Perplexity destinará al menos 10 000 GPU a crear un investigador automático
Perplexity ha puesto en marcha la línea Frontier Research y ha prometido destinarle al menos 10 000 GPU. El objetivo es un investigador automático: un sistema en el que varios agentes de IA se reparten las tareas y siguen aprendiendo sobre la marcha, en lugar de quedarse congelados tras el entrenamiento. Aravind Srinivas afirmó que la compañía publicará evaluaciones, artículos y blogs, y que pondrá sus modelos y herramientas a disposición del público. Es una señal: la startup de búsqueda apunta a los laboratorios de investigación.
Procesado por IA desde X: @AravSrinivas; editado por Hamidun News
Perplexity, que la mayoría conoce como un buscador de IA con respuestas y enlaces a las fuentes, ha anunciado una nueva línea de trabajo. El director de la compañía, Aravind Srinivas, escribió en X que Perplexity Frontier Research dispondrá de al menos 10 000 GPU. Trabajarán en dos problemas: la orquestación de varios agentes y los sistemas de aprendizaje continuo. El objetivo final es construir un investigador automático. La publicación reunió unas 173 000 visualizaciones, así que el tema claramente ha llamado la atención de la industria.
Por ahora se trata solo de un anuncio. No hay plazos, presupuesto, nombres de modelos ni composición del equipo. Pero la declaración llama la atención: 10 000 GPU es una escala que suelen manejar los grandes laboratorios, no las startups de producto.
¿Qué es un «investigador automático»?
Imagine a un doctorando que lee artículos por sí mismo, formula hipótesis, lanza experimentos, analiza los resultados y pasa al siguiente paso. Un investigador automático es un intento de construir ese «doctorando» con un sistema de IA. Un solo modelo con un prompt largo normalmente no basta para esto: la tarea es demasiado extensa y ramificada.
Por eso Perplexity apuesta por dos pilares.
El primero es la orquestación de varios agentes. Un agente divide una gran tarea en partes y otros agentes se encargan de cada fragmento: buscan fuentes, escriben código, verifican cifras. Después, los resultados se integran. La dificultad está en que los agentes no deben interferir entre sí, no deben repetir trabajo y deben detectar a tiempo los errores de sus compañeros. Quien haya construido cadenas multiagente sabe lo rápido que se desmoronan a largo plazo.
El segundo es el aprendizaje continuo. Un modelo habitual, tras el entrenamiento, queda «congelado»: solo puede aprender lo que cabe en el contexto de la consulta. Un sistema de aprendizaje continuo debe acumular experiencia: qué funcionó, qué no, qué enfoques dieron resultado. Para un investigador, esto es crítico. Si cada día se empieza desde cero, no se llega lejos. Al mismo tiempo, es uno de los problemas abiertos más difíciles de la IA: un modelo que aprende cosas nuevas tiende a olvidar las antiguas.
Qué prometen abrir
Srinivas escribe que Perplexity publicará evaluaciones (es decir, pruebas con las que se mide la calidad), artículos y blogs, y que pondrá en acceso abierto sus modelos y herramientas. Para los profesionales, este es el punto más interesante. Si la promesa se cumple, los desarrolladores obtendrán no solo cifras, sino también código funcional para construir sistemas multiagente.
La compañía ya había publicado modelos abiertos, por ejemplo una versión reentrenada de DeepSeek R1 llamada R1 1776. Pero abrir modelos propios y herramientas para agentes a esta escala de cómputo es un paso de otra magnitud. Qué se abrirá exactamente y con qué licencia, todavía no se sabe.
Qué conviene tener en cuenta
Primero, «al menos 10 000 GPU» es un compromiso, no un clúster ya operativo. No está claro si Perplexity alquilará esa capacidad o si construirá la suya propia, ni en qué plazos estará disponible.
Segundo, el investigador automático es un objetivo, no un producto. Otros laboratorios han hecho declaraciones similares, y hasta ahora ninguno ha mostrado un sistema que lleve a cabo de forma estable investigaciones autónomas, desde la idea hasta el resultado.
Tercero, las promesas de apertura tienen en la industria un historial irregular. La publicación de evaluaciones y código será la prueba de si las palabras se traducen en hechos.
Para los responsables de producto y los fundadores, la conclusión es sencilla. Las empresas que empezaron como envoltorios sobre modelos ajenos construyen cada vez más una capa de investigación propia. Si desarrolla agentes sobre APIs, conviene seguir lo que Perplexity publique en acceso abierto. Sus herramientas de orquestación podrían servir como base lista para usar, y sus evaluaciones, como referencia útil para probar sus propios sistemas de agentes.
- 21 nov 2026Parallel Search encabeza el ranking de 26 APIs de búsqueda para agentes de IA con 83 puntos
- 21 nov 2026Alisa, ChatGPT y Perplexity citan solo 34 de 309 plataformas para artículos
- 21 nov 2026Perplexity mostró tiendas arriesgadas en el 15% de sus respuestas sobre compras; ChatGPT, en el 8%
- 21 nov 2026Perplexity lanza Decider v1.3: 70 puntos en el ranking de decisiones y 68 dólares por millón de tareas
Preguntas frecuentes sobre la noticia
¿Qué es un «investigador automático»?
Imagine a un doctorando que lee artículos por sí mismo, formula hipótesis, lanza experimentos, analiza los resultados y pasa al siguiente paso. Un investigador automático es un intento de construir ese «doctorando» con un sistema de IA. Un solo modelo con un prompt largo normalmente no basta para esto: la tarea es demasiado extensa y ramificada. Por eso Perplexity apuesta por dos pilares. El primero es la orquestación de varios agentes.
¿Qué se sabe sobre Qué prometen abrir?
Srinivas escribe que Perplexity publicará evaluaciones (es decir, pruebas con las que se mide la calidad), artículos y blogs, y que pondrá en acceso abierto sus modelos y herramientas. Para los profesionales, este es el punto más interesante. Si la promesa se cumple, los desarrolladores obtendrán no solo cifras, sino también código funcional para construir sistemas multiagente. La compañía ya había publicado modelos abiertos, por ejemplo una versión reentrenada de DeepSeek R1 llamada R1 1776.
¿Qué se sabe sobre Qué conviene tener en cuenta?
Primero, «al menos 10 000 GPU» es un compromiso, no un clúster ya operativo. No está claro si Perplexity alquilará esa capacidad o si construirá la suya propia, ni en qué plazos estará disponible. Segundo, el investigador automático es un objetivo, no un producto. Otros laboratorios han hecho declaraciones similares, y hasta ahora ninguno ha mostrado un sistema que lleve a cabo de forma estable investigaciones autónomas, desde la idea hasta el resultado.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.