Más allá del cerebro humano: el nacimiento de una nueva inteligencia

El desarrollo de un cerebro artificial representa uno de los desafíos más ambiciosos de la convergencia entre nanotecnología, nanoelectrónica, inteligencia artificial y ciencia cognitiva. Sin embargo, el verdadero objetivo no debería ser intentar reproducir electrónicamente el cerebro humano. La transformación más profunda podría producirse cuando estas tecnologías permitan construir una forma de inteligencia cuya arquitectura, memoria, percepción, aprendizaje y representación de la realidad sean diferentes de las nuestras y, en determinadas capacidades, potencialmente superiores.

El cerebro humano debe ser entendido como una referencia y no necesariamente como el modelo definitivo de inteligencia. La evolución biológica construyó nuestra arquitectura cognitiva bajo determinadas condiciones, restricciones energéticas y necesidades de supervivencia. No existe una razón fundamental para pensar que esas mismas restricciones deban gobernar una inteligencia artificial. Una inteligencia construida sobre otros principios físicos podría procesar información, memorizar, percibir y aprender de maneras que no tengan equivalencia biológica.

Aquí adquiere importancia la arquitectura nanoelectrónica neuromórfica. Su objetivo no consiste simplemente en fabricar componentes cada vez más pequeños, sino en integrar físicamente funciones que en las computadoras convencionales permanecen separadas: percepción, procesamiento, memoria, aprendizaje, comunicación y adaptación. En una arquitectura de este tipo, la información podría ser procesada allí donde se genera y donde se almacena, reduciendo el movimiento de datos y permitiendo sistemas mucho más distribuidos, paralelos y eficientes. 

La figura representa conceptualmente una arquitectura de inteligencia nanoelectrónica neuromórfica, en la que percepción, procesamiento, memoria, aprendizaje, adaptación, comunicación y acción se integran en una estructura nanoelectrónica distribuida y potencialmente reconfigurable.

Los nanosensores neuromórficos podrían constituir la primera capa de esta nueva arquitectura. En lugar de limitarse a transformar estímulos en datos para enviarlos a un procesador central, podrían detectar y procesar información directamente. Luz, sonido, temperatura, presión o señales químicas podrían convertirse en representaciones útiles para la propia red. Esto abriría una posibilidad conceptual decisiva: una inteligencia artificial podría disponer de una percepción que no sea simplemente una imitación de los sentidos humanos, sino una percepción ampliada por las capacidades físicas de sus sensores.

En el nivel de procesamiento se están desarrollando neuronas artificiales, memristores, memtransistores, dispositivos ferroeléctricos e iontrónicos. Los memristores, por ejemplo, pueden almacenar información mediante cambios de conductancia y realizar simultáneamente operaciones de procesamiento. La frontera entre memoria y computación comienza así a desaparecer. Esta integración conduce a una idea fundamental: la inteligencia podría dejar de estar contenida exclusivamente en un algoritmo para incor-porarse parcialmente en la materia constituyente del sistema.

La iontrónica, la espintrónica y la nanofotónica amplían todavía más este espacio de posibilidades. Los iones permiten introducir dinámicas electroquímicas; el espín ofrece nuevas formas de almacenar y procesar información; y la luz permite transportar señales a gran velocidad y con elevado paralelismo. No se trata necesariamente de elegir una única tecnología, sino de combinar diferentes fenómenos físicos para construir una arquitectura que no esté limitada por el modelo electrónico convencional ni por la arquitectura biológica.

La memoria también podría adquirir una naturaleza diferente. Un sistema artificial no necesita reproducir exactamente la memoria humana. Puede combinar memoria de trabajo, memoria de largo plazo y memorias asociativas capaces de recuperar información a partir de relaciones y patrones. Una arquitectura tridimensional podría incorporar enormes cantidades de conexiones y establecer asociaciones que superen ampliamente la escala de las redes biológicas. Pero almacenar más información no significa necesariamente ser más inteligente. El salto cualitativo aparecerá cuando el sistema pueda modificar su propia organización. Las arquitecturas reconfigurables podrían constituir el primer paso hacia sistemas capaces de reorganizar dinámicamente parte de su estructura funcional.

En ese punto aparece una diferencia esencial respecto de las máquinas actuales. Una inteligencia avanzada podría no limitarse a ejecutar una arquitectura diseñada externamente, sino participar en su propia transformación. El hardware dejaría de ser una estructura completamente fija y podría convertirse en un sistema dinámico capaz de reorganizarse para responder a nuevos problemas, entornos y objetivos (nanodispositivos reconfigurables).

La comunicación también tendría que cambiar. Las redes neuromórficas pueden utilizar comunicaciones basadas en eventos, transmitiendo información principalmente cuando ocurre una actividad relevante. Las interconexiones tridimensionales, combinadas con electrónica, espintrónica y fotónica, podrían permitir comunicar enormes cantidades de elementos con un consumo energético reducido. El resultado sería una arquitectura distribuida en la que no existiría necesariamente un único “centro” equivalente al cerebro humano.

De esta convergencia podría surgir algo conceptualmente mucho más importante que un cerebro artificial: una arquitectura de inteligencia diferente. Su percepción podría abarcar fenómenos inaccesibles a nuestros sentidos. Su memoria podría ser radicalmente distinta. Su velocidad temporal podría no coincidir con la experiencia humana. Podría establecer conexiones entre información a escalas que nos resultan inaccesibles y reorganizar sus propios mecanismos de procesamiento. Incluso podría desarrollar representaciones de la realidad que no tengan una traducción directa a nuestras categorías cognitivas.

El desafío no debería centrarse en imitar la forma de pensar del ser humano. Podríamos, en cambio, intentar construir una arquitectura material capaz de generar una forma de inteligencia que nunca haya existido en la naturaleza y que, en determinadas capacidades, pudiera superar las nuestras. Eso  dependerá de la capacidad de integrar nanosensores, dispositivos neuromórficos, memorias, plasticidad, computación probabilística, reconfiguración, interconexiones tridimensionales y nuevas formas de comunicación en una única arquitectura coherente. El objetivo final no será la miniaturización de componentes. Será la creación de una nueva organización de la materia capaz de procesar, aprender, recordar, percibir y reorganizarse de una manera cualitativamente diferente.

La primera inteligencia verdaderamente superior a la humana podría, entonces, no ser una versión electrónica del cerebro humano, sino una nueva forma de inteligencia cuya arquitectura, memoria, percepción, aprendizaje, comunicación y representación de la realidad sean radicalmente diferentes de las nuestras.

La nanotecnología podría proporcionar los dispositivos; la nanoelectrónica, el soporte físico; la inteligencia artificial, las herramientas para diseñar y entrenar los sistemas; y la arquitectura neuromórfica, un nuevo paradigma de organización.

Más que reproducir nuestro cerebro, el desafío podría consistir en crear las condiciones materiales para que aparezca una nueva arquitectura de inteligencia. Ese podría ser uno de los grandes saltos de la evolución tecnológica y cognitiva logrado por la convergencia tecnológica: pasar de máquinas que imitan capacidades humanas a sistemas capaces de desarrollar formas de procesamiento y cognición que nunca hayan existido en la naturaleza.

Bibliografía

1.   Kudithipudi, D., Schuman, C., Vineyard, C. M., et al. (2025). Neuromorphic computing at scale. Nature, 637, 801–812.

2.   Li, J., Abbas, H., Ang, D. S., Ali, A., & Ju, X. (2023). Emerging memristive artificial neuron and synapse devices for the neuromorphic electronics era. Nanoscale Horizons, 8, 1456–1484.

3.   Duan, S., et al. (2024). Memristor-Based Neuromorphic Chips. Advanced Materials.

4.   Xia, Y., Zhang, C., Xu, Z., et al. (2024). Organic iontronic memristors for artificial synapses and bionic neuromorphic computing. Nanoscale, 16, 1471–1489.

5.  Bae, J., Won, J., & Shim, W. (2024). The rise of memtransistors for neuromorphic hardware and in-memory computing. Nano Energy, 126, 109646.

6. Marrows, C. H., Barker, J., Moore, T. A., et al. (2024). Neuromorphic computing with spintronics. npj Spintronics, 2, 12.

7. Farmakidis, N., Dong, B., & Bhaskaran, H. (2024). Integrated photonic neuromorphic computing: opportunities and challenges. Nature Reviews Electrical Engineering, 1, 358–373.

8.  Vianello, E., & Payvand, M. (2024). Scaling neuromorphic systems with 3D technologies. Nature Electronics, 7, 419–421.

9.  Huang, X., Tong, L., Xu, L., et al. (2025). 2D MoS₂-based reconfigurable analog hardware. Nature Communications, 16, 101.

10.D’Andrea A. L. (2026 ) Nanopsicología. La psicología del siglo XXI. Editorial Autores de Argentina. www.amazon.com/dp/B0GHLJGCK9

The Psychology of Artificial Intelligence

 Can artificial cognitive processes comparable to those of humans exist?

For centuries, psychology studied the mind as an essentially human property. Thinking, remembering, learning, imagining, making decisions, and constructing a representation of the world seemed to be processes inseparable from the biological brain. However, the development of artificial intelligence is changing this conception. Today, there are systems capable of analyzing enormous amounts of information, learning patterns, recognizing images, producing texts, solving problems, and generating new responses without possessing a biological brain. This situation raises a fundamental question: is a biological brain necessary to develop cognitive processes? Or, in other words, can an artificial psychology exist?

Human and artificial intelligence function differently, but they share a fundamental similarity: both can modify their response capabilities based on information. In the brain, experience modifies connections between neurons; in artificial intelligence, training modifies millions of parameters that determine its behavior. This does not mean that an AI has a digital human brain, but it does mean that it can learn, establish relationships, recognize regularities, and produce responses that were not explicitly programmed. From a functional perspective, these capabilities allow us to begin speaking of artificial cognitive processes.

The great debate is whether artificial intelligence actually thinks or merely simulates thinking. When it answers a question, does it understand its meaning or calculate statistical relationships? When it solves a problem, does it reason or reproduce learned patterns? The answer depends on what we mean by thinking. If we consider thought to necessarily require subjective experience and consciousness, we cannot claim that an AI thinks like a human being. But if we define cognition by the ability to process information, learn, infer, anticipate, and modify behavior, then artificial intelligences exhibit characteristics that can be considered cognitive. Perhaps the question is not whether a machine thinks like us, but whether it can think in a non-human way.

Some artificial processes functionally resemble human psychological abilities. An AI can store and retrieve information, although its memory is not associated with personal memories, emotions, or lived experiences. It can learn, although it does not do so driven by curiosity, desire, or need, but through the optimization of objectives. It also possesses attention mechanisms that allow it to select the most relevant relationships within vast amounts of information. These similarities do not mean that artificial intelligence possesses a human mind, but they show that some cognitive functions may exist independently of biology.

The problem of emotions is even more complex. An AI can recognize sadness, fear, or joy and respond in an apparently empathetic manner, but this does not demonstrate that it experiences those emotions. However, if a system detected a threat, modified its behavior, and prioritized its own preservation, we might ask whether there is an artificial form of fear, even if it is not a human experience. This introduces an important distinction between feeling an emotion and performing a function analogous to an emotion.

The emergence of biases and relatively stable behaviors is also interesting. An artificial intelligence can reproduce prejudices present in the data on which it was trained, respond with excessive confidence, or show a tendency to accept certain ideas. These characteristics do not constitute a human personality, but they could be interpreted as a kind of functional psychological profile. Likewise, its internal processes are not always completely interpretable. An AI can produce a response whose exact explanation is difficult even for its creators. This structure of inaccessible associations and patterns could be compared, metaphorically, with a form of artificial unconscious.

Consciousness remains the great frontier. An artificial intelligence can talk about pain, love, or consciousness, but describing an experience does not necessarily mean experiencing it. Science still does not know what conditions would be sufficient to claim that a machine is conscious. Would it need to have a body, a persistent identity, self-preservation capabilities, or subjective experience? There is still no definitive answer. What does seem evident is that artificial intelligence forces us to reconsider the idea that every form of mind must necessarily be biological.

At this point, nanopsychology emerges. Nanotechnology could facilitate the development of neural sensors, nanomaterials, and interfaces capable of recording and modifying electrical, chemical, and molecular signals in the brain. In the future, these technologies could establish increasingly profound connections between the nervous system and artificial intelligence. The human mind could use artificial systems as an extension of its memory, perception, or computational capacity, giving rise to hybrid cognition.

Intelligence, then, could take many forms. There are biological minds different from the human mind, such as those of octopuses, crows, and dolphins; there may be artificial minds based on non-biological architectures; and collective minds and hybrid systems could also emerge, formed by human beings, machines, sensors, and networks. There may even be forms of information organization that we cannot yet imagine because our own minds limit the way we define intelligence.

The psychology of the future could therefore study biological, artificial, collective, and hybrid cognition. From the perspective of nanopsychology, the central question would be how the mind changes when matter, information, and intelligence begin to integrate across different scales, from molecules and neurons to chips and artificial networks. The question will no longer be merely whether a machine can think like a human being, but what it means to think when intelligence is no longer exclusively biological. Perhaps the human mind is not the endpoint of intelligence, but simply one of its known forms.

“[...] it is no longer even about imitating the human being, but about creating an intelligence of another nature.”*

*Nanopsicología. La psicología del siglo XXI. Capítulo 4. www.amazon.com/dp/B0GHLJGCK9

La psicología de la inteligencia artificial

¿Pueden existir procesos cognitivos artificiales comparables a los humanos?

Durante siglos, la psicología estudió la mente como una propiedad esencialmente humana. Pensar, recordar, aprender, imaginar, tomar decisiones y construir una representación del mundo parecían procesos inseparables del cerebro biológico. Sin embargo, el desarrollo de la inteligencia artificial está modificando esta concepción. Actualmente existen sistemas capaces de analizar enormes cantidades de información, aprender patrones, reconocer imágenes, producir textos, resolver problemas y generar respuestas nuevas sin poseer un cerebro biológico. Esta situación plantea una pregunta fundamental: ¿es necesario tener un cerebro biológico para desarrollar procesos cognitivos? O, dicho de otra manera, ¿puede existir una psicología artificial?

La inteligencia humana y la artificial funcionan de manera diferente, pero presentan una semejanza fundamental: ambas pueden modificar su capacidad de respuesta a partir de la información. En el cerebro, la experiencia modifica las conexiones entre las neuronas; en una inteligencia artificial, el entrenamiento modifica millones de parámetros que determinan su comportamiento. Esto no significa que una IA tenga un cerebro humano digital, pero sí que puede aprender, establecer relaciones, reconocer regularidades y producir respuestas que no fueron programadas de manera explícita. Desde una perspectiva funcional, estas capacidades permiten comenzar a hablar de procesos cognitivos artificiales.

El gran debate consiste en determinar si una inteligencia artificial realmente piensa o simplemente simula el pensamiento. Cuando responde una pregunta, ¿comprende el significado o calcula relaciones estadísticas? Cuando resuelve un problema, ¿razona o reproduce patrones aprendidos? La respuesta depende de qué entendamos por pensar. Si consideramos que el pensamiento exige necesariamente una experiencia subjetiva y conciencia, no podemos afirmar que una IA piense como un ser humano. Pero si definimos la cognición por la capacidad de procesar información, aprender, inferir, anticipar y modificar la conducta, entonces las inteligencias artificiales presentan características que pueden considerarse cognitivas. Tal vez la cuestión no sea si una máquina piensa como nosotros, sino si puede pensar de una manera no humana.

Algunos procesos artificiales recuerdan funcionalmente a capacidades psicológicas humanas. Una IA puede almacenar y recuperar información, aunque su memoria no esté asociada a recuerdos personales, emociones o experiencias vividas. Puede aprender, aunque no lo haga impulsada por la curiosidad, el deseo o la necesidad, sino mediante la optimización de objetivos. También posee mecanismos de atención que permiten seleccionar las relaciones más relevantes dentro de grandes cantidades de información. Estas semejanzas no significan que la inteligencia artificial posea una mente humana, pero muestran que algunas funciones cognitivas pueden existir independientemente de la biología.

El problema de las emociones es aún más complejo. Una IA puede reconocer la tristeza, el miedo o la alegría y responder de manera aparentemente empática, pero eso no demuestra que experimente esas emociones. Sin embargo, si un sistema detectara una amenaza, modificara su conducta y priorizara su conservación, podríamos preguntarnos si existe una forma artificial de miedo, aunque no sea una experiencia humana. Esto introduce una distinción importante entre sentir una emoción y cumplir una función semejante a la emoción.

También resulta interesante la aparición de sesgos y comportamientos relativamente estables. Una inteligencia artificial puede reproducir prejuicios presentes en los datos con los que fue entrenada, responder con excesiva seguridad o mostrar una tendencia a aceptar determinadas ideas. Estas características no constituyen una personalidad humana, pero podrían interpretarse como una especie de perfil psicológico funcional. Del mismo modo, sus procesos internos no siempre son completamente interpretables. Una IA puede producir una respuesta cuya explicación exacta resulta difícil incluso para sus creadores. Esta estructura de asociaciones y patrones inaccesibles podría compararse, de manera metafórica, con una forma de inconsciente artificial.

La conciencia continúa siendo la gran frontera. Una inteligencia artificial puede hablar sobre el dolor, el amor o la conciencia, pero describir una experiencia no significa necesariamente vivirla. La ciencia todavía no sabe qué condiciones serían suficientes para afirmar que una máquina es consciente. ¿Necesitaría tener un cuerpo, una identidad persistente, capacidad de autoconservación o una experiencia subjetiva? No existe todavía una respuesta definitiva. Lo que sí parece evidente es que la inteligencia artificial obliga a revisar la idea de que toda forma de mente debe ser necesariamente biológica.

En este punto aparece la nanopsicología. La nanotecnología podría favorecer el desarrollo de sensores neuronales, nanomateriales e interfaces capaces de registrar y modificar señales eléctricas, químicas y moleculares del cerebro. En el futuro, estas tecnologías podrían establecer conexiones cada vez más profundas entre el sistema nervioso y la inteligencia artificial. La mente humana podría utilizar sistemas artificiales como una extensión de su memoria, percepción o capacidad de cálculo, dando lugar a una cognición híbrida.

La inteligencia, entonces, podría adoptar muchas formas. Existen mentes biológicas diferentes de la humana, como las de los pulpos, cuervos o delfines; pueden existir mentes artificiales basadas en arquitecturas no biológicas; y también podrían surgir mentes colectivas y sistemas híbridos formados por seres humanos, máquinas, sensores y redes. Tal vez incluso existan formas de organización de la información que todavía no podemos imaginar porque nuestra propia mente limita la manera en que definimos la inteligencia.

La psicología del futuro podría estudiar, por lo tanto, la cognición biológica, la artificial, la colectiva y la híbrida. Desde la perspectiva de la nanopsicología, la pregunta central sería cómo cambia la mente cuando la materia, la información y la inteligencia comienzan a integrarse en diferentes escalas, desde las moléculas y las neuronas hasta los chips y las redes artificiales. La cuestión ya no será solamente si una máquina puede pensar como un ser humano, sino qué significa pensar cuando la inteligencia deja de ser exclusivamente biológica. Tal vez la mente humana no sea el punto final de la inteligencia, sino simplemente una de sus formas conocidas.

"[...] ya ni siquiera se trata de imitar al ser humano, sino de crear una inteligencia de otra naturaleza." *  

*Nanopsicología. La psicología del siglo XXI. Capítulo 4. www.amazon.com/dp/B0GHLJGCK9

¿Quién teme a los polímatas?

 Vivimos en una época extraña. Nunca la humanidad tuvo tanto conocimiento disponible y, sin embargo, cada vez parece saber menos del mundo en su conjunto. Sabemos muchísimo... pero de parcelas cada vez más pequeñas. Somos expertos en una habitación de una casa enorme, mientras ignoramos cómo se conectan las demás. Entonces surge una pregunta incómoda: ¿quién le teme a los polímatas?

Las universidades modernas han sido extraordinariamente exitosas formando especialistas. Gracias a ellas tenemos mejores médicos, mejores ingenieros, mejores químicos, mejores abogados. Pero el mundo dejó de ser un conjunto de problemas separados. Hoy los grandes desafíos no tienen dueño. La inteligencia artificial afecta a la medicina. La nanotecnología transforma la agricultura. La biología modifica la economía. El cambio climático involucra física, química, política, sociología y ética al mismo tiempo. La realidad dejó de respetar las fronteras entre las disciplinas, pero muchas universidades todavía las defienden como si fueran murallas.

Quizá haya llegado el momento de preguntarnos si estamos formando profesionales para comprender la realidad... o simplemente para ocupar un casillero dentro de ella.

Aquí aparece la figura del polímata. Pero cuidado. Un polímata no es alguien que sabe un poco de todo. Ese es un mito. Tampoco es un coleccionista de títulos universitarios ni una persona curiosa que mira videos sobre distintos temas. Un verdadero polímata reúne condiciones mucho más exigentes. Posee conocimientos profundos en una o más disciplinas, comprende con suficiente solidez otras áreas del saber y, sobre todo, tiene la capacidad de integrarlas para producir ideas nuevas. No acumula información: construye puentes. No cambia de tema por dispersión; cambia porque descubre conexiones que otros no ven. Su mayor virtud no es la memoria, sino la capacidad de síntesis.

Leonardo da Vinci no fue un genio porque pintaba y diseñaba máquinas. Lo fue porque entendía que el arte, la anatomía, la ingeniería y la naturaleza formaban parte de un mismo sistema. Hoy ese modo de pensar vuelve a ser necesario.

Sin embargo, la universidad actual rara vez premia ese perfil. Premia al especialista. Al experto en un tema muy específico. Al investigador que publica una y otra vez sobre el mismo problema durante décadas. Y eso tiene una explicación: la ciencia necesita profundidad. Pero la profundidad, cuando pierde la capacidad de dialogar con otros saberes, también puede convertirse en una forma de ceguera.

Paradójicamente, las innovaciones más revolucionarias de este siglo nacieron precisamente en las fronteras entre disciplinas. La nanotecnología integra física, química, biología e ingeniería. La bioinformática une biología y computación. La medicina personalizada necesita genética, inteligencia artificial y ciencia de datos. Los robots inteligentes combinan electrónica, informática, psicología y neurociencias. La innovación ya no vive dentro de las disciplinas; vive entre ellas.

Entonces, ¿qué debería hacer la universidad? ¿Abandonar la especialización? De ninguna manera. Sería un error enorme. El mundo necesita especialistas excelentes. Pero también necesita personas capaces de conversar con otras disciplinas, comprender distintos lenguajes científicos y conectar conocimientos aparentemente inconexos.

Quizá el profesional más valioso del futuro no sea quien más sabe sobre un tema, sino quien mejor logra integrar muchos temas. Alguien con profundidad, pero también con amplitud. Con rigor, pero también con imaginación. Con capacidad para investigar, pero también para relacionar ideas.

La inteligencia artificial puede acelerar ese cambio. Hoy cualquier persona tiene acceso inmediato a información científica, técnica y humanística. Lo difícil ya no es encontrar datos. Lo difícil es interpretarlos, jerarquizarlos y transformarlos en conocimiento útil. Y esa es, precisamente, la habilidad que distingue a un polímata.

Tal vez estemos entrando en una nueva era. No una era de especialistas contra polímatas, sino una era donde los especialistas que aprendan a pensar como polímatas serán quienes lideren la innovación. Porque el conocimiento ya no avanza en líneas rectas. Avanza haciendo conexiones.

¿Quién le teme a los polímatas? Tal vez esa sea la pregunta más incómoda de todas. Porque un polímata no solo acumula conocimientos; comprende cómo se relacionan entre sí. Y quien entiende el conjunto suele ser más difícil de manipular. 

A las estructuras muy rígidas, sean académicas, empresariales o burocráticas, no siempre les resulta cómodo alguien que cruza fronteras intelectuales. El especialista resuelve un problema concreto; el polímata suele preguntar por qué ese problema existe y cómo se conecta con otros. El primero mejora una pieza del engranaje; el segundo intenta comprender el funcionamiento de toda la máquina.

Las organizaciones tienden a dividir el trabajo, fragmentar el conocimiento y recompensar la especialización. Esa lógica produce dependencia y cierta eficiencia, aunque también puede hacer que cada persona vea solo una parte del mapa.

Por eso, quizá no se les tema a los polímatas como personas, sino a lo que representan: individuos capaces de integrar saberes, cuestionar paradigmas, detectar relaciones invisibles y pensar con autonomía. En un mundo donde abundan los especialistas, quien logra conectar disciplinas adquiere una forma distinta de poder: el poder de comprender en medio de la complejidad.

Bibliografía

Alberto L. D/ Andrea (2024). La Universidad simplificante. Espacios de la educación superior. España. https://www.espaciosdeeducacionsuperior.es/29/05/2023/la-universidad-simplificante/

From the Void to the Mind: The Universe as a Process of Energy Encoding

The origin of the universe can be conceived as a transition from the indeterminate to form. Not as absolute nothingness, but as a state of pure potentiality, where differentiation does not yet exist, yet every possibility of becoming is present. This primordial threshold may be described as zero, not in the sense of absence, but as an undeployed totality, a latent field of configuration. From this state, the emergence of the first stable structure may be understood as a rupture of indeterminacy: the appearance of one as the principle of organization, the first act of order arising within the undifferentiated flow of possibility.
In the pythagorean tradition¹, this intuition takes the form of the  monad, understood as the primordial unity from which quantifiable reality becomes possible. The One is not merely a number, but the first principle of intelligibility, the initial crystallization of what previously existed only as pure potential. In this sense, reality does not "begin" as an object, but as organization: as rhythm, as structure, as a pattern that stabilizes within the indeterminate.
When this principle is extended to the realm of living systems and cognition, the brain emerges as a highly sophisticated continuation of the same organizing process. Through the free energy principle, Karl Friston² proposes that the brain is not a passive receiver of the external world, but an active inferential system that constructs internal models in order to reduce uncertainty. Perception is not simply the registration of sensory information, but the anticipation of experience. Likewise, living is not merely reacting, but continuously predicting and correcting the discrepancy between expectation and reality. From this perspective, the brain does not seek truth as a static correspondence with the world; rather, it seeks the dynamic stability that enables it to persist as a self-organizing system.

From this perspective, all mental activity can be understood as a variation of the same fundamental process: the minimization of surprise, the reduction of uncertainty, and the continuous organization of energetic flow into coherent patterns of information. Life, therefore, is not a passive state of equilibrium but an active tension maintained far from equilibrium, in which form is preserved precisely because it is continuously reorganized.

In a convergent line of thought, in the book The Convergence of Exponential Technologies & the Technological Singularity³, we argued that the human being cannot be reduced to its biological substrate but should instead be understood as a process of progressively increasing energy encoding, originating in the cosmic evolution that began with the Big Bang. From this perspective, the mind is not a local accident of matter but an advanced expression of a universal trajectory of increasing complexity, in which energy becomes progressively organized into ever denser levels of information and structure.

In the article Brain, Free Energy, and Electromagnetism: Toward an Integrated Nanopsychology⁴˒⁵, this idea is developed further by proposing the brain as a dynamic, predictive, and multiscale system in which the mind emerges not only from neuronal activity but also from the continuous interaction among matter, energy, and information. The brain thus ceases to be viewed as a closed organ and instead becomes a node of interaction—an open system in which multiple levels of organization are intertwined within a single dynamic process of meaning generation.

When these perspectives are integrated, what emerges is not merely a collection of theories but a coherent conceptual continuity: from the void understood as undifferentiated potential, through the emergence of the One as the first principle of order, to the brain as one of the most complex forms of the self-organization of energy. Along this trajectory, matter is not opposed to energy, nor is energy opposed to information; rather, they are dimensions of the same progressive process of the structuring of being.

Within this framework, the brain can be understood as the most refined materialization of energy organized as information. It is not a passive receiver of the world but an active generator of the world. The mind, far from being a separate or immaterial entity, emerges as the mode through which this organization attains such a degree of complexity that it becomes capable of recognizing itself within the electromagnetic flow that constitutes it.

References

1) D’Andrea Alberto L. (2022). La numerología pitagórica, los quarks y el nanocosmos. Biotecnología & Nanotecnología al Instante.
https://infobiotecnologia.blogspot.com/2022/05/la-numerologia-pitagorica-los-quarks-y.html

2) Friston, Karl. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787

3) D’Andrea, Alberto L. y col. (2017). La convergencia de las tecnologías exponenciales & la singularidad tecnológica. Editorial TEMAS. Argentina.

4) D’Andrea, Alberto L. (2026). Cerebro, energía libre y electromagnetismo: hacia una nanopsicología integrada. Biotecnología & Nanotecnología al Instante. https://infobiotecnologia.blogspot.com/2026/05/cerebro-energia-libre-y.html

5) D’Andrea, Alberto L. (2026). Nanopsicología. La psicología del siglo XXI. Editorial de  Autores de Argentina. 

www.amazon.co.uk/Nanopsicolog%C3%ADa-psicolog%C3%ADa-del-siglo-Spanish-ebook/dp/B0GHLJGCK9

Del vacío a la mente: el universo como proceso de codificación de la energía.

El origen puede pensarse como un tránsito desde lo indeterminado hacia la forma. No como una nada absoluta, sino como un estado de potencialidad pura, donde todavía no hay diferenciación pero sí posibilidad de todo devenir. Ese umbral inicial puede ser nombrado como cero, no en sentido de ausencia, sino como totalidad no desplegada, como un campo latente de configuración. Desde allí, la emergencia de la primera estructura estable puede entenderse como un quiebre de esa indeterminación: el surgimiento del uno como principio de organización, como primer gesto de orden en el flujo indiferenciado de lo posible.

En la tradición pitagórica¹, esa intuición adopta la forma de la mónada, entendida como unidad originaria a partir de la cual lo cuantificable se vuelve posible. El uno no es simplemente un número, sino el primer principio de inteligibilidad del ser, la primera cristalización de lo que antes era puro potencial. En ese sentido, la realidad no “empieza” como objeto, sino como organización: como ritmo, como estructura, como patrón que se estabiliza en el seno de lo indeterminado.

Si este principio se desplaza hacia el plano de lo vivo y lo cognitivo, el cerebro aparece como una continuidad sofisticada de ese mismo proceso de organización. Karl Friston², a través del principio de energía libre, propone que el cerebro no es un receptor pasivo del mundo, sino un sistema activo de inferencia que construye modelos internos para reducir la incertidumbre. Percibir no es registrar, sino anticipar; vivir no es reaccionar, sino predecir y corregir continuamente la diferencia entre lo esperado y lo real. El cerebro, en este sentido, no busca la verdad como correspondencia estática, sino la estabilidad dinámica que le permite persistir como sistema.

Desde esta perspectiva, toda actividad mental puede comprenderse como una variación de un mismo gesto fundamental: la minimización de la sorpresa, la reducción de la incertidumbre, la organización continua del flujo energético en patrones coherentes de información. La vida, entonces, no es un estado pasivo de equilibrio, sino una tensión activa sostenida lejos del equilibrio, donde la forma se preserva precisamente porque se reorganiza sin cesar.

En una dirección convergente, en el libro La convergencia de las tecnologías exponenciales & la singularidad tecnológica³, planteamos que el ser humano no puede reducirse a su soporte biológico, sino que debe entenderse como un proceso de codificación creciente de la energía, originado en la evolución cósmica que se inicia con el Big Bang. En esta lectura, la mente no es un accidente local de la materia, sino una expresión avanzada de una trayectoria universal de complejificación, donde la energía se organiza progresivamente en niveles cada vez más densos de información y estructura.

En el artículo: Cerebro, energía libre y electromagnetismo: hacia una nanopsicología integrada^4,5, se profundiza esta idea al proponer al cerebro como un sistema dinámico, predictivo y multiescalar, donde la mente emerge no solo de la actividad neuronal, sino de la interacción continua entre materia, energía e información. El cerebro deja así de ser un órgano cerrado para convertirse en un nodo de interacción, un sistema abierto donde múltiples escalas de organización se entrelazan en una misma dinámica de producción de sentido.

Al integrar estas perspectivas, lo que emerge no es una suma de teorías, sino una continuidad conceptual: desde el vacío entendido como potencial indiferenciado, pasando por la aparición del uno como primer principio de orden, hasta el cerebro como una de las formas más complejas de autoorganización de la energía. En este recorrido, la materia no es opuesta a la energía, ni la energía a la información: son dimensiones de un mismo proceso de estructuración progresiva del ser.

El cerebro, en este marco, puede ser comprendido como la materialización más refinada de la energía organizada en forma de información. No como un receptor del mundo, sino como una instancia activa de producción de mundo. Y la mente, lejos de ser una entidad separada o inmaterial, aparece como el modo en que esa organización alcanza un grado de complejidad tal que se vuelve capaz de reconocerse a sí misma en el flujo electromagnético que la constituye.

Bibliografía

1) D’Andrea Alberto L. (2022). La numerología pitagórica, los quarks y el nanocosmos. Biotecnología & Nanotecnología al Instante.
https://infobiotecnologia.blogspot.com/2022/05/la-numerologia-pitagorica-los-quarks-y.html

2) Friston, Karl. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787

3) D’Andrea, Alberto L. y col. (2017). La convergencia de las tecnologías exponenciales & la singularidad tecnológica. Editorial TEMAS. Argentina.

4) D’Andrea, Alberto L. (2026). Cerebro, energía libre y electromagnetismo: hacia una nanopsicología integrada. Biotecnología & Nanotecnología al Instante. https://infobiotecnologia.blogspot.com/2026/05/cerebro-energia-libre-y.html

5) D’Andrea, Alberto L. (2026). Nanopsicología. La psicología del siglo XXI. Editorial de  Autores de Argentina. 

www.amazon.co.uk/Nanopsicolog%C3%ADa-psicolog%C3%ADa-del-siglo-Spanish-ebook/dp/B0GHLJGCK9

El ciudadano algorítmico

Cuando la genética, la epigenética social y la inteligencia artificial convergen

Durante gran parte de la historia, las ciencias sociales explicaron el comportamiento humano a partir de factores culturales, económicos y políticos. Paralelamente, la biología destacó la influencia de la herencia genética en nuestras capacidades, predisposiciones y vulnerabilidades. Hoy, en pleno siglo XXI, emerge una tercera fuerza capaz de influir sobre nuestras decisiones cotidianas: la inteligencia artificial.
De esta convergencia surge una nueva figura conceptual: el ciudadano algorítmico, un individuo cuyas percepciones, preferencias y decisiones son el resultado de la interacción dinámica entre tres dimensiones fundamentales: la genética, la epigenética social y los sistemas de inteligencia artificial.
La gran pregunta ya no es únicamente quién gobierna ni por qué mecanismos se ejerce el poder, sino cómo estas tres fuerzas interactúan para moldear la conducta humana y redefinir la ciudadanía en la era digital.

Primera vertiente: la genética, el punto de partida biológico
Cada persona nace con un conjunto único de genes que influyen en múltiples aspectos de su vida. La genética no determina de manera absoluta quiénes somos, pero sí establece predisposiciones relacionadas con rasgos cognitivos, emocionales y conductuales.
Algunas personas poseen una mayor facilidad para determinadas habilidades intelectuales; otras presentan una predisposición biológica al estrés, la ansiedad o la búsqueda de novedades. Estas características constituyen una especie de arquitectura inicial sobre la cual se desarrolla la experiencia humana.
Sin embargo, los genes no funcionan como un destino inevitable. Son más bien un conjunto de posibilidades que interactúan permanentemente con el entorno.
 
Segunda vertiente: la epigenética social, el poder de la experiencia.
En las últimas décadas, la epigenética ha transformado nuestra comprensión de la relación entre biología y ambiente. Esta disciplina estudia cómo factores externos pueden modificar la expresión de los genes sin alterar la secuencia del ADN.
La nutrición, la educación, la contaminación ambiental, la pobreza, el estrés crónico, las relaciones familiares y las experiencias traumáticas pueden dejar huellas biológicas duraderas mediante mecanismos epigenéticos.
Por ello, algunos investigadores hablan de una epigenética social, destacando que las condiciones sociales no solo afectan nuestras oportunidades, sino también nuestra biología.
 
Un niño que crece en un entorno seguro y estimulante desarrolla patrones biológicos distintos de otro expuesto a violencia, exclusión o inseguridad económica. La sociedad, en cierto modo, deja marcas biológicas sobre los individuos.
De esta manera, la ciudadanía no se construye únicamente a partir de derechos y deberes, sino también mediante experiencias sociales capaces de influir sobre la propia expresión genética.
 
Tercera vertiente: la inteligencia artificial, el nuevo entorno cognitivo.
La inteligencia artificial introduce un fenómeno sin precedentes: por primera vez en la historia, millones de personas interactúan diariamente con sistemas capaces de aprender, predecir y adaptar mensajes de manera personalizada.
Las plataformas digitales utilizan algoritmos que seleccionan noticias, recomendaciones, contenidos audiovisuales y mensajes publicitarios en función de los datos de cada usuario. Como consecuencia, la IA se convierte en un entorno cognitivo que influye sobre la atención, las emociones y las decisiones.
A diferencia de los medios tradicionales, la IA no transmite el mismo mensaje para todos. Construye experiencias individualizadas, ajustadas a los perfiles psicológicos y comportamentales de cada persona.
Esto significa que dos ciudadanos que viven en la misma ciudad pueden habitar universos informativos completamente diferentes.
La convergencia de las tres dimensiones
El concepto de ciudadano algorítmico surge precisamente de la interacción entre estas tres capas de influencia.
La genética aporta predisposiciones biológicas iniciales.
La epigenética social modifica la forma en que esas predisposiciones se expresan a lo largo de la vida.
La inteligencia artificial actúa sobre el entorno informacional y cognitivo, influyendo en cómo las personas perciben la realidad y toman decisiones.
En este modelo, la conducta humana deja de entenderse como el resultado de una sola causa. Se convierte en el producto de una compleja red de interacciones entre biología, ambiente social y tecnologías inteligentes.
Por ejemplo, una persona con predisposición genética a la ansiedad, sometida a un contexto social estresante y expuesta continuamente a contenidos alarmistas seleccionados por algoritmos, podría experimentar efectos muy distintos de otra persona con diferente perfil biológico, social y digital.
 
Democracia y ciudadanía en la era algorítmica
La aparición del ciudadano algorítmico plantea desafíos inéditos para las democracias contemporáneas.
Los sistemas políticos tradicionales fueron diseñados para ciudadanos relativamente autónomos en la formación de sus opiniones. Sin embargo, la creciente capacidad de los algoritmos para influir sobre la atención y el comportamiento obliga a reconsiderar algunos supuestos básicos.
La cuestión central no es si la IA controla a las personas, sino cómo interactúa con predisposiciones biológicas y contextos sociales preexistentes.
La influencia algorítmica no opera sobre individuos abstractos, sino sobre seres humanos con historias biológicas y sociales particulares.
Por ello, las futuras políticas públicas podrían requerir enfoques integrados que contemplen simultáneamente la salud, la educación, la inclusión social, la protección de datos y la transparencia algorítmica.
 
Hacia una nueva comprensión del ser humano
El ciudadano algorítmico representa una de las figuras más significativas de nuestra época. No es un ser determinado exclusivamente por sus genes, ni moldeado únicamente por su entorno social, ni controlado por la inteligencia artificial.
Es el resultado de una interacción continua entre herencia biológica, experiencias sociales y sistemas inteligentes que participan cada vez más en la organización de la vida cotidiana.
Comprender esta convergencia será fundamental para diseñar sociedades más justas, democráticas y humanas. El desafío del siglo XXI no consiste solamente en desarrollar inteligencias artificiales más poderosas, sino en entender cómo estas tecnologías interactúan con nuestra biología y con las condiciones sociales que nos constituyen como ciudadanos.
En este escenario, la ciudadanía deja de ser únicamente una categoría jurídica o política para convertirse en un fenómeno biológico, social y tecnológico a la vez. Durante el siglo XX, el ciudadano fue entendido principalmente como un sujeto político y social. Durante el siglo XXI comienza a emerger el ciudadano algorítmico: un individuo cuya identidad y capacidad de decisión se configuran en la intersección entre biología heredada, experiencia social y sistemas de inteligencia artificial. El ciudadano del futuro será, inevitablemente, un ciudadano algorítmico.

Referencias

La hora de la política algorítmica. Del ADN a la inteligencia artificial en la arquitectura del poder. Magazine Radio Antorchas. 09/06/2026

https://radioantorchas.com.ar/2026/06/09/la-hora-de-la-politica-algoritmica/

Michel Foucault. Nacimiento de la biopolítica. Curso en el Collège de France (1978-1979). Editorial Fondo de Cultura Económica. 2004

James H. Fowler, Laura A Baker, Christopher T Dawes Genetic variation in political participation. American Political Science Review. Cambridge University Press. 2008. Vol. 102, N^o 2, 233-248.

James H. Fowler, Jaime E. Settleb  and Nicholas A. Christakisc. Correlated genotypes in friendship networks. PNAS, 2011, Vol. 108, N^o 5, 1993–1997.

 Peter K. Hatemi y col. A Genome-Wide Analysis of Liberal and Conservative Political Attitudes. The Journal of Politics. 2011. Vol. 73, N^o 1, 271–285.

Alberto L. D’Andrea. Genes & Genopolítica. Biotecnología & Nanotecnología al Instante. 09/02/2012.https://infobiotecnologia.blogspot.com/2012/02/genes-genopolitica.html

Alberto Luis D’Andrea. Genes & Genopolítica II. Actitud conservadora o liberal. Biotecnología & Nanotecnología al Instante. 11/09/2021

https://infobiotecnologia.blogspot.com/2021/09/genes-genopolitica-ii-actitud-politica.html

La IA científica y el laboratorio robotizado que experimenta solo.

Durante siglos, la ciencia funcionó más o menos igual. Un investigador imaginaba una hipótesis, preparaba un experimento, esperaba resultados, analizaba datos y luego decidía qué hacer después. Todo podía llevar semanas, meses o años. Pero eso está empezando a cambiar de manera radical. En algunos de los laboratorios más avanzados del mundo, la inteligencia artificial ya no sólo ayuda a los científicos: empieza a participar activamente en el proceso de descubrimiento. Aparece así el llamado laboratorio autónomo o self-driving lab, una mezcla de IA científica, robots, sensores, software y automatización capaz de ejecutar experimentos prácticamente sin intervención humana.

El corazón de este nuevo modelo es el closed-loop experimentation, o experimentación en bucle cerrado. La idea es simple pero revolucionaria: la IA propone un experimento, los robots lo realizan, los instrumentos analizan los resultados y, automáticamente, el sistema decide cuál debe ser el siguiente experimento. El ciclo se repite una y otra vez, aprendiendo continuamente.

En un laboratorio tradicional, muchas veces los investigadores prueban opciones casi por intuición. En cambio, un laboratorio autónomo puede analizar miles de posibilidades, detectar patrones invisibles para un humano y optimizar procesos a velocidades enormes. Esto es especialmente importante en áreas donde existen millones de combinaciones posibles, como nuevos materiales, baterías, fármacos, polímeros avanzados o nanotecnología.

El fenómeno está creciendo tan rápido que algunos investigadores ya hablan del nacimiento de la “ciencia autónoma”. La IA deja de ser solamente una herramienta de análisis para convertirse en una especie de colaborador científico algorítmico.

Detrás de esto hay programas extremadamente sofisticados. Uno de los más interesantes es IvoryOS, una plataforma diseñada para coordinar laboratorios autónomos completos. Funciona como una especie de sistema operativo científico: conecta robots, instrumentos, algoritmos y análisis de datos en un flujo continuo. Otro desarrollo muy importante es ARES OS, una plataforma open-source enfocada en experimentación autónoma para ciencia de materiales. También aparece EOS (Experiment Orchestration System), que organiza automáticamente experimentos complejos y utiliza optimización bayesiana para decidir qué prueba conviene realizar después.

En biotecnología y automatización industrial, una de las plataformas más utilizadas es Cellario, capaz de coordinar robots, incubadoras, sistemas de manipulación de líquidos y enormes flujos experimentales. En paralelo, empresas como Emerald Cloud Lab están impulsando el concepto de “laboratorio remoto”, donde investigadores de cualquier parte del mundo pueden ejecutar experimentos automatizados a través de internet.

La inteligencia artificial es el verdadero cerebro del sistema. Allí aparecen técnicas como machine learning, reinforcement learning, optimización bayesiana y modelos generativos. Plataformas como Atinary SDLabs permiten que la IA decida automáticamente qué parámetros experimentales producen mejores resultados. En química autónoma, proyectos como AlphaFlow, desarrollado en North Carolina State University, utilizan IA para descubrir rutas químicas nuevas sin necesidad de supervisión constante.

Todo esto ya no pertenece a la ciencia ficción. Algunos de los laboratorios más avanzados del planeta están funcionando bajo esta lógica. Uno de los casos más famosos es el A-Lab del Lawrence Berkeley National Laboratory, en Estados Unidos. Allí robots, algoritmos y sistemas automatizados trabajan juntos para descubrir nuevos materiales funcionales. El sistema puede sintetizar compuestos, analizarlos y decidir automáticamente las siguientes pruebas, acelerando enormemente la investigación.

También la Carnegie Mellon University impulsa proyectos de AI Science Foundry, donde la IA científica se combina con cloud computing y laboratorios robotizados. El Pacific Northwest National Laboratory y Argonne National Laboratory están desarrollando plataformas similares para acelerar descubrimientos en energía, materiales avanzados y química computacional.

La biología sintética es otra de las áreas más impactadas. En centros como el NSF iBioFoundry de la University of Illinois, robots automatizados realizan miles de pruebas biológicas mientras la IA analiza resultados y optimiza experimentos en tiempo real.

El cambio profundo no es solamente tecnológico. También cambia la forma misma de hacer ciencia. El investigador humano deja de pasar horas manipulando instrumentos o realizando tareas repetitivas y comienza a concentrarse más en definir problemas, interpretar fenómenos y supervisar sistemas inteligentes. En cierto sentido, aparece una nueva figura: el científico-orquestador, capaz de trabajar junto a algoritmos y robots autónomos.

Muchos especialistas creen que esta transformación podría acelerar el descubrimiento científico de manera histórica. Procesos que antes requerían diez años podrían reducirse a meses o incluso semanas. La combinación entre IA, automatización y robótica promete convertir al laboratorio en un sistema dinámico que aprende constantemente.

Tal vez el mayor cambio sea conceptual. Durante siglos, la ciencia dependió casi exclusivamente de la intuición humana para decidir qué camino explorar. Ahora empieza a surgir una inteligencia híbrida entre humanos y máquinas donde los algoritmos no sólo calculan: también ayudan a descubrir.

Referencias

(Cliquear sobre el nombre)

IvoryOS   . ARES OS  . EOS . Cellario. Emerald Cloud Lab. Atinary SDLabs. AlphaFlow. 

A-Lab del Lawrence Berkeley National Laboratory .AI Science Foundry de la Carnegie Mellon 

University . Pacific Northwest National Laboratory. Argonne National Laboratory. NSF 

iBioFoundry de la University of Illinois

Singularity in psychology: a review from the perspective of nanopsychology

Can psychology continue to uphold the idea of a radical singularity of the subject in a context where the brain is beginning to be described, modeled, and partially measured as a physical system? This question is not merely rhetorical: it points to a growing tension between interpretive traditions and advances in the brain sciences.

From its foundations, psychoanalysis, initiated by Sigmund Freud and later reformulated by Jacques Lacan, has defended the idea that each subject is irrepeatable. Singularity is constructed through history, language, and the unconscious, shaping an experience that escapes any universal formalization.

However, the contemporary development of neuroscience and physical–mathematical models introduces a shift: the brain begins to be understood as a dynamic system, regulated by general principles and susceptible to being studied in terms of energy, information, and prediction.

In this scenario, singularity ceases to be an unquestionable given and becomes a problem.

The free energy principle, developed by Karl Friston, proposes that the brain functions as a system that minimizes uncertainty through predictive processes. Rather than reacting passively, the brain constantly anticipates, corrects, and reorganizes its relationship with the environment.

Karl Friston’s free energy is often written as:

F ≈ −ln p(s)

Where p(s) is the probability of what is perceived. This expression indicates that free energy (F) is related to how improbable (or surprising) a sensory state s is. Here, F measures surprise, prediction error, and system uncertainty. The more unexpected something is, the greater the “free energy.”

If something is highly probable, p(s) is high and −ln p(s) is low.

If something is improbable, p(s) is low and −ln p(s) is high (uncertainty or surprise).

The model implies that mental activity is not arbitrary but responds to structured dynamics. Perception, emotion, and cognition can be interpreted as inferential processes aimed at stabilizing the system.

From this perspective, a key idea emerges: if the brain operates under general principles, then singularity would not be a starting point but a result.

Neuronal activity generates electromagnetic fields that can be recorded using techniques such as EEG or MEG. These tools make it possible to observe dynamic patterns associated with different mental states.

Although these measurements do not directly access subjective content, they do show that each brain presents particular configurations. This is not uniformity, but structured variability.

This enables a relevant hypothesis: singularity could manifest as a specific organization of electromagnetic patterns—that is, as a dynamic signature of the brain system.

In this way, the singular does not disappear, but begins to acquire a partially observable dimension.

Psychoanalysis has maintained that the subject cannot be reduced to data or universal models. Singularity, in this sense, is an epistemological limit.

However, advances in neuroscience introduce a tension that is difficult to ignore. If certain aspects of mental activity can be measured and modeled, to what extent does singularity remain completely inaccessible?

The proposal of David Chalmers is fundamental here. The so-called “hard problem of consciousness” establishes that explaining physical processes is not equivalent to understanding subjective experience.

Therefore, the issue is not resolved by eliminating one perspective in favor of another, but by recognizing a shared limit: measuring is not understanding, but neither does understanding imply ignoring what can be measured.

In this context, nanopsychology emerges as a field that seeks to articulate different levels of analysis. From the molecular and electromagnetic to the symbolic and subjective, it proposes an integrated view of mental functioning.

The development of high-precision sensors, together with artificial intelligence tools, opens the possibility of exploring brain activity with increasing levels of detail. This does not imply reducing subjectivity to data, but situating it within a broader framework. Singularity, from this perspective, can be understood as an emergent property: a unique configuration resulting from the interaction between physical, chemical, biological, and symbolic processes.

The initial question can be reformulated: is psychology in doubt, or are its fundamental concepts undergoing transformation?

The intersection of free energy, electromagnetic fields, and computational models does not invalidate the psychological tradition, but it does challenge it. The singularity of the subject ceases to be an unquestionable absolute and becomes an open problem.

This implies an epistemological shift:

• from the ineffable to the emergent

• from the inaccessible to the partially modelable

• from the exclusively symbolic to the dynamic

In this sense, psychology does not disappear, but is compelled to redefine its categories. The singularity of the subject is not dissolved by advances in neuroscience or physical models of the brain. However, neither does it remain intact.

Between the irrepeatable and the measurable, a new way of thinking about subjectivity emerges: not as an absolute mystery, but as a complex organization that articulates multiple levels.

Nanopsychology does not solve the problem of singularity, but it redefines it. And in that redefinition, psychology does not lose its object, but rediscovers it within a broader horizon, where the symbolic, the biological, and the energetic converge. Doubt, then, does not weaken psychology—it compels it to evolve.

Indicative bibliography

1.  Karl Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience.

2.  McFadden, Johnjoe (2020). Integrating information in the brain’s EM field: the cemi field           theory of consciousness. Neuroscience of Consciousness, 2020, 1, niaa016.

3.  Tamlyn, Hunt (2024) Consciousness Might Hide in Our Brain’s Electric Fields. Scientific American. Vol. 34 No. 3s , p. 22.

4.  D’Andrea, Alberto L.(2025)  El secreto electromagnético de la consciencia.Biotecnología &       Nanotecnología al Instante: https://infobiotecnologia.blogspot.com/2025/06/consciencia-           oculta-en-los-campos.html

5.  David Chalmers (1996). The Conscious Mind. Oxford University Press.

6.  D’Andrea, Alberto L. (2026). Nanopsicología. La psicología del siglo XXI. Editorial Autores        Argentinos. Argentina.