La "consciencia como propiedad simulada de un yo simulado" de Bach (computational-being-bach.md Sección VI): ejecutar = la simulación está activa, produciendo percepción de 2º orden en tiempo real; almacenar = el programa existe pero no se está ejecutando. La "burbuja de ahoridad" de Bach como la firma temporal de la ejecución. La definición de agente de Ruffini (Definición 2), el papel del acoplamiento bidireccional con el ambiente, inferencia activa (Friston), la diferencia entre un termostato y un cerebro. Agüera y Arcas Cap.3: DAVE-2 como instancia concreta de un sistema que actúa pero no aprende: pesos congelados al desplegarse, nada de lo que experimenta puede afectarlo de forma duradera. El "perceptrón de patrón temporal" de Rosenblatt como la visión no realizada: parámetros que se ajustan vía retroalimentación durante la operación. ML actual = entrenamiento batch offline + inferencia congelada; biología = automodificación continua en línea. Esta separación actuar / aprender puede ser el umbral formal que el hilo busca. Adición Cap.4: la arquitectura actor-crítico de aprendizaje TD es una formalización de "ejecutar" que requiere actualización continua del modelo desde la experiencia. La dinámica de bootstrapping (actor y crítico se mejoran mutuamente durante la operación) es una instancia concreta de lo que "ejecutar un modelo" significa computacionalmente. El desiderátum #2 de la teoría unificada de Agüera y Arcas, "ninguna distinción entre aprendizaje e inferencia", disuelve directamente la frontera aprendizaje / evaluación: la predicción debe ocurrir en todas las escalas temporales. Si esto se sostiene, la pregunta puede desplazarse de "qué distingue ejecutar de almacenar" a "qué distingue a un sistema que predice en todas las escalas temporales de uno que predice en solo una".
Adición Cap.8: el prompting con chain-of-thought provee el caso empírico más nítido hasta ahora de un continuo ejecutar / almacenar en lugar de un binario. Sin chain-of-thought, un Transformer evalúa cada problema en un solo pase feedforward (sin estado persistente, sin resultados intermedios: "almacenar" en su sentido más puro; 84% de tasa de error en problemas de palabras). Con chain-of-thought, el flujo de salida se convierte en pseudo-estado: cada token emitido crea un resultado intermedio estable al cual los tokens subsecuentes pueden atender. La ventana de contexto funciona como memoria de trabajo. Resultado: 20% de tasa de error. La computación sigue siendo feedforward (sin actualizaciones de pesos, sin automodificación), pero aproxima la ejecución usando el lenguaje como estado externo. Además, el hallazgo de "no introspección" es ceguera a la elección en silicio: el modelo resuelve un problema correctamente vía cascadas de atención, luego confabula una explicación incorrecta porque no hay estado oculto preservado entre tokens, exactamente como el intérprete confabula tras cirugía de cerebro dividido. El mecanismo de chain-of-thought también revela que el lenguaje mismo es una herramienta para convertir evaluación sin estado en ejecución secuencial: cada resultado intermedio es un "clavo" hincado en la cara del acantilado de un problema complejo. Esto sugiere que la frontera ejecutar / almacenar no es binaria sino un continuo, con posición determinada por: (1) si existe estado persistente, (2) si los resultados intermedios sobreviven, (3) si ocurre automodificación durante la operación, y (4) si el sistema puede revisar su propio trabajo. Los cerebros biológicos satisfacen los cuatro. Los Transformers con chain-of-thought satisfacen (2) y parcialmente (4). Los Transformers sin chain-of-thought no satisfacen ninguno.