Transcription
La gran mutación de la IA comenzó hace menos de un año, por una crisis. Estamos a mediados de 2024. Las grandes tecnológicas americanas invierten cientos de millones de dólares en modelos de inteligencia artificial cada vez más grandes. La carrera de la IA es una lucha de titanes, todos made in USA, con una capacidad financiera ilimitada. El reto: ser el primero en alcanzar la inteligencia artificial general; ese punto en el que las IA serán más inteligentes que los humanos en un abanico amplio de disciplinas.
Pero hay un problema, un problema serio. Bueno, en realidad hay dos grandes problemas, y los investigadores de IA están completamente bloqueados. A pesar de invertir cada vez más dinero, estos modelos, como JGPT o como Gemini, han chocado contra un muro. Sus respuestas ya no mejoran como antes con cada nueva versión. La fórmula que hasta entonces se había aplicado con éxito —cuanto más grande sea el cerebro del modelo, más inteligentes serán sus respuestas— ha dejado de funcionar.
Y hay un problema mayor: las IAs se están quedando sin material para aprender. En 2024, los modelos han ingerido casi todo el texto público en internet: cada libro, cada artículo, cada tweet. La madera para el entrenamiento está casi agotada. Así que aquí estamos, con miles de millones de dólares invertidos, a la espera del siguiente salto. Pero no está ocurriendo nada revolucionario. Es como si la IA hubiera llegado a la pubertad, pero hubiera dejado de crecer. La pregunta en la mente de todos es: ¿y ahora qué? ¿Cómo hacemos que estas máquinas sean más inteligentes? No solo esponjas de datos más grandes.
La respuesta estaba en enseñarles algo que los humanos damos por sentado. Y esa respuesta, eso tan humano, es lo que llevará a los modelos de inteligencia artificial a convertirse en superinteligencia. ¿OK? ¿Y por dónde empezamos? Viajando a la ciudad de Las Vegas mientras repasamos la obra maestra de un Premio Nobel. Esa historia arranca en un momento concreto en el tiempo. Open AI ha gastado más de 100 millones de dólares en entrenar a su modelo Chat GPT 4.0. Pero la siguiente versión, la 4.5, tarda en llegar. Pese a contar con más datos que nunca, con más chips que nunca y con más dinero a su disposición, la firma de Sam Altman no ve un progreso proporcional a los esfuerzos y continúa retrasando el lanzamiento. Cuando salga, el 4.5 será un modelo que pase sin pena ni gloria.
No es la única señal de una crisis en toda regla. Ilya Sutskever, uno de los padres de la IA Moderna, había decidido abandonar Open AI para crear una nueva empresa, Super Intelligence AI, que va a explorar nuevos caminos para llegar a esa inteligencia artificial general. Ilya cree que los viejos métodos no dan más de sí, pero en Open AI hay un investigador llamado Noam Brown. No es de los más conocidos de la firma, pero en su biografía personal hay un capítulo intrigante. Cuando era estudiante de doctorado en la Universidad Carnegie Mellon, Brown estaba obsesionado con construir una IA que pudiera dominar un juego de estrategia, un juego al que él era muy aficionado: el póker. Brown intuía que de aquella experiencia quizá podría surgir el nuevo salto en inteligencia que Open AI estaba buscando.
Viajemos a Las Vegas, la ciudad en la que se celebran los grandes torneos del póker a nivel mundial. Al contrario de lo que mucha gente cree, el póker no es solo una cuestión de suerte; es un juego que combina el azar con la estrategia, y en el que la capacidad de gestionar emocionalmente al resto de los jugadores es clave. Es como un ajedrez con algunas piezas ocultas. Durante años, algunos grupos de investigación habían enseñado a los ordenadores las reglas del póker, mostrándoles miles de partidas reales. Y estos ordenadores habían simulado por su cuenta millones de manos de póker. En 2015, estos robots del póker eran tan buenos que Noam Brown pensaba que ya estaban listos para las grandes ligas. Así que su equipo de investigación en Carnegie Mellon decidió que había llegado el momento de desafiar a cuatro de los mejores profesionales del póker a nivel mundial. El resultado: nuestro bot de IA fue, bueno, aplastado; perdió, y perdió de forma estrepitosa, y quienes se apostaron a favor de las máquinas perdieron en aquella ocasión todo su dinero.
Cuando Noam Brown se tomó unos días para analizar la derrota, Libratus —ese era el nombre de la IA— había jugado billones de manos de póker durante el entrenamiento y era capaz de tomar decisiones complejas en cuestión de milisegundos. ¿Por qué perdió entonces frente a humanos que tenían, con las cifras en la mano, menos experiencia jugando al póker? Los más expertos habían jugado tal vez, yo que sé, pues 50 o 100.000 manos de póker en toda su vida. Brown y su equipo se habían obsesionado con las destrezas de su máquina y buscaban cómo mejorarla en cada partida, pero se dieron cuenta de que habían olvidado un detalle aún más importante: observar cómo juegan los humanos que están en el primer nivel. Analizaron varias partidas entre humanos, y boom, se dieron cuenta de una diferencia clave. Cuando se enfrentaban a una decisión difícil, los profesionales pensaban, se tomaban su tiempo, a veces minutos para analizar las posibilidades y tomar una decisión.
Tengo una cosa interesante que contaros. Eh, acabamos de ver cómo los mejores jugadores de póker se toman un tiempo para planear su siguiente jugada. Las organizaciones también se la juegan todo en esa combinación de estrategia y acción, sobre todo en el área del marketing. Gracias Hubspot, vamos a ofrecer a través de este canal un recurso muy valioso, un método en cinco pasos para dominar la IA en marketing. Trae tips específicas para pedirle a una IA recomendaciones valiosas, una guía para desarrollar plantillas de contenido para tu marca que pueden usarse en cualquier plataforma y mucho más. Lo que a mí más me ha gustado es la fórmula que incluye sobre cómo entrenar a una IA con el estilo específico de tu marca, muy inspirador. Así que ya puedes descargar este método en cinco pasos para dominar la IA en marketing con el enlace en la descripción. Gracias Hubspot por compartir este recurso y patrocinar este vídeo. Y ahora volvemos a Las Vegas.
Ese descubrimiento le recordó a Noam el trabajo del premio Nobel Daniel Kahneman en su libro Pensar rápido y pensar despacio. Ahora lo tenéis en pantalla. La idea central de Kahneman es que el pensamiento humano tiene dos velocidades. Hay un pensamiento intuitivo, rápido, casi automático. Es el modo que usamos de forma más habitual. En ese sistema que Kahneman llama el sistema 1 están conceptos como el 2 + 2 son 4, la izquierda y la derecha, o el automatismo de agacharnos cuando nos tiran una bola de tenis. Hay una segunda velocidad de reflexión, y es más deliberada; es el pensamiento lento. A veces se da en una sola sentada, por ejemplo, cuando estamos solucionando un problema matemático o redactando un correo importante. En otras ocasiones, ese pensamiento lento es intermitente y solo se desactiva cuando hemos dado un asunto por resuelto. Son las cosas a las que damos vueltas durante días, semanas o meses: una decisión importante, un problema con un hijo, un nuevo proyecto que nos va a comprometer. Libratus tenía el sistema uno dominado; era capaz de tomar decisiones ultra rápidas basadas en patrones estadísticos, pero le faltaba ese sistema dos que es tan importante para nosotros, la capacidad de hacer una pausa, de deliberar y razonar sobre distintas vías para solucionar un problema.
Así que Noam realizó un experimento. Hizo que su IA esperara solamente 20 segundos antes de tomar una decisión en cada mano de póker. El resultado fue alucinante. Esos meros 20 segundos de tiempo para pensar le dieron a Libratus el mismo rendimiento que si hubieran multiplicado el tamaño de este modelo y su entrenamiento por un factor de 100.000. Wow. Con este input rehicieron Libratus por completo, incorporando un sistema dos reflexivo. En 2017 volvieron a retar a cuatro de los mejores jugadores de póker del mundo, esta vez con un premio de 200.000. Libratus se enfrentó a cada jugador humano en una partida de heads-up No Limit Holdem. Libratus, la IA de póker de Noam Brown, ganó a todos por un amplio margen. Libratus fue el único que volvió sobrio de ese viaje a Las Vegas, y Brown terminaría recalando en Open AI unos años después de pasar una temporada larga en Meta.
Volvemos a 2024. En OpenAI buscaban soluciones a ese atasco intelectual que sufrían sus nuevos modelos. Brown contó entonces al comité directivo de Open AI la historia de Libratus, y Sam Altman le dio el okay para que intentara enseñar a pensar a Chat GPT. En la Navidad de 2024, Open AI presentó el resultado en las redes sociales. Bautizaron como O1 al nuevo modelo Chat GPT Filósofo y lo ofrecieron a los suscriptores de pago de Open AI. Mola más el nombre de Libratus, la verdad. En una demo, le plantearon al modelo un enigma complicado con múltiples pasos, y lo resolvió correctamente, explicando además cada solución que había adoptado paso a paso. A continuación le asignaron un problema matemático muy complejo. Hizo un razonamiento y logró resolverlo.
Esta revelación extraída del mundo del póker —no hay ningún hobby inútil, amigos míos— tuvo profundas implicaciones para el ecosistema de la IA. Los investigadores se dieron cuenta de que para romper la barrera de la escalabilidad del crecimiento de los modelos, necesitaban imbuir a esos modelos con esta capacidad de pensar, de razonar los problemas paso a paso, de tener un monólogo interno, una cocina donde pudieran probar distintas soluciones antes de responder. Así nacieron los modelos de lenguaje de razonamiento, o RLMs. ¿A qué podemos comparar este salto? Es como la diferencia entre un estudiante que suelta una respuesta sin pensarla y otro que muestra cómo ha deducido la misma conclusión. Los modelos de lenguaje tradicionales esencialmente predecían la siguiente palabra basándose en patrones que ya habían visto antes. Lo sabían todo, sí, pero no sabían lo que significaba. Los modelos de razonamiento, los RLMs, descomponen deliberadamente las tareas; consideran diferentes enfoques e incluso se corrigen a sí mismos en el camino. Graham Clay, un investigador de IA, lo expresó perfectamente: estos nuevos modelos literalmente hacen una pausa para pensar. ¿Qué pasaría en el mundo si los humanos actuásemos igual, pensando al menos un poquito antes de actuar? Sería menos emocionante, ¿verdad?
El cambio ha dado lugar a una explosión de innovaciones a gran velocidad. Desde diciembre de 2024 aparece casi cada semana un nuevo modelo que supera a todos los anteriores. La carrera parece imparable, y es muy difícil seguir el ritmo. ¿Y cómo piensan estas máquinas? ¿Y por qué este cambio multiplica sus capacidades y presagia la pronta llegada de la superinteligencia artificial? Lo vamos a ver. Pero antes recuerda que los laboratorios de IA tenían un segundo reto pendiente: las IAs son consumidoras insaciables de datos, y se les estaba terminando el alimento.
Estos nuevos modelos de IA que estaban aprendiendo a razonar eran como un estudiante muy hambriento. Para desarrollar realmente esas habilidades de reflexión necesitaban ser entrenados en algo más que simples cadenas de preguntas y respuestas o en textos extraídos de internet. Necesitaban aprender a razonar por su cuenta. Imaginemos una biblioteca tan grande que contiene todo el conocimiento humano publicado. Ahora pensemos en una que lo ha leído ya absolutamente todo. La Wikipedia, ñam, se la ha comido. Todos los libros publicados hasta hoy, ñam, se los ha comido. Los vídeos de YouTube, ñam; los podcasts, ñam; los artículos científicos, ñam, ñam, ñam, ñam. Ahí es donde estábamos a mediados de 2024. Los nuevos modelos habían leído esencialmente todo internet. La biblioteca estaba vacía. Se acabó. No había más. Pero en realidad había más. Había mucho más.
Bienvenidos a la era de los datos sintéticos. Si no tenemos suficiente información real disponible para que las IA aprendan, ¿por qué no hacer que ellas mismas generen nuevos textos inéditos para entrenar a otras? A principios de 2024, algunos equipos comenzaron a experimentar con esta idea. El propósito era que estas máquinas generasen por sí mismas nuevos conceptos, nuevas fórmulas, nuevos textos para seguir creciendo. Los primeros experimentos fueron decepcionantes: las ideas que eran capaces de generar en realidad ni eran ideas ni eran nuevas; eran una copia mala de todo lo anterior, pero poco a poco, a base de prueba y error, los resultados mejoraron. Y así fue como Nvidia, por ejemplo, logró generar millones de simulaciones de un automóvil en circulación con los que ahora entrena vehículos autoconducidos. También usan simulaciones sintéticas para entrenar modelos de dinámica molecular o de predicción climática. Algunas firmas de investigación biomédica están creando millones de perfiles de pacientes imaginarios, añadiendo variaciones aleatorias a las estadísticas reales disponibles de pacientes reales. Como resultado de este avance, hay dominios de conocimiento en los que los datos sintéticos ya superan a las muestras humanas. Ocurre en los modelos matemáticos y los modelos que generan código para programar. En estos entornos las máquinas ya no nos necesitan para seguir aprendiendo.
El movimiento más dramático en esta carrera de contenido y conocimiento no vino solo de la recolección de nuevos datos; llegó a través de una táctica más atrevida: robar el aprendizaje a una existente. Y aquí entra el controvertido héroe o villano —dependiendo de a quién le preguntes— de nuestra historia de hoy: un modelo de IA llamado DeepSeek R1. ¿Por qué recopilar o crear laboriosamente miles de millones de palabras de nuevo texto si puedes simplemente aprender de un modelo que ya existe, de un modelo que ya ha sido entrenado? Es como si, en lugar de escribir tu propio libro, fotocopias el de otra persona, cambias un poquito el estilo y el orden de las palabras. Éticamente gris. Sí, efectivo, como estábamos a punto de ver, mucho.
Sumerjámonos en la saga DeepSeek. DeepSeek es muchas cosas a la vez: es un paso de gigante del código abierto; es una respuesta contundente a las bigtech americanas, y también es un posible acto de piratería intelectual. Nada nuevo en el sector; es todo eso y es mucho más. Hasta enero de 2025 nadie había visto cómo piensa un modelo de inteligencia artificial por dentro. Mira, esto es lo que una IA está pensando antes de darnos una respuesta. Observa las preguntas que se está haciendo, los pasos que dice que va a dar para respondernos, y ahí lo tenemos. El modelo cuenta el tiempo que se está tomando en la reflexión. Esta es una IA que se para antes de dar una respuesta, una IA que calcula sus pasos, una IA que actúa como las sillas del póker a las que Noam Brown había observado para mejorar la forma de jugar de Libratus. Pero este modelo que acabo de enseñaros no es de Open AI. Tampoco ha salido de ninguna de las grandes tecnológicas de Silicon Valley, que habían invertido, como recordamos, miles de millones de dólares en cada nuevo producto. Este modelo procede de un laboratorio completamente desconocido; es potente, es de código abierto, cualquiera lo puede usar, y es chino. DeepSeek es una startup relativamente desconocida hasta el lanzamiento del modelo R1. Por cierto, la R significa razonamiento. Esto, esto es de lo que estamos hablando en este vídeo: de los nuevos modelos que razonan. Y atentos, lo lanzaron como código abierto, o sea, que cualquiera puede usarlo, descargarlo, copiarlo, crear su propia versión sin pagar a DeepSeek y sin ninguna restricción. Fue una bomba. Aparecido de la nada, el R1 se situó en el top mundial de los modelos de IA más inteligentes. Pero a diferencia de los O1 y O3 de Chat GPT, que habían salido en Navidades con suscripciones de pago, este modelo es gratis para todos.
En cuestión de días, los investigadores estaban evaluando el DeepSeek R1 y descubrieron que estaba al mismo nivel que esos modelos en los que los americanos habían invertido muchos más recursos. DeepSeek no reveló todos los detalles del coste de R1, pero se sospecha que es varios órdenes de magnitud más barato que O1 o que Gemini 2.5, el modelo último de reflexión de Google. ¿Cómo demonios logró esto una pequeña startup? La respuesta desató un debate ético. DeepSeek reconoce haber usado técnicas de destilación de otros modelos. Por cierto, todo esto lo he contado en un vídeo que ubico por aquí o por aquí, nunca me acuerdo. Y Open AI tardó poco en acusar a DeepSeek de haber utilizado a Chat GPT 4 como maestro de su modelo R1. Pese a las sospechas de piratería, el impacto fue inmediato. Todo el mundo comenzó a descargar DeepSeek R1. Las startups que no querían pagar las tarifas de Open AI, de Anthropic o de Google para construir sus aplicaciones, y miles de empresas en todo el mundo descubrieron un tesoro escondido. Podían integrar R1 en sus aplicaciones de inteligencia artificial. De repente la capacidad de pararse a pensar, de calcular posibles soluciones a un problema, de medir sus pasos, esa capacidad que Noam Brown decía que multiplicaba exponencialmente la calidad de un modelo de lenguaje tradicional, está disponible de repente para quien lo quiera usar. De repente los RLMs se han democratizado y ya no son, por tanto, dominio o patrimonio de unos pocos. Algunas compañías chinas como Alibaba, Tencent o ByteDance, la propietaria de TikTok, lanzaron en cuestión de semanas sus propios modelos de lenguaje aprovechando las aportaciones de R1. Había que darse prisa para tomar ese tren.
Lo que pasó después está en este ranking que estáis viendo ahora. Es el top 10 de los modelos más inteligentes del mundo tras la aparición de DeepSeek. ¿Qué nos dice este ranking? En un plazo de semanas, los modelos que mejor resuelven problemas matemáticos, que mejor escriben textos originales, que mejor entienden su entorno, todos, todos estos modelos son modelos que razonan, y ninguno de los modelos de la etapa anterior, los que escupían palabras sin pararse a pensar, están ya en el top. ¿Cómo se puede acceder, os preguntaréis, a estas versiones más inteligentes? A DeepSeek R1 se accede pulsando la opción R1 en la página web principal. Open AI ofrece modelos como el O1 o el nuevo O3 con la suscripción de pago. Google ofrece el modelo 2.5 a todos los usuarios, igual que hace Grok en su versión 3 cuando activas la opción “think”, pensar.
Ahora quiero que veas un ranking aún más reciente. Tres de los modelos del top 10 son modelos de origen chino. Hace 6 meses todos los que estaban en el top 10 eran americanos. Sí, hay un gran cambio en marcha, y ese cambio ha abierto un segundo boom de la inteligencia artificial. Por eso estamos viendo cómo cada semana aparece un nuevo modelo que desplaza al número uno en inteligencia de la semana anterior. La IA ha superado el bloqueo de la escala de entrenamiento. Lo que estamos viendo y lo que vamos a ver a partir de ahora va a ser alucinante. Me paro y pienso por un momento en el impacto que estos nuevos modelos que piensan tienen en el negocio de la IA. Si la IA de primer nivel puede reproducirse por una fracción del coste, ¿cómo afecta eso a los modelos de negocio? Los precios de los servicios de IA en la nube han comenzado a caer porque existen alternativas. No solo eso, si no se necesitan decenas de miles de GPUs para entrenar modelos tan avanzados, ¿es esto lo que romperá la burbuja en la que mucha gente cree que están las acciones de Nvidia y del sector en general? Vamos a profundizar en este asunto un poquito más adelante.
Esta eclosión de avances de la que os estoy hablando ha empezado por enseñar a los modelos de IA a pensar. Pero, ¿qué significa exactamente que un modelo piense? Se suponía que las IAs eran inteligentísimas. Te cuento a continuación cómo hemos sido los humanos los que les hemos dado la lección más importante de su vida artificial: pensar. Pensar es pararse un momento para hacerse preguntas, para comparar opciones, para destripar un problema, para decidir cuál será el primer paso. En el fondo, pensar es construir un mapa en nuestra cabeza que nos va a permitir terminar un puzzle que está incompleto. En el día a día, en la mayor parte de las cosas que hacemos, no usamos ese recurso al que Daniel Kahneman llama el sistema dos. ¿Os acordáis? El del pensamiento lento y metódico. Cruzar un semáforo, reconocer a las personas, usar un tenedor, encender una luz, abrir una puerta: todas esas son acciones automáticas para nosotros. Pero sin el sistema dos, sin el sistema lento, sin esos mapas que nos ayudan a completar el puzzle, el alma humana se queda como pequeñita, se queda limitada por lo que ya sabe y por lo que ya ha hecho. En el sistema uno no hay progreso, y eso es exactamente lo que les pasaba a los modelos de inteligencia artificial antes de que les enseñásemos a pensar.
La siguiente pregunta es obvia: ¿cómo les hemos enseñado a pensar? Es una pregunta más compleja de lo que parece, y a mí me llevó a una segunda: ¿cómo aprenden los niños a pensar? Les enseñamos técnicas para que aprendan a tocar un instrumento; usamos métodos para que aprendan a leer. Pero no existe un método ni una asignatura sobre ese pararse y pensar en profundidad, ¿verdad? Nuestra maduración intelectual se produce durante toda la vida, escuchando a otras personas, haciéndonos preguntas, leyendo, resolviendo problemas, escribiendo. Es un proceso orgánico, pero a las máquinas hemos tenido que enseñarlas, y lo hemos logrado en un plazo de meses. ¿Cómo? Lo primero que les hemos dicho es que para mejorar sus respuestas tienen que pararse antes de responder. Por eso ahora a veces ya no son tan rápidas como antes; se toman su tiempo. Cuando hacemos una pregunta a estos modelos, el sistema añade una instrucción oculta que les dice: “Primero tienes que entender lo que te están preguntando.” Por eso, algunos modelos como el O1 Pro o el O3 de Open AI responden a veces con nuevas preguntas. Lo hacen cuando lo que se les pide es una investigación, por ejemplo, a fondo. Cuando el modelo ha entendido la pregunta, hace un plan con una serie de pasos. Por otra parte, si ve que no es capaz de resolver el problema con las capacidades para las que ha sido entrenado, lo que hace es preguntar a otros expertos, herramientas de cálculo, páginas web o un lenguaje de programación. Y otra nota muy humana: estos modelos revisan su propio trabajo antes de responder. Hacen una autorreflexión antes de disparar, y si se han equivocado, corrigen su error. Pero su manera de razonar va un paso más allá: la IA que razona puede generar múltiples cadenas de pensamiento paralelas internamente y luego elegir el mejor resultado.
Así cualquiera, ¿verdad? Basta ya de teorías. Vamos a comprobar su capacidad de reflexión con un ejemplo sencillo. Hagamos la misma pregunta a dos modelos. Grok 2 es un modelo clásico de los que no piensan. Grok 3 sí tiene incorporada esa capacidad. La pregunta que les vamos a hacer a los dos es la siguiente: si un hombre dice “siempre miento”, ¿está diciendo la verdad? Primero planteamos la cuestión a Grok 2, que cae en la trampa, pero Grok 3 piensa un poco y da en el clavo. Le hemos planteado una paradoja que no tiene respuesta. Piénsalo. Okay. O sea, que ahora son más listas que antes. Pero una cosa: con ese incremento de inteligencia, ¿cómo responden a un reto verdaderamente complejo que combine el análisis racional con ingredientes tan humanos como la estética y las relaciones entre personas? Hablando en plata, ¿qué hacen estas inteligencias cuando se les plantea el problema de organizar las mesas de una boda?
Jensen Huang, el CEO de Nvidia, decidió poner a prueba su última supercomputadora con este experimento. En la conferencia GTC de Nvidia en 2025, Jensen enfrentó a una IA tradicional contra una IA de las que piensan. El reto: pues eso, organizar las mesas de una cena de boda, considerando tradiciones, ángulos fotogénicos y familiares enfrentados. O sea, un trabajo para el que solamente una suegra en su segunda o tercera boda estará suficientemente preparada. Primero usaron Yama 3, un modelo de lenguaje estándar. Yama usó menos de 500 tokens (la cantidad de neuronas de la IA) y unos 1000 segundos para responder. El resultado: un desastre. Sentó juntos a dos parientes que se odian; olvidó por completo la línea de visión del fotógrafo, y lo que es todavía más grave, situó a la abuela justo al lado de los altavoces. A continuación hicieron la misma prueba con DeepSeek R1, ese modelo pensador chino del que hemos hablado antes. DeepSeek usó más de 8000 tokens de análisis, se vació, se entregó completamente. Primero hizo un mapa de las relaciones familiares, identificando quiénes tenían diferencias irreconciliables. Después calculó quién debería estar más cerca de la pareja para las fotos y equilibró la balanza entre familiares, amigos y compromisos. Una vez que tenía el plan maestro, revisó una y otra vez sus estimaciones buscando posibles conflictos. En su proceso de análisis iterativo, DeepSeek dialogaba consigo mismo: “Ese plan tiene algún conflicto; si es así, hay que arreglarlo, y lo volvemos a comprobar.” Fue minucioso, y la disposición final de asientos fue impecable. Las “gossip girls” de la fiesta no tuvieron tema de conversación. El CEO de Nvidia señaló que R1 consumió 16 veces más tokens que Yama y tardó mucho más en elaborar el plan. Huang añadió que esas IAs que razonan podrían necesitar hasta 150 veces más capacidad de cómputo para las tareas que se les encomiendan. Así que sí, son más lentas y consumen más chips en la inferencia cuando están produciendo su respuesta. Y esa es una muy buena noticia para Nvidia. ¿Recuerdas que dije que los nuevos modelos eran un riesgo para Nvidia porque hacían un uso mucho más eficiente de los chips durante el entrenamiento? Pues no lo es, porque estas sí consumen mucho hardware cuando piensan después del entrenamiento.
Más allá del valor anecdótico de este reto sobrenatural de organizar una boda, ¿están estas inteligencias más cerca de superar a los humanos en todo? El asunto no tiene una respuesta fácil ni rápida; requiere muchos tokens. La inteligencia artificial general, o AGI, es el santo grial de esta tecnología. Aunque los científicos no se ponen de acuerdo en una sola definición, la AGI engloba un concepto: el estado de la tecnología en el que las
Máquinas dominarán todas las disciplinas de la inteligencia humana; serán iguales o mejores que nosotros. Incluso tendrán sentido común. Se dice. Estos modelos que ahora piensan son el primer paso hacia esas superinteligencias. Algunos creen que sí. Un buen número de seguidores del estado del arte en la IA creen que O3, el modelo que ha lanzado Open AI a mediados de abril de 2025, es ya una inteligencia artificial general.
Itan Molik, un profesor de la Universidad de Pennsylvania, al que sigo muy de cerca, ha bautizado a O3 como la primera protupinteligencia. Según Molik, O3 hace algunas tareas con un nivel inaccesible para la mente humana, pero en otras sigue lejos de la capacidad, por ejemplo, pues de un adolescente. Después de unos días probando ese modelo disponible a través de una suscripción a Open AI, mi sensación es que O3 es un salto muy grande. Sus respuestas a las cuestiones que le planteo están en otra liga; a veces son demasiado sofisticadas para mi nivel de conocimientos, y es la primera que creo que me habla desde la superioridad, casi intimida.
Entonces, ¿qué? ¿Ya están aquí las superinteligencias o son todavía prototipos como dice Molik? Y si estos modelos como el O3 o el Gemini 2.5 Pro de Google son la primera beta, ¿cuándo llegará la versión definitiva de estos genios artificiales? Como a veces digo en mis vídeos, no podemos predecir el futuro, pero sí podemos observar algunas señales.
Primero, la velocidad a la que avanza la IA se ha multiplicado. Desde diciembre de 2024 hay una auténtica explosión de nuevos modelos, todos ellos con capacidad de reflexionar. Mira este gráfico. Observa la explosión de actualizaciones desde la Navidad de 2024. Segundo, estos modelos cada vez sacan notas más altas en los exámenes que las universidades y los laboratorios han creado para medir su inteligencia en ámbitos como la matemática, el lenguaje, la programación o los conocimientos de una disciplina como, por ejemplo, la medicina. En un segundo nos vamos a sumergir en esta cuestión de las evaluaciones, porque es muy interesante.
Tercero, Sam Oldman, Elon Musk y otras personas implicadas en el desarrollo de estos modelos ven a la inteligencia artificial general muy cerca, a meses de distancia. Y en Google están buscando ya investigadores para un mundo post superinteligencia. Sí, sí. Esto que ves ahora es una oferta de trabajo real.
Y la señal más importante: ¿cuándo sabremos que son más inteligentes que nosotros en todo? Os decía que cualquier modelo de los de última generación sacaría mejores notas que los mejores estudiantes de medicina, de derecho o de ingeniería en cualquier examen de los que afrontan. Eso es tan así que los benchmarks, esas mediciones que se han estado usando para calibrar la inteligencia de las máquinas, ya no sirven. Los investigadores han tenido que inventar un examen que ningún humano sería capaz de superar.
El Human Last Evil es la madre de todos los exámenes. Se compone de 3.000 preguntas en 100 disciplinas y ha sido elaborado por un centenar de expertos en todo el mundo. El organismo que lo gestiona solo ha hecho públicas una parte de las preguntas para evitar que los laboratorios truquen sus modelos y se copien cuando pasan el examen. ¿Cómo es de difícil? La idea es que alguien que fuese capaz de aprobar este examen con un cinco sería la persona más culta e inteligente del planeta. Se cree que esa persona no existe, y ninguno de los modelos existentes a día de hoy ha logrado superarlo. Pero fíjate en la progresión. Este gráfico nos da una idea del salto que han dado los últimos modelos en este examen tan complejo. Y mira cómo está el ranking a día de hoy. Los creadores de este examen tan imposible para los humanos creen que una nueva versión de los modelos actuales lo aprobará a finales de 2025.
Yo no sé si la IA está cerca de convertirse en una superinteligencia. Lo que sí puedo decirte es que los estudios que hace el modelo O1 Pro para mí, con la suscripción de 200 € mensuales, son de tanta calidad que el precio ha dejado de ser un problema. Hasta me parecen baratos. Ese dominio público que Open AI plantea lanzar en los próximos meses: modelos con una suscripción a un precio de 2 o 3.000 € al mes o dólares. ¡What! Lo que oyes, estos nuevos modelos están especializados en programación y en investigación científica. Por tanto, no estamos en la AGI y en la superinteligencia, pero lo que tenemos en ámbitos concretos está ya bastante cerca de las capacidades de un experto en esas disciplinas. Sam Oldtman dice que uno de sus nuevos modelos ya es uno de los 50 mejores programadores del mundo.
En poco tiempo, cada uno de nosotros llevará en el móvil varias inteligencias sintéticas superdotadas, inteligencias que ganan con facilidad a los profesionales del póker, o todavía más peligroso, inteligencias capaces de planificar bodas como una suegra verdaderamente pro. No hay precedentes de lo que viene en la historia de la humanidad. Hemos inventado máquinas que nos dieron la capacidad de volar, cajas que metieron el mundo en nuestra sala de estar, dispositivos que nos han permitido comunicarnos con cualquier persona en el mundo o transmitir nuestras ideas sin limitaciones, pero máquinas que puedan pensar por nosotros bajo demanda, un genio con el que consultar nuestras decisiones, algo o alguien que conoce todas nuestras intimidades y en el que confiaremos más que en nuestro médico, en nuestros mentores o nuestros mejores amigos. Wow, eso es radicalmente nuevo.
Y la tentación parece clara. Sus respuestas serán tan completas, tan sofisticadas y tan hechas a nuestra medida que cada vez acudiremos más a su consejo. Y claro, cuanto más les hagamos pensar, quizá menos pensaremos nosotros. Nos ha ocurrido antes. Escribimos peor que nunca gracias a los correctores automáticos. Desde que el GPS se ocupa de llevarnos a cualquier lugar, hemos perdido capacidad de orientación. Multiplica ese piloto automático que es el GPS por 1 millón y tendremos cerebros humanos delegando toda su curiosidad y su capacidad creativa a la nube. Seremos consumidores pasivos de respuestas, pasajeros de un mapa que en realidad ha sido dibujado por el algoritmo. El riesgo está delante de ti y de mí, pero los escenarios futuros que hacemos los humanos no suelen contar con una variable importante: nuestra libertad. Esa es la fórmula de la Coca-Cola del ser humano. La misma chispa que nos ha traído hasta este punto, el por qué y el por qué no, pueden subir a otro nivel.
Podemos usar la IA como sparring que nos lance nuevas preguntas, que nos ayude a ver las cosas desde el otro lado, que amplíe nuestro sentido crítico y nuestra capacidad de innovar. Pero nuestra habilidad para crecer como personas, para ampliar horizontes, para tomar decisiones, para amar, no son tareas delegables a un algoritmo. Hacerlo nos convertiría en autómatas sin responsabilidad. No estaríamos viviendo nuestra propia vida, sino la vida del algoritmo. Y claro, cuando las cosas no vayan bien, le echaremos la culpa a nuestra IA.
Este vídeo termina con una canción de los Beatles, un tema del George Harrison que nos recuerda que a la hora de la verdad somos los grandes protagonistas de nuestra propia vida, con ayuda de la IA. ¿Por qué no? Gracias por llegar al final de este viaje. Un modo tangible de agradecer el trabajo del equipo que hace este canal es suscribirte, pulsar like y darle a la campanita. Nos vemos en el próximo vídeo. Será aún mejor que este, al menos lo vamos a intentar.