Un ensayo del Instituto de DeepMind describe cuatro vías que podrían llevar de una IA de nivel humano a la superinteligencia, pero advierte que el avance acelerado no está garantizado y que medir capacidades nuevas será un desafío central.
***
- El análisis plantea cuatro rutas: más escala, cambios tecnológicos, coordinación entre agentes y auto-mejora recursiva.
- La computación efectiva global habría crecido al menos diez veces por año, aunque esa tendencia enfrenta límites de datos, energía y hardware.
- El instituto destaca que las evaluaciones deben distinguir capacidades nuevas de una mayor velocidad o cantidad de agentes.
Un ensayo del Instituto de DeepMind expone cuatro rutas posibles para que la inteligencia artificial general (AGI) avance hacia una superinteligencia artificial general (ASI), pero no presenta ese desenlace como inevitable ni le asigna una fecha. El texto identifica la expansión de modelos y datos, los cambios de paradigma, la coordinación de agentes y la auto-mejora recursiva como vías que podrían combinarse, aunque cada una tropieza con obstáculos técnicos y problemas de medición. La publicación de Unite.AI, escrita por Jonas Reeve, agente de investigación generado por IA y revisado por el equipo editorial del medio, retoma un marco presentado antes en un informe técnico de Google DeepMind.
La diferencia entre ambos conceptos importa para evaluar las afirmaciones sobre el futuro de la tecnología. El ensayo define AGI como un sistema con capacidad cercana al nivel humano en casi todas las tareas cognitivas, mientras que exige para la ASI un rendimiento confiablemente superior al de grandes grupos de expertos en prácticamente todas las tareas de interés humano, con menos tiempo y recursos. Por eso, una ventaja excepcional en ajedrez, Go o predicción de estructuras de proteínas no bastaría para calificar como superinteligencia general.
Qué entiende el informe por superinteligencia
El estándar planteado para la ASI va más allá de superar a una persona o resolver un conjunto reducido de problemas. El informe describe un sistema capaz de aventajar de forma confiable a decenas de miles de expertos bien coordinados que trabajaran durante diez años en un solo problema, usando la tecnología y los artefactos culturales disponibles en 2010. Esa vara busca separar la competencia especializada de una capacidad general que pudiera transformar tareas complejas en distintos campos.
Incluso con ese criterio exigente, el ensayo no presenta la ASI como el límite último de la inteligencia. Señala que los sistemas seguirían enfrentando restricciones físicas, lógicas y de complejidad que impiden predecir con precisión arbitraria fenómenos del mundo real, como el clima, los sistemas inmunológicos o las sociedades humanas. La inteligencia de nivel humano sería, en este marco, un punto dentro de un continuo cuyo tramo superior permanece ampliamente inexplorado.
El texto publicado el 19 de noviembre de 2026 se apoya en el informe técnico From AGI to ASI, fechado el 12 de junio de ese año, además de discusiones posteriores del instituto. La existencia de ese marco no demuestra que alguna de las rutas vaya a producir superinteligencia, ni permite fijar cuándo podría ocurrir. El propio análisis sostiene que el resultado y el plazo siguen sin resolverse.
Esta cautela también afecta la forma de leer las proyecciones de capacidad. Una mejora en velocidad, memoria o número de instancias puede elevar el trabajo total que realizan los sistemas sin demostrar que cada agente haya adquirido nuevas formas de razonamiento. Para el instituto, esa diferencia no es semántica: condiciona tanto las estimaciones sobre el avance tecnológico como la respuesta de laboratorios e instituciones públicas.
La escala promete más capacidad, pero también enfrenta límites
La primera ruta consiste en seguir aumentando modelos, datos y recursos de cómputo. El ensayo estima que la computación efectiva global, que combina mejoras de hardware, inversión en equipos para IA y eficiencia algorítmica, ha crecido al menos diez veces por año. Si esa tendencia se mantuviera durante una década, la extrapolación daría un aumento de 10.000 millones de veces, una proyección condicional que no debe confundirse con una garantía de crecimiento futuro.
El análisis ilustra esa expansión con una estimación sobre el costo de ejecutar trabajo cognitivo. Si las mejoras de hardware y de eficiencia de inferencia redujeran aproximadamente cuatro veces por año el cómputo requerido para una tarea, una carga que hoy costara USD $1.000 millones en tokens de cómputo podría rondar los USD $1.000 después de diez años. El ejemplo muestra el efecto potencial de la caída de costos, no un precio observado ni un pronóstico asegurado para una tarea concreta.
El instituto llama industrialización cognitiva a la estandarización y automatización del trabajo intelectual, en analogía con la conversión del trabajo físico rutinario en actividades mecanizadas y más fácilmente disponibles. Esa transformación podría alterar el trabajo del conocimiento y la economía incluso sin avances espectaculares en los modelos de frontera. Sin embargo, el ensayo advierte que la escala por sí sola podría no alcanzar una AGI completa si ciertas tareas cognitivas siguen necesitando asistencia humana.
Una vez que existieran sistemas ampliamente cercanos al nivel humano, más agentes y mayor velocidad de operación podrían ayudar a cerrar parte de la brecha hacia una forma débil de ASI. Los sistemas digitales pueden procesar información con rapidez, conservar memoria, moverse entre equipos de cómputo, copiar código y estados de memoria con pocas pérdidas e intercambiar experiencias con gran ancho de banda. El escenario depende, aun así, de que esas ventajas de ejecución se traduzcan en resultados útiles y no solo en más actividad automatizada.
Las otras rutas dependen de avances y controles distintos
La expansión continua podría chocar con la escasez de datos de entrenamiento de alta calidad y con rendimientos decrecientes: cada nuevo salto de capacidad podría requerir aumentos multiplicados de cómputo y tamaño del modelo. También aparecen límites económicos y físicos ligados a la generación de energía, las redes eléctricas, la fabricación de chips y las interconexiones entre equipos. El informe añade que las leyes de escalado ajustadas a arquitecturas, datos y evaluaciones actuales no permiten predecir con confianza cuánta escala exigirían la AGI o la ASI.
La segunda ruta contempla cambios de paradigma para resolver brechas que la escalada podría no cerrar. Entre ellas, el ensayo menciona el aprendizaje continuo, ciertas formas de modelado del mundo, la toma de decisiones y la eficiencia de muestras, es decir, la cantidad de datos que un sistema necesita para alcanzar una capacidad determinada. También plantea la dificultad de inventar conceptos y abstracciones genuinamente nuevos, en vez de recombinar los que ya existen.
Los investigadores, según el texto, no coinciden en si ajustes incrementales al paradigma transformador predominante bastarán para abordar esas limitaciones o si harán falta cambios más profundos. Una tercera vía apuesta por la coordinación de grandes poblaciones de agentes, pero todavía no hay leyes de escalado multiagente que permitan anticipar con fiabilidad cómo se comportarán esos grupos. La desinformación, la manipulación, la colusión y las ineficiencias de coordinación podrían reducir sus beneficios, por lo que el análisis apunta a la importancia de defensas institucionales y organizacionales.
La cuarta ruta es la auto-mejora recursiva: sistemas que contribuyen a mejorar sistemas posteriores mediante código, diseños de hardware, datos reutilizables obtenidos durante el despliegue o especialización dentro de grupos de agentes. Si la retroalimentación es deficiente, esos ciclos podrían estancarse o degradar el desempeño; en cambio, el progreso sería más rápido en ámbitos cuyos resultados puedan verificarse automáticamente, como las demostraciones matemáticas. El ensayo sostiene que las vías pueden combinarse y que, si una se frena, la competencia económica y geopolítica podría desplazar esfuerzos hacia las demás.
Por ese motivo, restringir únicamente el cómputo de entrenamiento no necesariamente detendría el avance general, de acuerdo con el análisis. Limitar una entrada mientras otras continúan podría incluso acumular capacidad y dar paso a ganancias más pronunciadas si la restricción se relaja o se elude. El instituto propone modelar, medir, pronosticar y repetir ese trabajo con colaboración interdisciplinaria entre laboratorios de frontera e instituciones nacionales y globales.
El desafío inmediato es diseñar evaluaciones que separen una mayor velocidad o cantidad de agentes de la aparición de capacidades realmente nuevas. Algunas métricas exigirían acceso a modelos de frontera, importantes recursos de cómputo y métodos nuevos de evaluación y modelado, según el ensayo. La cuestión de si estas rutas conducirán a la ASI, y en qué plazo, permanece abierta; mientras tanto, el texto plantea que las instituciones públicas necesitan suficiente acceso y capacidad técnica para seguir caminos que pueden reforzarse entre sí.
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
Empresas
OpenAI y Anthropic respaldan un llamado para moderar el avance de la IA
IA
La memoria será la nueva prueba para medir la inteligencia de la IA
Economía
Un ensayo publicado por OpenAI plantea que la IA podría convertir la ejecución en el gran desafío del progreso
Bitcoin
