La startup de David Silver capta 1.100 millones de dólares para una IA que aprende sin datos humanos

Ineffable Intelligence, un laboratorio británico que lanzó hace apenas unos meses el exinvestigador de DeepMind David Silver, ha captado 1.100 millones de dólares con una valoración de 5.100 millones. Una ronda de este tamaño es una apuesta muy grande, no solo por una empresa nueva, sino por una idea técnica nueva: crear una IA que adquiera conocimientos y habilidades sin apoyarse en enormes conjuntos de datos humanos.

Para el mercado, es una señal importante. En los últimos años, la carrera principal de la IA ha girado en torno a modelos cada vez mayores, entrenados con textos, imágenes, código y otros datos creados por personas. Ese enfoque ha dado resultados impresionantes, pero también ha sacado a la luz sus límites: los datos de calidad no son infinitos, crece la presión por los derechos de autor y las mejoras que aporta el simple escalado son cada vez más caras. En este contexto, la tesis de un sistema que aprende no de un archivo humano, sino de su propia interacción con tareas y entornos, suena a reclamo de la siguiente etapa del sector.

El nombre de David Silver hace que esta apuesta sea especialmente visible. Es conocido como uno de los investigadores clave de DeepMind y uno de los principales divulgadores de los enfoques en los que un agente aprende mediante experiencia, búsqueda y autojuego. Esa línea de investigación estuvo detrás de los grandes avances de DeepMind en entornos de juego, donde los sistemas no se limitaban a repetir ejemplos humanos, sino que encontraban estrategias propias y a menudo iban más allá de la intuición humana.

Por eso la nueva empresa de Silver se percibe no como una startup de IA más con un nombre de moda, sino como un intento de escalar las ideas del aprendizaje por refuerzo y la búsqueda autónoma a una clase más amplia de problemas.

La fórmula de aprender sin datos humanos no significa que las personas desaparezcan por completo del proceso. Se trata más bien de un desplazamiento del centro de gravedad: menos dependencia de corpus creados a mano y del etiquetado, y más apoyo en simulaciones, generación de tareas, entornos verificables, retroalimentación a partir de resultados y ciclos internos de mejora. Si esta arquitectura funciona, podría permitir sistemas que no se limiten a repetir lo que la humanidad ya ha acumulado, sino que elaboren nuevas estrategias y conocimientos mientras actúan. Esto importa sobre todo donde hay pocos datos históricos, son de mala calidad o limitan demasiado al modelo al marco de la experiencia pasada.

El volumen de la financiación merece atención aparte. Una ronda de 1.100 millones de dólares para un laboratorio surgido hace literalmente unos meses muestra con qué agresividad sigue entrando capital en infraestructura de IA e investigación fundamental. Los inversores no compran ingresos ni un mercado de producto confirmado, sino una combinación de la reputación del fundador, una escuela científica y la oportunidad de ocupar primero una posición en la próxima gran ola. La valoración de 5.100 millones subraya que el mercado está dispuesto a pagar caro por equipos que ofrecen una alternativa al camino actual de los LLM y prometen una forma más general de entrenar máquinas.

Pero junto a la ambición hay un riesgo serio. Construir un sistema que de verdad aprenda sin un conjunto de datos humano es mucho más difícil que formular la idea en un titular. Necesita entornos de entrenamiento de calidad, mecanismos de autoverificación, resistencia a la acumulación de errores y formas de transferir habilidades de escenarios artificiales al mundo real. Además, incluso unos resultados muy sólidos en juegos y simulaciones no garantizan el mismo progreso en tareas abiertas y caóticas, con demasiada ambigüedad, variables ocultas y requisitos de seguridad.

Qué significa en la práctica: el mercado de la IA vuelve a apostar no solo por la escala, sino por un cambio de paradigma. Si Ineffable Intelligence logra demostrar que el aprendizaje autónomo puede trasladarse de forma fiable fuera de los entornos de juego y de laboratorio, el sector tendrá un argumento poderoso a favor de modelos que aprenden actuando y no solo leyendo el internet humano. Si no, esta ronda quedará como ejemplo de lo caro que se valora hoy incluso la mera posibilidad de salir de la actual generación de IA.