Por Canuto  

Un extenso informe firmado por investigadores de Google DeepMind sostiene que, si se alcanza la inteligencia artificial general, no hay razones sólidas para asumir que el progreso se detendrá justo a nivel humano. El documento plantea cuatro rutas posibles hacia la superinteligencia artificial, enumera fricciones como el muro de datos, la economía del escalado y la barrera de abstracción, y advierte que el cambio podría venir como una secuencia de transformaciones aceleradas, no como un único evento.
***

  • El informe define AGI como inteligencia general a nivel humano medio y ASI como un sistema capaz de superar a grandes colectivos de expertos humanos en casi todos los dominios.
  • Los autores describen cuatro caminos hacia la ASI: más escalado de cómputo y datos, cambios de paradigma algorítmico, auto-mejora recursiva y coordinación de grandes colectivos de agentes de IA.
  • También identifican seis grandes fricciones: muro de datos, demanda de recursos y energía, límites del paradigma actual, investigación cada vez más difícil, barrera de abstracción y posibles frenos regulatorios o sociales.

La posibilidad de construir inteligencia artificial general ya no es presentada por muchos laboratorios como una especulación remota, sino como una meta plausible para la próxima década. Sobre esa premisa parte From AGI to ASI, un informe firmado por Tim Genewein, Matija Franklin, Alexander Lerchner, Laurent Orseau, Samuel Albanie, Adam Bales, Cole Wyeth, Stephanie Chan, Iason Gabriel, Joel Z. Leibo, Allan Dafoe, Marcus Hutter, Thore Graepel y Shane Legg.

El texto no intenta fijar una fecha exacta para la llegada de una superinteligencia artificial. Su objetivo es más acotado y, al mismo tiempo, más ambicioso: mapear cómo podría seguir avanzando la IA después de alcanzar un nivel comparable al humano, y qué factores podrían acelerar o frenar ese trayecto.

Para un lector que sigue de cerca el mundo cripto, el tema no es abstracto. Los mercados ya descuentan que la IA podría alterar productividad, infraestructura, flujos de capital, demanda energética y el valor estratégico del cómputo, del mismo modo en que Bitcoin convirtió la energía y el hardware en variables financieras de primer orden.

El informe sostiene que la imagen de un único salto transformador provocado por la llegada de AGI podría ser incompleta. En su lugar, plantea que lo más realista tal vez sea una serie de cambios sociales y tecnológicos profundos, encadenados por avances de IA en ciencia, economía, organización y automatización.

También subraya un punto clave: incluso si la AGI se alcanza, eso no significa que la IA se detendrá exactamente allí. Según los autores, sería más plausible que el progreso se frenara antes de llegar a AGI o que, una vez cruzado ese umbral, continuara hacia formas de inteligencia más potentes, incluidas variantes colectivas y distribuidas.

Cómo define el informe a AGI, ASI y el límite teórico de la inteligencia artificial

Los autores usan una definición deliberadamente cualitativa de AGI. Para ellos, AGI es una abreviatura de inteligencia artificial general a nivel humano, entendida como un sistema aproximadamente comparable a un humano individual medio en la mayoría de las tareas cognitivas.

Ese punto es importante porque evita equiparar AGI con perfección universal. El informe aclara que el primer sistema de ese tipo ya podría ser sobrehumano en muchas tareas específicas, igual que hoy existen modelos que superan a personas en dominios acotados sin ser todavía generales.

La ASI, en cambio, es definida como inteligencia artificial general superinteligente. En términos prácticos, sería un sistema con habilidades sobrehumanas en casi todos los dominios de interés humano y capaz de exceder el rendimiento de grandes colectivos de expertos humanos bien coordinados.

El documento eleva mucho esa vara para evitar ambigüedades. No habla de un modelo apenas mejor que un profesional destacado, sino de algo que podría superar a grupos de decenas de miles de especialistas trabajando durante años sobre un mismo problema.

Por encima de esa noción aparece la llamada inteligencia artificial universal. Ese es el límite teórico formalizado por el marco AIXI y la métrica Legg-Hutter, que concibe la inteligencia como el desempeño promedio de un agente a través de todas las tareas computables, ponderadas por complejidad.

Los autores insisten en que ese máximo teórico no es computable en la práctica. Aun así, lo usan como ancla conceptual para sostener que la inteligencia no es una categoría binaria, sino un continuo en el que podrían existir sistemas mucho más capaces que un humano o que una organización humana.

Las ventajas de la inteligencia digital que, según DeepMind, crecen con más cómputo

Uno de los argumentos centrales del informe es que la inteligencia artificial no debe compararse con la biológica como si ambas escalaran del mismo modo. La razón es simple: la IA es software, y eso le otorga propiedades estructurales que se amplifican con mejores chips, más energía y más infraestructura.

La primera ventaja es la velocidad de entrada y salida de información. El texto recuerda que los modelos actuales ya pueden ingerir el equivalente a varios libros en segundos, algo que ningún humano puede hacer ni remotamente a esa escala.

La segunda ventaja es la velocidad de procesamiento interno. Con más cómputo, un sistema puede razonar más rápido, más profundo o de forma más paralela, incluso si existen rendimientos decrecientes en algunas partes del proceso.

La tercera es la memoria de trabajo y la capacidad de memorización. Según el informe, la capacidad de almacenar grandes porciones de Internet ya fue demostrada por sistemas actuales, y no hay señales de que ese techo tecnológico esté cerca.

Luego aparece la independencia del sustrato. Un sistema de IA puede migrar a otro hardware, incluso potencialmente en tiempo de ejecución, lo que abre la puerta a mejoras rápidas por simple sustitución de infraestructura.

La quinta ventaja es la replicación sin pérdida. No solo puede copiarse el código, sino también el estado de memoria, es decir, la experiencia acumulada del sistema, algo que vuelve trivial crear múltiples instancias idénticas y pausarlas, restaurarlas o escalarlas según demanda.

La sexta es el intercambio de experiencias a gran ancho de banda. Las secuencias digitales pueden almacenarse, compartirse y volver a reproducirse para entrenar o afinar sistemas, y en colectivos homogéneos incluso sería posible compartir señales de aprendizaje en bruto.

Para los autores, estas propiedades hacen poco probable que la IA se estanque justo a nivel humano, sobre todo si se considera a colectivos de agentes. No implican omnipotencia ni omnisciencia, pero sí una arquitectura de expansión que los humanos biológicos no pueden replicar.

Los cuatro caminos posibles de AGI a ASI

El primer camino es el escalado de cómputo, modelos y datos. Es la extensión del patrón que dominó la última década, donde más hardware, más inversión y mejores algoritmos empujaron saltos de capacidad muy visibles en modelos de frontera.

El informe cita tres motores detrás del crecimiento del cómputo efectivo. El primero son las mejoras de hardware, estimadas históricamente en alrededor de 1,5x por año en cómputo por dólar; el segundo es el aumento de inversión en hardware, de cerca de 2,5x anual durante la última década; y el tercero es la eficiencia algorítmica, que habría mejorado en torno a 3x por año, con algunos trabajos estimando incluso 6x por año en benchmarks modernos.

Combinados, esos factores habrían llevado el cómputo efectivo a una trayectoria cercana a 10x por año, según la estimación conservadora citada por los autores. Si esa tendencia continuara, el salto en capacidad disponible para entrenar, servir, pensar a tiempo de inferencia y correr enjambres de agentes sería enorme.

El segundo camino son los cambios de paradigma algorítmico. Aquí el informe separa las evoluciones del paradigma actual, como más memoria, aprendizaje continuo, recuperación externa o agentes con mejores herramientas, de rupturas más profundas como nuevas arquitecturas, hardware neuromórfico o métodos de entrenamiento radicalmente distintos.

El tercer camino es la auto-mejora recursiva. La idea es que la IA acelere la investigación en IA, produciendo mejores algoritmos, mejores datos, mejores diseños de chips o mejores procesos de experimentación, y que eso alimente la siguiente generación de sistemas en un ciclo de retroalimentación positiva.

El cuarto camino es la formación de inteligencia colectiva mediante grupos de agentes. El informe plantea que la superinteligencia podría emerger no solo de un modelo individual más poderoso, sino de grandes colectivos de agentes AGI coordinados, especializados y ejecutados en paralelo como corporaciones, mercados o supercolectivos digitales.

Los autores remarcan que estas cuatro rutas no son mutuamente excluyentes. De hecho, su hipótesis es que podrían ocurrir en paralelo, reforzándose unas a otras y dificultando todavía más cualquier intento de pronóstico lineal.

Los cuellos de botella: datos, energía, economía, investigación y regulación

La primera fricción es el llamado muro de datos. El informe recuerda que el crecimiento de los modelos está empezando a chocar con la disponibilidad de datos humanos de alta calidad, y que algunas estimaciones sitúan ese problema dentro de esta misma década.

Sin embargo, el documento no trata ese muro como una sentencia definitiva. Plantea que la simulación, el aprendizaje por interacción, la auto-generación de datos y la destilación de resultados obtenidos con más cómputo a tiempo de inferencia podrían extender la pista de aterrizaje del escalado.

La segunda fricción es económica y material. Si seguir avanzando requiere más centros de datos, más chips, más electricidad, más agua, más suelo y más cadenas de suministro, entonces la gran pregunta es cuánto tiempo puede sostenerse ese ritmo sin volverse inviable.

El informe conecta esa duda con otra variable más difícil de medir: los retornos económicos de la IA. Si la automatización y el despliegue generan suficiente productividad, podrían financiar nueva infraestructura y aliviar el cuello de botella; si no, el escalado podría frenarse por simple aritmética industrial.

La tercera fricción es que el paradigma actual de grandes redes preentrenadas, más post-entrenamiento y escalado en tiempo de prueba, podría agotarse. Los autores creen que esa posibilidad existe, aunque consideran plausible que el paradigma todavía pueda extenderse con memoria externa, aprendizaje continuo, recuperación, planificación y mejores agentes.

La cuarta fricción es que investigar se vuelve más difícil con el tiempo. El informe recoge la idea de que los frutos fáciles ya fueron cosechados y que mantener el ritmo de progreso en campos maduros exige cada vez más recursos, más investigadores y más experimentos.

La quinta es la barrera de abstracción. Esta hipótesis sostiene que sistemas entrenados sobre productos cognitivos humanos podrían quedar limitados por los marcos conceptuales existentes y no descubrir nuevos conceptos fundamentales a partir de datos crudos del mundo físico.

La sexta fricción es un posible freno deliberado por regulación, accidentes, abusos militares, rechazo social o preocupaciones éticas. Los autores señalan que la gobernanza no solo puede ralentizar, sino también redirigir el desarrollo, aunque advierten que la competencia geopolítica podría socavar cualquier intento unilateral de contención.

Por qué la auto-mejora recursiva y los colectivos de agentes son las hipótesis más difíciles de medir

La sección sobre auto-mejora recursiva es una de las más delicadas del informe porque toca el viejo debate sobre la explosión de inteligencia. Allí los autores distinguen entre mejoras de software, de hardware, de datos y de división del trabajo como fuentes posibles de retroalimentación acelerada.

En software, la IA podría ayudar a diseñar mejores arquitecturas, optimizadores o rutinas de búsqueda. En hardware, podría asistir en diseño de chips, manufactura, uso de materiales y eficiencia energética, aunque siempre chocando con los tiempos físicos del mundo real.

En datos, la auto-mejora sería más sutil pero quizá más inmediata. El informe pone como ejemplo dinámicas tipo AlphaZero, donde la búsqueda en tiempo de prueba produce mejores trayectorias que luego se destilan de vuelta a un modelo base, mejorando el siguiente ciclo.

Los autores también comparan esta dinámica con procesos humanos. Hablan de una versión genotípica de la auto-mejora, ligada a código y blueprints; una versión memética, vinculada a datos, herramientas y artefactos culturales; y una sociogénica, relacionada con cooperación y especialización.

Aun así, el texto no da por hecho un despegue explosivo. Reconoce que la auto-mejora podría apagarse rápido, volverse demasiado cara o estrellarse contra cuellos de botella como la necesidad de ejecutar experimentos lentos, fabricar hardware real o validar hipótesis en el mundo físico.

Con los colectivos de agentes ocurre algo parecido. El informe ve plausible que grupos de AGIs se conviertan en entidades comparables a empresas, instituciones o mercados con capacidades emergentes superiores a las de cualquier instancia individual.

Pero también admite que casi no hay base empírica suficiente para proyectar esa evolución. No está claro para qué clases de tareas escalan mejor los grupos, cuánto depende de la organización centralizada o descentralizada, ni si la inteligencia colectiva crece lineal o superlinealmente con más agentes y más interacciones.

Qué investigación propone el informe y por qué esto importa más allá del sector de IA

La parte final del trabajo se presenta como una agenda de investigación abierta. Una de sus prioridades es construir mejores sistemas de pronóstico cuantitativo que combinen tendencias de cómputo, escalado de capacidades y efectos macroeconómicos.

Otra prioridad es el benchmarking posterior a AGI. Los autores dicen que comparar contra rendimiento humano dejará de ser útil cuando los sistemas pasen ese umbral, por lo que harán falta nuevas metodologías capaces de medir capacidades generales superhumanas sin depender demasiado de humanos en el circuito.

También proponen estudiar leyes de escalado multiagente y leyes de mejora recursiva. La idea es observar, medir y modelar cuánto aporta cada mecanismo, desde el uso de IA en investigación hasta la generación de mejores datos mediante búsqueda, simulación e interacción.

En paralelo, piden avanzar en fundamentos teóricos. Eso incluye aproximaciones prácticas al marco de inteligencia universal, límites de la compresión con pérdida, teoría de aproximaciones útiles y modelos para sistemas avanzados menos agentivos o más miopes.

El informe asume como hipótesis de trabajo que seguridad y alineación se resolverán en grado suficiente como para estudiar la trayectoria tecnológica posterior. Sin embargo, aclara que no es una suposición ligera y que los problemas de control podrían actuar como freno directo al despliegue de capacidades más avanzadas.

La conclusión general evita tanto el triunfalismo como el colapso narrativo. Los autores sostienen que, si AGI es alcanzable, parece poco probable que el progreso se detenga justo allí, y que la humanidad debería prepararse para un escenario donde el cambio llegue como una secuencia rápida de transformaciones técnicas, económicas y sociales.

Para industrias como la cripto, esa idea tiene implicaciones concretas. Si la inteligencia digital se vuelve un insumo escalable, reproducible y coordinable, entonces el valor estratégico del cómputo, la energía, la infraestructura y la coordinación económica podría cambiar tan profundamente como lo hicieron Internet, la nube y Bitcoin en sus respectivas capas.

En ese sentido, el trabajo no ofrece una profecía cerrada. Ofrece algo más útil para esta etapa: una lista de rutas plausibles, fricciones reales y preguntas que ya no parecen ciencia ficción, sino problemas de política industrial, mercados y gobernanza tecnológica para la próxima década.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados