Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction

Resumen Técnico: Requisitos Fundacionales para la Inteligencia Artificial General

Planteamiento del Problema
El artículo aborda la falta fundamental de una definición precisa de inteligencia y la comprensión limitada de cómo operan los cerebros biológicos, lo que obstaculiza el desarrollo de la Inteligencia Artificial General (AGI). Los sistemas de IA actuales suelen lograr un alto rendimiento en tareas estrechas optimizando para benchmarks específicos, confundiendo la competencia especializada con la inteligencia general. Estos sistemas frecuentemente dependen de estructuras semánticas preexistentes o representaciones simbólicas de alto nivel, fallando al abordar el "problema del anclaje de símbolos" (symbol grounding problem), donde los símbolos carecen de significado intrínseco sin interacción sensorial. Los autores argumentan que centrarse en comportamientos de alto nivel en tareas predefinidas es insuficiente; en su lugar, el enfoque debe desplazarse hacia los requisitos conductuales de bajo nivel, independientes de la arquitectura, necesarios para la emergencia de la inteligencia general.

Metodología
Los autores proponen un marco falsable basado en la hipótesis de que la inteligencia de alto nivel emerge del procesamiento de señales de bajo nivel. En lugar de definir la inteligencia, definen un conjunto de condiciones necesarias (aunque no suficientes) para que un sistema sea considerado un candidato para la AGI.

1. La Hipótesis: Un sistema capaz de una inteligencia general de nivel humano debe satisfacer doce requisitos específicos. Estos requisitos caracterizan sistemas adaptativos que aprenden mediante la predicción sobre señales binarias estructuradas espacial y temporalmente sin conocimiento semántico externo.
2. El Banco de Pruebas (AGITB): Para operacionalizar estos requisitos, los autores introducen el Banco de Pruebas de Inteligencia Artificial General (AGITB). Este es un conjunto de pruebas empíricas transparentes y reutilizables, una para cada requisito.
   • Espacio de Entrada: El sistema procesa secuencias de vectores binarios de 10 bits ($L=10$). El espacio de entrada está restringido por un "periodo refractario absoluto" (ningún bit puede ser '1' en pasos de tiempo consecutivos), creando un subconjunto específico de secuencias admisibles.
   • Tarea: El sistema debe predecir la siguiente entrada en una secuencia basada en su historial.
   • Criterios de Evaluación: El banco de pruebas emplea un criterio de "todo o nada". Un sistema debe superar los doce tests específicos de cada requisito para ser considerado un candidato para la AGI. Las pruebas están diseñadas como pruebas de estrés (por ejemplo, 5,000 ensayos repetidos) para asegurar la robustez en lugar de la significancia estadística.
   • Falsabilidad: El marco está diseñado para ser falsado. Si un sistema demostrablemente no inteligente (por ejemplo, un algoritmo estrecho) lograra superar los doce tests, se rechazaría la hipótesis de que estos requisitos son necesarios para la AGI.

Los Doce Requisitos
El marco identifica doce requisitos mínimos e interactuantes:

1. Inicio Sin Información (Uninformed Start): Los modelos deben comenzar desde una configuración inicial idéntica y vacía, sin conocimiento específico del entorno.
2. Determinismo: La evolución del modelo debe ser determinista con respecto al historial de entradas.
3. Traza (Trace): Cada entrada debe dejar una traza interna permanente; las configuraciones nunca deben repetirse (sin ciclos).
4. Tiempo: La evolución del modelo debe depender estrictamente del orden de las entradas (no conmutativa).
5. Periodo Refractario Absoluto: El aprendizaje se restringe a secuencias donde las entradas sucesivas no se solapan entre sí (restricciones de picos biológicamente plausibles).
6. Saturación Inevitable: Los sistemas tienen capacidad finita; no pueden aprender todas las secuencias posibles, aunque todas las secuencias de longitud 2 admisibles deben ser aprendibles.
7. Adaptabilidad Temporal: El sistema debe aprender secuencias con diferentes longitudes de ciclo y adaptarse a cambios en la escala temporal.
8. Sensibilidad al Contenido: El tiempo de adaptación debe variar según la complejidad de la secuencia de entrada.
9. Sensibilidad al Contexto: El tiempo de adaptación debe variar según la configuración interna del modelo (historial).
10. Eliminación de Ruido (Denoising): Un modelo informado debe superar a las líneas base constantes al predecir entradas corruptas dentro de una secuencia conocida.
11. Generalización: El modelo debe predecir continuaciones no vistas de una secuencia mejor que el azar tras observar un prefijo.
12. Vitalidad en Tiempo Real (Real-time Liveness): Cada actualización del modelo debe completarse dentro de un límite de tiempo de reloj (wall-clock time) fijo, independiente del historial de entrada.

Contribuciones Clave

• Marco Operacional: El artículo proporciona el primer marco operacional y falsable que combina el procesamiento predictivo, el aprendizaje continuo y el anclaje biológico en un conjunto único de criterios independientes de la arquitectura.
• El Banco de Pruebas AGITB: Una implementación de referencia (C++) disponible públicamente que evalúa los sistemas frente a estos doce requisitos.
• Desplazamiento hacia Señales de Bajo Nivel: El trabajo se aleja de la evaluación simbólica (que sufre problemas de anclaje) hacia la predicción de señales binarias puras, alineándose con los principios neurocomputacionales de la corteza cerebral.
• Síntesis de Requisitos: La novedad no reside en los componentes individuales, sino en la síntesis de estas restricciones de bajo nivel específicas, que son resolubles individualmente por sistemas especializados, pero que colectivamente imponen una restricción mucho más fuerte sobre las arquitecturas candidatas.

Resultados

• Estado Empírico: Hasta la fecha, no se ha identificado ni reportado ningún sistema no inteligente que haya superado con éxito el banco de pruebas AGITB.
• Intentos de Contraejemplos: Los autores intentaron generar contraejemplos utilizando modelos de lenguaje extensos (LLMs) contemporáneos como ChatGPT, Claude y Gemini para sintetizar código que pudiera superar las pruebas. Aunque estos modelos produjeron código que afirmaba satisfacer los criterios, ninguna de las soluciones generadas tuvo éxito al ejecutarse bajo el procedimiento de evaluación de AGITB.
• Limitaciones del Sistema: El artículo señala que los sistemas existentes (programas simbólicos, redes neuronales artificiales estándar y LLMs) generalmente fallan en requisitos específicos, particularmente en el "inicio sin información" (debido al preentrenamiento) y en los requisitos de "vitalidad en tiempo real" o "traza" (debido a restricciones arquitectónicas como las ventanas de contexto fijas).

Significancia y Reivindicaciones
El artículo reclama modestamente que superar el AGITB no prueba la existencia de la inteligencia general. En su lugar, el banco de pruebas sirve como un hito empírico candidato.

• Necesario, No Suficiente: Se hipotetiza que satisfacer los doce requisitos es necesario para la AGI, pero no suficiente para garantizar capacidades de alto nivel como el razonamiento o el lenguaje.
• Falsabilidad: La principal significancia es la capacidad de falsar la hipótesis. Si un sistema estrecho lo supera, la hipótesis es rechazada. Hasta que se encuentre tal contraejemplo, el banco de pruebas delimita una frontera que los sistemas contemporáneos no cruzan.
• Brecha Metodológica: El trabajo aborda un vacío de larga data en la investigación de la AGI al proporcionar un método transparente y reutilizable para evaluar las restricciones conductuales de bajo nivel que se hipotetiza son prerrequisitos para la inteligencia general, yendo más allá de las definiciones vagas o los benchmarks específicos de tareas.