The Computational Boundary of Inference: Capability Internalization, Training, and the Turing Jump

Resumen Técnico: El Límite Computacional de la Inferencia

Planteamiento del Problema
El artículo aborda una ambigüedad conceptual prevalente en las discusiones sobre la auto-mejora recursiva en la Inteligencia Artificial. Las narrativas informales suelen confundir tres procesos distintos: (1) la revisión interna repetida dentro de un sistema fijo (por ejemplo, la formulación de prompts, la reflexión, el uso de herramientas), (2) los procesos de revisión que se estabilizan con el tiempo (aproximación convergente) y (3) el ascenso cualitativo genuino hacia un régimen de capacidad computacional estrictamente superior. El problema central es que estas narrativas a menudo asumen que una acumulación suficiente de actualizaciones internas genera automáticamente un nivel de capacidad más fuerte. El artículo busca proporcionar una prueba formal, a nivel de teorema, de esta suposición utilizando la teoría clásica de la computabilidad para determinar si la iteración interna finita puede justificar matemáticamente una transición hacia un grado relativo estrictamente superior.

Metodología y Marco de Modelado
El artículo emplea la teoría clásica de la computabilidad con oráculos (reducibilidad de Turing) como una idealización estructural en lugar de un modelo literal de las tuberías modernas de aprendizaje automático. El marco central se basa en las siguientes definiciones:

• Capa Computacional ($C(A)$): Para un oráculo fijo $A$, la capa se define como $C(A) = \{B : B \le_T A\}$, representando todas las tareas computables relativas a $A$.
• Revisión Interna Finita: Modelada como una secuencia de índices $e_{s+1} = F(e_s)$ donde $F$ es una función computable en $A$. Esto representa la auto-modificación estrictamente dentro del régimen efectivo existente.
• Revisión Estabilizada: Modelada como una aproximación computable en $A$, $g(x, s)$, que converge puntualmente a un límite. Esto representa la corrección iterativa que finalmente se asienta en una salida.
• Internalización de la Capacidad: Definida estructuralmente como el proceso mediante el cual un "sistema desplegado asentado" (una familia fija de procedimientos) incorpora "guía esencialmente externa" (tareas no resolubles dentro de la capa actual) en un nuevo sistema sucesor más fuerte.

La metodología distingue entre la actividad en tiempo de inferencia (composición finita de procedimientos existentes) y el entrenamiento/internalización (la transformación de la guía externa en los parámetros de un sistema sucesor).

Contribuciones y Resultados Clave
El artículo establece una serie de teoremas de separación que delimitan los límites entre estos regímenes:

1. Cierre Local vs. Escape (Teorema 3): La capa computacional $C(A)$ es localmente cerrada bajo la computación con oráculos (la composición de funciones computables en $A$ permanece en $C(A)$), pero tiene un límite canónico: el salto de Turing $A'$. $A'$ no es resoluble dentro de $C(A)$.
2. Acotación por Grado de la Revisión Finita (Teorema 4 y Proposición 1): La auto-modificación interna finita (aplicación repetida de una regla de actualización computable en $A$) permanece estrictamente dentro de $C(A)$. Ninguna etapa finita de tal proceso puede calcular $A'$ ni ningún conjunto estrictamente más fuerte que $A$. Por lo tanto, la iteración finita por sí sola no constituye un ascenso.
3. La Revisión Estabilizada Corresponde al Salto (Teorema 5): Si la revisión se modela como una aproximación computable en $A$ convergente, el límite estabilizado es computable en $A'$ (y viceversa, todo conjunto computable en $A'$ surge de tal proceso). Esto establece que la revisión estabilizada pertenece a un nivel diferente de la teoría de la recursión (el salto) que la iteración interna finita.
4. Revisión Anidada y Saltos Superiores (Teorema 6): La revisión estable anidada de dos niveles corresponde exactamente al segundo salto $A''$. Esto sugiere una correspondencia estructural donde la profundidad de la estabilización anidada rastrea la profundidad de la jerarquía de saltos de Turing.
5. La Internalización de la Capacidad Fuerza el Ascenso (Proposición 4 y 5): Si un sistema sucesor internaliza una tarea que es "esencialmente externa" (resoluble con guía externa pero no dentro de la capa original $A$), el sistema sucesor debe operar en un grado estrictamente más fuerte ($A <_T B$).

Significado y Afirmaciones
El artículo afirma proporcionar una "separación formal limpia" que restringe la lógica de las narrativas de auto-mejora recursiva. Su significado radica en los siguientes puntos:

• Refutación de la Simple Acumulación: El artículo demuestra que "más actualizaciones" (iteración interna finita) no es matemáticamente equivalente al "ascenso cualitativo". Un sistema puede experimentar un refinamiento interno infinito mientras permanece dentro del mismo grado computacional.
• Papel Estructural del Entrenamiento: El artículo aclara que la importancia del entrenamiento de aprendizaje automático en este contexto no es que sea "aprendizaje" per se, sino que es el mecanismo empírico para la internalización de la capacidad. El entrenamiento es el proceso mediante el cual la guía esencialmente externa (que puede requerir un oráculo de nivel de salto para resolverse) se integra en un nuevo sistema desplegado, permitiendo así que el sistema opere en un grado relativo superior.
• Clarificación del Discurso sobre IA: Los resultados argumentan que las afirmaciones sobre la auto-mejora abierta deben especificar qué régimen se está invocando. Si una narrativa se basa en la revisión interna finita para explicar el surgimiento de una capacidad más fuerte, es matemáticamente insuficiente. El ascenso genuino requiere la internalización de una guía que anteriormente era externa a la capa asentada.

El artículo declara explícitamente que no afirma que los sistemas de IA actuales calculen literalmente saltos de Turing o que las tuberías de entrenamiento instancien máquinas de oráculo. Más bien, ofrece un lenguaje estructural para distinguir entre procesos que permanecen dentro de una capa efectiva fija y aquellos que requieren una transición a un nivel relativo más fuerte. La contribución es un "resultado de limitación estructural" que obliga a que las afirmaciones de auto-mejora recursiva se enmarquen con mayor precisión matemática.