lunes, 16 de noviembre de 2026
Opinión

Nathan Lambert espera progreso rápido en la IA, pero no una superinteligencia general

El autor de Interconnects ve una aceleración de ingeniería e inferencia que abaratará la inteligencia casi exponencialmente, sin que eso signifique superinteligencia general.

4 min de lectura
Nathan Lambert espera progreso rápido en la IA, pero no una superinteligencia general

Hecho: el 9 de octubre, Nathan Lambert —investigador de AI2 y autor de Interconnects— publicó "I expect rapid progress but not towards general superintelligence", con el bajada "Musing sobre la RSI después de una semana en San Francisco".

Su punto de partida es una conversación repetida: investigadores de punta de la industria le dicen que la IA será mejor que ellos en su trabajo en unos pocos años, y Lambert admite que antes no entendía por qué dudaba. La explicación a la que llegó: esos investigadores ven la aceleración masiva en la infraestructura y la ingeniería de los modelos. "Coincido en que los modelos serán ingenieros de GPU distribuidos superhumanos en unos pocos años", escribe, y aclara que eso hará mucho más fácil experimentar con las formulaciones, pero no volverá a los modelos drásticamente distintos en su naturaleza.

Lambert también juzga que Ilya Sutskever estuvo adelante cuando declaró que la IA entró en una "era de investigación": con agentes de código, investigar es más fácil hoy, y una buena idea puede valer más que una ejecución impecable. A la aceleración que espera la llama, de forma más modesta que los escenarios de takeoff, "modelado de lenguaje paralelizado y asistido por IA": no hace falta comprar escenarios de despegue para ver la mejora de infraestructura que se viene.

Entre sus previsiones concretas: la eficiencia de inferencia ya daba ahorros del 10% al 30% en el costo de servir un modelo tras anunciar un precio, y espera que el costo efectivo de la inteligencia de los modelos caiga casi exponencialmente; que la co-diseño de aceleradores y modelos a largo plazo dé órdenes de magnitud extra; y que automatizar la investigación de preentrenamiento —al menos en arquitectura y selección de datos— en dos o tres años sea "razonable". También anticipa una paradoja de Jevons para los agentes: la demanda solo crecerá, con el lanzamiento de agentes tipo Muse de Meta como indicador temprano.

Lambert ubica el momento en una serie histórica: antes de que despegara el deep learning, la IA era todavía más investigación que ingeniería, y hoy el mejor investigador se juzga por su capacidad de implementar y escalar ideas en infraestructura compleja. Su lectura es que el campo está por cruzar otra transición en la que el cuello de botella vuelve a ser menos ingeniería, y que esa facilidad —trabajo flexible y atractivo— marca el comienzo de una era donde una buena idea puede valer más que una ejecución impecable en software.

Opinión: todas las previsiones son suyas: no hay verificación independiente de que el costo de la inteligencia caiga casi exponencialmente ni de que la investigación de preentrenamiento se automatice en dos o tres años. Lo verificable es la publicación, su fecha y su afiliación. El texto es una columna personal de análisis técnico, no un resultado de investigación revisado por pares.

Artículos Relacionados