SymbioShell opera como un circuito cerrado de percepción, cognición y actuación, ejecutándose completamente en hardware local sin dependencias en la nube.

El sujeto biológico, Physarum polycephalum, se aloja dentro de una cámara cilíndrica que contiene una caja de Petri con un sustrato de agar y avena. Un módulo de cámara Raspberry Pi montado en la tapa de la cámara captura imágenes macroscópicas del organismo cada doce minutos. La captura de imágenes se sincroniza con arreglos de LEDs infrarrojos que iluminan brevemente al organismo únicamente durante la captura y se apagan inmediatamente después, minimizando el estrés lumínico sobre este moho mucilaginoso fotosensible.

Cada imagen capturada se reduce a una resolución de 128×128 px y es procesada mediante un autoencoder convolucional. El codificador comprime cada imagen en un vector latente de 32 dimensiones, una geometría interna libre de etiquetas antropocéntricas, diseñada para codificar características morfológicas y topológicas que el organismo produce a lo largo del tiempo. El entrenamiento se realiza offline en Python utilizando TensorFlow/Keras sobre un corpus inicial de observaciones. El codificador entrenado se exporta a TensorFlow Lite y corre localmente en una Raspberry Pi 5.

Los vectores latentes se agrupan mediante k-means usando scikit-learn, generando una taxonomía no supervisada de estados biológicos. Durante la operación, cada nuevo vector latente se compara con centroides almacenados. Si su distancia euclidiana excede un umbral calibrado, el sistema registra un nuevo estado conductual. La memoria persistente de estados, gestos y marcas temporales se mantiene en archivos JSON (gesture_map.json), permitiendo que el vocabulario crezca incrementalmente sin necesidad de reentrenamiento.

Las condiciones ambientales se capturan mediante un sensor de temperatura y humedad SHT3x que se comunica con la Raspberry Pi vía I²C. Cada captura visual se acompaña de una lectura ambiental y se registra en archivos CSV junto con la marca temporal, el grupo de LEDs activo y el nombre de archivo de la imagen, construyendo un conjunto de datos longitudinal del biosistema.

Cada estado detectado se asigna a un gesto discreto. Cuando un estado es nuevo, un módulo generativo improvisa una configuración de dedos y muñeca restringida por el rango seguro mecánico de la prótesis, y la indexa a dicho estado para reutilizarla posteriormente. La mano prostética robótica posee seis grados de libertad: uno por dedo y uno para la muñeca. Está accionada mediante servomotores y construida a partir de componentes impresos en 3D. Los comandos de movimiento viajan mediante comunicación serial desde la Raspberry Pi 5 hacia un Arduino Mega, encargado del control de bajo nivel de los servos. El rango de movimiento de la muñeca está mecánicamente restringido para evitar daños en los extremos articulares.

Una interfaz en tiempo real, desplegada en una pantalla externa, expone el razonamiento de la IA al público como un flujo continuo de estados del sistema: captura del estado actual del organismo, análisis de características visuales, síntesis perceptual entre dinámicas biológicas y microhábitat, mapeo en espacio latente, agrupamiento autónomo en categorías lógicas no humanas, validación de agencia biológica e indexación de sintaxis y articulación motora de cada gesto. Esta cognición visible revela el circuito de decisión normalmente opaco entre organismo y máquina, preservando al mismo tiempo el hecho de que el sistema opera sin supervisión humana.

Toda la arquitectura, incluyendo adquisición, inferencia local, agrupamiento, síntesis gestual, registro ambiental y articulación motora, se ejecuta localmente dentro de la instalación como un ecosistema autónomo de percepción, cognición y articulación.