DeepMind propone diez escalas cognitivas para medir el avance hacia la AGI

Google DeepMind ha publicado "Measuring Progress Toward AGI", un intento de dar a la industria una herramienta para medir de verdad el avance hacia la AGI, en lugar de otra clasificación imposible de verificar.

De dónde viene el problema

Hace casi tres años, DeepMind publicó "Levels of AGI", un sistema de cinco niveles de inteligencia (del inicial al sobrehumano) y seis niveles de autonomía (de una simple herramienta a un agente totalmente independiente). La analogía con los niveles de conducción autónoma funcionó: era estructurada, clara y fácil de explicar a inversores y periodistas. La industria obtuvo un vocabulario común, una especie de terminología compartida para hablar de AGI.

Pero la clasificación tenía un defecto de fondo: no había ninguna herramienta para comprobar dónde se sitúa realmente un sistema. Cualquier empresa podía calificar su modelo de "nivel 2" o "nivel 3" y nadie tenía forma de refutarlo. "AGI" se convirtió en una etiqueta de marketing, cómoda para notas de prensa y para captar inversión, pero muy incómoda para la ciencia. El nuevo trabajo intenta resolver justamente este problema.

Diez escalas en lugar de una sola puntuación

El trabajo, publicado en marzo de 2026, propone un enfoque radicalmente distinto. En lugar de un ranking global único, define diez escalas separadas, cada una de las cuales mide un aspecto concreto de las capacidades cognitivas. Las escalas son independientes: un sistema puede rendir muy bien en razonamiento y mal en adaptación a tareas nuevas, y ese desajuste quedará a la vista en lugar de esconderse tras un valor promedio. El resultado es un retrato multidimensional del sistema, no un único número.

La diferencia clave con el benchmarking habitual es que las escalas no se construyen sobre conjuntos de datos ni colecciones de problemas, sino sobre el instrumental de la psicología cognitiva, una ciencia que lleva décadas estudiando la inteligencia en personas reales y ha desarrollado métodos resistentes a los efectos del entrenamiento. Entre los aspectos medidos figuran:

• Memoria de trabajo y retención de contexto
• Planificación y razonamiento en varios pasos
• Transferencia de conocimientos a nuevos dominios
• Aprendizaje con pocos ejemplos (few-shot)
• Metacognición: comprender los límites del propio conocimiento
• Razonamiento causal
• Adaptación a datos fuera de la distribución de entrenamiento

Los autores presentan el marco como punto de partida para el debate, no como estándar definitivo. La lista de escalas queda abierta a ampliaciones.

Por qué importa más que los benchmarks

Hasta ahora, el progreso en IA se medía de forma indirecta: MMLU, HumanEval, ARC-Challenge, GSM8K. El problema es que los modelos han aprendido a sobreajustarse deliberadamente a benchmarks concretos. Una puntuación alta en MMLU dejó hace tiempo de ser un indicador fiable de razonamiento real. Todos en la industria lo saben, pero los estándares no cambian.

Un enfoque basado en psicología cognitiva es mucho más difícil de engañar. Si un modelo no sabe generalizar a tareas radicalmente nuevas, ningún ajuste fino sobre el conjunto de prueba lo ocultará. Los métodos diseñados para medir la inteligencia humana resisten el "entrenamiento dirigido" por su propia naturaleza.

Para inversores, compradores corporativos de IA y reguladores, esto podría significar el fin de una época en la que cualquier laboratorio podía anunciar un "avance hacia la AGI" sin posibilidad de verificación independiente. Unas escalas comunes y medibles hacen comparables los sistemas de distintas empresas y, por tanto, permiten exigir responsabilidades.

Qué significa

DeepMind desplaza la conversación sobre la AGI de "tenemos el nivel N" a "así se puede medir concretamente". No es una respuesta sobre los plazos de la AGI ni garantiza el consenso: cada laboratorio interpretará las escalas a su manera. Pero es el primer paso serio hacia estándares de evaluación comunes basados en la ciencia y no en el marketing.