DeepMind: cuatro rutas a la superinteligencia, sin fecha

DeepMind: cuatro rutas a la superinteligencia, sin fecha

Tim Genewein plantea cuatro rutas hacia la superinteligencia, pero no fija una fecha para alcanzarla.

Por Humberto Toledo el 20 de noviembre del 2026 a las 2:44 pm PST

✨︎ Resumen (TL;DR):

  • Tim Genewein plantea cuatro mecanismos para que una IA de nivel humano supere sostenidamente a grandes grupos de expertos en casi todas las tareas de interés humano.
  • El cómputo efectivo mundial para IA habría crecido al menos 10 veces al año; una década a ese ritmo daría 10,000 millones de veces más.
  • El ensayo no fija una fecha de llegada y señala obstáculos técnicos y dudas de medición para cada ruta.

Tim Genewein, investigador de Google DeepMind, plantea cuatro vías por las que una IA de nivel humano podría superar de forma sostenida a grandes grupos de expertos en casi todas las tareas de interés humano. Su ensayo, publicado el 19 de noviembre por el DeepMind Institute, describe esos mecanismos y sus límites, pero no establece cuándo podría llegar la superinteligencia.

Shane Legg lanza DeepMind Institute para una AGI segura
Te podría interesar:
Shane Legg lanza DeepMind Institute para una AGI segura
Ilustración abstracta de capas transparentes, nodos circulares y trazos azules sobre fondo blanco.
Imagen: Google DeepMind / Pexels

La superinteligencia exige más que ganar en ajedrez

La inteligencia artificial general (AGI) es un sistema que iguala a las personas en casi todas las tareas cognitivas. La superinteligencia artificial (ASI) es un nivel de IA en el que un sistema supera de forma sostenida a grandes grupos de expertos en casi todas las tareas de interés humano, según el criterio de Genewein.

Para alcanzar ese umbral, el sistema también tendría que resolver en menos tiempo y con menos recursos trabajos que ocuparían años a grandes equipos humanos. Ganar en ajedrez o Go, o predecir estructuras de proteínas, demuestra un rendimiento excepcional en campos específicos, pero no basta para probar esa capacidad general.

El mapa de cuatro rutas no nació con el ensayo. Genewein y otros 13 autores presentaron esas vías en un informe técnico depositado en arXiv el 10 de junio de 2026. La versión revisada el 10 de noviembre agregó una discusión sobre la abundancia de trabajo cognitivo que podría surgir al bajar los costos. El texto del 19 de noviembre acercó ese argumento a una audiencia más amplia.

El DeepMind Institute se presentó en septiembre como una plataforma para discutir el desarrollo de la AGI y sus consecuencias desde varias disciplinas. El instituto aclara que sus publicaciones reflejan las ideas de sus autores, no la posición oficial de Google. El ensayo es una propuesta de investigación, no el anuncio de un sistema ya construido.

Cuatro rutas que podrían reforzarse entre sí

Genewein describe mecanismos que podrían combinarse, aunque cada uno enfrenta obstáculos propios:

  • Escalar modelos, datos y cómputo: puede ampliar las capacidades de los sistemas, pero la disponibilidad de datos de calidad, la electricidad, las fábricas de chips y los rendimientos decrecientes imponen límites prácticos.
  • Cambiar de paradigma: podría mejorar el aprendizaje continuo, la comprensión del mundo y la creación de conceptos nuevos. Sigue abierto si bastan mejoras de los modelos actuales.
  • Coordinar miles o millones de agentes: permitiría abordar problemas colectivos. Aún falta saber cuánto mejora el resultado al aumentar el número de agentes y cuánto se pierde al coordinarlos.
  • Usar IA para mejorar futuros sistemas: podría acelerar el diseño de algoritmos, chips o datos de entrenamiento. Ese ciclo necesita evaluaciones confiables; una retroalimentación deficiente podría frenarlo.

Las vías pueden reforzarse entre sí. Por eso, Genewein sostiene que limitar únicamente el cómputo usado para entrenar modelos no detendría por sí solo todo el progreso. El ensayo presenta esa idea como una conclusión del marco propuesto, sujeta a cómo evolucionen las demás rutas.

Diez veces más cómputo no significa diez veces más inteligencia

Genewein combina tendencias históricas de mejoras en chips, mayor inversión en hardware y eficiencia de los algoritmos para estimar que la capacidad mundial de cómputo efectivo para IA ha crecido al menos 10 veces por año. Si esa tasa persistiera durante otra década, el cálculo arrojaría un aumento de 10,000 millones de veces. Es una proyección condicional: tener más capacidad para ejecutar agentes no demuestra que puedan resolver cualquier tarea.

Epoch AI calculó otra métrica: desde 2023, el precio de alcanzar el mismo nivel de rendimiento en cinco pruebas bajó alrededor de 13 veces por año. Sus autores advierten que una mejor puntuación no equivale necesariamente a trabajo útil y que su serie abarca apenas tres años.

Esa caída de precios mide cuánto cuesta reproducir ciertas puntuaciones; la cifra de Genewein proyecta cuánta capacidad efectiva podría acumularse. Ninguna de las dos permite fijar una fecha para la ASI.

Como siguiente paso, Genewein propone construir evaluaciones que detecten capacidades nuevas y sigan el avance de grupos de agentes. Para ponerlas a prueba se necesitarían modelos avanzados y recursos suficientes. El informe identifica las rutas posibles; medir sus límites permitirá saber hasta dónde llega cada una.

Fuentes: 1, 2, 3, 4

Más de AI

Feed