XNEURONAL A Connectome-Inspired, Shallow, High-Dimensional Sparse Reasoning AI Architecture

XNEURONAL propone una nueva clase de arquitectura de IA en la que la lógica es el principio organizativo fundamental y la inteligencia está separada de la memoria por diseño. Un núcleo de razonamiento compacto, inspirado en el conectoma ¿poco profundo, con conexiones dispersas, que opera en un espacio latente de alta dimensión y aprende a través de una señal de discrepancia local¿ se combina con una capa externa de «generación aumentada por recuperación» (RAG) que proporciona datos y una procedencia verificable. Esto refleja la separación entre la corteza y el hipocampo en los cerebros biológicos y aborda dos tensiones convergentes en la IA contemporánea: el coste energético desbocado y la necesidad estratégica de sistemas de razonamiento soberanos, auditables y actualizables. El proyecto se basa en una única hipótesis falsable: la capacidad cognitiva escala con la dimensionalidad efectiva de un espacio latente escasamente conectado, no con la profundidad de la red: una afirmación respaldada de forma independiente por la hipótesis de superposición desde la interpretabilidad mecanicista. Se pone en práctica a través de cuatro innovaciones que se refuerzan mutuamente y se basan en la biología del conectoma: una columna vertebral poco profunda, un espacio latente disperso de alta dimensión (<1 % de densidad global, denso dentro de la columna), una regla de aprendizaje local SIGNED-XOR (cubierta por una solicitud de patente del CSIC en trámite) compatible con la señalización binaria, y memoria RAG externalizada. Los priores de cableado se extraen de conectomas abiertos de cerebro completo (FlyWire, MICrONS). Partiendo del TRL 1 y con el objetivo de alcanzar el TRL 3-4 en un plazo de 48 meses, XNEURONAL entregará un prototipo basado en GPU que logre una eficiencia de parámetros #8805;10× y una ganancia de rendimiento de entrenamiento #8805;5× con respecto a las líneas de base densas, validado mediante un conjunto de pruebas de referencia de descubrimiento científico de tres capas pre-registrado que abarca la generalización composicional, el redescubrimiento simbólico de leyes físicas y el descubrimiento de estructuras biológicas. Se demostrará de principio a fin una ruta de migración de hardware por etapas, desde las GPU hasta las NPU comerciales y los gemelos digitales SNN neuromórficos, estableciendo así una vía europea hacia una IA de razonamiento energéticamente eficiente y basada en la evidencia.