Por Canuto  

Deep Cogito cerró una Serie A de USD $43 millones para ampliar su investigación en post-entrenamiento, aprendizaje por refuerzo y modelos de inteligencia artificial capaces de mejorar sus propias capacidades.
***

  • Deep Cogito elevó su financiamiento total a más de USD $56 millones tras una ronda liderada por TQ Ventures.
  • La startup investiga técnicas de post-entrenamiento, incluida la Destilación y Amplificación Iterada.
  • El capital financiará nuevas contrataciones, infraestructura de entrenamiento y futuros modelos Cogito.

Deep Cogito recaudó USD $43 millones en una ronda de financiamiento Serie A para avanzar en su investigación sobre post-entrenamiento de inteligencia artificial y auto-mejoramiento recursivo. Con esta operación, la startup con sede en San Francisco elevó su financiamiento total a más de USD $56 millones, mientras busca desarrollar modelos que amplíen sus capacidades más allá de los límites habituales del entrenamiento con datos generados por personas.

La ronda fue liderada por TQ Ventures y contó con la participación de Benchmark, Nexus Venture Partners, Atreides Management y South Park Commons. Zscaler, compañía de seguridad en la nube, también se incorporó como cliente e inversionista estratégico, una combinación que refleja el interés empresarial por sistemas de IA más especializados y adaptables.

Una apuesta por la etapa posterior al entrenamiento

La mayoría de los modelos de inteligencia artificial comienza su desarrollo con un entrenamiento basado en enormes volúmenes de datos generales. Deep Cogito concentra su trabajo en la fase posterior, conocida como post-entrenamiento, en la que se ajustan las capacidades del modelo para mejorar su razonamiento, su desempeño en tareas concretas y la forma en que responde a objetivos definidos.

La compañía investiga, entre otras herramientas, el aprendizaje por refuerzo a gran escala. Este enfoque permite que un sistema reciba señales sobre la calidad de sus resultados y utilice esa retroalimentación para modificar progresivamente su comportamiento, aunque su aplicación a modelos avanzados exige grandes cantidades de cómputo y métodos de evaluación consistentes.

Otra línea de trabajo es la Destilación y Amplificación Iterada, una técnica mediante la cual un modelo recibe capacidad de cómputo adicional para producir respuestas que no lograría generar en un solo paso. Después, esos resultados mejorados se incorporan nuevamente a los parámetros subyacentes del modelo, con la intención de convertir un desempeño excepcional en una capacidad más estable.

El objetivo declarado por Deep Cogito es avanzar hacia modelos que puedan mejorar su propia inteligencia de manera independiente. La empresa sostiene que esa trayectoria permitiría superar, con el tiempo, la dependencia de las fronteras impuestas por los datos de entrenamiento producidos por humanos, aunque la noticia no presenta una fecha concreta para alcanzar ese escenario.

El modelo como punto de partida para la auto-mejora

Drishan Arora, director ejecutivo y cofundador de Deep Cogito, afirmó que el preentrenamiento entrega a un modelo una gran cantidad de conocimiento y capacidad, mientras que el post-entrenamiento determina en qué puede convertirse realmente. Según su planteamiento, la siguiente frontera consiste en encontrar formas para que los modelos mejoren su propia inteligencia, interioricen esas mejoras y aumenten sus capacidades con el paso del tiempo.

La empresa fue fundada en 2024 por Arora y Dhruv Malrana, quien ocupa el cargo de director de producto. Ambos ejecutivos habían trabajado juntos anteriormente en Google dentro del área de AI Search, donde Arora lideró el post-entrenamiento de Gemini para ese producto y Malrana dirigió el desarrollo del producto desde sus primeras etapas, de acuerdo con la información proporcionada por la compañía.

El historial de los fundadores busca diferenciar a Deep Cogito en un mercado dominado por laboratorios con presupuestos mucho mayores. Schuster Tanger, socio cofundador de TQ Ventures, sostuvo que pocos equipos externos a los grandes laboratorios de IA han demostrado capacidad para post-entrenar modelos a la escala que la startup ha mostrado mediante sus versiones públicas.

La afirmación de los inversionistas se relaciona con un cambio relevante en la competencia tecnológica: el valor de un modelo ya no depende únicamente del volumen de datos utilizado durante el preentrenamiento. También importa la capacidad de convertir cómputo adicional, retroalimentación y datos especializados en mejoras que puedan repetirse y escalarse.

Modelos de pesos abiertos y productos empresariales

El motor de post-entrenamiento de Deep Cogito impulsa dos líneas de productos. La primera es la familia de modelos de pesos abiertos Cogito, con versiones que van desde 3.000 millones hasta más de 600.000 millones de parámetros; la segunda corresponde a modelos especializados construidos sobre datos y resultados propietarios de empresas.

Los modelos de pesos abiertos publican sus parámetros numéricos subyacentes para que puedan utilizarse públicamente, a diferencia de los sistemas cerrados cuyo funcionamiento interno permanece bajo control del proveedor. Esa apertura suele ofrecer a los usuarios mayor capacidad de adaptación y, según la descripción de la empresa, puede traducirse en costos operativos más bajos.

La amplitud de la familia Cogito permite a Deep Cogito dirigirse a necesidades distintas, desde implementaciones con recursos más limitados hasta tareas que requieren modelos de gran escala. Sin embargo, el tamaño de un modelo no garantiza por sí solo un mejor resultado, porque el desempeño también depende de la calidad del post-entrenamiento, los datos disponibles y la infraestructura utilizada.

La segunda línea de negocio apunta directamente al mercado empresarial, donde las compañías suelen necesitar sistemas ajustados a información interna, flujos de trabajo específicos y exigencias particulares de seguridad. En ese segmento, la personalización puede ser más importante que el acceso a un modelo general de frontera, especialmente cuando las respuestas deben alinearse con procesos corporativos concretos.

Zscaler como cliente e inversionista estratégico

Zscaler comenzó a trabajar con Deep Cogito antes de participar en la ronda de financiamiento. Dhawal Sharma, vicepresidente ejecutivo de seguridad de IA e iniciativas estratégicas de Zscaler, explicó que los modelos de frontera resultaban útiles, pero no alcanzaban el nivel de especialización que su compañía necesitaba.

La participación de Zscaler combina una relación comercial con una apuesta financiera, lo que puede aportar a Deep Cogito información directa sobre las necesidades de un cliente corporativo. También ofrece una señal de validación para su estrategia, aunque la información disponible no detalla los productos específicos que Zscaler implementó ni los resultados cuantitativos de esa colaboración.

En seguridad, las empresas suelen trabajar con grandes volúmenes de información técnica y requieren respuestas consistentes con sus propios sistemas, políticas y procedimientos. Esa clase de contexto explica por qué una arquitectura especializada puede resultar atractiva frente a un modelo general que, aunque potente, no necesariamente está optimizado para cada entorno operativo.

La inversión estratégica también sitúa a Deep Cogito dentro de una tendencia más amplia de alianzas entre desarrolladores de IA y compañías usuarias. Estas asociaciones pueden ayudar a financiar la investigación, pero además permiten probar modelos en escenarios reales y detectar con mayor rapidez las diferencias entre una demostración pública y una herramienta empresarial confiable.

Destino del nuevo capital

Deep Cogito planea utilizar los USD $43 millones para ampliar sus equipos de investigación e ingeniería y escalar su infraestructura de entrenamiento. La startup también destinará recursos a futuros lanzamientos de modelos Cogito y al crecimiento de su negocio empresarial, cuatro frentes que requieren inversiones sostenidas en talento, cómputo y desarrollo comercial.

La expansión de infraestructura será especialmente importante para sus investigaciones sobre aprendizaje por refuerzo y Destilación y Amplificación Iterada. Ambas áreas dependen de ciclos repetidos de generación, evaluación y ajuste, por lo que el aumento del cómputo disponible puede acelerar los experimentos, aunque no elimina los desafíos relacionados con la calidad de las evaluaciones.

El crecimiento del equipo permitirá a la compañía trabajar simultáneamente en investigación básica, ingeniería de modelos y productos para clientes. Esa combinación puede aumentar sus oportunidades de ingresos, pero también obliga a mantener una conexión clara entre los avances técnicos y las necesidades concretas de las empresas que adopten sus sistemas.

La ronda deja a Deep Cogito con más de USD $56 millones acumulados desde su fundación en 2024. Su siguiente prueba será demostrar que la investigación sobre auto-mejoramiento recursivo puede convertirse en modelos públicos y soluciones empresariales con mejoras verificables, costos sostenibles y utilidad más allá de la promesa tecnológica.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


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