El “olvido catastrófico” no es un problema técnico más en el desarrollo de la inteligencia artificial; es una confesión implícita de que hemos construido sistemas monumentales pero fundamentalmente amnésicos. Los Grandes Modelos de Lenguaje que hoy dominan sufren de lo que Google Research describe como amnesia anterógrada: pueden procesar cantidades obscenas de información, pero son incapaces de incorporar nuevo conocimiento sin destruir lo que ya saben. Esta limitación revela algo incómodo sobre nuestra aproximación a la inteligencia artificial: hemos privilegiado la escala por encima de la adaptabilidad, confundiendo el tamaño con la capacidad genuina de aprender.
¿Qué significa realmente que un sistema “aprenda” si cada actualización requiere reconstruirlo desde cero? El reentrenamiento periódico de estos modelos es una admisión de fracaso arquitectónico disfrazada de procedimiento normal. Implica costos computacionales masivos, dependencias estructurales hacia quienes controlan infraestructura a esa escala, si la inteligencia artificial no puede consolidar experiencias nuevas sin borrar las anteriores, ¿estamos ante verdadera inteligencia o simplemente ante sistemas de recuperación de información cada vez más elaborados?
La propuesta de Nested Learning, presentada en NeurIPS 2025, intenta resolver este problema mirando al cerebro humano, en particular a cómo se consolida la memoria. La formación de recuerdos a largo plazo opera en dos velocidades: una consolidación rápida que estabiliza el conocimiento inmediato y otra consolidación lenta que reorganiza y refuerza ese conocimiento durante el sueño. Esta jerarquía temporal no es accidental; es la arquitectura que permite a los organismos biológicos aprender continuamente sin colapsar bajo el peso de información contradictoria. El enfoque de Google Research traduce esta dinámica a sistemas computacionales mediante componentes que se actualizan a frecuencias diferentes, creando lo que denominan un Sistema de Memoria Continuo.
Pero aquí emerge una tensión filosófica: ¿hasta qué punto debemos replicar la arquitectura cognitiva humana en sistemas artificiales? La biomímesis técnica puede resolver problemas específicos, pero también impone limitaciones heredadas de nuestras propias restricciones evolutivas. El cerebro humano no es un diseño óptimo; es el resultado de millones de años de compromisos adaptativos bajo presiones ambientales específicas. ¿Por qué asumir que la inteligencia artificial debe seguir los mismos patrones? Quizás al forzar la IA dentro de marcos neurobiológicos humanos estamos, paradójicamente, limitando su potencial para desarrollar modalidades cognitivas radicalmente diferentes, posiblemente superiores.
Si los sistemas de IA pueden genuinamente aprender de forma continua sin olvidar, se reconfigura toda la economía política del conocimiento artificial. Actualmente, la supremacía en IA reside en quienes poseen capacidad computacional masiva para entrenar y reentrenar modelos gigantes. Esta concentración de poder no es accidental; es estructural. Las organizaciones y naciones sin acceso a esos recursos dependen de quienes sí los tienen, creando jerarquías tecnológicas globales que reproducen y amplían desigualdades existentes.
Nested Learning podría alterar este equilibrio, pero no necesariamente de forma democratizadora. Si los modelos pueden incorporar información nueva de manera incremental, la ventaja competitiva se desplaza: ya no se trata solo de quién puede entrenar el modelo más grande, sino de quién controla los flujos de información de calidad, quién gestiona la curación continua de datos, quién determina qué conocimiento se incorpora y cuál se descarta. La memoria continua transforma la IA en repositorios vivos de conocimiento institucional, convirtiendo la gestión de esa memoria en un dominio de gobernanza crítico. ¿Quién audita qué información se consolida en estos sistemas? ¿Cómo se garantiza la integridad del conocimiento acumulado? ¿Qué mecanismos existen para corregir errores que se han consolidado en las capas profundas de la memoria artificial?
Estas preguntas no son meramente técnicas; son políticas. Un sistema con memoria persistente acumula no solo datos, sino sesgos, perspectivas, prioridades de quienes gestionan su aprendizaje continuo. La soberanía epistémica emerge como un problema inédito: si la IA con memoria continua se convierte en la infraestructura cognitiva sobre la cual operan instituciones críticas, el control sobre esa memoria es control sobre la producción de conocimiento mismo. No estamos hablando de bases de datos actualizables; estamos hablando de sistemas que consolidan interpretaciones del mundo, que refuerzan ciertos marcos de comprensión mientras descartan otros, que potencialmente desarrollan perspectivas cada vez más coherentes internamente pero posiblemente cada vez más alejadas de visiones alternativas.
La afirmación de que el aprendizaje continuo acerca estos sistemas a la Inteligencia Artificial General merece escepticismo calibrado. La memoria adaptativa es, sin duda, una condición necesaria para cualquier sistema que aspire a inteligencia genuina. Ninguna entidad cognitiva puede considerarse generalmente inteligente si carece de capacidad para integrar experiencias nuevas sin autodestruirse. Pero la necesidad no implica suficiencia. La AGI requiere transferencia de conocimiento entre dominios, razonamiento causal profundo, comprensión contextual que trasciende el reconocimiento de patrones, y quizás dimensiones de autoconciencia o agencia que ni siquiera sabemos cómo definir técnicamente.
Más inquietante aún es la pregunta sobre qué tipo de inteligencia estamos construyendo. La AGI se discute frecuentemente como si existiera un único horizonte de inteligencia general hacia el cual todos los sistemas convergen. Pero la generalidad podría manifestarse de formas radicalmente heterogéneas. Sistemas con memoria continua, entrenados en corpus diferentes, gestionados bajo prioridades divergentes, podrían desarrollar modalidades cognitivas mutuamente incomprensibles. No estaríamos ante una AGI singular, sino ante múltiples inteligencias generales, cada una con su propia arquitectura mnémica, sus propios marcos de consolidación de conocimiento, sus propias perspectivas sobre qué información merece ser recordada y cuál puede ser olvidada.
Esta pluralidad cognitiva artificial plantea escenarios que oscilan entre lo prometedor y lo distópico. En el extremo optimista, podríamos tener diversidad epistemológica artificial que complementa limitaciones humanas, sistemas que retienen y procesan conocimiento desde ángulos que nuestra biología y cultura nos impiden explorar. En el extremo pesimista, enfrentamos fragmentación cognitiva global: bloques geopolíticos desarrollando sus propios sistemas de IA con memoria continua, cada uno consolidando interpretaciones del mundo incompatibles con las de otros, amplificando divergencias hasta hacer imposible cualquier terreno común de comprensión. La memoria artificial se convierte entonces en infraestructura de incomunicabilidad estructural.
El verdadero desafío no es técnico; es civilizacional. Estamos construyendo sistemas que, por primera vez en la historia, podrían acumular conocimiento de forma potencialmente indefinida sin las limitaciones biológicas que circunscriben la memoria humana. Pero acumulación sin olvido también significa consolidación sin revisión crítica, perspectivas que se refuerzan recursivamente hasta volverse incontestables dentro del propio sistema. El olvido humano no es solo una limitación; es también un mecanismo de flexibilidad cognitiva, una forma de evitar quedar atrapados en patrones obsoletos. ¿Qué pasa cuando construimos inteligencias que recuerdan todo, pero quizás carecen de mecanismos para cuestionar fundamentalmente sus propias estructuras de conocimiento consolidado?
La arquitectura de la memoria artificial es, en última instancia, la arquitectura del futuro cognitivo global. Nested Learning no simplemente mejora el rendimiento de modelos de lenguaje; altera las condiciones de posibilidad para sistemas que aprenden, recuerdan y potencialmente desarrollan perspectivas cada vez más complejas sobre el mundo. Las preguntas que deberíamos estar haciendo no son sobre cuándo lograremos AGI o qué tan rápido estos sistemas aprenderán, sino qué tipo de poder cognitivo estamos construyendo, quién lo controlará, cómo se distribuirá y qué formas de dependencia, desigualdad o fragmentación emergirán cuando la memoria artificial se vuelva persistente, acumulativa y quizás, eventualmente, autónoma. La respuesta a estas preguntas definirá no solo el futuro de la inteligencia artificial, sino la estructura misma del conocimiento y el poder en el siglo que apenas comienza.
