Por Canuto  

David Shapiro describe la auto-mejora recursiva como la participación creciente de la IA en el desarrollo de sus sucesoras, no como un salto mágico que la libera de sus límites físicos. Sus proyecciones sobre 2027 son especulativas, pero plantean preguntas sobre programación, verificación formal y avances científicos.
***

  • Shapiro calcula que la contribución de la IA al desarrollo de nuevos sistemas podría pasar de 5% a cerca de 30%, y llegar a 50%-80% en 2027; son estimaciones del autor, no datos verificados.
  • El divulgador distingue la auto-mejora recursiva de una IA que toma el control de internet y sostiene que el hardware impone límites a la velocidad del proceso.
  • Su argumento relaciona los avances en matemáticas y verificación formal con posibles aplicaciones en programación, ciencia de materiales, medicina y otras disciplinas.

David Shapiro plantea que la IA podría impulsar su propio desarrollo

La auto-mejora recursiva no supone, por sí sola, que una inteligencia artificial escape a sus controles o tome internet. En su análisis, David Shapiro la define como la participación creciente de los sistemas de IA en la programación, los datos y las matemáticas que contribuyen a crear generaciones posteriores, aunque sus cifras y predicciones deben leerse como estimaciones personales.

Una definición menos cinematográfica

En el video Recursive Self Improvement, David Shapiro propone entender la auto-mejora recursiva como una cuestión de grado: qué parte del trabajo necesario para desarrollar una nueva generación de IA realizan los propios sistemas. Su planteamiento se aleja de la imagen popular de una máquina que despierta de pronto, se propaga por internet y se vuelve imposible de apagar. Para Shapiro, esa representación confunde una tendencia técnica con una escena de ciencia ficción.

El divulgador compara esa idea con pensar que internet es un espacio abstracto, disponible en todas partes sin infraestructura física. En realidad, los servicios digitales funcionan sobre hardware y centros de datos, y los modelos más avanzados requieren recursos de cómputo considerables; por eso, sostiene, no basta con que un sistema esté conectado para que pueda ejecutarse en cualquier teléfono o dispositivo. Su argumento no elimina las preocupaciones de seguridad, pero sí cuestiona las versiones que omiten esas restricciones materiales.

Shapiro recuerda que algunas narrativas populares presentan a sistemas como Skynet o Ultron escapando al entorno digital, y menciona también la película Mission: Impossible: Dead Reckoning como ejemplo de una entidad ficticia que estaría en todas partes. A su juicio, esas tramas no describen de manera realista cómo se despliega una inteligencia artificial de gran capacidad, porque no consideran dónde corre el modelo ni qué infraestructura necesita. La diferencia importa: una mejora gradual de herramientas no equivale automáticamente a autonomía sin límites.

El término tampoco determina por sí mismo la velocidad del avance, el grado de control humano ni la alineación de los sistemas con objetivos seguros, advierte el autor. Esas dimensiones requieren análisis separados, aunque puedan interactuar: automatizar tareas de investigación podría aumentar las capacidades y, a la vez, abrir nuevos problemas de supervisión. Por eso, su definición de RSI describe quién aporta al desarrollo de la siguiente generación, no una conclusión sobre el desenlace o el nivel de riesgo.

Proyecciones sobre el trabajo de las máquinas

Para ilustrar el cambio, Shapiro plantea que la IA habría contribuido con cerca de 5% del código, los datos y los algoritmos matemáticos de la generación siguiente durante el año anterior al video. Luego estima que la proporción rondaría 30% en el momento de su explicación y podría ubicarse entre 50% y 80% en 2027. Esas cifras son proyecciones suyas, no mediciones independientes presentadas con una metodología verificable en el contenido.

El autor sitúa ese avance en una tendencia que, según dice, OpenAI y Anthropic comenzaron a reconocer en 2025: sus sistemas existentes ayudaban a contribuir al desarrollo de versiones posteriores. Shapiro añade que ese tipo de participación se estaría volviendo más habitual durante 2026, pero no aporta datos comparables para medir cuánto trabajo automatiza cada compañía. La diferencia entre colaborar en algunas tareas y construir por completo una nueva generación es sustancial, y su argumento se refiere a una contribución creciente, no a una sustitución total.

Shapiro también alude a una predicción de Dario Amodei: que la IA podría realizar la mayoría, quizá todo, el trabajo de ingeniería de software en un plazo de seis a 12 meses. Esa previsión, que no equivale a afirmar que la profesión vaya a desaparecer en ese periodo, sirve para ilustrar el cambio que anticipa en la distribución de tareas. Según Shapiro, el papel de los desarrolladores podría desplazarse hacia dirigir agentes y revisar resultados, mientras las herramientas escriben cada vez más código.

Al hablar de Google, Shapiro menciona rumores y especulaciones sobre los nombres Gemini 4, Argon y Carbon. Sin embargo, Gemini 4 Argon ya no es solo un rumor: Google anunció el modelo en septiembre de 2026 y lo presentó como una herramienta orientada, entre otras tareas, al desarrollo de código. La referencia a Carbon no aparece respaldada por esa información, por lo que no permite confirmar que exista un modelo con ese nombre. Shapiro también refiere comentarios sobre resultados matemáticos atribuidos a OpenAI y otra tanda de soluciones a problemas de Erdős que asocia con un sistema de Google cuyo nombre recuerda, con dudas, como AlphaSolve o AlphaSolve Nexus.

Verificación formal y posibles efectos en otras ciencias

Una de las consecuencias que Shapiro considera más importantes no se limita al desarrollo de modelos: la vincula con la ciencia de materiales, la medicina, la metalurgia, los chips, la fusión nuclear y las baterías. También menciona la genética y la medicina regenerativa como áreas con una fuerte carga matemática. Su hipótesis es que sistemas capaces de abordar tareas matemáticas más complejas podrían acelerar investigaciones en disciplinas que dependen de cálculos, modelos y pruebas rigurosas.

En ese contexto introduce la verificación formal, que describe como el uso de métodos matemáticos para demostrar que un código, una memoria, un material o un sistema criptográfico se comporta de una forma determinada. Shapiro sostiene que hoy ese trabajo es intensivo en mano de obra y está reservado para aplicaciones de alta seguridad o críticas, y cita a la NSA y la NASA como ejemplos; incluso expresa dudas sobre su uso en la CIA. Sin embargo, admite que no es matemático y no explica los procedimientos técnicos, por lo que sus afirmaciones sobre el alcance actual deben tomarse como una caracterización general, no como un inventario comprobado.

El divulgador especula que algunos modelos cerrados de su presente podrían acercarse a realizar tareas de verificación formal, aunque los nombres que menciona en ese pasaje son confusos y no permiten identificar con seguridad los sistemas. A partir de esa posibilidad, recoge la expectativa de que avances matemáticos observados en 2026 pudieran extenderse a otras ciencias durante 2027. No presenta una demostración de que ese calendario vaya a cumplirse: lo propone como una consecuencia potencial de automatizar una actividad que, según su explicación, exige conocimientos escasos y mucho trabajo especializado.

La conexión con la propia IA sería acumulativa: un modelo más capaz en investigación podría ayudar a desarrollar el siguiente, y este, a su vez, mejorar las herramientas de investigación posteriores. Shapiro usa un ejemplo hipotético de mejoras de 25% entre generaciones, pero aclara que no sabe si el progreso seguiría esa proporción o sería mayor. Además, su argumento no se limita a que los sistemas se perfeccionen a sí mismos; plantea que capacidades generales más potentes podrían trasladarse a ciencias de la vida, materiales y otros campos.

Herramientas cotidianas y capacidades emergentes

Shapiro apoya su entusiasmo en experiencias personales con Claude Code, ChatGPT.com y Grokbot, herramientas que dice haber probado y puesto a colaborar en su entorno de trabajo. Cuenta que Claude editó por completo un episodio de su programa Critical Path y que las animaciones de sus videos sobre una economía posterior al trabajo también fueron generadas con Claude. Él mantiene la grabación y su propia voz, y describe al sistema como una ayuda que cumple funciones de edición e ingeniería de audio, aunque no ofrece pruebas independientes sobre esos resultados.

En su relato, parte de la capacidad de esas herramientas surgió al pedirles tareas abiertas y dejar que investigaran qué recursos podían utilizar, en vez de limitarse a instrucciones muy específicas. Shapiro dice que quiere probar más transiciones y efectos en futuras ediciones, y sostiene que este tipo de usos todavía no está bien documentado. Su experiencia es una anécdota, no una evaluación sistemática, pero ilustra la forma en que los agentes pueden combinar programación, manejo de archivos y otras herramientas para completar encargos de varios pasos.

El autor llama a ese fenómeno un efecto de umbral o de derrame: cuando un sistema reúne suficientes capacidades básicas, puede combinarlas para resolver tareas más complejas. Aclara que su análisis se refiere al software que funciona en la nube o en computadoras y teléfonos, y que todavía no aborda robots capaces de mejorar sus propias capacidades. También descarta que el proceso implique, por definición, un salto instantáneo: a su juicio, el hardware y la infraestructura limitan la rapidez con que una capacidad puede desplegarse.

Para explicar la emergencia, compara el lenguaje con un conjunto de bloques que se recombinan: las 26 letras del alfabeto permiten formar alrededor de un millón de palabras, aunque una persona con buen vocabulario quizá maneje entre 30.000 y 60.000, y su ejemplo utiliza 40.000. Las palabras se combinan en oraciones, párrafos, historias y libros, multiplicando las posibilidades más allá de las piezas iniciales. Shapiro cree que la IA atraviesa una etapa comparable, en la que herramientas, razonamiento, programación y comprensión multimodal empiezan a combinarse; esa analogía expresa su visión del potencial, no una medida de cuánto falta para alcanzar capacidades futuras.

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