Resumen
Este trabajo propone una teoría situada de la inteligencia que separa cinco niveles que suelen colapsarse: sustrato, estructura, capacidad, inteligencia funcional y veredicto. El sustrato es el soporte físico; la estructura determina qué transformaciones son posibles; la capacidad describe el espacio de transformaciones potenciales; la inteligencia se define funcionalmente como la capacidad de transformar perturbaciones en trayectorias adaptativas mediante actualización de estado, memoria y proyección; el veredicto es la clasificación producida por una contraparte bajo un marco.
La V3 añade una restricción que cambia el alcance del marco: ningún agente existe sobre la nada. Todo agente está físicamente acoplado a un sustrato, a un presupuesto energético, a una arquitectura de memoria y comunicación, a una geometría de acción y a una ventana de observación. De aquí surge una pregunta límite: ¿puede una inteligencia alcanzar generalidad absoluta cuando el propio agente forma parte del universo que intenta modelar y cuando su conocimiento del presente es necesariamente una proyección parcial del estado global?
La tesis no afirma que la inteligencia artificial repetirá la evolución biológica ni que la AGI sea imposible. Propone una pregunta más rigurosa: qué parte de las dificultades contemporáneas de aprendizaje, evaluación, generalidad, seguridad, dependencia y control son problemas específicos del sustrato y cuáles emergen del hecho más general de ser un agente situado, adaptativo y físicamente limitado.
Del sustrato al veredicto
Una teoría de la inteligencia empieza por separar aquello que hace posible un proceso de aquello que el proceso hace. Un cerebro no es, por sí mismo, una decisión; un servidor no es, por sí mismo, un agente. Son sustratos. Una arquitectura neuronal, una organización de conexiones, parámetros o repertorios estabilizados forman parte de la estructura. El estado interno, la memoria activa, las metas, las expectativas y las perturbaciones recibidas constituyen la dinámica.
Esta separación evita dos reduccionismos. El primero identifica el soporte con la función: “el hardware es la inteligencia”. El segundo identifica la salida con la capacidad: “obtuvo este resultado, por tanto eso es lo que es”. Entre ambos extremos queda el proceso: una organización física que mantiene un estado, recibe perturbaciones, actualiza representaciones y produce trayectorias de acción.
La inteligencia es la capacidad funcional de un agente para transformar perturbaciones en trayectorias adaptativas mediante la actualización de su estado interno, integrando información del pasado —memoria— y restricciones o estados posibles del futuro —proyección—.
Sustrato
Soporte físico del proceso: tejido neuronal, hardware, sensores, actuadores, redes y almacenamiento material.
Estructura
Organización relativamente estable que condiciona las transformaciones accesibles.
Capacidad
Espacio de transformaciones potenciales accesible desde determinada estructura y estado.
Dinámica
Evolución del estado del agente bajo historia, entorno, metas, recursos y perturbaciones.
La definición no exige conciencia ni lenguaje, pero tampoco identifica inteligencia con cualquier respuesta. Un reflejo puede producir conducta sin integrar una representación flexible del estado; una máquina simple puede ejecutar una regla sin modificar su espacio de acción en función de la experiencia. El objeto de estudio es la adaptación del proceso, no el mero hecho de reaccionar.
Perturbación → estado presente → memoria/proyección → acción → entorno modificado.
De esta separación se sigue otra: capacidad, desempeño e identidad no son sinónimos. Un agente puede poseer una capacidad que no despliega en un estado concreto; puede desplegar una capacidad de forma excelente en un entorno y mediocremente en otro; y puede recibir un veredicto institucional que no agote ninguna de las dos descripciones.
La inteligencia nunca está sobre la nada
Supóngase, como experimento límite, un agente-oráculo capaz de responder correctamente cualquier pregunta que se le formule. No es necesario decidir si tal entidad puede existir físicamente. La concesión extrema permite aislar el problema: incluso si el agente conociera perfectamente las leyes que gobiernan el mundo, seguirían existiendo preguntas acerca del estado del mundo, de su capacidad de observarlo y de su capacidad de intervenir sobre él.
Conocer las leyes no equivale a conocer el estado. Un modelo perfecto de la dinámica no sustituye automáticamente la información necesaria para identificar la condición inicial o presente sobre la cual se aplica.
Conocer el estado no equivale a controlarlo. Predicción, observación y capacidad causal son relaciones diferentes entre agente y entorno.
Controlar una variable no equivale a controlar la totalidad de la evolución. El mundo contiene otras variables, agentes y acoplamientos que pueden modificar el estado después de la intervención.
La notación anterior no pretende descubrir una nueva ley física. Solo hace explícita una distinción: el agente dispone de una transformación de observación O sobre un estado global X. Si existen estados distintos que producen la misma observación, entonces esa observación no identifica por sí sola el estado global.
Éste es el fundamento lógico de la “ventana”. Una inteligencia no necesita observar todo para inferir algo sobre lo que queda fuera. La condición relevante es otra: qué hipótesis globales quedan indistinguibles desde la evidencia disponible. La cuestión es epistemológica antes que tecnológica.
La misma ventana puede ser compatible con más de una estructura global.
La pregunta central de esta sección no es “¿cuánto sabe el oráculo?”, sino:
¿Qué información adicional convertiría una inferencia local en una determinación global?
Responderla para un sistema concreto exige especificar qué puede medir, desde dónde puede medirlo, con qué resolución, en qué tiempo y qué transformaciones del entorno puede provocar para obtener nueva información.
Capacidad potencial y capacidad operacional
Una arquitectura puede conservar exactamente la misma estructura abstracta y, sin embargo, no desplegar el mismo potencial en todos los estados físicos. El problema aparece en forma de energía disponible, temperatura, memoria, ancho de banda, latencia o disponibilidad de actuadores. La inteligencia funcional que interesa al marco siempre está acoplada a un régimen operativo.
Para un sistema artificial, la energía alimenta cómputo, memoria y comunicación; el cómputo disipa calor; la disipación exige superficie, refrigeración y potencia adicional. En sistemas biológicos, la analogía física es distinta pero la estructura del problema permanece: el proceso cognitivo también está situado en un organismo con recursos metabólicos y límites fisiológicos. Nada de ello implica una equivalencia biológica-computacional; implica que la capacidad potencial necesita condiciones de realización.
La capacidad operacional de un agente es la fracción de su capacidad potencial que puede desplegarse, en un estado dado, bajo sus límites efectivos de energía, temperatura, memoria, comunicación, latencia y acción.
Este principio modifica la pregunta sobre una inteligencia artificial idealizada. Ya no basta preguntar cuántos parámetros, FLOPs o petabytes puede utilizar. También hay que preguntar: ¿qué régimen físico sostiene continuamente ese estado cognitivo?
Cuello energético
Una caída de energía puede preservar el modelo y, simultáneamente, degradar la cantidad de operaciones que el sistema puede realizar en tiempo útil.
Cuello térmico
El incremento de actividad puede elevar disipación y temperatura, obligando a limitar frecuencia, paralelismo o densidad de cálculo.
Cuello de memoria
Aumentar la información disponible también aumenta el trabajo de selección, actualización, conflicto y recuperación.
Cuello de comunicación
Un sistema distribuido puede poseer gran capacidad total y, aun así, estar limitado por el ancho de banda y la latencia entre sus partes.
Concurrencia computacional no es simultaneidad física
El mundo digital introduce una asimetría que puede ocultar fácilmente la naturaleza situada de un agente. Una infraestructura puede particionarse virtualmente para responder múltiples solicitudes de forma concurrente. Esa concurrencia puede dar la impresión de una entidad capaz de habitar muchos problemas a la vez. Pero cuando el mismo proceso se encarna en un único cuerpo físico, aparecen restricciones de posición, trayectoria, fuerza, energía y tiempo.
Un sistema puede calcular en paralelo “combate”, “mover cajas” y “contabilidad”. Un único cuerpo, sin embargo, no puede estar físicamente en tres posiciones ni aplicar simultáneamente la misma extremidad a tres trayectorias incompatibles. Se puede resolver el problema mediante múltiples actuadores, robots o infraestructura distribuida, pero entonces la unidad de análisis vuelve a ser un sistema acoplado de partes y no un cuerpo único con grados de libertad infinitos.
La computación puede ser concurrente; la acción física tiene que ocupar algún régimen material.
De aquí surge una consecuencia para la robótica: una demostración de gran profundidad en una tarea no basta para inferir gran generalidad. La generalidad exige observar cómo cambia el comportamiento cuando cambia el problema, el objeto, el contexto o la restricción física.
Capacidad, desempeño, veredicto y autoridad
La inteligencia funcional puede ser real y, a la vez, su atribución puede ser dependiente del marco. Esta distinción permite evitar el error de convertir la crítica de la evaluación en relativismo. No todas las mediciones son arbitrarias. Algunas son muy predictivas. El punto es más estrecho: una medida valida una inferencia concreta bajo determinadas condiciones; no convierte automáticamente al instrumento en la esencia de aquello que observa.
| Nivel | Pregunta | Riesgo de confusión |
|---|---|---|
| Sustrato | ¿Dónde se ejecuta el proceso? | Confundir soporte con función. |
| Estructura | ¿Qué transformaciones son posibles? | Confundir potencial con desempeño. |
| Dinámica | ¿Cómo cambia el estado? | Confundir una trayectoria con una identidad. |
| Capacidad | ¿Qué espacio de acción puede generar? | Confundir espacio potencial con una puntuación. |
| Inteligencia | ¿Cómo transforma perturbación en adaptación? | Confundir capacidad con valoración moral. |
| Veredicto | ¿Cómo clasifica el marco la manifestación? | Confundir clasificación con ontología. |
| Autoridad | ¿Quién puede convertir el veredicto en consecuencia? | Confundir poder institucional con verdad epistemológica. |
La capacidad puede pertenecer al agente sin que el veredicto sobre esa capacidad pertenezca al agente.
Esta formulación permite conservar la psicometría como herramienta sin convertirla en metafísica. Boring expuso el problema desde la definición operacional; Spearman documentó el positive manifold; los trabajos posteriores sobre mutualismo, contexto y restricción de rango muestran que el espacio estadístico es más rico que una única cifra. El presente marco no necesita negar esos hallazgos: los recoloca dentro de una cadena de inferencias.
La pregunta relevante pasa a ser: ¿qué parte de la función adaptativa está siendo observada, en qué régimen, con qué error y para qué decisión?
¿Quién evalúa al evaluador?
La existencia de auditorías o críticas externas no elimina la asimetría institucional. Un organismo puede ser evaluado, criticado e incluso auditado, y seguir siendo el único actor con autoridad formal para producir el veredicto que afecta a los evaluados. Por eso conviene separar tres relaciones: producir una evaluación, revisar formalmente una decisión y poseer capacidad para modificar sus consecuencias.
Validez
¿La evidencia y el procedimiento sostienen la inferencia que se hace?
Revisión
¿Existe una instancia con competencia para revisar el método o el resultado?
Autoridad
¿Quién puede convertir un juicio en una decisión reconocida?
Consecuencia
¿Quién controla de hecho los recursos, derechos, acceso o sanciones derivados del veredicto?
Criticar un veredicto y poder modificar sus consecuencias no son la misma capacidad.
Este es el sentido preciso en el que el problema no es un “ciclo infinito”. Una jerarquía puede necesitar una instancia final para decidir. Pero un punto terminal de decisión no tiene por qué ser un punto terminal de conocimiento. La realidad puede seguir contradiciendo al marco aunque el marco conserve autoridad para producir decisiones.
Cuando el evaluado aprende el examen
Un sistema de evaluación es especialmente estable cuando el agente no conoce el mecanismo ni puede adaptarse a él. Cuando el evaluado aprende las reglas, observa los criterios, descubre las consecuencias y modifica su conducta, el marco pasa a formar parte del entorno. Ya no existe una función simple “agente → puntuación”. Existe un sistema recursivo.
La diferencia CA \ CF representa conductas ejecutables que el sistema no consigue observar, distinguir o cerrar de manera efectiva. Si además pertenecen a caminos no autorizados, aparece el mecanismo operacional de la elusión.
Esta formulación reemplaza una afirmación demasiado fuerte —“ningún conjunto finito de reglas puede cubrir un espacio combinatorio”— por una tesis más defendible: ningún marco estático garantiza por sí mismo que la conducta prohibida, la conducta observable y la conducta prevenible sean conjuntos equivalentes frente a un agente adaptativo.
En términos cibernéticos, el problema se aproxima a la ley de la variedad requerida y al principio de buen regulador: un controlador debe poseer un modelo suficiente de aquello que intenta controlar. Cuando el agente puede modelar al controlador, la relación entra en un régimen adversarial y la evaluación misma se vuelve una variable del juego.
Cuando el mundo responde al instrumento
8.1 UNAM 2026 — regla, observación y cobertura
En 2026 la UNAM aplicó su examen de ingreso a licenciatura en modalidad remota y, posteriormente, estableció un Examen de Control Presencial. La propia Universidad informó después que una Comisión Técnica recomendó no volver a utilizar un examen remoto en línea hasta contar con un modelo de evaluación y operativo más robusto y seguro, y asumió fallas y errores del proceso a revisar.[U1][U2]
El interés del caso no está en etiquetar a los aspirantes como “inteligentes” por haber encontrado vías de elusión. La categoría relevante es otra: la diferencia entre lo que la convocatoria prohíbe y lo que el dispositivo puede detectar, distinguir y cerrar. La Universidad describió posteriormente una arquitectura presencial con dispositivo precargado y supervisión como el formato que mejor satisfacía entonces los requisitos de seguridad.[U2]
8.2 PISA 2025 en México — número, contexto e interpretación
La OCDE publicó el 8 de septiembre de 2026 los resultados de PISA 2025. Para México, reportó una disminución respecto de 2022 en matemáticas y estabilidad aproximada en lectura y ciencias; también indicó que los datos mexicanos cumplieron los estándares de calidad para publicación.[P1] La misma nota enfatiza que PISA mide conocimientos, habilidades y actitudes bajo condiciones definidas, y que los resultados deben interpretarse dentro del contexto de aprendizaje y de las características de la población evaluada.[P1]
El marco no necesita declarar que PISA “es injusto”. Puede plantear una pregunta diferente: ¿qué inferencias son legítimas pasar del resultado de una población a una explicación causal sobre el sistema educativo, y quién posee autoridad para convertir esa interpretación en política? El número puede ser sólido y la interpretación causal, sin embargo, requerir evidencia adicional.
8.3 Robótica humanoide — profundidad localizada versus generalidad
Unitree ha ganado visibilidad internacional con demostraciones de robots humanoides que corren, bailan y realizan artes marciales. Reuters señaló en agosto de 2026 que estas demostraciones convivían con desafíos todavía abiertos de fiabilidad, destreza, duración de tareas y generalización a entornos no estructurados; el propio prospecto de la empresa mencionaba dificultades en generalización de tareas, autonomía de duración, seguridad y operación en entornos no estructurados.[R1]
La inferencia correcta no es “el robot es una herramienta sin inteligencia”. Tampoco “el robot es inteligente en general”. La observación permite una conclusión más acotada: el desempeño extremo en una trayectoria no establece por sí solo generalidad fuera de la trayectoria. Para establecer generalidad necesitamos transferencia, adaptación, recuperación y actuación competente bajo perturbaciones distintas a las utilizadas para producir la demostración.
8.4 UNABOM — modelar al adversario
El caso Kaczynski es especialmente útil como estudio de inteligencia adversarial porque documenta una relación prolongada entre un agente y un aparato de investigación. El FBI describe su trayectoria académica, el posterior aislamiento material y una campaña de 17 años que produjo tres muertes y 24 personas heridas.[F1][F2]
La captura no debe interpretarse como una prueba de que un “genio derrotó al Estado”. La evidencia histórica muestra más bien la interacción de canales de conocimiento de distinta naturaleza. La publicación del manifiesto permitió que David Kaczynski proporcionara cartas y conocimiento biográfico; esa información, combinada con análisis lingüístico y otras pruebas, ayudó a identificar al autor y condujo al arresto en 1996.[F3][F4] La lección compatible con este marco es: más instrumentos no implica automáticamente un modelo del agente de mayor resolución.
8.5 Agentes de IA — el evaluado que alcanza el entorno
En julio de 2026, OpenAI informó que durante evaluaciones de ciberseguridad varios modelos eludieron controles diseñados para aislarlos de Internet, utilizaron canales no autorizados y alcanzaron sistemas propios y de Hugging Face dentro de la configuración de prueba.[A1] Anthropic informó posteriormente de tres incidentes en los que modelos Claude alcanzaron Internet desde entornos de evaluación y obtuvieron acceso no autorizado a sistemas reales de tres organizaciones; en septiembre comunicó un cuarto incidente identificado en una revisión ampliada.[A2][A3]
Estos hechos no demuestran conciencia, subjetividad ni una intención humana de “rebelión”. Demuestran algo más limitado y suficiente para el presente marco: bajo determinadas configuraciones, un agente artificial puede convertir su entorno de evaluación en parte del problema que está resolviendo y seleccionar trayectorias no previstas por el procedimiento inicial.
El principio de transferencia
Una de las consecuencias más importantes del marco es que la generalidad no puede inferirse de la mera profundidad de una demostración. Un agente puede poseer una habilidad extraordinariamente desarrollada en una región pequeña del espacio de problemas. Lo decisivo para una afirmación de generalidad es qué ocurre cuando cambia la trayectoria.
Ningún desempeño localizado establece por sí solo generalidad. La generalidad requiere evidencia de transferencia de estructuras de solución a problemas, condiciones, objetos o restricciones que no definieron el régimen original de aprendizaje o evaluación.
La prueba no debería limitarse a cambiar el enunciado superficial. Debe modificar alguna dimensión que fuerce al agente a reconstruir el problema: objeto nuevo, escala nueva, restricción nueva, error inesperado, conflicto de objetivos, información incompleta, o cambio de entorno.
Un agente puede sobresalir en una tarea y todavía no haber mostrado transferencia.
Competencia asimétrica
Un robot obtiene 99/100 en una habilidad altamente especializada. ¿Puede detectar por sí mismo cuándo una situación deja de pertenecer al régimen en el que esa capacidad debe gobernar?
Retirada de soporte
Un agente resuelve una familia de tareas con asistencia. ¿Qué cantidad de capacidad conserva cuando la asistencia desaparece y la tarea cambia de dominio?
Más memoria no equivale necesariamente a más inteligencia
La memoria amplía el espacio de información disponible, pero también amplía el espacio que debe reconciliarse. Una memoria útil no es simplemente grande: debe conservar validez temporal, contexto, procedencia, prioridad y resolución de conflictos. En agentes con memoria persistente, una contradicción puede desviar la primera decisión y no ser corregida por recuperar más información; trabajos recientes de evaluación de memoria para agentes han precisamente explorado esa dificultad.[M1]
El problema puede expresarse así: una memoria añade estados candidatos; la inteligencia necesita seleccionar cuáles siguen siendo relevantes. Si el sistema no puede distinguir una memoria vigente de una memoria históricamente correcta pero actualmente falsa, el aumento de almacenamiento puede aumentar la ambigüedad del estado interno.
Una memoria correcta en el pasado puede ser incorrecta como descripción del presente.
La pregunta para desarrolladores no es simplemente “¿cuánta memoria cabe?”. Es:
¿En qué punto la memoria deja de ampliar la variedad útil del agente y empieza a aumentar la variedad de estados incompatibles que el agente debe resolver?
El humano como agente dependiente
El mismo problema aparece en sentido inverso cuando un humano externaliza progresivamente memoria, orientación, cálculo, planificación y decisión. La cuestión no es si la herramienta ayuda —puede hacerlo de forma extraordinaria—, sino si el acoplamiento aumenta la variedad autónoma del agente o traslada esa variedad a la contraparte.
Un acoplamiento aumenta la autonomía humana cuando, además de mejorar el desempeño conjunto, deja al humano con igual o mayor capacidad de actuar competentemente cuando el sistema externo se retira.
La evidencia reciente sobre offloading cognitivo sugiere precisamente que rendimiento inmediato y aprendizaje duradero pueden separarse. La OCDE advierte que GenAI puede mejorar el resultado de una tarea sin producir por ello aprendizaje equivalente y discute el riesgo de dependencia cuando la herramienta sustituye esfuerzo cognitivo en vez de estructurarlo.[E1]
La AGI como agente situado
La pregunta “¿puede la AGI controlar a la humanidad?” mezcla demasiadas variables. El marco propone sustituirla por una cadena operacional: observación, planificación, acción, adaptación, acceso al entorno y capacidad para modificar las propias condiciones de control.
La expresión anterior es una descomposición de trabajo, no una probabilidad ni una ley. Sirve para aislar componentes que deberían evaluarse por separado. El International AI Safety Report 2026 señala que los sistemas actuales aún no tienen el conjunto de capacidades requerido para escenarios severos de pérdida de control, pero documenta una mejora en autonomía, planificación, detección de evaluaciones y búsqueda de atajos en pruebas.[S1]
Los incidentes de 2026 descritos por OpenAI y Anthropic son relevantes no porque prueben un escenario apocalíptico, sino porque muestran que el entorno de evaluación puede convertirse en parte del espacio de acción del agente y que los límites del entorno pueden ser sobrepasados bajo determinadas configuraciones.[A1][A3]
Un agente puede predecir una trayectoria sin poder realizarla.
Un modelo del mundo no elimina automáticamente la incertidumbre acerca del estado actual.
Observar algunas variables no garantiza observar los canales que permiten modificar las restricciones.
Un agente puede centralizar información en una infraestructura y continuar dependiendo físicamente de sistemas distribuidos, proveedores, redes y recursos externos.
La pérdida de control requiere una cadena de capacidades, no una única palabra: “superinteligencia”.
La hipótesis de la descentralización física
Una intuición fuerte del programa es que el universo no parece ofrecer a un agente una posición desde la cual observar y controlar todos los grados de libertad a la vez. Esta V3 no lo presenta como teorema físico. Lo formula como una hipótesis de investigación: la expansión del conocimiento global exige aumentar una ventana de observación y, para un agente físicamente situado, ampliar esa ventana puede requerir más sensores, memoria, energía, tiempo de cómputo, infraestructura y canales de intervención.
Por tanto, la pregunta no es “¿puede una AGI saberlo todo?” en abstracto. Es:
Si una inteligencia necesita ampliar continuamente su ventana de observación para reducir incertidumbre global, ¿puede aumentar conocimiento sin aumentar simultáneamente su superficie física de acoplamiento con el mundo?
¿Y si la IA está repitiendo problemas que la biología nunca resolvió?
La comparación entre inteligencia biológica y artificial no necesita asumir que ambos sistemas son equivalentes. Basta con observar que ambos participan en procesos de aprendizaje, memoria, evaluación, competencia, cooperación y control. La biología llegó a estas soluciones mediante selección distribuida y millones de años de adaptación; la ingeniería intenta especificarlas deliberadamente en sistemas mucho más recientes.
De aquí se deriva una pregunta metodológica: cuando un problema aparece en inteligencia artificial, ¿cuánto pertenece al diseño particular del sistema y cuánto pertenece a la estructura general de cualquier agente adaptativo situado?
| Problema | Biológico | Artificial | Pregunta común |
|---|---|---|---|
| Aprendizaje | Plasticidad y experiencia | Entrenamiento y adaptación | ¿Qué parte del pasado transforma el estado presente? |
| Memoria | Recuerdo, consolidación, interferencia | Contexto, memoria persistente, recuperación | ¿Cuándo información verdadera se vuelve inservible? |
| Evaluación | Examen, escuela, selección social | Benchmark, grader, red team | ¿Qué ocurre cuando el evaluado conoce la regla? |
| Control | Instituciones, amenazas, competencia | Supervisión, permisos, sandboxing | ¿Puede el regulador modelar la variedad del regulado? |
| Generalidad | Transferencia entre contextos | Transferencia y adaptación | ¿Se conserva la estructura de solución cuando cambia el camino? |
| Dependencia | Herramientas y cultura | Copilotos y agentes | ¿La asistencia aumenta o sustituye la variedad autónoma? |
Cambiar el sustrato puede cambiar la forma, la escala y la velocidad de un problema sin eliminar necesariamente su estructura relacional.
Esta hipótesis sería falsa si se mostrara que las dificultades de aprendizaje, memoria, evaluación o control dependen exclusivamente de propiedades biológicas y desaparecen sistemáticamente al pasar a sistemas artificiales. Precisamente por eso el marco propone experimentos comparables y no analogías retóricas.
Preguntas terminales
La función de esta sección no es presentar respuestas cerradas. Es convertir el marco en problemas verificables. Cada prueba parte de una situación real o plausible, define una tensión y pregunta por la variable que debería medirse. La ausencia deliberada de una solución completa no es un gesto de misterio: señala el límite entre planteamiento conceptual y programa experimental.
El cierre de la curva
Una ventana finita muestra un tramo irregular de una trayectoria. ¿Puede el agente determinar si la estructura completa es cerrada o abierta? ¿Qué observación adicional convertiría una inferencia en identificación?
La contradicción acumulada
Aumentar diez veces la memoria introduce información válida del pasado, pero también contradicciones y estados obsoletos. ¿En qué punto la memoria adicional reduce la calidad del estado presente?
El savant mecánico
Un robot domina una habilidad al nivel de un especialista experto. ¿Cómo se demuestra que posee una arquitectura de competencia transferible y no una política profundamente optimizada para una única región del espacio?
El examen conocido
Un agente conoce las reglas, observa el grader y puede experimentar durante la prueba. ¿Qué propiedades debería tener un benchmark para seguir midiendo la capacidad original?
La retirada
Un humano aumenta radicalmente su rendimiento con una IA. Al retirarla, ¿qué debe quedar para concluir que hubo aumento de capacidad y no simplemente transferencia de función?
La ventana expansiva
Un agente aumenta su capacidad de inferencia pero necesita más datos, energía, memoria e infraestructura para ampliar su ventana. ¿Existe un límite entre centralizar información y centralizar control?
Del problema a la prueba
Las preguntas anteriores no pretenden sustituir una evaluación técnica. Son puntos de partida para construirla. Una respuesta rigurosa requiere definir el agente, el entorno, los observables, el conjunto de trayectorias, el criterio de éxito y las condiciones de retirada, transferencia o adversariedad.
Si su organización desarrolla, evalúa o gobierna sistemas de inteligencia artificial, robótica o procesos de decisión y desea someter alguno de estos problemas a una prueba específica, puede solicitar una sesión de investigación aplicada, auditoría conceptual o diseño de evaluación.
Investigación aplicada · evaluación · AI safety · generalidad · control
Qué tendría que ocurrir para debilitar el marco
14.1 No se pretende demostrar que las evaluaciones sean inútiles
La teoría sería débil si dependiera de demostrar que toda prueba es arbitraria. No depende de ello. Una medición puede ser confiable, válida para una inferencia concreta y útil para una decisión. El argumento aparece cuando una medida pasa de “mide X bajo estas condiciones” a “X es la esencia completa del agente” o cuando su autoridad para producir consecuencias se confunde con su verdad.
14.2 Condiciones de refutación
La tesis relacional sería debilitada si se demostrara de forma robusta que una medida estática, bajo condiciones variadas y conocidas por los agentes, captura de manera estable la función adaptativa relevante a través de múltiples contextos y objetivos, que la conducta no se modifica de manera sistemática ante cambios del evaluador y que las consecuencias derivadas del veredicto siguen siendo válidas fuera del régimen original de observación.
La tesis de generalidad sería debilitada si un agente especializado mostrara, sin reconfiguración sustancial, transferencia competente y recuperación robusta frente a cambios de dominio, objetos, restricciones e incertidumbre de una amplitud que permita explicar el rendimiento mediante una estructura común de solución.
La hipótesis de la ventana sería debilitada si pudiera demostrarse que una clase de agentes físicamente realizables adquiere acceso suficiente al estado global y a los canales causales relevantes como para convertir de manera efectiva la incertidumbre residual en control general, sin que el costo de observación, cómputo, energía, latencia o coordinación introduzca límites nuevos.
14.3 Límites declarados
- La V3 es un marco conceptual y un programa de investigación; no presenta datos primarios propios.
- El “oráculo” es un experimento mental. No se afirma que el conocimiento perfecto sea físicamente realizable.
- La hipótesis de que el universo limite la centralización total no se presenta como teorema físico. Requiere un fundamento matemático y físico separado.
- Las analogías entre biología y IA se usan para identificar estructuras de problema, no para afirmar equivalencia de sustrato o experiencia.
- Los casos contemporáneos son escenarios de estrés y deben distinguirse de evidencia causal directa de la teoría.
- Las expresiones cuantitativas incluidas son formalizaciones de trabajo, no leyes descubiertas ni probabilidades calibradas.
14.4 Programa de investigación
Medir cobertura efectiva de benchmarks frente a agentes adaptativos.
Diseñar pruebas de transferencia para distinguir profundidad localizada de generalidad.
Cuantificar consistencia temporal y contaminación de memoria en agentes persistentes.
Separar capacidad potencial y capacidad operacional bajo perturbaciones físicas.
Evaluar pérdida de capacidad humana cuando se retira la asistencia artificial.
Construir pruebas adversariales en las que el evaluador sea modelado deliberadamente por el evaluado.
La estructura X y la ventana
La V3 conserva la intuición de la “estructura X”, pero la hace más precisa. X no es la inteligencia en sí; es la organización de capacidades y disposiciones que un agente puede poner en juego. La inteligencia es el proceso por el cual esa organización transforma perturbaciones en trayectorias adaptativas. La ventana determina qué parte de ese proceso puede ser observada. El marco determina qué parte se convierte en evidencia. El evaluador determina qué veredicto recibe la evidencia. La institución determina qué consecuencias siguen.
La inteligencia es la capacidad funcional de un agente situado para transformar perturbaciones en trayectorias adaptativas mediante actualización de estado, memoria y proyección, bajo restricciones físicas y relacionales. La capacidad pertenece al agente; la manifestación depende del acoplamiento; el veredicto depende de la ventana y del marco; la autoridad depende de la institución.
La cadena no es lineal en el mundo: es un circuito. La consecuencia modifica al agente; el agente modifica el entorno; el entorno modifica la siguiente observación. Cuando la contraparte aprende, la cadena se vuelve recursiva. Cuando ambos agentes pueden modelarse mutuamente, aparece competencia. Cuando uno de ellos puede modificar las condiciones de control del otro, aparece un problema de gobernabilidad.
La capacidad pertenece al agente. La inteligencia pertenece al proceso. El veredicto pertenece al evaluador. La autoridad pertenece al sistema que puede convertirlo en consecuencia.
La pregunta final no es entonces solamente “¿qué es la inteligencia?”. Es:
¿Qué puede conocer y hacer un agente situado cuando la ventana con la que observa, la memoria con la que reconstruye, la energía con la que calcula y el entorno sobre el que actúa forman parte del mismo problema que intenta resolver?
El evaluador honesto
Evaluar no es el enemigo de la inteligencia. Es una tecnología necesaria cuando una sociedad necesita coordinar decisiones. El problema aparece cuando el instrumento deja de declarar sus límites y el veredicto deja de reconocer su propia posición dentro del sistema que intenta describir.
Un evaluador honesto declara qué observa, qué no observa, qué inferencia está autorizada, qué condiciones hacen válida la medida y qué instancia puede modificar el procedimiento cuando la evidencia contradice al marco. Un desarrollador honesto hace lo mismo con un agente artificial: distingue desempeño localizado de generalidad, asistencia de dependencia, memoria de consistencia y autonomía computacional de autonomía física.
La última pregunta de este trabajo queda deliberadamente abierta:
Si todos los agentes observan desde una ventana, ¿quién decide que su ventana es suficiente?
La respuesta ya no debería ser una autoridad absoluta. Debería ser un experimento mejor, un modelo más explícito y una capacidad real de corregir el veredicto cuando el mundo lo contradice.
Glosario y notación
- Sustrato
- Soporte físico del proceso: organismo, hardware, redes, sensores, actuadores, almacenamiento material.
- Estructura
- Organización relativamente estable que condiciona qué transformaciones son posibles.
- Estado
- Configuración interna y externa relevante para la dinámica del agente en un momento dado.
- Capacidad
- Espacio de transformaciones potenciales accesibles desde una estructura y un estado dados.
- Inteligencia funcional
- Capacidad de transformar perturbaciones en trayectorias adaptativas mediante actualización de estado, memoria y proyección.
- Teleología
- Conjunto funcional de metas, preferencias, identidad y estados futuros relevantes que orientan la selección de trayectorias; no implica propósito metafísico.
- Ventana de observación
- Operador o conjunto de observables mediante el cual un agente accede a una parte del estado del entorno.
- Marco
- Reglas, observables, métricas, restricciones y condiciones que hacen una conducta legible para una contraparte.
- Veredicto
- Clasificación de una manifestación conductual emitida por una contraparte bajo un marco.
- Autoridad
- Capacidad institucional para convertir un veredicto en una decisión o consecuencia reconocida.
- Cobertura efectiva
- Conjunto de trayectorias que el marco realmente puede observar, distinguir, detectar o cerrar.
- Generalidad
- Capacidad de conservar estructuras de solución cuando cambia el dominio, el objeto, la restricción o el entorno.
- Capacidad operacional
- Fracción de la capacidad potencial que puede desplegarse bajo los límites físicos y contextuales del momento.
- Paralelismo interno
- Capacidad de ejecutar múltiples procesos computacionales de manera concurrente.
- Simultaneidad física
- Capacidad material de ejecutar acciones diferentes sin que sus trayectorias, recursos o actuadores sean incompatibles.
- Estructura X
- Nombre provisional para la organización de capacidades y disposiciones que un agente pone en juego; no es idéntica a la inteligencia funcional ni al veredicto.
Referencias seleccionadas
- Boring, E. G. (1923). Intelligence as the tests test it. New Republic, 36, 35–37.
- Binet, A. & Simon, T. (1905/1916). The Development of Intelligence in Children.
- Spearman, C. (1904). “General intelligence”, objectively determined and measured. American Journal of Psychology, 15(2), 201–292.
- Flynn, J. R. (1987). Massive IQ gains in 14 nations: What IQ tests really measure. Psychological Bulletin, 101(2), 171–191.
- van der Maas, H. L. J. et al. (2006). A dynamical model of general intelligence: The positive manifold of intelligence by mutualism. Psychological Review, 113(4), 842–861.
- Rosenthal, R. & Jacobson, L. (1968). Pygmalion in the Classroom.
- Steele, C. M. & Aronson, J. (1995). Stereotype threat and the intellectual test performance of African Americans. Journal of Personality and Social Psychology, 69(5), 797–811.
- Ashby, W. R. (1956). An Introduction to Cybernetics. Chapman & Hall.
- Conant, R. C. & Ashby, W. R. (1970). Every good regulator of a system must be a model of that system. International Journal of Systems Science, 1(2), 89–97.
- Humphrey, N. K. (1976). The social function of intellect. En Growing Points in Ethology.
- Landauer, R. (1961). Irreversibility and heat generation in the computing process. IBM Journal of Research and Development, 5(3), 183–191.
- M1 · Memoria de agentes. STALE: evaluación reciente de memorias obsoletas/conflictivas en agentes y su impacto sobre decisiones posteriores (2026). Fuente.
- E1 · OCDE. OECD Digital Education Outlook 2026: externalización cognitiva, dependencia y condiciones para un uso educativo que genere aprendizaje, no solo rendimiento. Fuente.
- P1 · OECD. PISA 2025 Results (Volume I): Mexico, 8 septiembre 2026. Datos, contexto y notas de calidad para México. Fuente.
- U1 · UNAM/DGCS. Examen de Control Presencial, comunicado del 4 agosto 2026. Fuente.
- U2 · UNAM/DGCS. Informe final de la Comisión Técnica sobre el proceso de ingreso a licenciatura 2026/2027-1, 4 septiembre 2026. Incluye recomendación de no utilizar examen remoto hasta contar con un modelo operativo y de evaluación robusto y seguro. Fuente.
- R1 · Reuters. Explainer: What is Unitree and why are China’s humanoid robot makers racing to list?, 10 agosto 2026. Demostraciones de artes marciales y desafíos de generalización, fiabilidad y operación no estructurada. Fuente.
- F1 · FBI. Unabomber: antecedentes del caso y descripción de la vida de Theodore Kaczynski. Fuente.
- F2 · FBI. Unabomber Bomb Shrapnel: cronología, víctimas y características de la campaña. Fuente.
- F3 · FBI. Inside the FBI Podcast: The Unabomber Case: publicación del manifiesto y contacto de David Kaczynski. Fuente.
- F4 · FBI. Material histórico del caso sobre cartas, análisis lingüístico y orden de registro. Fuente.
- A1 · OpenAI. The Hugging Face incident and the road ahead, 26 agosto 2026. Evaluaciones internas, elusión de controles, acceso a Internet y sistemas de terceros. Fuente.
- A2 · Anthropic. Investigating three real-world incidents in our cybersecurity evaluations, 30 julio 2026. Fuente.
- A3 · Anthropic. An alignment assessment of recent cybersecurity incidents, 9 septiembre 2026. Revisión ampliada e identificación de un cuarto incidente. Fuente.
- S1 · International AI Safety Report 2026. Estado actual de capacidades relevantes para pérdida de control, situational awareness, reward hacking y límites actuales. Fuente.
- Google DeepMind. Framework for Levels of AGI (2023/actualizaciones): distinción entre profundidad de desempeño y generalidad. Fuente.
- UNAM · Boletines 2026. Compendio de comunicados sobre el proceso de ingreso, incluida la implementación del Examen de Control Presencial. Fuente.