Adiós al título: cómo la «vía salvaje» lleva a OpenAI y Anthropic

Olvida todo lo que te han contado sobre la necesidad de un doctorado para trabajar en la primera división de la inteligencia artificial. Antes, el pase al club cerrado de OpenAI o DeepMind era un buen puñado de publicaciones en conferencias de primer nivel como NeurIPS. Hoy las reglas han cambiado tanto que los académicos de ayer ceden cada vez más su sitio a quienes en China llaman «yeluzi».

El término significa «vía salvaje», el camino del autodidacta, y son precisamente estos perfiles los que ahora forman el núcleo de los equipos que crean los modelos de próxima generación. Durante mucho tiempo se dio por hecho que la entrada a la industria de la IA estaba protegida por un muro infranqueable de credenciales académicas. Había que pasar años estudiando matemáticas avanzadas, escribiendo artículos y esperando revisiones solo para tener la oportunidad de una entrevista.

Pero aquí está la paradoja: los éxitos más sonados de los últimos años no son una victoria de la teoría pura, sino un triunfo del escalado (Scaling Laws). Resultó que, para crear GPT-4, más que inventar un nuevo tipo de neurona, hacía falta dominar de forma excepcional la infraestructura, la preparación de datos y la optimización del cómputo. Es trabajo para hackers e ingenieros, no para teóricos.

Empresas como OpenAI lo entendieron antes que nadie. En su plantilla aparecen cada vez más personas que dejaron la universidad o que ni siquiera llegaron a entrar, pero que pasaron años trasteando con código abierto y compitiendo en Kaggle. Estos especialistas de la «vía salvaje» tienen una cualidad que a menudo les falta a los graduados de Stanford: saben hacer que el código funcione con recursos limitados.

En una época en la que entrenar un modelo cuesta cientos de millones de dólares, cualquier error de un ingeniero sale demasiado caro. Aquí se valora a quienes entienden cómo interactúa el hardware con el software al nivel más profundo. El cambio de paradigma se produjo porque la IA dejó de ser una disciplina científica para convertirse en una industria.

La aviación también fue en su día terreno de científicos solitarios, pero hoy los aviones se fabrican en enormes plantas. La IA ha entrado en su fase de «fábricas». Para entrenar un modelo del nivel de Claude 3 no necesitas reescribir la arquitectura transformer.

Necesitas saber repartir la carga entre miles de GPU para que no estén ociosas ni un segundo. Por eso los ingenieros de infraestructura y los especialistas en datos se han convertido en las nuevas estrellas de rock, y sus salarios ya igualan los ingresos de los investigadores más destacados. Además, ha cambiado el propio formato del desarrollo.

OpenAI y sus competidores son cada vez más herméticos. Ya no publican artículos detallados sobre sus métodos por miedo a la competencia. En este clima de secretismo, la habilidad académica de redactar informes impecables en LaTeX se vuelve inútil.

Lo que cuenta es la «cocina» interna: cómo limpias exactamente los datos de ruido y qué trucos utilizas en el aprendizaje por refuerzo (RLHF). Estos conocimientos no se enseñan en la universidad; solo se adquieren en el campo de batalla, trabajando en proyectos reales. ¿Qué significa esto para el futuro?

Asistimos a una democratización del talento y, al mismo tiempo, a una monopolización de los recursos. La barrera de entrada en cuanto a conocimientos baja: ya no necesitas dedicar siete años a una tesis doctoral. Sin embargo, las exigencias de habilidades prácticas crecen de forma exponencial.

Si puedes mostrar un proyecto funcional que resuelva un problema concreto de optimización o procesamiento de datos, tu GitHub le dirá más a un reclutador de Silicon Valley que cualquier título. Lo esencial: la era de los teóricos en la IA da paso a la era de los constructores. ¿Podrán las universidades adaptarse a un mundo en el que la práctica va varios años por delante de la teoría?