Una empresa del entorno de la Universidad de Nankín apuesta por el cuarto factor de crecimiento de la IA

En las últimas décadas, las capacidades de la IA han crecido en tres ejes: cómputo, algoritmos y datos. El equipo de Nankín del que informa el medio chino Jiqizhixin propone añadir un cuarto: la conectividad de los propios modelos. En el anuncio, la apuesta se plantea así: si ya existen muchos modelos potentes y cada uno está bien estudiado, se pueden unir en una red y hacer que trabajen de forma conjunta. Es un movimiento lógico para un mercado en el que el crecimiento de los modelos individuales se encarece más rápido de lo que mejoran sus resultados. Pero en el fragmento disponible del material no hay ni nombre del producto, ni benchmarks, ni cifras, y conviene tenerlo presente.

Tres ejes y su precio

Los grandes modelos de lenguaje han crecido con una fórmula sencilla. Los clústeres se hicieron más grandes, aumentó el número de parámetros y los corpus de texto se hincharon hasta cientos de miles de millones y billones de tokens. Así surgió un conjunto de modelos «superunidad»: cada uno es potente por sí solo y se entrenó en su propia infraestructura.

Esta trayectoria tiene dos límites. El primero es económico: cada nuevo paso en cómputo y energía cuesta claramente más que el anterior. El segundo es informativo: hay cada vez menos datos abiertos de calidad, y los datos sintéticos no siempre los sustituyen. En este contexto, la idea de «ensamblar» capacidades a partir de modelos ya entrenados parece una alternativa racional a seguir haciendo crecer los modelos individuales.

El cuarto elemento: qué se propone exactamente

Del fragmento introductorio se desprende la tesis principal: los modelos de cuyas capacidades se sabe lo suficiente pueden conectarse y se puede organizar su interacción. El autor del material lo formula como una pregunta sobre qué surgirá cuando haya suficientes modelos potentes. La palabra «surgirá» sugiere que se espera un efecto emergente: el resultado de la red debería superar la suma de sus partes.

Con un solo párrafo introductorio no se puede entender cómo piensa el equipo llevarlo a la práctica. Esto es lo que se sabe y lo que sigue sin conocerse:

• Los tres ejes de partida: cómputo, algoritmos y datos.
• El cuarto eje propuesto: la conectividad y la cooperación entre modelos que se «comprenden bien» entre sí.
• Organización autora: una empresa del ecosistema de la Universidad de Nankín (en el original, «南大系»).
• No se revela: el nombre del producto, la arquitectura de interacción, los protocolos, los benchmarks y la lista de modelos que se conectan.

Ya existen líneas de trabajo similares. Los frameworks multiagente, el enrutamiento de consultas entre modelos y los conjuntos de LLM especializados se usan en la práctica desde hace tiempo. Para el intercambio entre agentes han aparecido protocolos abiertos como MCP y A2A. La novedad de la propuesta de Nankín, si la hay, debería estar en cómo exactamente los modelos «descubren» las capacidades de los demás y se reparten las tareas. La fuente todavía no lo muestra.

Qué comprobar cuando haya detalles

La apuesta por la conectividad resultará convincente si el equipo demuestra tres cosas. La primera: una ventaja en tareas abiertas frente al mejor modelo individual de la misma categoría de precio. La segunda: cuánto cuesta la coordinación, es decir, cuántos tokens adicionales, cuánta latencia y cuántos errores añade cada «salto» entre modelos. La tercera: hasta qué punto es estable el sistema si uno de los modelos conectados cambia o se degrada tras una actualización.

Para los desarrolladores y los equipos que construyen sistemas de agentes, ya resulta útil medir dos cosas con sus propias tareas: dónde un modelo individual choca con su techo de calidad y cuánto están dispuestos a pagar por el enrutamiento entre varios. Si la brecha es grande, la idea de una red de modelos merece un experimento. Si no, es más barato mejorar los prompts, los datos y las herramientas. Conviene seguir la publicación original de Jiqizhixin y ver si la empresa revela el nombre del producto y los resultados de las pruebas. Por ahora, se trata de una propuesta conceptual, no de un resultado técnico confirmado.