De la Ley de Moore a la “Ley de OpenAI”: La Trayectoria Exponencial del Desarrollo de la Inteligencia Artificial

La inteligencia artificial está avanzando a una velocidad que es difícil de comprender. Para describir este fenómeno, los expertos han comenzado a hacer referencia a lo que algunos llaman “Ley de OpenAI”, un paralelo moderno a la Ley de Moore, pero mucho más pronunciado. Este término fue llevado a una atención más amplia en el libro Imperio de la IA, que cronica el ascenso de OpenAI y la carrera hacia la inteligencia artificial general (IAG). En el libro, la “Ley de OpenAI” se utiliza para capturar el ritmo vertiginoso al que los requisitos de cómputo, y por lo tanto las capacidades de la IA, han escalado en la última década.

Mientras que no es una ley científica formal, la Ley de OpenAI se refiere a una tendencia real y medible: el doble rápido de la potencia de cómputo utilizada en la formación de modelos de IA de vanguardia, que ocurre a un ritmo mucho más rápido que la Ley de Moore. En términos prácticos, el cómputo de la IA ha estado duplicándose aproximadamente cada tres o cuatro meses, en comparación con los 18-24 meses de Moore. Esta curva exponencial subyace al auge moderno de la IA y establece el escenario para un futuro que llega más rápido de lo que la mayoría espera.

La Ley de Moore: El Motor que Impulsó la Era Digital

La Ley de Moore fue la fuerza impulsora detrás del ascenso de las computadoras personales, los teléfonos inteligentes y la informática en la nube. Predijo que la cantidad de transistores en un chip se duplicaría aproximadamente cada dos años, lo que lleva a ganancias exponenciales en potencia de cómputo, eficiencia energética y reducción de costos.

Durante décadas, este patrón simple se mantuvo, lo que hizo que cada generación de hardware fuera exponencialmente más poderosa que la anterior. Pero a medida que se alcanzaron los límites físicos y económicos en la década de 2010, la Ley de Moore comenzó a desacelerarse. Los ingenieros respondieron utilizando más núcleos, apilamiento de chips en 3D y procesadores especializados para extender el rendimiento, pero los beneficios fáciles se habían agotado.

Fue alrededor de este tiempo que la investigación de la IA, impulsada por avances en el aprendizaje profundo, comenzó a divergir de la trayectoria tradicional de la Ley de Moore.

El Nacimiento de la Ley de OpenAI: La Curva Exponencial de Cómputo de la IA

A principios de la década de 2010, los investigadores descubrieron que alimentar más cómputo a las redes neuronales de gran escala conducía a capacidades de la IA cada vez más poderosas. A partir de aproximadamente 2012, la cantidad de cómputo utilizado en las ejecuciones de formación de la IA más grandes comenzó a duplicarse aproximadamente cada 3 a 4 meses.

Esta fue una aceleración asombrosa, mucho más rápida que la Ley de Moore. En seis años, el cómputo utilizado en los modelos de la IA de vanguardia aumentó más de 300,000 veces. Mientras que la Ley de Moore solo habría entregado un aumento de 7 veces en ese tiempo, el cómputo de la IA se disparó debido a la escalada agresiva.

Este fenómeno se conoció informalmente como Ley de OpenAI, una trayectoria autoimpuesta por organizaciones como OpenAI, que creían que la escalada del tamaño del modelo y el cómputo era el camino más rápido hacia la inteligencia artificial general (IAG). El libro Imperio de la IA describe este cambio en detalle, ilustrando cómo OpenAI y su liderazgo se comprometieron con esta estrategia a pesar de los crecientes costos, porque creían que era la ruta más directa para desbloquear capacidades transformadoras.

Críticamente, la Ley de OpenAI no es una inevitabilidad física, es una decisión estratégica. La creencia de que “más cómputo significa mejor IA” se convirtió en un principio rector, respaldado por inversiones masivas, construcción de infraestructura y asociaciones con proveedores de la nube.

La Hipótesis de Escalabilidad y la Nueva Carrera Armamentista

Subyacente a la Ley de OpenAI está la hipótesis de escalabilidad: la idea de que simplemente hacer que los modelos sean más grandes y entrenarlos con más datos y más cómputo conduce a resultados cualitativamente mejores. Esta hipótesis ganó tracción a medida que cada modelo sucesivo, GPT-2, GPT-3, GPT-4, demostró saltos en fluidez, razonamiento y comprensión multimodal.

En el corazón de esta tendencia hay una intensa competencia entre las empresas de tecnología para dominar la frontera de la IA. El resultado ha sido una especie de carrera armamentista, donde cada nuevo hito requiere recursos computacionales exponencialmente más grandes que el anterior.

Entrenar modelos grandes ahora requiere decenas de miles de GPU de alta gama que operan en paralelo. Las proyecciones para modelos futuros involucran presupuestos de cómputo que podrían acercarse o exceder los $100 mil millones, con enormes demandas de energía e infraestructura.

Esta tendencia ha llevado a una nueva curva exponencial, una que ya no está definida por la cantidad de transistores, sino por la voluntad y la capacidad de escalar el cómputo a cualquier costo.

Cómo se Compara: La Ley de Huang y la Ley de Kurzweil de Retornos Acelerados

Para comprender completamente la importancia de la Ley de OpenAI, ayuda explorar otros marcos fundamentales que han dado forma a nuestra comprensión del progreso tecnológico más allá de la Ley de Moore.

La Ley de Huang, nombrada en honor al CEO de NVIDIA, Jensen Huang, describe la observación de que el rendimiento de la GPU para las cargas de trabajo de la IA ha mejorado a un ritmo significativamente más rápido que la Ley de Moore. En un período de cinco años, las GPU han visto ganancias de rendimiento que superan las 25 veces, muy por encima de las 10 veces de mejora esperadas bajo la escalada de transistores tradicional.

Esta aceleración no se debe solo a la densidad del chip, es el resultado de la innovación a nivel de sistema. Mejoras en la arquitectura de la GPU, aumento de la banda de memoria, interconexiones de alta velocidad y avances en los ecosistemas de software como CUDA y bibliotecas de aprendizaje profundo han contribuido a estas ganancias. Las optimizaciones de ingeniería en programación, operaciones de tensor y paralelismo también han desempeñado un papel vital.

Las mejoras en el rendimiento de la inferencia y la formación de tareas de una sola GPU han alcanzado hasta 1,000 veces en la última década, impulsadas por esta pila compuesta de innovación de hardware y software. En efecto, la capacidad de la GPU para las tareas de la IA ha estado duplicándose cada 6 a 12 meses, tres o cuatro veces más rápido que la curva original de Moore. Este ritmo implacable ha hecho que las GPU sean los motores indispensables de la IA moderna, permitiendo las corridas de formación masivas paralelizadas que subyacen a la Ley de OpenAI.

La Ley de Kurzweil de Retornos Acelerados lleva la idea de crecimiento exponencial un paso más allá, proponiendo que la tasa de crecimiento exponencial en sí misma se acelera con el tiempo. Según este principio, cada avance tecnológico no solo se mantiene por sí mismo, sino que crea las herramientas, plataformas y conocimientos que hacen que el siguiente avance suceda más rápido y de manera más eficiente. Esto lleva a un efecto de compounding donde el cambio tecnológico se alimenta de sí mismo, acelerándose en escala y frecuencia.

Kurzweil ha argumentado que esta dinámica comprimirá lo que habría sido siglos de progreso en apenas décadas. Si la tasa de progreso se duplica cada década, el siglo XXI podría experimentar un salto asombroso, equivalente a decenas de miles de años de avance a tasas históricas.

Esta ley es particularmente relevante para la IA. La IA moderna ya no es solo un tema de progreso, se ha convertido en un acelerador de progreso. Los sistemas de la IA ya están asistiendo en el diseño de nuevos chips, la optimización de las redes neuronales, la realización de investigaciones científicas y incluso escribiendo el propio código utilizado para construir a sus sucesores. Esto crea un bucle de mejora recursiva, donde cada generación de la IA mejora la siguiente, reduciendo los plazos de desarrollo y multiplicando las capacidades.

Este ciclo de retroalimentación comienza a parecerse a lo que algunos llaman una explosión de inteligencia: un escenario en el que los sistemas de la IA se vuelven capaces de mejorar rápidamente sin intervención humana. El resultado es una curva que no solo sube abruptamente, sino que se curva hacia arriba dramáticamente, a medida que los ciclos de iteración se colapsan y los avances se desbordan. Si este patrón continúa, podríamos presenciar una fase de progreso tecnológico que se siente casi instantáneo, donde industrias enteras, campos científicos y modos de pensamiento evolucionan en meses en lugar de décadas.

La Ley de OpenAI se ajusta a esta línea como una expresión de crecimiento exponencial en el lado de la demanda. A diferencia de la Ley de Moore o la Ley de Huang, que describen el ritmo de las mejoras del hardware, la Ley de OpenAI refleja cuánto cómputo los investigadores eligen consumir en busca de mejores resultados. Muestra que el progreso de la IA ya no está estrictamente vinculado a lo que pueden hacer los chips, sino a lo que los investigadores están dispuestos y pueden escalar. Impulsada por una vasta infraestructura en la nube y miles de millones en inversiones, la Ley de OpenAI ejemplifica una nueva era en la que la capacidad crece no solo a través de la innovación, sino a través de la fuerza concentrada.

Juntas, estas leyes bosquejan una visión multidimensional del crecimiento exponencial. Moore y Huang definen el suministro de cómputo. Kurzweil cartografía la tendencia general de progreso compuesto. Y la Ley de OpenAI resalta una nueva ambición tecnológica, donde empujar los límites ya no es opcional, sino la estrategia central.

La Promesa: Por Qué la IA Exponencial Importa

Las implicaciones de la Ley de OpenAI son profundas.

En el lado optimista, la escalada exponencial ha producido resultados asombrosos. Los sistemas de la IA pueden escribir ensayos, generar código, asistir en la investigación científica y participar en conversaciones sorprendentemente fluidas. Cada aumento de 10 veces en la escala parece desbloquear nuevas capacidades emergentes, sugiriendo que podríamos estar acercándonos a la IAG.

La IA podría transformar pronto industrias que van desde la educación y la atención médica hasta las finanzas y la ciencia de materiales. Si la Ley de OpenAI continúa, podríamos presenciar avances que comprimen décadas de innovación en pocos años.

Esto es la esencia de un nuevo término que hemos acuñado: “velocidad de escape de la IA”, el momento en que la IA comienza a mejorar a sí misma, impulsando el progreso en una oleada exponencial y auto-reforzante.

El Precio: Costos Ambientales, Económicos y Éticos

Pero el crecimiento exponencial no es gratuito.

Entrenar modelos de vanguardia ahora consume enormes cantidades de electricidad y agua. Alimentar miles de GPU durante semanas crea serias preocupaciones ambientales, incluyendo emisiones de carbono y residuos térmicos. Las cadenas de suministro para los chips de la IA también están bajo presión, planteando cuestiones de sostenibilidad y geopolíticas.

Financieramente, solo las empresas de tecnología más grandes o las startups mejor financiadas pueden permitirse seguir en la curva. Esto conduce a una concentración de poder, donde un pequeño grupo de organizaciones controla la frontera de la inteligencia.

Éticamente, la Ley de OpenAI fomenta una mentalidad de carrera, más grande, más rápido, más pronto, lo que puede llevar a una implementación prematura, sistemas no probados y atajos de seguridad. Hay una creciente preocupación de que algunos modelos de vanguardia puedan ser lanzados antes de que la sociedad comprenda completamente sus impactos.

Para mitigar esto, los investigadores han propuesto marcos de gobernanza que rastrean el desarrollo de la IA no por lo que los modelos hacen, sino por la cantidad de cómputo utilizado para entrenarlos. Dado que el cómputo es uno de los mejores predictores de la capacidad del modelo, podría convertirse en un proxy para la evaluación de riesgos y regulación.

Límites de la Escalabilidad: ¿Qué Sucede Cuando la Curva se Dobra?

A pesar de los impresionantes avances, hay un debate sobre cuánto tiempo puede continuar la tendencia de escalada. Algunos creen que ya estamos viendo rendimientos decrecientes: modelos más grandes consumen más cómputo pero solo producen mejoras marginales.

Otros argumentan que avances en la eficiencia, el diseño de algoritmos o la arquitectura del modelo podrían aplanar la curva sin frenar el progreso. Modelos más pequeños y más inteligentes podrían volverse más atractivos que los gigantes a la fuerza bruta.

Además, la presión pública, la regulación y las limitaciones de la infraestructura pueden obligar a la industria a replantear la mentalidad de “escalar a cualquier costo”. Si las redes eléctricas, los presupuestos o el consentimiento social no pueden mantener el ritmo, la IA exponencial podría golpear un techo, o al menos un punto de inflexión.

El Camino por Delante: Trazando el Futuro de la IA Exponencial

Por ahora, la Ley de OpenAI sigue siendo una de las lentes más claras a través de las cuales ver el futuro de la inteligencia artificial. Explica cómo hemos pasado de chatbots rudimentarios a sistemas generalistas multimodales en menos de una década, y por qué la próxima ola de progreso podría ser aún más dramática.

Sin embargo, la ley también viene con compromisos: desigualdad de acceso, costos en aumento, cargas ambientales y desafíos de seguridad. A medida que nos aceleramos hacia esta nueva era, la sociedad necesitará enfrentar preguntas fundamentales:

• ¿Quién puede dar forma al futuro de la IA?
• ¿Cómo equilibramos el progreso con la precaución?
• ¿Qué sistemas son necesarios para gestionar la capacidad exponencial antes de que supere el control humano?

La Ley de OpenAI no es inmutable. Al igual que la Ley de Moore antes, puede eventualmente desacelerarse, estabilizarse o ser reemplazada por un nuevo paradigma. Pero por ahora, sirve como una advertencia y un mapa de carreteras, recordándonos que el futuro de la IA no solo está avanzando, sino que se está compounding.

Estamos presenciando la historia, pero la estamos ingenierizando a una velocidad exponencial. Pero con ese poder viene la responsabilidad: asegurarnos de que la humanidad no sufra daños exponenciales junto con el progreso exponencial.