Resumen: Impulsado por nuestra misión de “elevar el mundo con memoria”, este artículo explora el concepto de diseño de “memoria” que es esencial para lograr la superinteligencia artificial (ASI). En lugar de proponer métodos novedosos, nos centramos en varios enfoques alternativos cuyos beneficios potenciales son ampliamente imaginables, pero que aún permanecen en gran medida inexplorados. El paradigma actualmente dominante, que puede denominarse “extraer y luego almacenar”, implica extraer información considerada útil a partir de experiencias y guardar sólo el contenido extraído. Sin embargo, este enfoque conlleva inherentemente el riesgo de pérdida de información, ya que en el proceso de extracción se pueden descartar algunos conocimientos valiosos, especialmente para diferentes tareas. Por el contrario, enfatizamos el enfoque de “almacenar y luego extraer a pedido”, que busca retener experiencias en bruto y aplicarlas de manera flexible a diversas tareas según sea necesario, evitando así dicha pérdida de información. Además, destacamos dos enfoques adicionales: descubrir conocimientos más profundos a partir de grandes colecciones de experiencias probabilísticas y mejorar la eficiencia de la recopilación de experiencias al compartir experiencias almacenadas. Si bien estos enfoques parecen intuitivamente efectivos, nuestros sencillos experimentos demuestran que efectivamente es así. Finalmente, analizamos los principales desafíos que han limitado la investigación en estas direcciones prometedoras y proponemos temas de investigación para abordarlos.
Publicado originalmente en export.arxiv.org el 18 de febrero de 2026.
Ver fuente original
