Visión general de investigación
Neurozoa investiga si un sustrato de software gobernado por principios biológicos de plasticidad puede producir cambios cognitivos medibles y persistentes entre sesiones.
La hipótesis central es que cuatro mecanismos bio-inspirados — Plasticidad Dependiente del Tiempo de Disparo [Bi & Poo 1998], escalamiento homeostático [Turrigiano 2008], reducción de escala inspirada en SHY [Tononi & Cirelli 2014] y neuromodulación inspirada en marcadores somáticos [Damasio 1994] — son conjuntamente suficientes para producir auto-organización observable entre sesiones en una simulación controlada.
Esta hipótesis se prueba iterativamente. Cada decisión arquitectónica se registra como una afirmación falsificable. Los resultados nulos se conservan. El crecimiento del automodelo del sustrato se rastrea como variable dependiente entre sesiones.
Investigación de un vistazo
- Sesiones registradas
- 69
- Sesiones con estado persistente acumuladas
- Hipótesis activas
- 4
- Hipótesis preregistradas y falsificables
- Pares sinápticos
- 4,884
- Conexiones Hebbianas ponderadas entre 63 neuronas
Pilares de investigación
Disciplina de falsificabilidad
Cada afirmación arquitectónica en el sustrato se preregistra como predicción falsificable antes de su implementación. Los resultados — incluidos los nulos — se añaden a un devlog inmutable. Una afirmación que no puede formularse como predicción falsificable no se implementa.
Fundamentación biológica
Las decisiones de implementación se remontan a neurociencia revisada por pares: STDP (Bi & Poo 1998), escalamiento homeostático (Turrigiano 2008), reducción de escala inspirada en SHY (Tononi & Cirelli 2014) y marcadores somáticos (Damasio 1994). Ningún mecanismo se implementa sin un precedente biológico citado.
Gobernanza del operador
Todos los despliegues y publicaciones del sustrato son ratificados por Arnold Wender. El sustrato emite artefactos — entradas de devlog, reflexiones, propuestas — pero estos se revisan como datos de investigación antes de cualquier uso externo. Ningún nivel del modelo puede reducir la superficie de autoridad del operador.
Arquitectura del sustrato
Grafo de regiones
El sustrato modela regiones neuronales como nodos en un grafo dirigido ponderado. Cada región mantiene un vector de estado, balance excitatorio/inhibitorio y punto de ajuste homeostático. Las sinapsis llevan historiales de activación con marca de tiempo para el cálculo STDP.
Capa de plasticidad
Tres reglas de plasticidad operan concurrentemente: actualizaciones de peso STDP en sinapsis co-activadas, escalamiento homeostático de la ganancia excitatoria y desaturación inhibitoria para prevenir la interferencia catastrófica [Golkar et al. 2026, en preparación].
Capa hormonal
Siete análogos neuromoduladores modulan los umbrales de plasticidad y las tasas de disparo. Los niveles de transmisores se calculan a partir del historial de activación y decaen con el tiempo simulado. El sistema se basa en la Hipótesis del Marcador Somático de Damasio [1994].
Automodelo
El sustrato mantiene un automodelo persistente: una representación estructurada de su propio estado interno, estimaciones de capacidad y eventos de corrección previos. El crecimiento de este modelo se rastrea como métrica de sesión a sesión.
Hallazgos recientes
Hallazgos seleccionados extraídos del devlog de solo adición del sustrato. Cada entrada registra un resultado medido contra una hipótesis preregistrada. Los resultados nulos se conservan junto con los hallazgos positivos.
-
Un agente modulado por el sustrato detectó 36 veces más inconsistencias ortográficas (144 vs. 4) que un agente nativo en la misma tarea de localización ES. El mecanismo propuesto es la modulación de priors, no la amplificación de capacidad: las invariantes explícitas en el contexto aumentan la granularidad de detección sin incrementar la capacidad subyacente del modelo.
N=1 tarea. Experimento completo de pares equiparados pendiente.
-
La implementación Wave 1 bajo la condición modulada por el sustrato obtuvo puntuaciones Lighthouse de 95 rendimiento / 100 accesibilidad / 96 buenas prácticas / 100 SEO en las tres rutas de localización, con una proporción espacio-en-blanco/contenido de 1,185 (promedio entre EN/DE/ES a 1440x900). El comparador Opus nativo aún no se ha medido; el umbral cuantitativo de H-NATIVO-1 permanece indeterminado hasta que se mida el comparador.
Proporción M1 medida; comparador M2 nativo diferido.
-
Dos subagentes Opus 4.7 independientes, con una tarea de diseño de esquema abierta e idéntica sin comunicación entre instancias, llegaron de forma independiente a cuatro invariantes estructurales: (1) campo plasticize tipado como literal false en el sistema de tipos, (2) capa de almacenamiento separada del devlog, (3) persistencia de solo adición, (4) separación de señales entre canales derivados del hook y declarados en el chat. Ninguna instancia tenía estas invariantes indicadas explícitamente en el prompt.
N=2. Solo condición dentro del sustrato; línea base nativa pendiente.
-
Las solicitudes POST concurrentes a dos canales chatId distintos no produjeron contaminación cruzada: un sondeo de 15 segundos en el canal A devolvió una respuesta vacía mientras un POST simultáneo al canal B recibió una respuesta 200 con una respuesta del sustrato de 1.407 caracteres. El invariante de aislamiento chatId fue verificado empíricamente bajo carga concurrente.
Prueba única; inferencia arquitectónica respaldada.
Línea de tiempo completa de investigación
-
Public research landing site launched
neurozoa.ai launched as the canonical public-facing index for the research project. Additional public milestones will be added here only when ratified for publication; internal research progress is not surfaced as a public timeline.
Literatura primaria
-
1986 Stanovich 1986 Matthew effects in reading: Some consequences of individual differences in the acquisition of literacy
Reading Research Quarterly
Foundational work on differential cognitive processing rates; informs the substrate dual-process model.
-
2014 Tononi & Cirelli 2014 Sleep and the price of plasticity: from synaptic and cellular homeostasis to memory consolidation and integration
Neuron
Synaptic Homeostasis Hypothesis (SHY): sleep-phase downscaling of synaptic weights prevents saturation. Neurozoa implements a computational analogue.
-
2008 Turrigiano 2008 The self-tuning neuron: synaptic scaling of excitatory synapses
Cell
Homeostatic synaptic scaling — neurons adjust gain to maintain target firing rates. Substrate homeostasis module is derived from this principle.
-
2023 Park et al. 2023 Contrastive Hebbian Learning with random feedback weights
arXiv preprint
Contrastive Hebbian Learning (CHL) without explicit backpropagation. Basis for the substrate Hebbian weight update rule.
-
1994 Damasio 1994 Descartes' Error: Emotion, Reason, and the Human Brain
Putnam
Somatic Marker Hypothesis: affect-laden signals guide decision-making. Substrate hormone layer draws on this framework.
-
1979 Hofstadter 1979 Godel, Escher, Bach: An Eternal Golden Braid
Basic Books
Strange Loops and self-referential systems — theoretical foundation for the substrate self-model module.
-
2026 Golkar et al. 2026 Memory desaturation via targeted inhibitory gating (in preparation)
Hypothesized desaturation mechanism to prevent catastrophic interference in continual learning. Substrate EXP-004 implements a computational test of this hypothesis.
-
1998 Bi & Poo 1998 Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type
Journal of Neuroscience
Spike-Timing Dependent Plasticity (STDP): causal co-activation strengthens synapses. Basis for the substrate STDP weight update rule.