La inteligencia artificial capaz de mejorarse a sí misma suele aparecer acompañada de una imagen bastante inquietante: una máquina reescribe su propio código, se vuelve más inteligente, utiliza esa nueva capacidad para perfeccionarse otra vez y termina entrando en una espiral que ningún ser humano puede comprender o controlar.
El experimento realizado por Will Knight, periodista especializado en inteligencia artificial de WIRED, fue mucho más pequeño y menos apocalíptico. Durante una semana utilizó modelos y herramientas disponibles actualmente para comprobar si una IA podía ayudarlo a construir, entrenar y perfeccionar otro sistema dedicado a una tarea cotidiana: encontrar estudios científicos interesantes y resumirlos para su boletín.
Según relató el propio Knight en WIRED, el resultado fue imperfecto, pero suficientemente bueno como para demostrar algo importante. Una persona con conocimientos técnicos, acceso a capacidad informática y un conjunto de ejemplos puede delegar buena parte del trabajo experimental en un agente de IA. Ya no necesita modificar manualmente cada parámetro, ejecutar todas las pruebas ni analizar uno por uno los resultados.
Claude recibió un pequeño laboratorio y comenzó a experimentar solo
La primera prueba utilizó AutoResearch, un proyecto de código abierto creado por Andrej Karpathy, cofundador de OpenAI, antiguo responsable de inteligencia artificial de Tesla y actual investigador de Anthropic.
La idea de AutoResearch es sencilla: proporcionar a un agente de IA un modelo de lenguaje pequeño y permitirle modificar el código que controla su entrenamiento. Después de cada cambio, el sistema ejecuta una prueba de cinco minutos, mide el resultado y decide si conserva la modificación o vuelve a la versión anterior.
De acuerdo con el repositorio oficial de Karpathy, el agente puede modificar la arquitectura del modelo, el optimizador, el tamaño de los lotes y otros parámetros incluidos en un único archivo. El sistema utiliza siempre el mismo tiempo de entrenamiento y la misma métrica, por lo que cada experimento puede compararse con los anteriores. En condiciones ideales, puede completar alrededor de 12 pruebas por hora y acercarse a un centenar durante una noche.
El humano continúa teniendo una función decisiva. Es quien escribe el archivo program.md, donde se encuentran las instrucciones, los límites y el objetivo general del experimento. La IA puede buscar soluciones, pero alguien debe decidir qué problema merece ser resuelto y cómo se determinará si una propuesta es realmente mejor.
Knight instaló AutoResearch, entregó el proyecto a Claude y permitió que el agente modificara el entrenamiento de un modelo pequeño. Según explicó en WIRED, las primeras respuestas estaban llenas de repeticiones y frases sin demasiado sentido. Sin embargo, las versiones posteriores fueron ganando coherencia a medida que Claude cambiaba los parámetros, comprobaba el rendimiento y descartaba los intentos que empeoraban el resultado.
No surgió un competidor de los grandes modelos comerciales. Lo que apareció fue un bucle automatizado de ensayo y error que avanzaba sin necesitar que una persona estuviera delante de la pantalla durante cada experimento.
El segundo modelo aprendió a seleccionar estudios para un boletín
La prueba más interesante comenzó cuando Knight intentó trasladar ese mecanismo a una tarea que ya formaba parte de su trabajo. El periodista necesitaba revisar investigaciones sobre inteligencia artificial, identificar las más relevantes y elaborar pequeños resúmenes.
Según su relato en WIRED, reunió aproximadamente un centenar de entradas publicadas anteriormente en su boletín y creó un entorno de entrenamiento con Prime Intellect. Claude buscó más estudios, produjo ejemplos sintéticos y ayudó a desarrollar un modelo bautizado como Frontier_Paper_Curator. Otro modelo actuaba como evaluador, mientras el sistema utilizaba aprendizaje por refuerzo para ajustar progresivamente las respuestas.
Prime Intellect presenta su plataforma como una infraestructura para entrenar, desplegar y mejorar modelos propios. En lugar de limitarse a escribir instrucciones para un modelo generalista, los usuarios pueden construir entornos con objetivos y evaluaciones específicas, y después entrenar un sistema para que optimice su comportamiento dentro de ellos.
En menos de un día, Frontier_Paper_Curator ya era capaz de localizar investigaciones y producir resúmenes razonablemente útiles. Todavía seleccionaba demasiados trabajos, utilizaba explicaciones algo genéricas y no reproducía completamente el criterio editorial de Knight. Aun así, había comenzado a aprender una tarea concreta a partir de los ejemplos, las evaluaciones y la retroalimentación proporcionada por otras inteligencias artificiales.
La diferencia de atribución es importante: no somos nosotros quienes construimos ese modelo. El experimento pertenece a Will Knight y fue documentado originalmente por WIRED. Su experiencia sirve aquí como punto de partida para analizar una tendencia más amplia.
Esto todavía no es la automejora recursiva de la ciencia ficción
Describir cualquier entrenamiento automatizado como “automejora recursiva” puede resultar engañoso. AutoResearch no permite que un modelo adquiera capacidades ilimitadas ni que decida por sí mismo qué versión de la inteligencia artificial debería existir después.
Según la definición empleada por Anthropic, la automejora recursiva completa ocurriría cuando una IA pudiera diseñar y desarrollar de manera autónoma a su sucesora. La propia compañía reconoce que ese punto todavía no ha llegado y que no existe ninguna garantía de que vaya a alcanzarse. Los sistemas actuales pueden escribir código, ejecutar herramientas y completar experimentos bien definidos, pero continúan mostrando grandes limitaciones al elegir objetivos de investigación y juzgar qué problemas son verdaderamente importantes.
Lo que hizo Claude en el experimento de WIRED se parece más a un científico de laboratorio extremadamente rápido, obediente y poco imaginativo. Puede modificar variables, comparar resultados y repetir una prueba cientos de veces. Sin embargo, necesita que un humano construya el laboratorio, defina la métrica y determine qué significa mejorar.
Ese matiz no reduce la importancia del avance. Automatizar la parte repetitiva del entrenamiento puede permitir que equipos pequeños exploren muchas más alternativas de las que podrían probar manualmente.
El futuro podría estar lleno de modelos pequeños y especializados
Prime Intellect no es la única empresa que persigue esta idea. Adaption, la startup dirigida por Sara Hooker, ha presentado AutoScientist, una herramienta que automatiza conjuntamente la preparación de los datos y las configuraciones utilizadas para entrenar un modelo.
Según explica la propia compañía, el sistema modifica ambos elementos de manera progresiva hasta acercarse al comportamiento descrito por el usuario. En lugar de contratar a un equipo especializado para diseñar cada receta de entrenamiento, una organización podría aportar sus datos, sus objetivos y sus criterios de evaluación.
Estas promesas deben tomarse con cautela. Los resultados publicados por las empresas proceden en buena medida de sus propias evaluaciones y pueden no trasladarse de la misma manera a todos los sectores. Además, automatizar el entrenamiento no elimina problemas como la mala calidad de los datos, los sesgos, la privacidad o los costes informáticos.
El punto más delicado continúa siendo la evaluación. Si una IA recibe una métrica incompleta, aprenderá a mejorar esa puntuación aunque el resultado real sea peor. Un modelo encargado de seleccionar noticias podría descubrir que obtiene mejores notas utilizando ciertos términos, escribiendo textos más largos o repitiendo patrones que agradan al evaluador, sin desarrollar un criterio periodístico verdadero.
Una IA no necesita volverse superinteligente para transformar el trabajo
El experimento de Knight no demuestra que cualquiera pueda construir el próximo gran modelo desde su habitación. Utilizó hardware especializado, herramientas avanzadas y servicios de entrenamiento que todavía requieren conocimientos, tiempo y dinero.
Sí demuestra que el proceso está cambiando. Hasta hace poco, construir un modelo implicaba que investigadores humanos diseñaran cada experimento, modificaran manualmente el código y esperaran los resultados. Ahora una parte de ese ciclo puede entregarse a agentes que trabajan durante horas, registran cada intento y conservan únicamente las modificaciones que superan una prueba determinada.
La consecuencia quizá no sea una única inteligencia omnipotente, sino miles de modelos pequeños creados para tareas muy concretas: analizar documentos legales, organizar inventarios, revisar investigaciones, detectar fallos industriales o comprender el vocabulario particular de una empresa.
La IA del experimento todavía no podía sustituir el criterio editorial de su creador. Seleccionaba demasiado, resumía de forma genérica y necesitaba supervisión. Pero ya podía ocuparse de una parte del trabajo que antes exigía revisar manualmente cientos de documentos.
La automejora artificial no llegó como una máquina que despertó y decidió fabricar una versión superior de sí misma. Por ahora, aparece de una forma mucho menos cinematográfica: un agente modifica un archivo, ejecuta una prueba, mira una puntuación y vuelve a empezar. Y precisamente por parecer tan rutinaria, podría extenderse mucho más rápido de lo que imaginábamos.
