¿Busca una auditoría web según ADA Title II / WCAG 2.1 AA para municipios o portales comerciales? Vaya al escáner de accesibilidad AIfaFocus.
AIfa Cognitive Runtime (ACR)
Runtime cognitivo basado en conectoma para agentes de software autónomos, derivado del conectoma cerebral de Drosophila FlyWire v783 (139.255 neuronas, 54,5M sinapsis). Cinco motivos biológicos implementados en CPU (Python/NumPy), sin GPU; cada cifra de la página procede de un script abierto.
Sustrato de referencia: FlyWire FAFB v783 — 139.255 neuronas, 54,5M sinapsis. Arquitectura dual: Faithful Connectome Mode (integridad topológica, grafo sináptico y hash SHA-256) · Distilled ACR Mode (algoritmos en CPU para agentes de software; el conectoma se usa para estadísticas del grafo).
Matriz de ablación — medición real (360 episodios por configuración, 23.09.2026)
| Agente / configuración | Distracciones | Éxito de tareas | Pasos al resolver | Clics erróneos | Objetivo perdido / clic | Decisión P50 |
|---|---|---|---|---|---|---|
| Naive agent (goal falls out of a 4-message window) | 35% | 0.3% ± 1.5 | 10.0 | 98.6% | 0.000 | 0.074 ms |
| Standard agent, goal pinned (system-prompt style) | 35% | 5.8% ± 3.8 | 5.71 | 97.9% | 0.000 | 0.076 ms |
| + APL novelty gate only | 35% | 4.2% ± 4.2 | 3.27 | 97.7% | 0.000 | 0.076 ms |
| + CANN focus ring only | 35% | 5.6% ± 3.9 | 5.45 | 97.9% | 0.025 | 0.097 ms |
| + APL + CANN | 35% | 1.4% ± 3.1 | 6.20 | 99.2% | 0.001 | 0.100 ms |
| + APL + CANN + CX (as shipped in aifa_sdk) | 35% | 1.4% ± 3.1 | 6.20 | 99.2% | 0.001 | 0.181 ms |
| Standard agent + visited-link memory only | 35% | 95.0% ± 5.5 | 6.16 | 53.8% | 0.000 | 0.218 ms |
| + APL + CANN + CX fixed (visited-link repulsion) | 35% | 94.7% ± 5.5 | 6.23 | 54.5% | 0.000 | 0.427 ms |
| Full ACR (fixed CX) + bilateral verifier | 35% | 93.6% ± 4.1 | 6.07 | 54.1% | 0.000 | 0.680 ms |
* Sitios sintéticos con semilla fija (12 tareas × 30 semillas), embeddings léxicos por coincidencia de palabras. 35% de mensajes distractores, banners de cookies duplicados, señuelos y enlaces en bucle — iguales para todos. Ningún resultado se fija por probabilidad: decide el código. Script: bench/acr_agent_real_benchmark.py. Conclusión: toda la ganancia viene de la memoria de enlaces visitados, ausente en el CX publicado; un agente estándar con esa memoria iguala a ACR.
Latencias medidas (CPU Intel i7-14700, Python/NumPy)
N = 512, medido el 21.09.2026 con el motor aifa_sdk.
P50, 2.000 pruebas, medido el 21.09.2026.
P50; el código no evita bucles (ver tarjeta 03).
P50 de FlyHash, 23.09.2026. FAISS exacto: 8,8 ms.
Funciona en cualquier portátil sin GPU. El código está en el repositorio aifa-biobench y en la página /digital: aifa-biobench · /digital
Qué funciona y cuánto: cuatro mediciones reales
1. Duelo de búsqueda binaria (N = 25.000, D = 512)
100 consultas, seed 42Duelo directo con la binarización clásica. FlyHash usa 85× menos pesos de proyección no nulos (2048×6 frente a 2048×512), pero pierde en precisión: 18,9% frente a 80,5% de Sign-LSH con la misma latencia.
| Método | Recall@10 | NDCG@10 | P50 | Pesos de proyección |
|---|---|---|---|---|
| AIfa FlyHash | 18.90% | 0.3188 | 35.46 ms | 12,288 (85× más ligero) |
| Sign-LSH (BQ 1-bit) | 80.50% | 0.8715 | 36.77 ms | 1,048,576 |
| Multi-table LSH | 0.10% | 0.0022 | 0.045 ms | — |
2. Barrido del número de «garras» (d de 2 a 16)
prueba de hipótesisPrueba de «d = 6 de la mosca es óptimo». Medido: 19,8% con d = 6, ya 23,3% con d = 7; el mayor recall es 24,9% con d = 16. En esta tarea d = 6 no es el óptimo.
| Número de garras (d) | Recall@10 | P50 | Estado |
|---|---|---|---|
| d = 2 | 13.80% | 29.35 ms | base |
| d = 6 | 19.80% | 29.98 ms | valor de la mosca |
| d = 7 | 23.30% | 28.37 ms | mayor |
| d = 16 | 24.90% | 30.21 ms | máximo (2,7× más pesos) |
3. Benchmark de agentes — motores reales
360 episodios por agenteSustituye al script anterior, cuyo resultado lo fijaban probabilidades (22,47% → 94,58%). Motores reales de aifa_sdk, sitios sintéticos, 35% de distracciones. Resultado: la ganancia viene de la memoria de enlaces visitados; los demás mecanismos de ACR no aportan una mejora medible aquí.
| Agente | Éxito de tareas | Clics erróneos |
|---|---|---|
| Estándar, objetivo fijado | 5.8% ± 3.8 | 97.9% |
| ACR: APL + CANN + CX publicado | 1.4% ± 3.1 | 99.2% |
| ACR con CX corregido | 94.7% ± 5.5 | 54.5% |
| ACR completo + verificador | 93.6% ± 4.1 | 54.1% |
| Estándar + memoria de visitados | 95.0% ± 5.5 | 53.8% |
4. Robustez — desactivación real
5 semillasSustituye a la curva anterior generada por fórmula («3,21× más robusto»). Los bits del código y las neuronas del anillo se desactivan de verdad. FlyHash pierde más precisión que Sign-LSH; el anillo CANN pierde precisión al morir neuronas.
| Desactivado | FlyHash R@10 | Sign-LSH R@10 | Error CANN en reposo |
|---|---|---|---|
| 0% | 58.9% | 86.1% | 0.13° |
| 10% | 52.3% | 84.5% | 7.0° |
| 30% | 39.6% | 82.2% | 15.2° |
| 50% | 25.4% | 78.2% | 14.6° |
- Un conjunto de algoritmos bioinspirados (proyección dispersa, filtro de novedad APL, atractor en anillo CANN, navegación CX, verificador bilateral) en Python/NumPy dentro del paquete aifa_sdk.
- Algunos mecanismos funcionan como se describe (dispersión de APL, CANN mantiene el objetivo sin distracciones); otros no (evitación de bucles en CX, la compilación WASM, la comprobación de interbloqueos).
- Todas las cifras de esta página proceden de scripts del repositorio aifa-biobench; los archivos de resultados son públicos.
- No es una simulación del cerebro de la mosca ni una afirmación de equivalencia biológica.
- Los algoritmos usan conexiones aleatorias, no pesos de FlyWire; el conectoma FlyWire v783 solo se usa para estadísticas del grafo (C, L, KS).
- No existe ninguna ejecución de «58 μs en el ciclo completo» ni de «~122 ms en DOM real»: esas cifras se retiraron.
Ninguna métrica destacada se presenta sin su clase de evidencia
Hipótesis biológica
Complejidad analítica
Simulador / particionador
Prueba reproducible en CPU
Hardware independiente
Clúster de producción
Pila de Arquitectura del Conectoma TOP-10 (Candidatos a Producción L0–L4 · Prototipos de Investigación 06–10)
Pipeline central cognitivo L0–L4 y prototipos experimentales de investigación 06–10 clasificados en niveles de evidencia E0–E5
Memoria Conectómica FlyHash v783
Inspirado en el cuerpo pedunculado de la mosca (células de Kenyon, ~6 «garras» de entrada). Los pesos de proyección son aleatorios y dispersos: los datos de FlyWire no se cargan en este mecanismo.
Puerta de Novedad Sensorial APL
Neurona GABAérgica APL (Anterior Paired Lateral) con inhibición por retroalimentación global.
Navegación Vectorial CX
Cuerpo en abanico (FB) y puente protocerebral (PB) del Complejo Central.
Atractor Continuo en Anillo CANN
Columna de 64 neuronas en anillo del cuerpo elipsoide con dinámica de atractor continuo.
Verificador Bilateral de Inhibición Cruzada
Inhibición lateral cruzada entre hemisferios cerebrales simétricos.
Modelo de Eficiencia Energética (Motor LIF)
Modelo biofísico de eventos sinápticos de Drosophila (1 pJ/espiga vs 1-3 pJ/FLOP GPU FP16). Dispersión estructural: 85,0% ceros en matriz conectómica. Dispersión activa: 96,86% neuronas silenciosas durante el benchmark. Pruebas físicas con vatímetro en hardware en hoja de ruta.
Puntuación AIfa BioMatch (BioMatch v1.0)
Perfil metrológico del conectoma de Drosophila melanogaster (FlyWire v783: 139.255 neuronas, 54,5M sinapsis, ~2,7M aristas de grafo; Nature 2024). Evalúa isomorfismo topológico frente a referencia biológica.
Búsqueda WASM en Cliente (Microbenchmark)
Búsqueda en el navegador del cliente: JavaScript simple (TypedArrays, 7,1 KB), índice invertido con similitud de Jaccard. No se usa WebAssembly ni SIMD.
Prototipo Compilador Neuromórfico (Loihi 2 / SynSense)
Prototipo de software: convierte un grafo de conexiones en una tabla de enrutamiento de eventos (AER) y cuantiza los pesos a INT8. La partición en núcleos son bloques consecutivos simples — sin Metis ni minimización de cortes; los 78 neuropilos no se usan en el código. La comprobación «sin interbloqueos» era una constante True. No se ha realizado telemetría en placas Loihi 2.
Índice de Simbiosis Humano-IA (Métrica Φ_sym)
Modelo escalar formalizado de alineación operador-agente derivado de plasticidad heterosináptica. Para garantizar la eliminación de valores negativos, emplea transformación exponencial acotada: Φ_sym = exp(-lambda * D_KL) * Alineación * Confianza. Formalización de P_intent establecida; estudio empírico de validez de criterio pendiente.
Búsqueda, agente y robustez — medidos por separado
Ejecutar: python bench/aifa_biobench.py · python bench/acr_agent_real_benchmark.py · python bench/robustness_real.pyBúsqueda sobre 50.000 vectores (1024d)
Comparado con fuerza bruta L2 exacta.
Navegación en sitios sintéticos
9 agentes × 360 episodios, 35% de distracciones.
Desactivación de bits y neuronas
5 semillas, 20.000 vectores, 512 bits.
Catálogo Completo de 30 Innovaciones del Conectoma
Catálogo científico exhaustivo con base biológica, modelos matemáticos y arquitectura de despliegue
Connectome Innovation 1
Inspirado en el cuerpo pedunculado de la mosca. Según la literatura: ~783 neuronas de proyección envían señales de olor a ~2.000–2.500 células de Kenyon, cada célula recibe ~6–8 entradas aleatorias, la neurona APL inhibe a todas y quedan activas ~5% de las células. La idea: una proyección dispersa aleatoria a un espacio grande más «el ganador se lo lleva todo» da un hash binario tolerante al ruido. Nuestra implementación proyecta 1024 → 2048 unidades con pesos aleatorios (no se cargan datos de FlyWire), mantiene activas el 30% de las unidades, preselecciona por distancia de Hamming y reordena de forma exacta.
Connectome Innovation 2
Inspirado en la neurona APL de la mosca: según la literatura, una gran neurona inhibidora por hemisferio recoge la actividad de las células de Kenyon y la apaga si el estímulo se parece a uno ya visto. Nuestra implementación es un detector de duplicados: un vector nuevo se compara con un búfer de vectores vistos y, por encima de un umbral de similitud, se considera duplicado. Medido el 21.09.2026 (bench/novelty_detector.py): búfer de 5.000, 4.000 comprobaciones (2.000 nuevas + 2.000 duplicadas), precisión del 100% en esta prueba sintética, P50 1.069 μs, P95 2.092 μs. Los «3,4 μs» anteriores no se confirmaron.
Connectome Innovation 3
Inspirado en el complejo central de la mosca: según la literatura, un anillo de neuronas del cuerpo elipsoide guarda la dirección actual y el cuerpo en abanico la compara con el objetivo y emite una orden de giro. Nuestra implementación elige el siguiente elemento de la página por el vector hacia el objetivo en lugar de recorrerlo con la tecla Tab.
Connectome Innovation 4
Conectoma FlyWire v783 (Zenodo 10.5281/zenodo.10676866, CC BY 4.0). Medido el 23.09.2026 con los archivos de la publicación (bench/connectome_real_metrics.py): 139.255 neuronas, 54.492.922 sinapsis, 15.091.983 pares conectados, 2.700.513 pares con ≥5 sinapsis; neurotransmisores en los datos: acetilcolina, GABA, glutamato, octopamina, serotonina, dopamina. Las «3.869.878 conexiones» anteriores no se confirmaron. Huellas de los archivos: md5 de Zenodo (f48f972d… y e0e6c197…). El árbol de Merkle de bench/proof_of_connectome.py se construye con registros sintéticos con el mismo número de neuronas: construcción 1,23 s, verificación de un subárbol 1,6 ms, hoja falsificada detectada en 20 de 20 intentos.
Connectome Innovation 5
La idea: mirar un grafo de conocimiento como los neurocientíficos miran un conectoma: grados de los nodos, clústeres, nodos centrales, caminos cortos. El conectoma real FlyWire v783 (medido el 23.09.2026, 2.700.513 pares con ≥5 sinapsis): coeficiente de agrupamiento C = 0,160, longitud media de camino L = 4,03. Los anteriores «C = 0,34» y «2,3% de nodos centrales» no se confirmaron. En nuestra implementación los nodos son organizaciones, dominios, teléfonos y tecnologías, y las aristas son los vínculos entre ellos.
Connectome Innovation 6
Según la literatura, el cerebro de la mosca consume del orden de 10 microvatios, y en cada momento solo está activa una pequeña parte de las neuronas. La idea del modelo: calcular la energía por el número de eventos (disparos) y no por todas las multiplicaciones, como en una red neuronal densa. Es un modelo de cálculo, no una medición: no se usaron vatímetro ni contadores RAPL.
Puntuación AIfa BioMatch (BioMatch v1.0)
Prototipo arquitectónico: Perfil metrológico del conectoma de Drosophila melanogaster (FlyWire v783: 139.255 neuronas, 54,5M sinapsis, ~2,7M aristas; Nature 2024). Evalúa el isomorfismo topológico frente a la referencia biológica.
Búsqueda en Cliente (Browser Client-Side Search)
Prototipo arquitectónico: motor de búsqueda asociativa del lado cliente (public/aifa_connectome_web.js). 21.09.2026: la tarjeta afirmaba 'binario WebAssembly (Wasm SIMD128, 126.7 KB)'. La INSPECCIÓN DIRECTA del archivo mostró: JavaScript puro, cero bytes WASM, cero instrucciones SIMD. Tamaño real 7,121 bytes, no 126,700 (discrepancia de 17.79x). Algoritmo real: índice invertido con activación de células de Kenyon y similitud de Jaccard, no popcount.
Prototipo Compilador Neuromórfico (Loihi 2 / SynSense)
Prototipo arquitectónico: Prototipo de traducción de grafos conectómicos a representación de eventos asíncronos (AER). Partición Metis en 78 neuropilos, cuantización INT8 y simulación NoC. 21.09.2026: la afirmación '0 bloqueos en 1.000 pruebas' fue verificada — el motor original devuelve is_deadlock_free como constante fija True, nunca medida. Se añadió una comprobación honesta (bench/neuromorphic_compiler_run.py): 1.000/1.000 ejecuciones mostraron dependencia cíclica entre núcleos, lo que NO prueba bloqueos reales de hardware pero muestra honestamente que el 0/1000 original nunca fue calculado.
Índice de Simbiosis Humano-IA (Métrica Φ_sym)
Prototipo arquitectónico: Modelo escalar formalizado de alineación operador-agente derivado de plasticidad heterosináptica. Φ_sym = exp(-lambda * D_KL) * Alineación * Confianza. 21.09.2026: las variables Alineación y Confianza nunca fueron definidas numéricamente. Se encontró un motor existente con una fórmula DIFERENTE de 4 factores, completamente definida. Medido honestamente sobre 1.000 turnos sintéticos — Phi medio=0.1547, P50=0.0974, latencia 49.7-54.7 μs por turno.
Connectome Innovation 11
Medido el 23.09.2026 en el conectoma real FlyWire v783 (bench/connectome_topology_extra.py; 134.181 neuronas conectadas, 2.511.789 pares con ≥5 sinapsis): agrupamiento C = 0,155, camino medio L = 4,02. Un grafo aleatorio del mismo tamaño, medido igual, tiene C = 0,00029 y L = 3,65. Índice de mundo pequeño σ = (C/C_rand)/(L/L_rand) = 490: el cerebro de la mosca está muy agrupado y con caminos cortos. Las cifras anteriores de la tarjeta (C = 0,284, L = 3,82, σ = 8,42 o 79,81) no se confirmaron. Para un grafo de memoria sintético (500 nodos, p = 0,08) la ejecución del 21.09.2026 dio σ = 19,7, no el 7,15 declarado.
Connectome Innovation 12
Medido el 23.09.2026 en el conectoma real FlyWire v783 (bench/connectome_topology_extra.py, 134.181 neuronas conectadas): ⟨k²⟩/⟨k⟩ = 190,9, de donde el umbral de ruptura ante fallos aleatorios f_c = 1 − 1/(⟨k²⟩/⟨k⟩ − 1) = 0,995. Prueba directa: tras eliminar el 30% de las neuronas al azar, la mayor parte conectada conserva el 68,5% de todas las neuronas del grafo; tras eliminar el 30% más conectado, el 57,5%; con el 50%, el 48,1% y el 28,0%. Los anteriores «⟨k²⟩/⟨k⟩ ≈ 42,6, f_c ≈ 0,976» no se confirmaron.
Connectome Innovation 13
Inspirado en el olfato de la mosca: según la literatura, la primera decisión «peligroso / comestible» la toman receptores fijos, sin cálculos largos. La idea para TI: resolver los casos simples —un dominio, un título, un texto de error— con una comparación rápida de patrones y llamar a un modelo pesado solo donde los patrones no deciden. Las cifras anteriores sobre calentamiento del servidor, latencia del modelo y «12–18% de alucinaciones» no se midieron y se retiraron.
Connectome Innovation 14
Inspirado en el cuerpo elipsoide de la mosca: según la literatura, un anillo de neuronas «brújula» mantiene un pico de actividad que gira con la mosca y conserva la dirección. La idea: guardar la fase actual de un diálogo en ese anillo. Nuestra implementación es un atractor en anillo (ecuación de Amari, pesos «sombrero mexicano»); la ejecución usó 16 neuronas, como indica la tarjeta (el motor usa 64 por defecto).
Connectome Innovation 15
El conectoma FlyWire etiqueta cada conexión con un neurotransmisor predicho. Medido el 23.09.2026 con los datos de la publicación (bench/connectome_transmitters.py, 54,46 M de sinapsis con predicción), proporción de sinapsis por neurotransmisor más probable: acetilcolina 55,8%, GABA 23,3%, glutamato 17,8%, dopamina 1,4%, serotonina 1,2%, octopamina 0,6%. Las proporciones anteriores de la tarjeta (acetilcolina ~45%, dopamina ~5%, serotonina y octopamina ~3% cada una) no se confirmaron. La idea del modelo: la excitación y la inhibición se equilibran y la red mantiene un nivel de actividad fijado.
Connectome Innovation 16
Inspirado en la adaptación sensorial de la mosca: según la literatura, un fondo constante deja de percibirse mientras que una señal rara e importante se amplifica. La idea: dar más peso a los rasgos raros y podar las conexiones frecuentes. Fórmula: w(f) = log(1 + N/df) · (1 − e^(−λ·Δt)), umbral de poda del 5% del peso máximo.
Connectome Innovation 17
La idea: describir la arquitectura de un sistema de IA con el mismo rigor con que FlyWire describe un cerebro: cada elemento con identificador y tipo, cada enlace con tipo y peso. El formato CADF: S = ⟨V, E, T, W⟩, donde el tipo de enlace T ∈ {Sync, Async, Inhibitory, Modulatory} y el peso W > 0.
Connectome Innovation 18
La idea: igual que FlyWire dio a todos un cerebro de referencia abierto, un conjunto abierto de mediciones de accesibilidad web puede dar a los investigadores una referencia común. Nuestro conjunto es un recorrido con teclado de sitios de EE. UU.: cuáles de ocho páginas típicas se abren y se pueden recorrer con el teclado.
Connectome Innovation 19
Según la literatura (Caron et al., Nature 2013; Litwin-Kumar et al., Neuron 2017), una célula de Kenyon de la mosca recibe entradas de unas 6–8 neuronas de proyección, un número que se considera cercano al óptimo para separar olores. Lo comprobamos en nuestras propias tareas.
Connectome Innovation 20
La idea: mostrar de forma visual cómo se propaga la actividad por el cerebro de la mosca, en un terminal y en el navegador, con un sonido que depende del número de impulsos. Proyección de puntos en pantalla: [u, v] = R(α, β)·[x, y, z]; sonido: f(t) = f0 + k·Σ s_i(t).
Connectome Innovation 21
Inspirado en el complejo central de la mosca: según la literatura, las neuronas P-EN y P-FN conectan el cuerpo elipsoide con el puente protocerebral y ayudan a girar hacia un objetivo. La fórmula de la tarjeta: V = α·∇Φ_objetivo − β·Σ repulsión de los nodos visitados. El código del motor (aifa_sdk/cx_steering.py) implementa solo la primera parte, la atracción al objetivo; el campo de nodos visitados está declarado pero no se usa.
Connectome Innovation 22
Inspirado en la neuromodulación de la mosca: según la literatura, la dopamina, la octopamina y la serotonina cambian el cerebro entre sueño, vigilia tranquila, búsqueda de alimento y huida. La idea para un rastreador: variar el número de trabajadores paralelos y las pausas según éxitos y errores, como los moduladores cambian el modo del cerebro.
Connectome Innovation 23
Inspirado en la neurona APL: según la literatura, una gran neurona inhibidora por hemisferio recibe la señal de todas las células de Kenyon activas y las inhibe a todas en proporción, de modo que solo unas pocas siguen activas. La fórmula de la tarjeta: A = ReLU(X − cuantil(1−k)), y luego normalización por la suma.
Connectome Innovation 24
El motivo C1-FFL (Alon, 2007): el nodo X activa a Y, y la salida Z se dispara solo si X e Y están activos (Y lógico). Un impulso corto no tiene tiempo de pasar por Y y se apaga; una señal larga pasa. Cuánto está enriquecido este motivo en FlyWire v783 no lo hemos comprobado.
Connectome Innovation 25
Según la literatura, las neuronas T4 y T5 del sistema visual de la mosca detectan el movimiento de bordes claros y oscuros con el modelo de Hassenstein–Reichardt: la señal de un fotorreceptor se retrasa y se multiplica por la del vecino. La idea: detectar de la misma forma el parpadeo peligroso y las animaciones intrusivas en una página. El anterior «un millón de veces más eficiente que las tarjetas gráficas» no es una medición y se retiró.
Connectome Innovation 26
Un k-núcleo es el mayor subgrafo en el que cada nodo tiene al menos k vecinos dentro de él; se obtiene eliminando sucesivamente los nodos de grado menor que k. Medido el 23.09.2026 en el conectoma real FlyWire v783 (bench/connectome_topology_extra.py, pares con ≥5 sinapsis): k_max = 57, con 258 neuronas en el núcleo más interno. Los anteriores «k_max = 78, 1.420 neuronas» no se confirmaron.
Connectome Innovation 27
Según la literatura (Turrigiano, 1998), una neurona escala todas sus sinapsis de entrada para que su fuerza total se mantenga constante; de lo contrario, el aprendizaje hebbiano la lleva a la saturación. La idea: mantener igual de constante el «volumen» de la memoria y eliminar los enlaces débiles sin uso.
Connectome Innovation 28
La idea: usar un grafo cerebral real como prueba para bases de datos de grafos, porque los grafos sintéticos no reproducen su estructura. Medido el 23.09.2026 en el grafo real FlyWire v783: 139.255 neuronas, 15.091.983 pares conectados, 54.492.922 sinapsis; con un umbral de ≥5 sinapsis, 134.181 neuronas y 2.511.789 aristas. Las anteriores «3.869.878 conexiones» y «3,87 M de aristas» no se confirmaron.
Connectome Innovation 29
Según la literatura, el cerebro de la mosca es especularmente simétrico y los hemisferios intercambian señales a través de comisuras. La idea: dos «hemisferios» independientes evalúan una respuesta, y solo se acepta si coinciden. En el código (aifa_sdk/bilateral_verifier.py) la concordancia es √(s_i·s_d)·(1 − 0,4·|s_i − s_d|) con un umbral de 0,52 (la tarjeta indicaba 0,95).
Connectome Innovation 30
Según la literatura, las neuronas del complejo central de la mosca (E-PG, P-EN, P-FN, Δ7) forman un atractor continuo en anillo: el pico de actividad puede situarse en cualquier punto del anillo y se mantiene sin entrada externa. Nuestro motor (aifa_sdk/cann_focus.py, 64 neuronas) lo implementa correctamente: pesos «sombrero mexicano», posición leída por vector de población.
Benchmark de Investigación Abierta y Licencias Enterprise
Framework de evaluación reproducible bajo Apache 2.0 para la ciencia global y suministro de núcleo binario soberano para robótica, agentes y perímetros aislados.
AIfa BioBench Suite v3
Suite de evaluación reproducible para evaluar estructuras LSH conectómicas, atractores continuos CANN y recuperación asociativa multiagente.
43,2 ms (P50, 23.09.2026); la consulta es una copia con ruido de un vector de la base (σ = 0,08), no una búsqueda independiente.
43,9 ms (P50, 23.09.2026); consultas independientes del índice: una búsqueda representativa. FAISS exacto: 100% en 8,8 ms.
- Conjuntos de mediciones: búsqueda 50.000 × 1024, duelo de métodos, barrido de garras, prueba de agentes con motores reales, prueba de desactivación, estadísticas del conectoma FlyWire v783.
- CPU, sin GPU: funciona en cualquier ordenador con Python y NumPy; la búsqueda en el navegador es JavaScript (no WebAssembly).
- Licencia abierta Apache 2.0: uso libre en publicaciones científicas, comparaciones e investigación.
AIfa Cognitive Runtime Core (.aci)
Suministro de núcleo binario cerrado de alto rendimiento para robótica industrial, agentes autónomos y perímetros seguros sin conexión.
Búsqueda en 50.000 vectores × 1024 en CPU, medido el 23.09.2026.
Entrega: Linux (.so) / Windows (.dll) / SDK de C++ con auditoría Merkle, bajo contrato.
- Destilación a medida: entrenamiento y calibración de matrices de proyección para el dominio del cliente.
- Auditoría criptográfica: huellas de archivos y árbol de Merkle con sello Bitcoin de OpenTimestamps.
- Codesarrollo de I+D dedicado: un arquitecto de soluciones dedicado, contacto directo con el Arquitecto Jefe y un SLA garantizado.
Estado Legal, Derechos de Autor y Protección Intelectual
Único Creador, Autor y Arquitecto Principal de la arquitectura AIfa Cognitive Runtime (ACR) y las 30 tecnologías: Maksim Valentinovich Galatin. Todos los derechos exclusivos reservados.
Demarcación de PI: El sustrato del conectoma de Drosophila es ciencia abierta (FlyWire Consortium, Nature 2024, CC-BY-4.0). Nuestra propiedad intelectual es la destilación matemática nativa de CPU de la proyección de 6 garras, compuerta APL k-WTA y runtime. El script aifa_biobench.py es abierto bajo Apache 2.0. El núcleo binario AIfa Core (.aci) es estrictamente propietario bajo EULA Comercial de CODE Eternal y Secreto Comercial.