PAIPIA

El paradigma predominante en la memoria de IA se basa en bases de datos vectoriales (RAG) o en la expansión bruta de la ventana de contexto (T → ∞). Sin embargo, el coste computacional de la atención crece de forma cuadrática, O(n²), con la longitud del contexto, lo que hace insostenible la memoria perfecta a largo plazo.

PAIPIA propone una alternativa biomimética: modelar la memoria no como un búfer continuo, sino como un tejido vivo de celdas discretas (nodos JSON). Al trasladar la complejidad del modelo a la arquitectura del sistema, se logra una funcionalidad cercana a una AGI (inteligencia artificial general) acotada, ejecutable en el borde (edge computing) con coste marginal nulo.

2.1. La célula de memoria (discretización física)

A diferencia de los registros conversacionales monolíticos, PAIPIA estructura la información en objetos discretos denominados "esferas" (S). Cada esfera se define como una tupla:

Donde:

• H_i (memoria blanda). Metadatos ligeros cargados en RAM: palabras clave, marca temporal y grafo de conexiones.
• P_i (memoria dura). El contenido narrativo en bruto (payload), cargado mediante lazy loading solo bajo demanda.

Algoritmo de mitosis (división celular)

Para evitar el desbordamiento de contexto, definimos una función de masa μ(S_i) que representa la carga cognitiva (bytes o turnos de conversación) del nodo actual. Sea θ el umbral crítico de saturación, fijado experimentalmente en 5 interacciones o 1 MB. La transición de estado del sistema se define como:

Durante la mitosis:

1. El nodo padre S_i se sella (solo lectura).
2. Se instancia el nodo hijo S_i+1, que hereda el perfil de usuario U y las palabras clave.
3. Se establece una arista dirigida E(S_i, S_i+1) con un peso semántico ω ≈ 1.0, lo que garantiza la continuidad temporal del grafo.

2.2. Núcleo homeostático (dinámica de la variable τ)

PAIPIA implementa una variable de control, τ (tau), que representa el estado "psicológico" del sistema, acotada en τ ∈ [0, 1].

La evolución de τ en el tiempo t se modela como una ecuación en diferencias finitas basada en el estímulo de entrada I_t:

Donde [ · ] es la función indicadora de la naturaleza del input (análisis de sentimiento o urgencia); α y β son coeficientes de sensibilidad a estímulos positivos y negativos respectivamente, con β > α para simular el sesgo de negatividad biológico; y γ(0.5 − τ_t) es el término de fuerza restauradora que tiende a devolver el sistema al equilibrio (homeostasis) en ausencia de estímulos.

Recuperación termodinámica (simulated annealing)

La variable τ modula el radio de búsqueda R en el grafo de memoria:

En estados de estrés (τ ≈ 0), el sistema minimiza R e ignora los nodos latentes para optimizar la latencia. En estados de calma, R aumenta, lo que permite "alucinaciones controladas" y asociaciones creativas lejanas.

2.3. El puente híbrido (resiliencia fail-fast)

Para resolver la "fragilidad de la nube", PAIPIA implementa una función de inferencia compuesta F(x), donde x es el prompt:

El sistema prioriza el modelo de nube (mayor capacidad de razonamiento), pero conmuta de forma instantánea al modelo local cuantizado (Llama 3.2) ante errores de cuota o de red, garantizando una disponibilidad del 99,9 %.

Se realizó un experimento longitudinal para validar la persistencia de la memoria episódica en sesiones disjuntas.

Configuración experimental

• Fase A. Interacción sobre "Guillermo Tell" (t₀). El sistema genera los nodos S₁₅₉₂ y S_70cf.
• Fase B. Cambio de contexto a "Cristóbal Colón" (t₁). El sistema genera el nodo S_bcd7.
• Perturbación. En t₂, dentro del contexto de Colón, se consulta sobre el tópico de la fase A.

Resultados

1. Indexación. El sistema almacenó correctamente los contextos ortogonales en nodos separados.
2. Recuperación latente. Al recibir la consulta, el motor de búsqueda (con τ ≈ 0.9) escaneó los nodos "fríos" (T < 0.1), identificó las palabras clave en S₁₅₉₂ e inyectó el resumen de "Tell" en la ventana de atención actual.
3. Metacognición. En el nodo S₁₅₉₂, la IA reconoció un patrón repetitivo ("bucle monotemático") y ejecutó una corrección de trayectoria, evidenciando una capacidad de autorregulación basada en el historial.

La arquitectura expone su estado interno mediante una interfaz WebGL (Three.js), lo que permite la observabilidad cognitiva:

• Topología. Visualización de grafos dirigidos por fuerza.
• Termodinámica visual. Los nodos se renderizan con un gradiente de color C(T_i), donde T_i es la temperatura de acceso reciente (rojo → azul).

PAIPIA demuestra que la persistencia tipo AGI no requiere infraestructura de hiperescala. Mediante la mitosis celular para la gestión de datos y un motor híbrido para la resiliencia, hemos creado una arquitectura cognitiva robusta, escalable y respetuosa con la privacidad. Este enfoque de "baja tecnología, alto concepto" ofrece un camino sostenible hacia la inteligencia artificial personal.

El código fuente, los logs de memoria en JSON y los algoritmos del kernel están disponibles para su revisión en los anexos adjuntos:

• Lógica del kernel homeostático (kernel_v*.py).
• Asignador de memoria y mitosis (paipia_memory_allocator.py).
• Logs experimentales del sistema de archivos Cortex (*.json).

The prevailing paradigm for AI memory rests on vector databases (RAG) or on brute expansion of the context window (T → ∞). However, the computational cost of attention grows quadratically, O(n²), with context length, which makes perfect long-term memory unsustainable.

PAIPIA proposes a biomimetic alternative: modelling memory not as a continuous buffer but as a living tissue of discrete cells (JSON nodes). By shifting complexity from the model to the system architecture, it achieves functionality close to a bounded AGI (artificial general intelligence), runnable at the edge with near-zero marginal cost.

2.1. The memory cell (physical discretisation)

Unlike monolithic conversational logs, PAIPIA structures information into discrete objects called "spheres" (S). Each sphere is defined as a tuple:

Where:

• H_i (soft memory). Lightweight metadata held in RAM: keywords, timestamp and connection graph.
• P_i (hard memory). The raw narrative content (payload), loaded via lazy loading only on demand.

Mitosis algorithm (cell division)

To prevent context overflow, we define a mass function μ(S_i) representing the cognitive load (bytes or conversation turns) of the current node. Let θ be the critical saturation threshold, set experimentally at 5 interactions or 1 MB. The system's state transition is defined as:

During mitosis:

1. The parent node S_i is sealed (read-only).
2. The child node S_i+1 is instantiated, inheriting the user profile U and the keywords.
3. A directed edge E(S_i, S_i+1) is established with semantic weight ω ≈ 1.0, guaranteeing the temporal continuity of the graph.

2.2. Homeostatic core (dynamics of the τ variable)

PAIPIA implements a control variable, τ (tau), representing the system's "psychological" state, bounded in τ ∈ [0, 1].

The evolution of τ over time t is modelled as a finite-difference equation based on the input stimulus I_t:

Where [ · ] is the indicator function of the input's nature (sentiment or urgency analysis); α and β are sensitivity coefficients to positive and negative stimuli respectively, with β > α to simulate the biological negativity bias; and γ(0.5 − τ_t) is the restoring-force term that tends to return the system to equilibrium (homeostasis) in the absence of stimuli.

Thermodynamic retrieval (simulated annealing)

The τ variable modulates the search radius R within the memory graph:

In stress states (τ ≈ 0), the system minimises R, ignoring latent nodes to optimise latency. In calm states, R grows, allowing "controlled hallucinations" and distant creative associations.

2.3. The hybrid bridge (fail-fast resilience)

To address "cloud fragility", PAIPIA implements a composite inference function F(x), where x is the prompt:

The system prioritises the cloud model (greater reasoning capacity) but switches instantly to the quantised local model (Llama 3.2) on quota or network errors, guaranteeing 99.9% availability.

A longitudinal experiment was run to validate the persistence of episodic memory across disjoint sessions.

Experimental setup

• Phase A. Interaction about "William Tell" (t₀). The system generates nodes S₁₅₉₂ and S_70cf.
• Phase B. Context switch to "Christopher Columbus" (t₁). The system generates node S_bcd7.
• Perturbation. At t₂, within the Columbus context, the phase-A topic is queried.

Results

1. Indexing. The system correctly stored the orthogonal contexts in separate nodes.
2. Latent retrieval. On receiving the query, the search engine (with τ ≈ 0.9) scanned the "cold" nodes (T < 0.1), identified the keywords in S₁₅₉₂ and injected the "Tell" summary into the current attention window.
3. Metacognition. In node S₁₅₉₂, the AI recognised a repetitive pattern (a "single-topic loop") and executed a trajectory correction, evidencing a capacity for self-regulation based on history.

The architecture exposes its internal state through a WebGL (Three.js) interface, enabling cognitive observability:

• Topology. Force-directed graph visualisation.
• Visual thermodynamics. Nodes are rendered with a colour gradient C(T_i), where T_i is the recent-access temperature (red → blue).

PAIPIA shows that AGI-like persistence does not require hyperscale infrastructure. Through cellular mitosis for data management and a hybrid engine for resilience, we have built a cognitive architecture that is robust, scalable and privacy-respecting. This "low technology, high concept" approach offers a sustainable path towards personal artificial intelligence.

The source code, the JSON memory logs and the kernel algorithms are available for review in the attached appendices:

• Homeostatic kernel logic (kernel_v*.py).
• Memory allocator and mitosis (paipia_memory_allocator.py).
• Experimental logs from the Cortex file system (*.json).