Resumen:A pesar de los recientes avances en inteligencia artificial, muchos sistemas muestran un estancamiento en la adaptabilidad a largo plazo a pesar de la continua optimización del rendimiento. Este trabajo sostiene que tales limitaciones no surgen principalmente de una capacidad insuficiente de aprendizaje, datos o modelo, sino de una propiedad estructural más profunda de cómo se optimiza la inteligencia con el tiempo. Formulamos la inteligencia como un fenómeno a nivel de trayectoria regido por compensaciones multiobjetivo e introducimos la optimización de Pareto con trayectoria dominante, una generalización de la optimización clásica de Pareto en la que la dominancia se define sobre trayectorias completas. Dentro de este marco, las trampas de Pareto emergen como regiones del espacio de trayectoria no dominadas localmente que, sin embargo, restringen el acceso a rutas de desarrollo globalmente superiores bajo una optimización local conservadora. Para caracterizar la rigidez de tales restricciones, definimos el Índice de dificultad de escape de trampas (TEDI), una medida geométrica compuesta que captura la distancia de escape, las restricciones estructurales y la inercia del comportamiento. Mostramos que los techos de inteligencia dinámica surgen como consecuencias geométricas inevitables del dominio del nivel de trayectoria, independientemente del progreso del aprendizaje o la escala arquitectónica. Además, introducimos una taxonomía formal de trampas de Pareto e ilustramos la divergencia resultante a nivel de trayectoria utilizando un modelo mínimo agente-ambiente. En conjunto, estos resultados cambian el foco de la inteligencia del rendimiento del terminal a la geometría de optimización, proporcionando un marco de principios para diagnosticar y superar las limitaciones de desarrollo a largo plazo en sistemas adaptativos.
Publicado originalmente en export.arxiv.org el 16 de febrero de 2026.
Ver fuente original
