Si alguien te dice que ya se ha logrado la IAG (Inteligencia Artificial General), ¿cómo puedes saber si dice la verdad o solo está fanfarroneando?
En el acuerdo secreto filtrado entre OpenAI y Microsoft, la regla para medirlo eran los estados financieros: desarrollar un sistema de IA que genere al menos 100.000 millones de dólares en beneficios equivaldría a lograr la IAG. Para Jensen Huang, la regla es el tiempo: será una realidad en cinco años. Y Elon Musk ha pronosticado repetidamente que sucederá "el próximo año".
Que los líderes de la industria den versiones distintas no se debe a que alguien mienta, sino a que el concepto mismo de IAG carece de una regla de medición universalmente aceptada. Como señala Bennett, un investigador con pensamiento independiente en este campo, en un artículo, la IAG ha sido reducida por la especulación y el bombo publicitario a una "prueba de Rorschach": cada uno ve solo la imagen que tiene en su mente, no los hechos objetivos. Melanie Mitchell, científica del Instituto Santa Fe, también cree que este debate solo podrá aclararse mediante una investigación científica a largo plazo. (Enlace al artículo: https://arxiv.org/pdf/2503.23923)
Este es el dilema más absurdo de la industria de la IA en la actualidad: corremos a toda velocidad hacia un objetivo cuya línea de meta ni siquiera está bien definida.
2025: ¿Quién está redibujando la línea de salida de la IAG?
Ante este vacío de definición, el mundo académico comenzó en 2025 a "ocupar el puesto" intensamente. Académicos como Bengio enfatizan la "versatilidad" y la "competencia"; DeepMind propone la "IAG distribuida", tratando de romper el mito de una entidad única y todopoderosa.
Pero Michael Timothy Bennett, investigador de la Universidad Nacional Australiana, en un artículo subido a arXiv a finales de marzo, ofreció una respuesta extremadamente provocadora, y sin embargo, la más precisa.
Señaló que las definiciones anteriores, dando vueltas y vueltas, siguen comparándose con un "adulto educado". Bennett adopta la definición de inteligencia del académico Pei Wang —ver la inteligencia como la capacidad de adaptación bajo recursos limitados—, saliendo fundamentalmente del marco de "parecerse al humano", y define la IAG como un "científico artificial".
Propone que una verdadera IAG debería ser un sistema que, bajo restricciones reales como la computación, la memoria y la energía, pueda adaptarse de manera amplia, eficiente y científica a nuevos entornos y tareas, como lo hace un científico humano.
El mensaje subyacente de esta frase es: el criterio para juzgar la IAG no debería ser cuánto se parece a un humano, sino cuán fuerte es su capacidad para "descubrir conocimiento nuevo".
¿Por qué se necesita urgentemente una nueva regla de medición? Porque la antigua —la prueba de Turing y los puntos de referencia basados en humanos— ha sido superada por los modelos masivos (grandes modelos de lenguaje), pero cada vez estamos más lejos de una verdadera inteligencia general.
En 2025, si le preguntas a un modelo masivo de última generación "¿qué es más grande, 9.11 o 9.9?", todavía podría decirte con confianza que 9.11 es más grande, porque 11 es mayor que 9. Al resolver complejas pruebas de desigualdades matemáticas, incluso si el modelo acierta la respuesta, el proceso de razonamiento a menudo es un desastre lógico.
Bennett señaló con precisión la causa raíz: los modelos masivos actuales siguen la ruta de la "aproximación por maximización de escala" (Scale-maxing) —utilizan datos masivos y potencia de cálculo para almacenar de antemano respuestas aproximadas para todo tipo de tareas en los pesos de la red. En cuanto encuentran un problema fuera de la distribución con la que fueron entrenados, su falencia queda al descubierto.
Lo que es más fatal es que los modelos masivos carecen de "capacidad activa". No pueden hacer experimentos activamente para verificar hipótesis, no pueden construir cadenas causales de forma autónoma y no pueden sopesar el equilibrio entre "seguir explorando" y "aprovechar lo conocido".
Volviendo a la comparación entre 9.11 y 9.9: el modelo masivo no es que no sepa aritmética, es que simplemente no ha construido un modelo causal sobre la comparación de números. Solo está adivinando, usando probabilidades, el fragmento de texto más cercano que ha visto antes.
El abismo entre la "capacidad de imitación" y la "capacidad de adaptación" es precisamente lo que el nuevo estándar de IAG pretende medir.
La nueva escala de la inteligencia: Desglosando al "científico artificial"
La razón por la que este conjunto de criterios de Bennett merece atención es porque reduce la IAG de una proposición filosófica difusa a un problema de ingeniería cuantificable.
En su opinión, una verdadera IAG debería alinear perfectamente su comportamiento con el paradigma de investigación de un científico humano:
Primero, de "marioneta" a "experimentador activo".
La IA actual es un aprendiz completamente pasivo, solo puede "ver" los datos que los humanos le dan. Pero un científico no. Si un científico está encerrado en una habitación desconocida, no se quedará quieto esperando información: intentará empujar la puerta, tirar del picaporte, revisar las ventanas; eso es "experimentación activa". Una verdadera IAG debe poder planificar experimentos de forma autónoma y obtener información clave mediante la interacción activa.
Segundo, de "saber el qué" a "saber el porqué".
Esta es la mayor debilidad actual de la IA. Los modelos masivos son aprendices extremos de "correlaciones". Saben que "llover" suele acompañarse de "suelo mojado", pero no saben qué causa qué. Solo entendiendo la causalidad se puede inferir, cuando el cielo está despejado pero el suelo mojado, que pasó una manguera de riego y no que va a llover. Sin comprensión causal, la IA siempre estará limitada a la distribución de sus datos de entrenamiento, lo que no tiene nada que ver con lo "general".
Tercero, caminar sobre la cuerda floja entre "explorar" y "explotar".
Si solo exploras y no explotas, por mucho conocimiento que tengas, no resolverás el problema inmediato; si solo explotas y no exploras, cuando cambie el entorno, te quedarás paralizado. La IAG debe equilibrar dinámicamente esta contradicción bajo restricciones de recursos —saber lo que no sabe y asignar potencia de cálculo en consecuencia.
Además, Bennett añade una dimensión muy realista: la restricción energética. Incluir la "energía" en la definición significa que traza una línea de base: la verdadera inteligencia no es tener recursos ilimitados, sino adaptarse con elegancia bajo recursos limitados. Una IA que necesita consumir una central nuclear para resolver un nuevo problema es solo una calculadora cara, no una IAG.
Reinicio de la ruta hacia la IAG: Adiós a la única Scaling Law
Basándose en el marco anterior, Bennett desglosa los meta-métodos actuales para construir sistemas inteligentes en tres categorías:
Scale-maxing (Maximización de escala): La ruta actual dominante de los modelos masivos, apilando frenéticamente parámetros, datos y potencia de cálculo. Pero el cuello de botella ya es evidente: eficiencia de muestreo y energía extremadamente baja.
Simp-maxing (Maximización de la simplicidad): Busca la máxima simplicidad en la estructura del modelo, creyendo en la navaja de Ockham. Pero la simplicidad es una propiedad de la forma, no de la función —la definición de "más simple" puede ser completamente diferente bajo diferentes máquinas de Turing, lo que la hace difícil de escapar de la trampa de la subjetividad.
W-maxing (Maximización del debilitamiento de restricciones): Debilita las restricciones funcionales tanto como sea posible, permitiendo que el sistema encuentre la solución óptima por sí mismo. Los experimentos muestran que solo con W-maxing se puede lograr una mejora del 110% al 500% en la tasa de generalización para tareas específicas, pero requiere buscar en un espacio infinito de formas de hardware, lo que hace que la optimización sea extremadamente difícil.
La conclusión de Bennett es muy clara: aunque Scale-maxing domina absolutamente en la actualidad, la IAG nunca se logrará mediante la estética de la fuerza bruta de una sola ruta; necesariamente será una fusión de múltiples meta-métodos.
Si la definición de "científico artificial" es ampliamente aceptada, la industria de la IA experimentará un profundo cambio de paradigma.
Los criterios de evaluación cambiarán por completo. Ya no necesitaremos ver cuántos puntos más supera el modelo masivo en la tabla de clasificación de exámenes humanos, sino establecer un conjunto de "puntos de referencia de adaptabilidad": arrojar la IA a un entorno físico nunca antes visto y ver si puede descubrir patrones con interacción limitada; darle un nuevo juego y ver si puede entender las reglas más rápido que un humano; incluso hacerla resolver problemas científicos reales y ver si puede proponer hipótesis de forma autónoma y diseñar experimentos para verificarlas. El núcleo ya no es "cuánto sabes", sino "cuánto puedes descubrir".
La ruta tecnológica también cambiará en consecuencia. La simple Scaling Law pronto tocará techo, porque los datos recibidos pasivamente no pueden alimentar la causalidad. Búsqueda y aproximación, maximización de escala y debilitamiento de restricciones: el logro de la IAG será necesariamente una fusión de múltiples herramientas y meta-métodos, no una extensión de una sola ruta.
El artículo de Bennett es importante, no porque dé la respuesta definitiva a la IAG, sino porque limpia una esquina de ese espejo difuso llamado "inteligencia". Nos hace ver que la realización de la IAG no es una iteración lineal de los modelos masivos, sino un reinicio de ruta.
¿Cómo debería ser realmente la IAG? La respuesta no está en conversaciones cada vez más parecidas a las humanas, sino en la capacidad de preguntar activamente "por qué" y de verificar la respuesta con sus propias "manos". Cuando la IA realmente salga de la niebla de la "prueba de Rorschach", ya no solo imitará la apariencia humana, sino que tendrá el espíritu de un científico. (Este artículo se publicó por primera vez en Titanium Media APP, autor | Silicon Valley Tech News, editor | Zhao Hongyu)
