Sutskever, Silver y LeCun dejan los grandes laboratorios: la apuesta de los neolabs

Una imagen extraña: tras el lanzamiento de GPT-6 Astra, Jensen Huang escribe en X que la AGI ha llegado, y el presidente de OpenAI, Greg Brockman, da la bienvenida a la humanidad a la «era de la AGI». Al mismo tiempo, quienes construyeron los modelos actuales abandonan en masa las grandes compañías y abren sus propios laboratorios. The Decoder contó 45 de estos «neolabs» y analizó en detalle 27 de ellos. La conclusión es sencilla: muchos de los que se fueron no creen que la receta actual sea suficiente.

Quién se fue y cuánto recibió

Ilya Sutskever, cofundador de OpenAI, está construyendo Safe Superintelligence. En julio, según Bloomberg, Nvidia invirtió en SSI unos 5.000 millones de dólares. Junto con los 3.000 millones anteriores, suman aproximadamente 8.000 millones con una valoración de 32.000 millones. Sin embargo, el laboratorio no ha publicado ni un modelo ni un artículo.

Jerry Tworek, que dirigió el desarrollo de los modelos de razonamiento o1 y o3, fundó Core Automation. David Silver, autor de AlphaGo, dejó DeepMind por Ineffable Intelligence y en abril reunió 1.100 millones en una ronda semilla con una valoración de 5.100 millones. Yann LeCun, tras doce años en Meta, fundó AMI. Flapping Airplanes, sin modelo público, captó 1.000 millones en una ronda A con una valoración de 6.000 millones.

Los motivos son variados: miles de millones sobre el papel, una disputa de estrategia con Meta, el deseo de investigar sin presión de producto. A veces la ruptura ni siquiera es limpia: Google mismo fue uno de los primeros inversores en Discovery Loop, de Jeff Dean.

La apuesta principal: aprender, no solo resolver

El grupo de laboratorios más fácil de entender trabaja en el aprendizaje continuo. El modelo actual no cambia sus pesos tras su lanzamiento. Usa la información nueva dentro de la conversación, pero no la memoriza de forma permanente. ChatGPT y Claude lo sortean con notas y búsqueda en conversaciones pasadas. Tworek considera que el aprendizaje continuo es una tarea para el aprendizaje automático, no para archivos Markdown. El simple reentrenamiento de una red conlleva el riesgo de olvido catastrófico: pierde lo que sabía antes.

Imagine a un júnior que, tras un mes de trabajo, sigue sabiendo exactamente lo que sabía el primer día, más lo que usted le puso en su chuleta. Más o menos así se comporta hoy el modelo.

Los enfoques son distintos:

• Adaption crea modelos que se adaptan al usuario de forma barata y sobre la marcha. Por ahora solo vende herramientas para trabajar con datos y AutoScientist vía API.
• Core Automation quiere actualizar los pesos durante el trabajo y arreglárselas con una centésima parte de los datos habituales.
• Flapping Airplanes entrena con pocos ejemplos, algo importante para la robótica y la biología, donde hay pocos datos.
• Ndea, de François Chollet, busca un programa que explique unos pocos ejemplos.
• Ineffable, de Silver, entrena un sistema con su propia experiencia y una recompensa del entorno.

Este último enfoque tiene un punto débil. En Go está claro quién ganó. En la ciencia o en el mundo físico, la señal llega tarde o no está nada clara.

Qué implica esto para los profesionales

Primero, un laboratorio pequeño tiene una ventaja breve. TypeSafe AI lanzó su modelo de decisiones Jev a mediados de septiembre, y dos semanas después OpenAI anunció la Decisions API. Segundo, la salida suele ser una adquisición: AMD quiere comprar World Labs por unos 8.200 millones, Nvidia negocia con Reflection y Microsoft se llevó al equipo de Inflection.

Para desarrolladores y responsables de producto, las conclusiones son pragmáticas:

• No construir una arquitectura basada en la suposición de que el modelo nunca aprenderá a recordar. La memoria en forma de notas sigue siendo, por ahora, un parche.
• Seguir ARC-AGI-3. Astra logró un 62,7 % en el planteamiento estándar, traduciendo juegos desconocidos a reglas compactas. Eso es justo lo que busca Ndea.
• No confundir valoración con producto. La mayoría de los neolabs no tiene nada que se pueda conectar por API.

La apuesta es simple. Si la receta actual choca con un techo, ganará quien primero enseñe a un modelo a aprender. Si no, los grandes laboratorios simplemente comprarán al equipo o replicarán el resultado en un par de semanas.