Una barrera principal para los sistemas de aprendizaje autónomo y general es su incapacidad para comprender y adaptarse a nuevos entornos, es decir, aplicar soluciones abstractas aprendidas previamente a nuevos problemas. Los sistemas de aprendizaje supervisado, como la clasificación, requieren etiquetado de datos de una fuente externa y no tienen la capacidad de aprender representaciones de características de forma autónoma. Esta investigación detalla un método de aprendizaje no supervisado para la detección y evaluación de características multimodales que se utilizará para el preprocesamiento en sistemas de aprendizaje general. El método de aprendizaje detalla un algoritmo de agrupación que se puede aplicar a cualquier dato de sensor IoT genérico, y un algoritmo de etiquetado de estímulos sembrados impactado y evolucionado por entrada cruzada modal. El método se implementa y prueba en dos agentes que consumen datos de audio e imagen, cada uno con criterios de estímulo innatos variables. Su estímulo en tiempo de ejecución cambia con el tiempo dependiendo de sus experiencias, mientras que las características recién experimentadas se vuelven significativas sin el etiquetado preprogramado de atributos distintos. La arquitectura proporciona interfaces para que los procesos cognitivos de orden superior se construyan sobre el preprocesador no supervisado. Este método es no supervisado y modular, a diferencia de los sistemas de aprendizaje altamente restringidos y preentrenados que existen, lo que lo hace ampliable y adecuado para su uso en la inteligencia artificial general.