Bindu Reddy y el camino hacia la AGI: por qué un único modelo «más inteligente» no le bastará

Mientras Silicon Valley compite por ver quién promete con más estruendo la llegada de la inteligencia artificial general (AGI) para el próximo martes, Bindu Reddy propone respirar hondo. La CEO de Abacus.AI no mira la industria a través del cristal rosa del capital riesgo, sino desde la dura realidad de implantar redes neuronales en empresas reales. Y su diagnóstico es aleccionador: seguimos en una fase en la que «el mejor modelo» es un concepto que dura exactamente hasta el siguiente gran lanzamiento de la competencia. Antes todo era sencillo: estaba GPT-4 y luego todos los demás. Ahora vemos una fragmentación en la que el liderazgo en programación, escritura creativa o razonamiento lógico cambia de manos constantemente.

Reddy subraya que el camino hacia la AGI no es solo cuestión de aumentar el número de parámetros o comprar nuevas GPU H100. El problema está en la arquitectura. Los grandes modelos de lenguaje actuales siguen siendo loros estadísticos increíblemente avanzados. Predicen el siguiente token, pero carecen de lo que Bindu llama «agencia»: la capacidad de planificar por sí mismos cadenas complejas de acciones y corregirlas sobre la marcha sin indicaciones humanas. El verdadero salto hacia la AGI no llegará cuando un modelo haya leído todo internet, sino cuando aprenda a razonar en tiempo real y a verificar internamente los hechos antes de dar una respuesta.

El panorama actual ofrece una imagen interesante. OpenAI, con GPT-4o, conserva el título de producto más equilibrado, pero Anthropic, con Claude 3.5 Sonnet, se ha convertido de repente en la favorita de los desarrolladores y de quienes valoran un estilo de escritura «humano» y la precisión en el código.

Al mismo tiempo, Meta ha demostrado con Llama 3.1 que los modelos abiertos pueden pisarles los talones a los gigantes propietarios. Reddy considera que, para un CTO o un responsable de producto actual, apostarlo todo a un único modelo es un error estratégico.

El futuro pasa por la orquestación: una capa de software específica (router) decide qué consulta enviar a Claude y cuál a un modelo más pequeño, barato y rápido.

Resulta interesante cómo Bindu vincula el desarrollo de la AGI con la viabilidad económica. Entrenar modelos es cada vez exponencialmente más caro, mientras que las mejoras de calidad empiezan a frenarse. Nos acercamos a un muro en el que simplemente «más datos» ya no produce un salto mágico en inteligencia. Para superar esa barrera, la industria tendrá que reinventar la forma de entrenar, quizá alejándose del aprendizaje supervisado puro hacia métodos más parecidos a cómo aprenden las personas: mediante prueba y error y la comprensión de las relaciones de causa y efecto. Sin eso, la AGI seguirá siendo solo un bonito término de marketing para captar rondas de financiación.

¿Qué significa esto para nosotros? Mientras los ingenieros se esfuerzan por crear un dios digital, nos conviene aprender a hacer malabares con lo que ya existe. Reddy está convencida de que en los próximos dos años no ganarán las empresas que construyan la red neuronal más grande, sino las que creen la mejor infraestructura para aprovechar este «zoológico». La verdadera inteligencia no es solo volumen de conocimiento, sino también saber aplicar la herramienta adecuada en el momento adecuado. Y mientras los modelos no aprendan a hacerlo por sí mismos, ese trabajo sigue siendo nuestro.

Lo esencial: la AGI no será un acontecimiento puntual ni un «destello». Será una transición gradual, y ahora mismo estamos atascados en una fase en la que los modelos son inteligentes, pero todavía no son autónomos. Anthropic y OpenAI seguirán con su carrera armamentística, pero el poder real se desplaza hacia la flexibilidad y la capacidad de combinar distintos modelos en un mismo producto.

*Meta ha sido declarada organización extremista y está prohibida en la Federación de Rusia.