Acabo de terminar la última charla del fundador de DeepMind, Demis Hassabis, en Y Combinator, y algunas ideas valen la pena discutir. Este hermano fue directo al decir que en realidad solo faltan dos piezas clave para la verdadera AGI: aprendizaje continuo, razonamiento a largo plazo y sistemas de memoria. Según su juicio, estos problemas podrían resolverse alrededor de 2030.

Lo más interesante es su crítica a los modelos grandes actuales. Dice que estos sistemas muestran una "inteligencia desigual"—pueden resolver problemas de nivel medallista de oro en matemáticas internacionales, pero en cambio fallan en problemas de matemáticas de primaria. Esto no es una cuestión de capacidad, sino que la cadena de razonamiento todavía es demasiado burda, carece de reflexión sobre su propio proceso de pensamiento. Incluso usa el ejemplo del ajedrez: a veces el modelo se da cuenta de que un movimiento es malo, pero no puede encontrar una mejor alternativa, y termina repitiendo el mismo error. Este fenómeno indica que aún hay mucho espacio para innovar en los sistemas de razonamiento.

Sobre los Agentes, me interesa especialmente esa parte. Él cree que los Agentes son el camino real hacia la AGI, pero todavía están en una fase inicial. Un detalle que duele mucho: nadie ha logrado usar herramientas de programación de IA para crear un juego AAA que llegue a la cima de las tiendas de aplicaciones. Teóricamente, con las herramientas actuales, debería ser posible, pero simplemente nadie lo ha hecho. Esto indica que la cadena de herramientas o el proceso en sí todavía les falta algo. Él estima que este avance ocurrirá en 6 a 12 meses.

El progreso en la técnica de destilación de modelos también es impresionante. Su modelo Flash puede alcanzar el 95% del rendimiento del modelo insignia a una décima parte del costo. Además, este proceso de compresión se vuelve cada vez más rápido: en 6 a 12 meses después del lanzamiento de un nuevo modelo, su capacidad puede comprimirse en modelos pequeños que funcionen en dispositivos edge. Confiesa que actualmente no ha encontrado un límite teórico en la densidad de información, por lo que el espacio para el futuro todavía es muy grande.

En cuanto a descubrimientos científicos, propuso un concepto interesante: la "Prueba Einstein". Es entrenar un sistema con conocimientos previos a 1901 y ver si puede derivar de forma independiente la relatividad de Einstein en 1905. Si una IA logra esto, significaría que realmente se acerca a la capacidad de innovación autónoma. AlphaFold ya ha demostrado el potencial de la IA en el campo del plegamiento de proteínas, con 3 millones de investigadores en todo el mundo usándola. Pero él piensa que esto es solo el comienzo; en áreas como ciencia de materiales, descubrimiento de medicamentos y modelado climático, estamos en un "momento AlphaFold 1"—con potencial, pero sin un avance real todavía.

El consejo más práctico para emprendedores es: si hoy lanzas un proyecto de deep tech a diez años, debes incluir en tu planificación la aparición de la AGI. No es alarmismo, sino que debes considerar si tu producto seguirá siendo útil en la era de la AGI. Su idea es que los sistemas generales (como Gemini) usarán sistemas especializados (como AlphaFold) como herramientas, en lugar de meter todo en un solo gran modelo. Esto tiene un gran impacto en cómo construyes ahora.

La lógica central de toda la charla es: la dificultad de resolver problemas difíciles y la de resolver problemas simples en realidad no difiere mucho, solo que la dificultad está en diferentes lugares. Dado que la vida es limitada, ¿por qué no enfocar energía en esas cosas que "solo tú puedes hacer y otros no"? Suena simple, pero en realidad requiere una gran determinación para lograrlo.