OAGI y Nested Learning: una posible conexión entre desarrollo artificial y aprendizaje jerárquico

Nested Learning plantea que un modelo puede aprender mediante procesos organizados en distintos niveles, con memorias y ritmos de actualización diferentes. La propuesta busca superar algunas limitaciones de los sistemas que actualizan sus parámetros de manera demasiado uniforme. OAGI, por otro lado, es un marco conceptual que describe la inteligencia artificial general como un proceso de desarrollo con fases e hitos medibles.

La relación entre ambos es una hipótesis de diseño, no una integración demostrada. Las dinámicas de aprendizaje de varios niveles podrían aportar mecanismos para experimentar con memoria, adaptación y auto-modificación, mientras que OAGI ofrece una estructura para definir etapas y evaluar cambios en las capacidades.

Conceptos como HOPE y los sistemas de memoria continua pueden servir para estudiar cómo se actualizan representaciones y cómo se conserva información entre tareas. Para conectarlos con una arquitectura de desarrollo habría que precisar qué se considera una mejora cognitiva, cómo se mide la estabilidad y qué límites impiden que las modificaciones produzcan comportamientos inesperados.

Una agenda experimental útil debería comparar sistemas con y sin esos componentes, publicar los procedimientos y evaluar rendimiento, robustez, consumo de recursos y seguridad. La combinación puede ser interesante como programa de investigación, pero no basta con establecer una analogía entre órganos biológicos y módulos de software. La evidencia tendrá que demostrar si las piezas se complementan de manera efectiva.