Adiós al diploma: cómo el "camino salvaje" lleva a OpenAI y Anthropic

Olvide todo lo que le han contado sobre la necesidad de un PhD para trabajar en la élite de la inteligencia artificial. Si antes un billete hacia el club exclusivo de OpenAI o DeepMind era un montón de publicaciones en conferencias de primera categoría como NeurIPS, hoy las reglas han cambiado tanto que los académicos de ayer están cediendo cada vez más el lugar a quienes en China llaman "elüzi". Este término significa "camino salvaje" o el camino del autodidacta, y precisamente estas personas se están convirtiendo en el núcleo de los equipos que crean modelos de próxima generación.

Durante mucho tiempo, se creía que la entrada a la industria de la IA estaba protegida por una barrera insuperable de credenciales académicas. Tenía 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 destacados de los últimos años no son una victoria de la pura teoría, sino un triunfo del escalamiento (Scaling Laws).

Resultó que para crear GPT-4, no necesita tanto inventar un nuevo tipo de neurona, sino poseer habilidades fenomenales en infraestructura, preparación de datos y optimización de computación. Este es trabajo para hackers e ingenieros, no para teóricos. Empresas como OpenAI lo entendieron antes que otras.

En su nómina, cada vez aparecen más personas que abandonaron la universidad o nunca ingresaron en ella, pero han pasado años investigando código abierto y participando en competiciones en Kaggle. Estos especialistas del "camino salvaje" poseen una cualidad que a menudo les falta a los graduados de Stanford—saben cómo hacer que el código funcione en condiciones de recursos limitados. En una era en la que el costo del entrenamiento de un modelo se mide en cientos de millones de dólares, cualquier error de un ingeniero es demasiado caro.

Aquí se valoran quienes entienden cómo el "hardware" interactúa con el software en el nivel más profundo. El cambio de paradigma ocurrió porque la IA se ha transformado de una disciplina científica en una rama industrial. En su momento, la aviación también fue dominio de científicos solitarios, pero hoy los aviones se construyen en enormes fábricas.

En la IA, ha llegado la fase de "fábricas". Para entrenar un modelo como Claude 3, no necesita reescribir la arquitectura del transformador. Necesita ser capaz de distribuir la carga entre miles de procesadores gráficos para que no estén ociosos 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 se han equiparado a los ingresos de los investigadores principales. Además, el propio formato de desarrollo ha cambiado. OpenAI y sus competidores se están volviendo cada vez más cerrados.

Ya no publican artículos detallados sobre sus métodos, temiendo la competencia. En esta atmósfera de secreto, la habilidad académica de escribir bellos reportes en LaTeX se vuelve inútil. Lo que se vuelve más importante es la "cocina" interna: cómo exactamente limpia los datos del ruido y qué trucos usa en el entrenamiento de aprendizaje reforzado (RLHF).

Estas habilidades no se enseñan en las universidades; solo se pueden adquirir en combate, trabajando en proyectos reales. ¿Qué significa esto para el futuro? Estamos presenciando una democratización del talento mientras simultáneamente se monopolizan los recursos.

El umbral de entrada en términos de conocimiento se reduce: ya no necesita pasar siete años en una disertación doctoral. Sin embargo, las demandas de habilidades prácticas están creciendo exponencialmente. Si puede mostrar un proyecto funcional que resuelva un problema específico de optimización o procesamiento de datos, su GitHub significará más para un reclutador del Valle del Silicio que cualquier diploma.

En conclusión: la era de los teóricos en la IA está siendo reemplazada por la era de los constructores. ¿Podrán adaptarse las universidades a un mundo donde la práctica está años por delante de la teoría?