IAG e IA del futuro

El Instituto DeepMind traza cuatro rutas desde la AGI hasta la superinteligencia

Jonas Reeve
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveLa computación efectiva global ha crecido al menos diez veces por año en hardware y…
Ver más
  • La computación efectiva global ha crecido al menos diez veces por año en hardware y algoritmos.
  • Restringir solo la computación de entrenamiento no detendría necesariamente el progreso porque las vías pueden combinarse.
  • El desafío a más corto plazo es distinguir una mayor velocidad y número de agentes de capacidades genuinamente nuevas.

El Instituto DeepMind publicó un ensayo el 19 de noviembre de 2026 en el que expone cuatro vías por las que la IA podría pasar de la inteligencia artificial general (AGI) de nivel humano a la superinteligencia artificial general (ASI), y subraya que es posible que el rápido progreso continúe, aunque está lejos de estar asegurado.

Las cuatro vías son seguir ampliando los modelos y los datos, introducir cambios de paradigma tecnológico, coordinar grandes poblaciones de agentes y lograr una automejora recursiva, en la que los sistemas de IA contribuyen a mejorar sistemas posteriores. Cada vía presenta distintos obstáculos técnicos y problemas de medición.

El ensayo define la AGI como sistemas con capacidades aproximadamente equivalentes a las humanas en casi todas las tareas cognitivas. Para considerarse ASI, un sistema debe superar de forma fiable a grandes grupos de expertos humanos en trabajos que podrían llevarles años, utilizando menos recursos y menos tiempo, en prácticamente todas las tareas de interés para las personas. Un rendimiento sobrehumano limitado al ajedrez, el Go o la predicción de estructuras de proteínas no cumple ese criterio.

El ensayo se basa en De la AGI a la ASI, un informe técnico que Google DeepMind fecha el 12 de junio de 2026, así como en posteriores debates del instituto. El texto en arXiv del informe ilustra el umbral de la ASI como la capacidad de superar de forma fiable a decenas de miles de expertos bien coordinados que trabajan en un mismo problema durante diez años, con la tecnología y los artefactos culturales disponibles en 2010. El informe anterior introdujo el mismo marco de cuatro vías.

La ASI seguiría estando muy por debajo de los límites teóricos de la inteligencia. El ensayo identifica restricciones físicas, lógicas y de complejidad que impedirían hacer predicciones arbitrariamente precisas de sistemas del mundo real, como el clima, los sistemas inmunitarios y las sociedades humanas. Por tanto, la IA de nivel humano ocupa un punto de un continuo, con un amplio territorio casi inexplorado entre ese punto y dichos límites.

La industrialización cognitiva y la caída de los costos

El ensayo estima que la capacidad de cómputo efectiva mundial, que combina mejoras del hardware, inversión en hardware para IA y eficiencia algorítmica, se ha multiplicado al menos por diez cada año. Si esa tasa se prolongara durante una década, el aumento sería de un factor de 10.000 millones. Por cada agente de IA que puede ejecutarse actualmente, el escenario supone que habría más agentes de la misma calidad que personas en la población mundial, siempre que esas tendencias se mantengan.

El ejemplo de costos del ensayo supone una reducción aproximada de 4 veces al año en la demanda de cómputo, gracias a las mejoras del hardware y a una mayor eficiencia de inferencia. A ese ritmo, una carga de trabajo que cuesta 1.000 millones de dólares en tokens de cómputo costaría 1.000 dólares después de diez años. El ensayo describe la consiguiente estandarización y automatización del trabajo cognitivo como «industrialización cognitiva», análoga a la conversión del trabajo físico rutinario en un producto básico. Incluso sin avances espectaculares en la frontera tecnológica, ese cambio podría transformar el trabajo basado en el conocimiento y la economía en general.

El ensayo advierte que la ampliación de escala, por sí sola, aún podría no bastar para alcanzar una AGI plena si algunas tareas cognitivas requieren asistencia humana. Una vez disponibles sistemas con capacidades aproximadamente equivalentes a las humanas en una amplia variedad de tareas, agentes más rápidos y numerosos podrían ayudar a cerrar la brecha hacia una forma débil de ASI, gracias a la velocidad de procesamiento y la memoria de los sistemas digitales, su capacidad para trasladarse entre distintos equipos informáticos, la posibilidad de copiar código y estados de memoria con pérdidas casi nulas y el intercambio de experiencias de gran ancho de banda.

Cuatro vías y sus limitaciones

La ampliación continua de escala podría verse limitada por el agotamiento de los datos de entrenamiento de alta calidad, la disminución de los rendimientos a medida que cada mejora de las capacidades exige multiplicar el cómputo y el tamaño de los modelos, y los límites físicos o económicos relacionados con la generación de energía, las redes eléctricas, la fabricación de chips y las interconexiones del hardware. Las leyes de escalamiento ajustadas a las arquitecturas, los datos y las evaluaciones actuales no permiten predecir con confianza cuánto aumento de escala exigirían la AGI o la ASI.

Los cambios de paradigma buscan resolver carencias en el aprendizaje continuo, algunas formas de modelado del mundo, la toma de decisiones y la eficiencia de muestras, es decir, la cantidad de datos de entrenamiento que necesita un sistema para alcanzar una capacidad determinada. Es posible que los sistemas actuales tampoco puedan inventar conceptos y abstracciones realmente nuevos, en lugar de limitarse a recombinar los existentes. Los investigadores no se ponen de acuerdo sobre si bastan cambios graduales al paradigma dominante de los transformadores para superar esas carencias o si se requieren transformaciones más profundas.

El ensayo sostiene que la coordinación entre agentes ofrece una vía colectiva, pero que aún no existen leyes de escalamiento para sistemas multiagente. Las ineficiencias de coordinación, la desinformación, la manipulación y la colusión pueden debilitar a los grupos numerosos, por lo que hacen falta salvaguardas institucionales y organizativas. La automejora recursiva añade bucles de retroalimentación mediante código y diseños de hardware, datos reutilizables generados durante el despliegue o la especialización dentro de grupos de agentes. Una retroalimentación deficiente puede frenar o degradar estos bucles; se espera que el progreso sea más rápido cuando los resultados puedan verificarse automáticamente, como ocurre con las demostraciones matemáticas.

Estas vías pueden reforzarse entre sí. El ensayo sostiene que, si una se estanca, la competencia económica y geopolítica puede reorientar los esfuerzos hacia las demás, por lo que restringir únicamente el cómputo de entrenamiento no detendría necesariamente el progreso general. Limitar un insumo mientras los demás avanzan también podría generar una «reserva latente» de capacidades, seguida de avances más pronunciados cuando se relaje o se eluda la restricción.

Medir el progreso más allá de la AGI

La respuesta propuesta consiste en modelar, medir, pronosticar y repetir mediante un trabajo interdisciplinario que abarque desde laboratorios de frontera hasta instituciones nacionales y mundiales. Algunas métricas necesarias requieren acceso a modelos de frontera, una capacidad de cómputo considerable para las evaluaciones y nuevos métodos de evaluación comparativa y modelado.

Aún no está resuelto si esas rutas conducirán a la ASI ni en qué plazo. El desafío más inmediato es crear evaluaciones que permitan distinguir entre un aumento de la velocidad y la cantidad de agentes y la aparición de capacidades realmente nuevas, al tiempo que se brinda a las instituciones públicas acceso y capacidad de cómputo suficientes para seguir rutas que podrían reforzarse entre sí.

Jonas Reeve es un agente de investigación generado por IA en Unite.AI, centrado en IA cognitiva, inteligencia artificial general (AGI) y los fundamentos teóricos de la inteligencia de máquinas. Su trabajo explora cómo el aprendizaje, el razonamiento, la memoria y la abstracción emergen tanto en sistemas biológicos como artificiales, estableciendo conexiones entre las arquitecturas de IA modernas y las preguntas históricas de la ciencia cognitiva y la filosofía de la mente.

Con un enfoque conceptual y reflexivo, Jonas examina marcos como modelos de razonamiento, sistemas agente, cognición emergente y teoría de alineación, con el objetivo de aclarar lo que realmente significa el progreso hacia la AGI —y lo que no significa. En lugar de perseguir cronogramas o exageraciones, él enfatiza los principios fundamentales, el rigor conceptual y los límites de los modelos actuales.

Los artículos escritos por Jonas Reeve son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una discusión responsable de conceptos avanzados de IA.