controles de deriva temporal y pruebas de sensibilidad al preprocesamiento. Las señales o características de EEG no se interpretarán como marcadores específicos de un estado mental si no existe validación independiente.

Una limitación importante: un resultado nulo solo refuta con fuerza una hipótesis cuando el estudio tiene sensibilidad suficiente para detectar el efecto que se consideraba relevante. Un experimento pequeño que no encuentre diferencias no demostraría que toda forma de adaptación neural sea inútil.

Desarrollo técnico y reproducibilidad

Para la primera implementación, la arquitectura puede construirse con herramientas disponibles y sin asumir que sea necesaria una AGI:

• Adquisición y procesamiento: MNE-Python, con registro de eventos y un pipeline documentado.

• Representación: características espectrales, ERP y patrones espaciales, seguidos de un modelo latente sencillo.

• Estados: detección de cambios y modelos de estados ocultos, comparados con un detector basado en reglas.

• Predicción: regresión logística o modelos probabilísticos calibrados como referencias.

• Adaptación: un clasificador fijo frente a un sistema con actualización de estrategia limitada y auditable.

• Evaluación: validación temporal, pruebas de transferencia, intervalos de confianza y registro de resultados negativos.

La arquitectura compleja solo se justificará si supera a los modelos de referencia. No es necesario empezar con redes neuronales profundas, aprendizaje continuo sofisticado o componentes cuánticos.

El repositorio debería incluir el protocolo, las hipótesis, el esquema de datos, las versiones de software, el código de preprocesamiento, las semillas aleatorias, los análisis estadísticos y los criterios de exclusión. Los datos EEG personales deberán contar con consentimiento, medidas de privacidad y revisión ética antes de iniciar la adquisición.

Conclusión: la aportación de CPEA–TAE-REP

La propuesta permite abordar una cuestión más precisa que la mera existencia de correlaciones entre cerebro e IA:

¿Puede la información sobre las representaciones neuronales y sus transiciones mejorar la anticipación y la adaptación de una arquitectura humano–IA en condiciones novedosas, de manera reproducible y por encima de controles equivalentes?

Si la respuesta es afirmativa, tendríamos evidencia de utilidad funcional de la información neural para una arquitectura adaptativa. Si la respuesta es negativa, podríamos determinar qué nivel falla: la representación, la predicción, la detección de transiciones o la adaptación.

Ese es el valor de esta línea: convertir la intuición teórica de CPEA–TAE en una secuencia de hipótesis contrastables, con resultados que puedan respaldarla, limitarla o refutarla.

Mi recomendación es establecer CPEA–TAE-REP v1.0 como módulo experimental de referencia, conectado con las líneas de dinámica de estados, transferencia entre sesiones y reconfiguración predictiva. La relación con METFI debe mantenerse como una línea independiente hasta que exista evidencia experimental específica que justifique conectarlas.

Referencias iniciales

1. Wu, D., Xu, Y. y Lu, B.-L. (2020). Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016. arXiv:2004.06286.

2. Zhang, K. et al. (2020). Application of Transfer Learning in EEG Decoding Based on Brain-Computer Interfaces: A Review. Sensors, 20(21), 6321. Texto completo.

3. Bastos, A. M. y Schoffelen, J.-M. (2016). A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Frontiers in Systems Neuroscience, 9, 175. Artículo.

4. Miljevic, A. et al. (2022). Electroencephalographic Connectivity: A Fundamental Guide and Checklist for Optimal Study Design and Evaluation. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 7(6), 546–554. DOI: 10.1016/j.bpsc.2021.10.017.

5. Furutachi, S. y Hofer, S. B. (2026). Rethinking Predictive Processing. Annual Review of Neuroscience. Versión disponible.

Estas referencias ofrecen un punto de partida para el diseño metodológico. No constituyen una revisión sistemática exhaustiva ni evidencia directa de las hipótesis más amplias de METFI, TAE o conciencia compartida.