Yao Shunyu en Tencent: por qué la mayor estrella de la investigación en IA empieza por lo básico

Imagine que el mejor delantero del mundo ficha por un nuevo club y, en su primer partido, en lugar de limitarse a marcar goles, se pone a reescribir el manual de tácticas. Algo así es la publicación del primer trabajo científico de Yao Shunyu bajo el paraguas de Tencent.

Para quien no esté al tanto: Yao es una leyenda en los círculos restringidos de la investigación. Suyos son ReAct (Reason + Act) y Tree of Thoughts, que enseñaron a las redes neuronales no solo a generar texto, sino a planificar sus acciones y a razonar. Su reciente salida de Princeton hacia la división de investigación de Tencent cayó en la industria como una bomba. Y ahora vemos los primeros resultados de esa alianza.

En vez de anunciar de inmediato un asesino de GPT-5, Yao y su equipo decidieron mirar bajo el capó de uno de los fenómenos más misteriosos de los grandes modelos de lenguaje: el aprendizaje en contexto (In-Context Learning, ICL). Si alguna vez le dio a una red neuronal un par de ejemplos en el prompt y entendió la tarea como por arte de magia, se topó con el ICL. Es la capacidad del modelo de aprender sin modificar sus pesos, en pleno diálogo. Hasta ahora, el proceso se parecía a la alquimia: sabíamos que funcionaba, pero no entendíamos del todo cómo estructura el modelo ese conocimiento internamente. El trabajo de Yao intenta convertir esa alquimia en ciencia rigurosa.

¿Por qué Tencent pone a sus mejores mentes en esta línea justo ahora? La respuesta está en el estado actual del mercado. La época en que bastaba con inundar el modelo de datos y tarjetas gráficas llega a su fin. Empieza la segunda mitad del juego, y ganará quien haga los modelos más inteligentes y eficientes a nivel de arquitectura. El aprendizaje en contexto es la clave para crear agentes realmente autónomos. Si un modelo entiende mejor el contexto, comete menos errores en cadenas de razonamiento complejas y necesita menos recursos de cómputo para adaptarse a las necesidades concretas de una empresa. Tencent apuesta claramente por la calidad del razonamiento, no por la cantidad de parámetros.

En su trabajo, los investigadores analizan cómo influyen las distribuciones de los datos de entrada en la capacidad de generalización del modelo. No son meras disquisiciones teóricas. Entender la mecánica del ICL permite crear sistemas más estables, que no se rompen por una sola palabra mal elegida en la instrucción. Ante la dura competencia de Alibaba y DeepSeek, Tencent necesita con urgencia una ventaja tecnológica que no se pueda copiar simplemente comprando otros diez mil chips H100. Necesita avances algorítmicos, y Yao Shunyu es justo quien puede aportarlos.

También es interesante cómo encaja este trabajo en la estrategia general de los gigantes tecnológicos chinos. Se aprecia un giro claro: de copiar arquitecturas occidentales a intentar liderar la investigación fundamental. Si antes las empresas chinas solían ir a la zaga, ahora contratan a científicos de primer nivel directamente de las aulas de las principales universidades estadounidenses y les dan carta blanca para investigar a fondo. Esto crea una nueva dinámica en la industria, donde la frontera entre la ciencia académica y el desarrollo corporativo se difumina por completo.

Lo esencial: Tencent invierte en los cimientos, no en la fachada. Si Yao Shunyu logra descifrar la mecánica del aprendizaje en contexto, la próxima iteración de sus modelos podría dejar muy atrás a la competencia gracias a la eficiencia y no a la fuerza bruta. ¿Podrá la comprensión del ICL convertirse en la palanca que cambie lo que creemos posible con las arquitecturas actuales?