Hasta ahora, Silicon Valley ha asumido que el camino hacia la IAG es una autopista en línea recta. Una simplificación tan seductora como conveniente, especialmente útil para eliminar barreras regulatorias y atraer capital. El supuesto implícito es irresistible: todos los problemas se resolverán simplemente acelerando.
La lógica es sencilla. Más datos, más parámetros y más cómputo conducen a mejores resultados. Con suficiente entrenamiento, los modelos capturan patrones cada vez más complejos del lenguaje, lo que refuerza la idea de que acelerar es suficiente.
Por ahora, las leyes del escalado han operado como una profecía autocumplida. El dogma de que el tamaño lo es todo lleva a construir nueva infraestructura, movilizar inversión y, efectivamente, obtener avances. Así se han destinado cientos de miles de millones de dólares a centros de datos diseñados para sostener este círculo virtuoso.
Sin embargo, comienzan a aparecer signos de agotamiento, indicios de que las ganancias marginales son decrecientes, de que los modelos no mejoran como antes. Figuras de primer nivel, como Yann LeCun, advierten que «los LLM nunca alcanzarán la inteligencia general». Si ese diagnóstico fuera correcto y los modelos chocan con una pared, el círculo se rompería.
Si esto sucede, se convertirían en una commodity. Algo que, por cierto, Marc Benioff, CEO de Salesforce, piensa que ya ha sucedido: «los LLM son las nuevas unidades de disco: infraestructura básica que se intercambia en caliente por la más barata y mejor. El sueño de que el modelo ofrece una ventaja competitiva ha expirado».
Puede que el escalado esté acercándose a sus límites. No hay evidencias claras, pero tampoco suena descabellado. Hay, digámoslo así, una duda razonable. Si ese fuera el caso, ¿qué alternativas existen?
Aunque los grandes modelos del lenguaje (LLM) absorben casi todos los recursos y la atención, en los márgenes del mercado hay otras opciones. Una de ellas se inspira directamente en el cerebro. Las redes neuronales de impulsos (SNN) imitan el comportamiento de las neuronas, que solo se activan bajo determinados estímulos, lo que permite reducir de forma notable el consumo de energía. Estas redes pueden incorporar arquitecturas que combinan no solo memoria a corto plazo, sino también a largo plazo. En este terreno, China destaca con proyectos como SpikingBrain (modelo cognitivo) y Darwin Monkey (superordenador neuromórfico), que recientemente han logrado avances significativos.
También existen aproximaciones que parten de una idea distinta: que la inteligencia artificial necesita cuerpo para desarrollarse. Son robots que aprenden interactuando con el entorno físico, entrenados en simuladores 3D de alta fidelidad y validados en el mundo real mediante transferencia zero-shot. Sus aplicaciones en fábricas, centros logísticos u hospitales son tangibles. Empresas especializadas en robótica lideran este enfoque: la japonesa SoftBank Robotics, la norteamericana Boston Dynamics o la china AgiBot.
Luego está el aprendizaje profundo combinado con lógica simbólica, un enfoque orientado a construir sistemas capaces de razonar, inferir relaciones complejas entre conceptos y planificar. Europa, con su énfasis regulatorio y ético, ha favorecido este tipo de modelos. En esa línea trabajan actores como Aleph Alpha, con su plataforma neurosimbólica verificable, o el DFKI, una dirección que empresas como IBM consideran una de las rutas más fiables hacia la IAG.
En la práctica, existen distintas aproximaciones para alcanzar una IAG. Hoy todavía no se sabe cuáles lo conseguirán. Lo que sí está claro es que la visión inicial de una carrera en línea recta da paso a otra bien distinta: la de un laberinto. Y esto lo trastoca todo. Cambia la asignación de recursos y obliga a recalibrar los riesgos. Pero sobre todo introduce la posibilidad de que distintas regiones avancen por caminos diferentes.
En China, la eficiencia se ha convertido en una necesidad estratégica. Las restricciones en el acceso a chips de última generación están orientando la IA hacia enfoques neuroinspirados y robóticos, con un énfasis claro en aplicaciones industriales y logísticas. Aquí la IA aplicada a la fabricación, desde vehículos eléctricos y placas solares hasta la automatización de plantas, se consolida como prioridad tecnológica indiscutible.
Europa, con regulaciones más restrictivas pero alineadas con sus valores, avanzaría principalmente en modelos simbólicos que priorizan que los resultados se puedan explicar, entender y controlar. Su enfoque no es la velocidad, sino la confianza. Sistemas diseñados para que funcionen en sanidad o justicia donde un error puede costar caro.
Mientras tanto, buena parte de Silicon Valley podría mantener el liderazgo en modelos de lenguaje masivos y actuar como si lo único importante fuera acelerar. La competencia acecha e impide levantar la vista de la carretera. Código rojo, no hay que distraerse.
Pero a estas alturas, obsesionarse con un único enfoque empieza a parecer una apuesta arriesgada. Lo mejor es distribuir las apuestas entre distintos futuros plausibles.
No es una carrera. Es un laberinto con caminos aún a medio explorar. Y la pregunta ya no es quién llegará primero, sino quién habrá elegido el camino correcto para su propósito.