Por Canuto  

Un panel con líderes de ASML, Google Cloud, Applied Intuition, Perplexity y Logical Intelligence dejó una advertencia clara: la expansión de la inteligencia artificial ya tropieza con límites físicos, energéticos, operativos y geopolíticos que podrían redefinir el ritmo del sector en los próximos años.

***

  • ASML anticipa que el mercado de chips para IA seguirá limitado por la oferta durante entre dos y cinco años.
  • Google Cloud confirmó una demanda desbordada y dijo que incluso evalúa centros de datos en el espacio ante las restricciones energéticas.
  • El debate también incluyó soberanía nacional, agentes de IA con controles granulares y arquitecturas alternativas a los grandes modelos de lenguaje.

 

La carrera global por la inteligencia artificial (IA) sigue acelerándose, pero sus principales impulsores ya reconocen que el modelo actual enfrenta límites duros. En un panel celebrado en la Milken Global Conference en Beverly Hills, cinco figuras que representan distintas capas de la cadena de suministro de la IA detallaron dónde están apareciendo las tensiones más importantes.

La conversación reunió a Christophe Fouquet, CEO de ASML; Francis deSouza, COO de Google Cloud; Qasar Younis, cofundador y CEO de Applied Intuition; Dimitry Shevelenko, chief business officer de Perplexity; y Eve Bodnia, fundadora de Logical Intelligence. El resultado fue un retrato amplio de una industria que ya no solo depende del software, sino también de fábricas, electricidad, calor, permisos, seguridad y control territorial.

Según reseñó TechCrunch, el debate giró en torno a una idea central: el auge de la IA no puede entenderse únicamente como una historia de modelos cada vez más grandes. También es una historia de cuellos de botella en semiconductores, consumo energético, escasez de datos del mundo físico, confianza empresarial y soberanía nacional.

Chips y datos: los primeros límites del auge de la IA

Fouquet fue directo al describir una “enorme aceleración de la fabricación de chips”. Sin embargo, pese a ese esfuerzo, dijo tener la “firme convicción” de que durante los próximos dos, tres o incluso cinco años el mercado seguirá limitado por la oferta. En otras palabras, los grandes compradores de infraestructura no podrán obtener todos los chips que están dispuestos a pagar.

La advertencia es relevante porque ASML ocupa un punto crítico en la cadena global de semiconductores. La empresa neerlandesa mantiene un monopolio en las máquinas de litografía ultravioleta extrema, conocidas como EUV, esenciales para producir los chips más avanzados del mercado.

Desde la perspectiva de la nube, deSouza reforzó la magnitud del desbalance entre oferta y demanda. Recordó que Google Cloud superó los USD $20.000 millones en ingresos el trimestre pasado, con un crecimiento de 63%. Además, dijo que el backlog de la compañía, es decir, ingresos comprometidos pero aún no entregados, casi se duplicó en un solo trimestre, al pasar de USD $250.000 millones a USD $460.000 millones.

Su frase fue breve, pero contundente: “La demanda es real”. Esa afirmación ayuda a entender por qué la expansión de la IA está dejando de ser un asunto exclusivamente tecnológico para convertirse en un reto industrial de gran escala.

Younis añadió otro ángulo. En Applied Intuition, dedicada a sistemas de autonomía para automóviles, camiones, drones, equipos mineros y vehículos de defensa, el problema no es solo el silicio. Su principal cuello de botella son los datos obtenidos en condiciones reales.

Según explicó, muchas capacidades de la IA física todavía no pueden entrenarse de forma completa con simulaciones sintéticas. “Tienes que encontrarlo en el mundo real”, dijo. También sostuvo que pasará mucho tiempo antes de que modelos que operan en entornos físicos puedan entrenarse por completo de manera sintética.

Energía, calor y la idea de centros de datos en el espacio

Si la escasez de chips es el primer obstáculo, la energía aparece como el siguiente gran límite. DeSouza confirmó que Google está explorando centros de datos en el espacio como una posible respuesta a las restricciones energéticas en tierra.

El razonamiento, dijo, es que en órbita se obtiene acceso a una fuente de energía más abundante. Sin embargo, dejó claro que esa solución está lejos de ser simple. En el espacio no existe convección, porque se trata de un vacío, por lo que el calor solo puede disiparse por radiación. Ese proceso es más lento y mucho más difícil de diseñar que los sistemas de refrigeración por aire o por líquido usados hoy en tierra.

Aun así, el ejecutivo señaló que Google considera esa ruta como una vía legítima. La sola mención del concepto muestra cuán extrema se ha vuelto la búsqueda de capacidad computacional para IA.

DeSouza también defendió la integración vertical como una herramienta para mejorar la eficiencia. Explicó que el hecho de coingenierizar toda la pila de IA, desde los chips TPU personalizados hasta los modelos y agentes, permite elevar los flops por vatio. Es decir, obtener más capacidad de cómputo por unidad de energía consumida.

En ese contexto, afirmó que ejecutar Gemini en TPUs resulta mucho más eficiente energéticamente que otras configuraciones. Su argumento fue que los diseñadores de chips conocen con antelación las necesidades del modelo, lo que permite optimizar el sistema de forma más precisa.

Fouquet reforzó esa idea con una frase simple: “Nada puede no tener precio”. El comentario resume el tono del panel. La industria invierte capitales extraordinarios por razones estratégicas, pero cada capa adicional de cómputo exige más electricidad, más infraestructura y más gasto.

La apuesta por arquitecturas distintas a los grandes modelos de lenguaje

Mientras buena parte del sector continúa centrada en escalar grandes modelos de lenguaje, Eve Bodnia planteó una visión diferente. Su empresa, Logical Intelligence, trabaja con modelos basados en energía, conocidos como EBM, una arquitectura que no se centra en predecir el siguiente token de una secuencia.

Según explicó, estos modelos intentan comprender las reglas subyacentes de los datos. A su juicio, ese enfoque se acerca más a la forma en que razona el cerebro humano. “El lenguaje es una interfaz de usuario entre mi cerebro y el tuyo”, dijo. “El razonamiento en sí no está vinculado a ningún lenguaje”.

Bodnia aseguró que su modelo más grande tiene 200 millones de parámetros, una escala muy inferior a los cientos de miles de millones de parámetros presentes en los principales LLM. También afirmó que funciona miles de veces más rápido.

Otro punto central de su propuesta es la capacidad de actualizar conocimiento conforme cambian los datos, sin necesidad de reentrenar el sistema desde cero. Para tareas como diseño de chips, robótica y otros dominios físicos, sostuvo que los EBM pueden ser una opción más natural.

Para ilustrarlo, usó un ejemplo cotidiano: al conducir un auto, una persona no busca patrones en un lenguaje, sino que observa el entorno, comprende reglas físicas y luego decide. Su tesis apunta a una discusión cada vez más relevante: si la escala por sí sola será suficiente para sostener el siguiente salto de la IA.

Agentes, permisos y confianza en entornos corporativos

Shevelenko expuso cómo Perplexity ha evolucionado desde un producto de búsqueda hacia lo que define como un “trabajador digital”. En esa lógica, Perplexity Computer no está pensado solo como una herramienta para un empleado, sino como un equipo al que ese empleado puede dirigir.

“Cada día te despiertas y tienes a cien miembros de personal en tu equipo”, dijo al describir la oportunidad. La promesa es poderosa, pero también abre dudas sobre control, supervisión y riesgo operativo dentro de empresas e instituciones.

Su respuesta a ese problema fue la granularidad de permisos. Explicó que los administradores empresariales pueden definir no solo a qué conectores o herramientas accede un agente, sino también si ese acceso será de solo lectura o de lectura y escritura.

Esa distinción es crítica cuando un agente opera dentro de sistemas corporativos. Shevelenko añadió que Comet, el agente de uso de computadora de Perplexity, primero presenta un plan y luego solicita aprobación antes de ejecutar acciones en nombre de un usuario.

Reconoció que algunos usuarios consideran molesta esa fricción, pero la defendió como una capa esencial de seguridad. Dijo además que, tras integrarse al consejo de Lazard, comprendió mejor los reflejos conservadores de un CISO encargado de proteger una marca de 180 años basada en la confianza del cliente.

Su conclusión fue clara: “La granularidad es la base de una buena higiene de seguridad”. Esa frase sitúa el debate de los agentes en un punto más maduro, lejos del entusiasmo sin frenos y más cerca de la gobernanza práctica.

Soberanía nacional y la dimensión geopolítica de la IA física

Younis formuló una de las observaciones más cargadas políticamente del panel. Dijo que la IA física y la soberanía nacional están profundamente entrelazadas, de una forma en que la IA puramente digital no lo estaba en sus primeras etapas.

Según su lectura, internet se expandió primero como una tecnología estadounidense y solo más tarde encontró resistencia en la capa de aplicaciones. Con la IA física ocurre algo distinto, porque se manifiesta directamente en vehículos autónomos, drones de defensa, maquinaria minera y sistemas agrícolas que operan dentro de fronteras nacionales.

Eso obliga a los gobiernos a preguntarse por seguridad, captura de datos y control efectivo de sistemas desplegados en su territorio. Younis resumió esa preocupación con una frase tajante: casi todos los países están diciendo que no quieren inteligencia física dentro de sus fronteras si está controlada por otra nación.

Su comparación fue especialmente llamativa. Afirmó que hoy menos países pueden desplegar un robotaxi que los que poseen armas nucleares. Más allá del contraste, la frase apunta a la dificultad tecnológica, regulatoria e industrial de la autonomía en el mundo real.

Fouquet ofreció un complemento geopolítico desde el ángulo del hardware. Reconoció que el progreso de la IA en China es real y recordó que el lanzamiento de DeepSeek a comienzos de este año provocó algo cercano al pánico en algunas partes de la industria.

Sin embargo, señaló que ese avance enfrenta límites por debajo de la capa del modelo. Sin acceso a la litografía EUV, los fabricantes chinos de chips no pueden producir los semiconductores más avanzados. Como consecuencia, los modelos construidos sobre hardware menos moderno cargan con una desventaja acumulativa, por más fuerte que sea el software.

Fouquet lo resumió así: en Estados Unidos están los datos, el acceso al cómputo, los chips y el talento, mientras que China hace un muy buen trabajo en la parte superior de la pila, pero carece de algunos elementos esenciales en las capas inferiores.

Una tecnología poderosa, pero con preguntas generacionales abiertas

Hacia el final del panel surgió una pregunta incómoda: si esta transformación afectará la capacidad de pensamiento crítico de la próxima generación. Las respuestas fueron optimistas, aunque desde perspectivas distintas.

DeSouza apuntó al potencial de estas herramientas para abordar problemas de enorme escala. Mencionó enfermedades neurológicas cuyos mecanismos biológicos todavía no se entienden bien, la remoción de gases de efecto invernadero y la modernización de infraestructuras de red pospuestas durante décadas.

En su opinión, la IA debería empujar a la humanidad hacia un nuevo nivel de creatividad. Shevelenko adoptó un tono más práctico. Reconoció que el trabajo de entrada podría verse afectado, pero sostuvo que nunca fue tan accesible lanzar algo por cuenta propia.

Para quienes tengan acceso a sistemas como Perplexity Computer, dijo, la limitación principal pasa a ser la curiosidad y la capacidad de iniciativa. Es una visión que desplaza el foco desde la sustitución laboral hacia la ampliación de capacidad individual.

Younis, por su parte, trazó una división clara entre trabajo del conocimiento y trabajo físico. Recordó que el agricultor promedio en Estados Unidos tiene 58 años y afirmó que la escasez de mano de obra en minería, transporte de larga distancia y agricultura es crónica y creciente.

Según explicó, el problema no se debe simplemente a salarios bajos, sino a que cada vez menos personas quieren esos empleos. En ese escenario, la IA física no estaría desplazando a una fuerza laboral disponible, sino llenando un vacío que ya existe y que podría profundizarse con el tiempo.

El balance final del encuentro deja una conclusión importante. La economía de la IA no solo depende del avance de los modelos, sino también de los límites concretos del mundo material. Chips, energía, calor, permisos, datos de campo y soberanía son ahora variables centrales para medir qué tan lejos puede llegar esta nueva etapa 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

 


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