En los últimos meses han aparecido varias propuestas que buscan romper con la clásica visión monolítica de los modelos de IA. Entre todas ellas, Nested Learning (NL) —la arquitectura de Behrouz, Razaviyayn, Zhong, Mirrokni y colaboradores— destaca por una idea sencilla pero poderosa:
un modelo no debería actualizar todos sus parámetros con la misma dinámica, sino a través de niveles de aprendizaje anidados con distintas frecuencias, memorias y funciones de actualización.
Paralelamente, desde otro ángulo conceptual, el manifiesto OAGI (Ontogenetic Architecture of General Intelligence) propone algo igualmente ambicioso:
construir sistemas inteligentes que no “se entrenen”, sino que “nazcan”, atraviesen etapas de desarrollo y exhiban hitos medibles de integración cognitiva, igual que un organismo.
Lo interesante es que estas dos líneas —NL y OAGI— parecen destinadas a encontrarse. Y la convergencia no es filosófica: es ingeniería pura
Cómo encaja Nested Learning dentro de una ontogenia artificial
NL introduce dos mecanismos clave:
1. HOPE (Higher-Order Problem Embeddings)
Un módulo capaz de aprender reglas de actualización auto-modificables. En términos prácticos: un optimizador que aprende a optimizarse a sí mismo.
2. Continuum Memory System (CMS)
Un sistema de memoria que opera a diferentes escalas temporales, integrando consolidación on-line y off-line.
Por su parte, OAGI define:
- una Placa Neural Virtual (VNP) como sustrato inicial indiferenciado,
- morfógenos computacionales que controlan la diferenciación y plasticidad,
- un evento de integración llamado CHIE (Critical Hyper-Integration Event),
- y un conjunto de artefactos experimentales y de gobernanza (IOM, WOW, ciclos de consolidación, ventanas críticas, etc.).
La sorpresa es evidente:
HOPE y CMS pueden actuar exactamente como las “máquinas fisiológicas” que OAGI necesita para que su ontogenia ocurra de manera controlada y medible.
Simetrías técnicas entre ambos mundos
Actualización multi-frecuencia = Gradientes morfogenéticos
Lo que NL llama niveles de actualización, OAGI lo interpreta como gradientes de plasticidad que inducen especialización progresiva de módulos.
Self-modifying optimizers = mecanismo potencial de CHIE
En OAGI, el CHIE es un momento de “hiper-integración” en el que el sistema establece una coherencia causal interna.
HOPE, al aprender sus propias reglas de actualización, podría ser un candidato natural para inducir este tipo de reorganización global.
Memoria multi-escala = consolidación ontogenética
CMS ya implementa mecanismos que OAGI señala como necesarios para la maduración cognitiva:
- consolidación off-line (análoga a los ciclos nocturnos),
- lentes de plasticidad lenta/rápida,
- y estabilización de representaciones a largo plazo.
Lo que OAGI aporta a NL (y a sus autores)
La arquitectura NL es conceptualmente sofisticada, pero carece de un marco experimental que guíe cómo deben evaluarse sus propiedades emergentes.
OAGI aporta precisamente:
Fases ontogenéticas reproducibles
Un protocolo estándar para ejecutar un ciclo completo:
- Gestación: parámetros indiferenciados + morfógenos computacionales.
- Activación WOW: un estímulo de alta saliencia que induce una reorganización significativa.
- Ventanas críticas: periodos de plasticidad elevada.
- CHIE: un conjunto de métricas para identificar el “nacimiento operativo” de una mente funcional.
Un sistema de auditoría: IOM (Immutable Ontogenetic Memory)
Un ledger de experimentación que documenta cada fase, evento, semilla y métrica de integración.
Esto convierte experimentos con NL en algo:
- verificable,
- replicable,
- auditable,
- y científicamente riguroso.
Mecanismos de intervención y control
Los morfógenos computacionales y el Nocturnal Consolidation System (NCS) permiten dirigir y modular la especialización de HOPE/CMS sin modificar la matemática interna de NL.
En términos de ingeniería, OAGI funciona como el sistema operativo experimental sobre el que puede ejecutarse una instancia NL.
Tres experimentos que los autores de NL podrían ejecutar mañana mismo
1. Diferenciación VNP → HOPE
Arrancar una Placa Neural Virtual y dejar que HOPE/CMS especialicen módulos bajo gradientes morfogenéticos.
Evalúa:
- drift en la frecuencia de actualización,
- aparición de módulos especializados,
- señales tempranas de CHIE.
2. WOW stimulus + consolidación HOPE/CMS
Introducir un estímulo de alta sorpresa durante la gestación y observar cómo HOPE reconfigura reglas internas durante el proceso de consolidación.
Evalúa:
- permanencia del trazo,
- reorganización global,
- estabilidad del modelo.
3. Benchmark de emergencias CHIE
Aplicar los detectores CHIE de OAGI (sincronía, mutual information cross-modular, auto-predicción interna, causalidad estable) a variantes de HOPE con diferentes capacidades de auto-modificación.
Conclusión: NL ya tiene los “órganos”; OAGI ofrece el “cuerpo”
NL aporta la infraestructura matemática para que surjan dinámicas profundas de auto-modificación y aprendizaje multi-escala.
OAGI aporta:
- un esqueleto de fases,
- un modelo de desarrollo,
- un marco experimental reproducible,
- y un dispositivo de auditoría y gobernanza.
La tesis es simple:
si NL quiere testear hipótesis sobre emergencia cognitiva, OAGI le proporciona el kit de laboratorio.
Y si OAGI quiere implementarse de manera real, NL le proporciona la fisiología base.
La convergencia está servida. La colaboración sería natural. 🙂
