Por Canuto  

John Langford, veterano de Microsoft Research y cofundador de AI Frontiers, se marchó tras afirmar que Microsoft AI prioriza ampliar sus modelos y no consideró seriamente su investigación. Su trabajo sobre una arquitectura que podría mejorar la eficiencia encontró una prueba de mayor escala en ByteDance, aunque reducir costos a la mitad sigue siendo una proyección, no un resultado demostrado.
***

  • Langford dijo que la reorganización de AI Frontiers bajo Microsoft AI dejó a su equipo sin una vía clara para llevar sus ideas a productos.
  • Su Full Bandwidth Transformer reutiliza estados internos del modelo. En los resultados publicados, un modelo de 1.000 millones de parámetros entrenado con 200.000 millones de tokens pudo igualar o superar un modelo estándar entrenado con 400.000 millones.
  • ByteDance publicó después Recycler, un enfoque que Langford relacionó con su propuesta; el posible recorte de costos de hasta 50% no está demostrado como ahorro efectivo.

La salida de un investigador con trayectoria en Microsoft

John Langford dejó Microsoft después de más de 14 años en la compañía y de una carrera vinculada a varias áreas de aprendizaje automático. Llegó a Microsoft Research en mayo de 2012. El investigador, quien cofundó AI Frontiers, sostiene que Microsoft AI no mostró interés serio en su trabajo y que la división se concentra en ampliar modelos, en vez de explorar nuevas líneas de investigación. Su partida ocurre después de que el grupo, integrado por unas 50 personas, fuera reorganizado dentro de esa unidad en septiembre de 2026.

Langford llegó a Microsoft Research como integrante fundador del laboratorio de Nueva York, tras pasar por Yahoo! Research e IBM, y luego ascendió al cargo de Partner Research Manager. Su trayectoria incluye el desarrollo principal de Vowpal Wabbit, un sistema de aprendizaje automático de código abierto, y la popularización del término contextual bandits para describir métodos que ayudan a personalizar lo que una plataforma muestra a cada usuario. También presidió ICML, una de las principales conferencias de aprendizaje automático, entre 2019 y 2021.

En 2023, después del lanzamiento de ChatGPT y el cambio de ritmo que produjo en la industria, Langford y varios colegas formaron AI Frontiers dentro de Microsoft Research. El grupo buscaba responder a un entorno en el que, según el planteamiento de sus integrantes, un investigador con una idea prometedora tenía más dificultades para competir con equipos grandes y organizados. Sus proyectos incluyeron trabajo sobre agentes, el marco AutoGen y Fara-7B, un modelo para el uso de computadoras.

La investigación de Microsoft Research no queda necesariamente separada de los productos: el material de origen señala como ejemplo a los modelos pequeños Phi, que terminaron alimentando funciones de inteligencia artificial en el dispositivo dentro de Edge. Sin embargo, Langford afirma que esa posible conexión entre investigación y aplicación no se mantuvo para su equipo después de la reorganización. La diferencia entre el trabajo de un laboratorio y la estrategia de una división de producto es central para entender por qué su salida no se reduce a un cambio de puesto.

El choque entre escalar modelos y buscar otra arquitectura

Microsoft AI se formó en marzo de 2024, cuando Satya Nadella contrató a Mustafa Suleyman, cofundador de DeepMind e Inflection, para dirigir la nueva división y liderar Copilot. A principios de septiembre de 2026, AI Frontiers pasó a formar parte de esa división. Langford considera que la reorganización podía tener sentido sobre el papel, pero sostiene que el liderazgo procedente de Inflection adoptó una filosofía incompatible con la de su grupo: priorizar el escalamiento y reducir agresivamente el espacio para la investigación.

El investigador reconoce que los modelos más grandes pueden producir mejores predicciones y que, para una empresa, los rendimientos asociados al escalamiento resultan más previsibles. Su crítica es que una estrategia concentrada en crecer desplaza buena parte del esfuerzo hacia los datos y limita la exploración de cambios arquitectónicos. Langford también aseguró que encontró señales de que su grupo no era bien recibido, y el artículo de Windows Latest cita a un comentarista anónimo que dijo haber sentido algo parecido tras trasladarse desde otro equipo a Microsoft AI.

La empresa no había respondido públicamente a las críticas, según el reporte. La página de AI Frontiers, actualizada el 14 de septiembre, indicaba que el laboratorio ya formaba parte de Microsoft AI y que continuaría con investigación de frontera; además, Microsoft AI había anunciado la construcción de un laboratorio de superinteligencia durante la presentación de siete modelos MAI en Build 2026. Esa información muestra que la compañía mantiene públicamente una agenda de investigación, aunque no resuelve la discrepancia de Langford sobre cuánto margen recibió su equipo ni sobre qué propuestas llegaron a evaluarse.

El punto más concreto de la disputa es el Full-bandwidth transformer, publicado en agosto por Langford y siete coautores. En un transformador convencional, el modelo resume en un token el estado calculado en cada paso y deja de lado otra parte de esa información; la propuesta del equipo realimenta ese estado junto con el siguiente token. Los autores informaron que entrenaron modelos de 1.000 millones de parámetros con hasta 400.000 millones de tokens. Entre los resultados reportados, un modelo de esta arquitectura entrenado con 200.000 millones de tokens pudo igualar o superar un modelo estándar entrenado con 400.000 millones. El trabajo también describe como insignificante el costo adicional por token.

Una promesa de eficiencia, todavía distinta de un ahorro comprobado

El 25 de octubre, el equipo Seed de ByteDance publicó Recycler, una técnica de razonamiento latente que recicla estados ocultos. Langford la describió como el mismo enfoque del Full Bandwidth Transformer, con diferencias menores, y señaló que los experimentos de ByteDance eran más amplios y detallados. Así, parte de la evidencia de mayor escala sobre una idea relacionada con su investigación llegó de una empresa rival, no de Microsoft.

Langford considera que una variante de su arquitectura podría alcanzar un rendimiento comparable al de un modelo con el doble de tamaño. A partir de esa posibilidad, plantea el valor potencial de reducir a la mitad los costos de entrenamiento e inferencia en una industria que, según su estimación, mantiene inversiones cercanas a USD $1 billón. Esa cifra de ahorro es una proyección del investigador, no una reducción de gastos que las pruebas citadas hayan medido directamente.

La diferencia importa porque igualar ciertos resultados de un modelo mayor no implica automáticamente que una empresa pueda dividir por dos su factura total. El costo real también depende de cómo se entrena y opera cada sistema, mientras que las comparaciones descritas en el trabajo se refieren a resultados de pruebas con modelos y cantidades específicas de datos. Langford no afirmó de manera específica que Microsoft AI rechazara formalmente el artículo; su reclamo fue que no consiguió que la innovación se adoptara ni que recibiera una consideración seria dentro de la división.

La crítica contrasta con mensajes públicos de Microsoft AI que, según el reporte, destacan la mejora de la relación entre calidad y costo y el lanzamiento de un modelo de programación descrito como mejor, más rápido y a una cuarta parte del costo. Esa aparente tensión no demuestra por sí sola que la compañía descartara deliberadamente una forma de abaratar sus sistemas. Sí deja planteada una pregunta de gestión: si reducir costos es una prioridad, ¿qué mecanismos permiten que una idea originada en investigación llegue a los equipos que desarrollan modelos y productos?

AI Frontiers se disuelve y queda abierta la disputa interna

Langford dijo que ubicó a su equipo de la mejor manera posible antes de marcharse y explicó que dos motivos le impidieron regresar a Microsoft Research. El primero fue su incomodidad ante una empresa donde, a su juicio, la investigación que realiza no tiene una vía hacia usos reales. Como no logró que sus ideas fueran consideradas en Microsoft AI, concluyó que no veía mejores perspectivas al volver al área de investigación de Microsoft.

El segundo motivo tiene que ver con lo que describió como el acuerdo básico de Microsoft Research: hacer un buen trabajo y esperar que de ello surjan resultados positivos. Langford sostuvo que su equipo produjo trabajo de calidad y, aun así, quedó sujeto a una reorganización que no fue consensuada. También expresó que el liderazgo de Microsoft Research tendría que organizarse para responder a las exigencias actuales de la industria, aunque no detalló qué cambios concretos espera.

El investigador declaró terminado AI Frontiers y señaló que el grupo no ofrecerá prácticas el próximo año. Su publicación, que describió la situación como un descarrilamiento, había superado las 330.000 visualizaciones, según el material de origen. La difusión de su crítica amplificó una disputa que combina una decisión de estructura corporativa, el rumbo de la investigación y la dificultad de demostrar que una arquitectura experimental puede convertirse en una ventaja comercial sostenible.

La salida también ocurre en un periodo de cambios laborales y estratégicos para Microsoft: el reporte menciona compensaciones ofrecidas a alrededor de 60.000 empleados, declaraciones de Nadella sobre 20 millones de agentes de inteligencia artificial realizando trabajo y ajustes a Copilot en Windows 11 donde algunas funciones no cumplieron las expectativas. Esos elementos dan contexto a la presión por llevar la IA a escala, pero no prueban que estén relacionados directamente con la decisión de Langford. Su argumento apunta, en cambio, a una tensión entre invertir en capacidad computacional y preservar espacio para investigaciones que podrían hacer más eficiente esa capacidad.

Langford todavía considera que Microsoft podría volver a resultar atractiva para investigadores si sus responsables desarrollan mayor criterio, según la información publicada por Windows Latest. Por ahora, ByteDance ha presentado una técnica cercana a la suya y Microsoft mantiene declaraciones públicas de apoyo a la investigación de frontera, mientras el equipo que él cofundó deja de operar como grupo. El desenlace no establece cuánto ahorrará la industria con estas arquitecturas, pero sí expone el costo potencial de no conectar la investigación con decisiones de producto.

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