Principales destacados
- Google DeepMind presentó un estudio que describe cuatro posibles caminos para la evolución de la Inteligencia Artificial General (AGI) hacia la Superinteligencia Artificial (ASI).
- Cada trayectoria posee características propias, diferentes velocidades de desarrollo y desafíos específicos relacionados con la seguridad y el control de los sistemas.
- Las empresas que ya invierten en agentes de IA y arquitecturas multiagente pueden estar construyendo hoy la base tecnológica de una nueva generación de inteligencia artificial.
La Inteligencia Artificial vive uno de los momentos más importantes de su historia. En los últimos años, los modelos generativos han pasado a escribir textos, crear imágenes, desarrollar código y resolver problemas complejos con una calidad que parecía imposible hace poco tiempo.
Este avance acelerado ha hecho crecer una pregunta que domina las discusiones entre investigadores, ejecutivos y gobiernos: ¿cuándo se alcanzará finalmente la Inteligencia Artificial General?
Para Google DeepMind, sin embargo, esa quizá ni siquiera sea la cuestión más relevante. Según investigadores de la empresa, el verdadero desafío comienza justo después de ese hito, cuando una AGI podrá evolucionar hacia una Superinteligencia Artificial, conocida por las siglas ASI.
Esta etapa representaría un sistema capaz de superar a los seres humanos en prácticamente todas las áreas del conocimiento, desde la investigación científica hasta la creatividad, la planificación estratégica y la toma de decisiones.
En un estudio reciente, el laboratorio presentó cuatro posibles trayectorias para esta evolución. En lugar de intentar prever una fecha específica para la llegada de la superinteligencia, la investigación propone analizar qué mecanismos pueden hacer posible esta transformación.
El trabajo también destaca que cada camino presenta diferentes oportunidades para la innovación, pero también riesgos que exigen una atención creciente por parte de la comunidad científica.
¿Qué diferencia a la AGI de la ASI?
Los términos AGI y ASI aparecen cada vez más en las discusiones sobre inteligencia artificial, pero aún generan bastante confusión.
La AGI, o Inteligencia Artificial General, representa un sistema capaz de realizar cualquier tarea intelectual que un ser humano pueda ejecutar. A diferencia de los modelos actuales, que son extremadamente competentes en determinadas actividades pero aún presentan limitaciones importantes en otras, una AGI podría aprender, adaptar conocimientos y resolver problemas completamente nuevos sin depender de un entrenamiento específico para cada situación.
Hoy, plataformas como ChatGPT, Gemini, Claude y otros modelos de vanguardia impresionan por su capacidad de responder preguntas, programar, interpretar imágenes y producir contenido. Aun así, permanecen especializados dentro de los límites de su entrenamiento y presentan fallos previsibles cuando enfrentan situaciones muy diferentes de aquellas presentes en sus datos de aprendizaje.
La Superinteligencia Artificial representa un paso mucho más allá. En lugar de simplemente igualar las capacidades humanas, superaría a los especialistas en prácticamente cualquier actividad cognitiva. Esto incluiría velocidad de razonamiento, memoria, creatividad, descubrimiento científico, ingeniería, medicina, matemáticas, estrategia militar, economía y muchas otras áreas.
Esta diferencia es importante porque, por primera vez en la historia, la humanidad podrá crear sistemas intelectualmente superiores a sus propios creadores. Como nunca hemos vivido algo similar, prácticamente todas las previsiones implican un alto grado de incertidumbre.
¿Por qué la transición entre AGI y ASI preocupa tanto?
Gran parte de las discusiones sobre inteligencia artificial se centra en la llegada de la AGI. Sin embargo, diversos investigadores argumentan que la distancia entre AGI y ASI podría ser mucho menor de lo que imaginamos.
El motivo es relativamente simple.
Una inteligencia artificial que ya alcance un desempeño similar al humano podrá participar en su propio desarrollo. En teoría, sería capaz de analizar artículos científicos publicados diariamente, proponer nuevos experimentos, escribir códigos más eficientes, identificar errores en arquitecturas existentes y acelerar la investigación a un ritmo imposible para equipos formados únicamente por personas.
Si este ciclo de mejora continúa de forma constante, la evolución podría dejar de ser lineal y pasar a crecer de manera exponencial.
Esta hipótesis se conoce como “explosión de inteligencia”, concepto presentado por el matemático I. J. Good en la década de 1960. Aunque sigue siendo solo una posibilidad teórica, ha vuelto al centro de las discusiones gracias a los avances recientes de la IA generativa.
Google DeepMind no afirma que este escenario ocurrirá inevitablemente. En cambio, el estudio propone analizar diferentes posibilidades para comprender cómo puede darse la evolución y qué medidas de seguridad deben acompañar este proceso.
Primer camino: seguir ampliando los modelos actuales
La primera posibilidad quizá sea también la más simple.
Según esta hipótesis, basta con continuar haciendo lo que ya ha funcionado en los últimos años: utilizar más poder computacional, entrenar modelos más grandes, ampliar los conjuntos de datos y desarrollar infraestructuras cada vez más robustas.
Esta estrategia se conoce como la hipótesis de la escalabilidad. Ha sustentado prácticamente toda la evolución de la IA generativa desde los primeros grandes modelos de lenguaje hasta las versiones más recientes disponibles actualmente.
Diversos investigadores han observado que, a medida que aumentaban el número de parámetros, los datos de entrenamiento y la capacidad computacional, nuevas habilidades surgían de forma espontánea. Muchas de estas competencias ni siquiera habían sido previstas por los propios desarrolladores.
Si este comportamiento continúa, es posible que una futura generación de modelos alcance capacidades consideradas superinteligentes simplemente mediante la combinación de más procesamiento, más datos y mejor infraestructura.
A pesar de ello, existen dudas importantes.
Algunos especialistas creen que nos estamos acercando a límites relacionados con la disponibilidad de datos de calidad y el enorme costo energético necesario para entrenar modelos gigantescos. Otros sostienen que los datos sintéticos, nuevos chips y técnicas más eficientes podrían prolongar este crecimiento durante muchos años.
Segundo camino: nuevos descubrimientos pueden cambiar completamente el juego
El segundo escenario considera que la evolución no dependerá únicamente del aumento de escala.
Así como las redes neuronales convolucionales dieron paso a los transformadores, que revolucionaron la inteligencia artificial moderna, una nueva arquitectura podría surgir y superar significativamente todo lo que existe actualmente.
Google DeepMind destaca algunas áreas que despiertan gran interés entre los investigadores.
Una de ellas implica sistemas con capacidad de razonamiento más estructurado, capaces de planificar, revisar decisiones y verificar sus propios resultados antes de presentar respuestas.
Otra línea prometedora está relacionada con los llamados modelos de mundo. En lugar de simplemente reconocer patrones estadísticos presentes en los datos, estas inteligencias desarrollarían representaciones internas mucho más cercanas a la forma en que los humanos comprenden la realidad física.
También existe gran expectativa en torno a la integración multimodal. Los modelos actuales ya pueden trabajar simultáneamente con texto, imágenes, audio y video, pero la tendencia es que esta integración se vuelva mucho más profunda, permitiendo comprender entornos físicos, ejecutar acciones e interactuar de forma natural con el mundo.
Por último, los investigadores buscan métodos de aprendizaje mucho más eficientes. Mientras que los modelos actuales dependen de enormes cantidades de ejemplos, las futuras arquitecturas podrían aprender con mucha menos información, acercándose a la capacidad humana de generalización.
Como nadie puede prever cuándo ocurrirá el próximo gran descubrimiento científico, esta sigue siendo una de las trayectorias más impredecibles.
Tercer camino: cuando la IA comience a mejorar la propia IA
Entre todas las posibilidades presentadas, ninguna despierta tanto interés como el auto-mejoramiento recursivo.
En este escenario, una inteligencia artificial suficientemente avanzada comenzaría a estudiar su propia arquitectura. Identificaría limitaciones, crearía modificaciones, ejecutaría pruebas, evaluaría los resultados e incorporaría automáticamente las mejoras aprobadas.
Después de eso, una versión más inteligente repetiría exactamente el mismo proceso.
Si este ciclo funciona de manera continua, cada nueva generación sería capaz de desarrollar una sucesora aún mejor, acelerando exponencialmente el progreso tecnológico.
Hoy, los modelos de lenguaje ya pueden escribir código, identificar errores de programación y ayudar a los investigadores en tareas científicas. Aunque todavía están muy lejos de modificar sus propios entrenamientos de forma autónoma, la diferencia entre una IA que desarrolla software y otra que contribuye directamente a la investigación en inteligencia artificial quizá sea menor de lo que parecía hace pocos años.
Es precisamente aquí donde surgen las mayores preocupaciones sobre alineación.
Si un sistema modifica sus propios objetivos durante este proceso, podría continuar evolucionando en direcciones diferentes a las deseadas por los seres humanos. Evitar este tipo de comportamiento se ha convertido en una de las principales prioridades de la investigación en seguridad de IA.
Cuarto camino: miles de agentes trabajando juntos
La cuarta trayectoria presentada por Google DeepMind no depende necesariamente de una única inteligencia artificial extremadamente poderosa.
En este escenario, cientos o miles de agentes inteligentes trabajan simultáneamente, dividiendo responsabilidades y compartiendo información para resolver problemas mucho mayores de los que cualquier sistema individual podría enfrentar por sí solo.
Esta idea recuerda al funcionamiento de las propias sociedades humanas. Ninguna persona domina todo el conocimiento necesario para construir un avión, desarrollar un ordenador o producir un medicamento complejo. Sin embargo, equipos especializados logran alcanzar estos resultados mediante la colaboración.
El mismo principio puede aplicarse a las inteligencias artificiales.
Hoy ya existen arquitecturas multiagente en las que un sistema realiza investigaciones, otro organiza información, un tercero valida respuestas y un cuarto produce el resultado final.
A medida que estos agentes se vuelven más inteligentes y coordinados, la inteligencia colectiva del grupo podría superar significativamente la capacidad de cada modelo individual.
Para muchos investigadores, este camino podría evolucionar incluso antes de la existencia de una AGI completamente autónoma.
El desafío de la seguridad crece junto con la capacidad de los modelos
Además de discutir posibles caminos tecnológicos, el estudio de Google DeepMind dedica gran atención a los desafíos relacionados con la seguridad.
Cada trayectoria exige estrategias diferentes.
Si la evolución ocurre de manera gradual mediante la escalabilidad, los investigadores tendrán más tiempo para comprender nuevos comportamientos y desarrollar mecanismos de protección.
Si una gran innovación arquitectónica produce un salto inesperado en el rendimiento, las técnicas actuales de alineación quizá no sean suficientes para acompañar este cambio.
En el escenario de auto-mejoramiento recursivo, los riesgos se vuelven aún mayores, ya que un sistema capaz de modificar continuamente su propia estructura podría evolucionar más rápido que la capacidad humana de supervisarlo.
Incluso los sistemas compuestos por múltiples agentes presentan nuevos desafíos. Aunque cada agente individual sea seguro, el comportamiento colectivo podría generar resultados inesperados, lo que exige nuevos métodos de monitoreo.
Por ello, DeepMind considera áreas como la interpretabilidad, la supervisión escalable y la alineación entre objetivos humanos e inteligencia artificial como pilares fundamentales para el futuro de la tecnología.
¿Qué representa todo esto para empresas y desarrolladores?
Aunque pocas organizaciones estén desarrollando tecnologías cercanas a la AGI, prácticamente cualquier empresa ya puede beneficiarse de las conclusiones de este estudio.
Las herramientas basadas en agentes de IA se vuelven más sofisticadas cada mes. Los equipos crean flujos automatizados, asistentes inteligentes y sistemas capaces de ejecutar diversas tareas en secuencia.
Estas soluciones representan versiones iniciales de las arquitecturas descritas por Google DeepMind.
Esto significa que las inversiones realizadas actualmente pueden servir como base para tecnologías mucho más avanzadas en los próximos años. Las empresas que aprendan desde ahora a coordinar múltiples agentes, integrar diferentes modelos y construir flujos inteligentes estarán mejor preparadas si la evolución de la inteligencia artificial se acelera significativamente.
Aunque nadie puede afirmar cuándo surgirá la Superinteligencia Artificial, comprender los caminos presentados por DeepMind ayuda a entender que el futuro de la IA dependerá no solo de modelos más poderosos, sino también de las decisiones que se tomen hoy en materia de investigación, seguridad, gobernanza y desarrollo responsable.
