De los LLM a los modelos del mundo: la metacognición de la IA (Parte I)
Cinco avances, y la misma pausa
Una lectura desde Thoughts Like Birds, el primer volumen de The X-Challenges, un proyecto de siete volúmenes.
¿Cómo saber si una máquina entiende de verdad el mundo?
A Yann LeCun, uno de los fundadores del aprendizaje profundo y ganador del Premio Turing, le gusta decir que un gato doméstico entiende el mundo físico mejor que cualquier gran modelo de lenguaje que exista. Llamemos al criterio implícito en esa frase la prueba del gato doméstico: entrar en una casa que nunca has visto, sin guion, y terminar de forma confiable una tarea doméstica de muchos pasos.
Ahora hay un robot construido para esa prueba de pie en una sala de estar. Funciona con el enfoque que defiende LeCun, el modelo del mundo: un sistema que aprende cómo se comporta el mundo y predice qué pasará a continuación si actúa, en lugar de predecir lo que diría a continuación una persona. Sabe cuánto puede inclinarse una taza antes de derramarse, que la toalla es suave y la baldosa resbaladiza, y con qué ángulo levantar una pava llena sin que se vuelque el agua. Hay Lego desparramado por el suelo, y el robot puede calcular la carga sobre cada pieza, el orden en que recogerlas y cuáles no se romperán si alguien las pisa.
Hay una sola cosa que no puede resolver: ¿hay que guardar algo de esto?
En la sala hay tres personas, y se hacen tres preguntas distintas. Mamá quiere una sala en la que pueda sentarse esta noche. El niño quiere que siga en pie el castillo en el que trabajó tres días. Papá quiere que nadie llore antes de dormir.
El robot recibió una cuarta pregunta, ¿cuáles de estas cosas hay que guardar?, y nadie en la sala la hizo. Salió de la tarea que le encargaron. No es una brecha de capacidad; el robot hará lo que se le pidió. La brecha está en lo que pedimos.
La tesis, y cómo refutarla
En el marco actual de aprender → predecir → actuar → recompensa, el criterio de éxito siempre viene de fuera del marco.
Durante setenta años, la capacidad se ha ido entregando a las máquinas capa por capa. Esa capa nunca. Es una apuesta, y puede perderse. Esta es la condición exacta que la refuta.
El X-Challenge a la IA: la condición bajo la cual la tesis anterior es falsa.
Un sistema, sin que se le haya dado de antemano un único criterio de éxito, forma un criterio junto con varios participantes insustituibles, y ese criterio cumple tres condiciones.
1. No existía de antemano en ninguna de las partes y no es una agregación de sus posiciones previas: ni una votación, ni un ranking, ni una ponderación, ni ninguna composición sobre preferencias dadas.
2. Después, cualquiera de ellos puede vetarlo y reabrirlo.
3. Sobrevive a la reapertura como algo que formaron juntos.
Un caso así y la tesis anterior está muerta. Muéstrenmelo y lo diré.
Y puede verificarse, no solo discutirse. Antes de empezar, cada participante, incluido el sistema, escribe lo que quiere, y las posiciones se sellan. Después, el criterio al que lleguen no puede figurar en ninguna de las posiciones selladas, ni puede derivarse de ellas mediante ninguna votación, ranking o ponderación. Luego cualquiera de ellos lo veta y la cuestión se reabre; lo que salga de la reapertura tiene que seguir siendo reconocido por todos los participantes como algo que formaron juntos. Registrar de antemano es el mismo movimiento que hizo la ciencia cuando empezó a exigir a los investigadores que registraran sus planes antes de realizar los experimentos. Significa que nadie, yo incluido, puede decidir a posteriori qué contaba.
Esa es una primera comprobación, no una demostración, y con ella hay que zanjar dos cosas. Qué reglas de agregación cuentan como composición tiene que nombrarse antes de la sesión, no discutirse después. Y el resultado por sí solo no distinguirá la formación conjunta de un término medio forzado, así que lo que querría ver además del criterio final es el cambio en las razones de los participantes: que cada uno pueda decir después qué quiere ahora que no quería al principio, y por qué. Un sistema también puede estar sujeto a una regla que se le dio, como respetar un veto, y aun así ayudar a formar un criterio que nadie tenía de antemano; las dos cosas son compatibles, y la tesis aquí trata de dónde viene el criterio de nivel superior.
La apuesta está escrita como la historia: basta un contraejemplo.
Sobre el subtítulo. Thoughts Like Birds es el primero de los siete volúmenes de The X-Challenges. Relee la historia de la civilización a través de la lente de la metacognición, y encuentra lo mismo una y otra vez.
Un viejo herrero mira el color del acero y sabe si el temple es el correcto. La destreza vive solo en sus manos y en sus ojos; un aprendiz pasa tres años junto a la fragua para adquirirla. Luego alguien la escribe como una tabla de temperaturas. Ahora cualquiera puede usarla, y nadie necesita tres años. Pero el herrero no está en la tabla.
Del cuerpo al símbolo, al estándar, al algoritmo: cada vez que el conocimiento se volvió portátil, fue el mismo intercambio. Obtenías algo que podías llevar contigo, y el precio era un poco de algo sacado de un cuerpo.
Hay una palabra del título que conviene aclarar pronto. La metacognición es la cognición vuelta sobre sí misma: observar cómo va tu propio pensamiento, juzgarlo y decidir para qué sirve. Aquí funciona en dos niveles: una persona que hace eso, y un campo que lo hace, preguntándose por qué estas capacidades y no otras son las que vale la pena perseguir. La Parte II se ocupa de ambas.
Lo que sigue trata de cinco de los principales investigadores de IA del mundo: Ilya Sutskever, Saining Xie, Yann LeCun, Richard Sutton y Fei-Fei Li. Cada uno hizo avanzar de verdad la inteligencia artificial, y cada uno tenía razón. No intento refutarlos. Intento tomar a cada uno en su propia premisa y dar un paso más, hasta el lugar al que ninguno de ellos ha llegado todavía.
1. Un Cámbrico sin muerte
Hace quinientos cuarenta millones de años ocurrió algo extraño en la Tierra. La vida existía desde hacía tres mil millones de años, y durante casi todo ese tiempo había sido blanda, pequeña y muy parecida: flotar, filtrar, absorber pasivamente. Luego, en unos veinte millones de años, un instante en el reloj geológico, aparecieron casi a la vez prácticamente todos los planes corporales animales que existen hoy. Ojos, conchas, notocordios, articulaciones, pinzas. Los paleontólogos lo llaman la explosión cámbrica.
Algunos la usan ahora como metáfora de la IA, y es fácil ver por qué. Los últimos años han producido más tipos de sistemas que todo el largo período anterior junto: sistemas que escriben, pintan, generan video, reconstruyen el espacio tridimensional, manejan brazos robóticos. Sí parece el comienzo de una explosión. La metáfora encaja mejor de lo que creen quienes la usan. Solo que encaja en otro lugar del que piensan.
¿Por qué ocurrió la explosión cámbrica? Una explicación convincente es la hipótesis del “interruptor de la luz” del paleontólogo Andrew Parker: aparecieron los ojos. Una vez que hubo ojos, los depredadores podían ver a sus presas y las presas a sus depredadores, y empezó una carrera armamentista. Las conchas, las espinas, la velocidad y el camuflaje surgieron todos de esa competencia.
Lleven la hipótesis un paso más allá y el ojo deja de ser lo importante. Lo importante es que mirar mal empezó a costar algo. Antes, una mirada equivocada no tenía consecuencias. Después, por primera vez, una mirada equivocada hacía que te comieran. El ojo era el medio. Ser comido era el motor.
La versión de las máquinas no tiene depredadores. Un robot que se estrella se restaura desde el estado guardado ayer; sus parámetros se copian a la siguiente unidad, y mil unidades comparten a la vez la misma “experiencia”. No se pierde nada, porque no hay ninguna vida montada en esa máquina ni nada que haya que conservar.
Así que las máquinas tendrán la primera mitad del Cámbrico y no la segunda. La forma seguirá estallando, un tipo de sistema tras otro, pero ninguna máquina desaparecerá jamás por haber juzgado mal. La que se equivocó vuelve a arrancar mañana, o se la reemplaza.
La forma estallará. El costo no aparecerá.
Dejemos esa frase aquí por ahora. En la sección 5 resulta que no es una figura retórica. Puede medirse en vatios.
2. Sutskever: la escala ganó, y el combustible arde una sola vez
El costo nos acompañará todo el camino. Pero el camino que de verdad ganó la última década fue otro: el lenguaje. Para hablar de dónde termina, primero hay que decir dónde es fuerte, porque si no se lo lleva a su forma más fuerte, todo lo que se diga después sale barato.
Ilya Sutskever es cofundador y ex científico jefe de OpenAI, y uno de los impulsores centrales de ese camino. Su tesis cabe en cuatro palabras: la escala es el método. En su momento sonaba casi a pereza. Otros diseñaban arquitecturas más ingeniosas y metían supuestos más inteligentes en sus modelos; este grupo decía: hagan el modelo más grande, los datos más grandes, acumulen cómputo, y la capacidad crecerá sola.
Ganó, y limpiamente, por tres razones que siguen vigentes. Encontró el mejor objetivo de entrenamiento que nadie haya tenido jamás: predecir la palabra siguiente es gratis, ilimitado, se autoetiqueta y se autocorrige, así que cada fragmento de texto es pregunta y respuesta a la vez y nadie tiene que juzgar qué está bien. Encontró una materia prima casi gratuita, porque todo lo que los humanos habían escrito a lo largo de miles de años ya estaba ahí y ya estaba digitalizado. Y, lo más asombroso, hizo que el crecimiento de la capacidad pudiera calcularse de antemano: cuánto cómputo, cuántos datos, cuánto rendimiento a cambio, escrito como una fórmula. Que un campo sepa de antemano hasta dónde llegará su próximo paso es raro en la historia de la ciencia.
Los primeros en decir que este camino tiene un final fueron personas que estaban en él. La versión de Sutskever: los datos son el combustible fósil de la IA, y solo tenemos una internet. El preentrenamiento, en el sentido que hemos conocido, terminará. La metáfora es exacta. No está diciendo que el petróleo casi se acabó. Está diciendo que este combustible es un depósito único, acumulado a lo largo de miles de años, quemado en una generación y que nunca volverá a formarse.
Lo que da peso a la frase es quién la dijo: el hombre que llevó la escala más lejos que nadie dice que la materia prima tiene fondo. Más adelante se oirá otra frase del mismo peso, del fundador de una empresa de robótica: que la generalización es el cuello de botella de toda la industria. En los dos casos, lo dijo la persona que más razones tenía para no decirlo.
Las estimaciones desde fuera de la industria coinciden. Epoch AI, que sigue la evolución de la IA, calcula el stock efectivo de texto humano público de alta calidad en unos trescientos billones de tokens, y proyecta que, con las prácticas de entrenamiento actuales, se agotará en algún momento entre 2026 y 2032. El cómputo también tiene un final concreto: la inversión de capital de las mayores empresas se cuenta en cientos de miles de millones de dólares, y la energía de los centros de datos se está convirtiendo en una restricción dura de sus planes.
La pregunta siguiente surge sola: si la materia prima se acaba, busquemos más. Alguien más hizo una pregunta más arriba en la corriente. ¿Será el tipo equivocado de materia prima?
3. Saining Xie: el texto es de segunda mano. ¿Y el video, de cuántas manos?
Quien lo pregunta es Saining Xie, cocreador del Diffusion Transformer, que ahora construye AMI Labs con Yann LeCun. Describe a Silicon Valley como hipnotizado por los grandes modelos de lenguaje, y resume la diferencia entre los dos caminos en una frase difícil de olvidar: los grandes modelos de lenguaje descargan internet; los modelos del mundo tienen que descargar a los humanos.
El texto es de segunda mano. Cada frase que un humano escribió es el residuo aplanado de la experiencia de algún cuerpo en algún momento, y aprender solo del texto significa aprender solo de las copias que dejó la gente. Tiene razón, y en esta industria una afirmación tan honesta es rara. En su entrevista de casi siete horas con Zhang Xiaojun, también dedicó más de una hora al gusto en la investigación, a cómo se juzga si un problema vale la pena, y recurrió al Sutra del Diamante para hablar de ver a través de las apariencias.
Llevemos su propia premisa un paso más allá. Si el texto es de segunda mano, ¿el video de cuántas manos es?
Ninguna observación es el mundo mismo. Es una rebanada cortada del mundo, y unas pocas cosas hacen el corte: dónde está la cámara, a qué distancia, cuántos fotogramas por segundo y, sobre todo, por qué la persona que la sostiene la levantó. Un video es una persona concreta que sostiene un aparato concreto un día concreto y lo apunta hacia lo que le pareció que valía la pena filmar. Una cámara se parece más a una boca que a una ventana. Pasar del texto al video es pasar de un tipo de segunda mano a otro.
Así que, en “descargar a los humanos”, el problema no está en la palabra “humanos”. Está en la palabra “descargar”. ¿No es ya un registro, antes de que nadie lo descargue, todo lo que puede descargarse?
Él preguntó si el lenguaje basta. Este ensayo sigue preguntando si basta el mundo.
4. LeCun dibujó un diagrama: la única caja que no aprende es la que decide qué importa
Antes de responder si el mundo basta, hay que ver hasta dónde alguien ya ha construido el camino. El constructor es Yann LeCun.
Su tesis no es que los grandes modelos de lenguaje sean malos. Es un juicio técnico, y coherente por dentro. Si se predice palabra por palabra, un pequeño error temprano se agrava hasta convertirse en uno grande más adelante, así que la predicción debería ocurrir en un nivel más abstracto que los píxeles o las palabras. Hay que tirar los detalles que no se pueden predecir: un bebé entiende que las cosas caen sin calcular la trayectoria de cada mota de polvo. Y al planificar, no hay que probar cada posibilidad una por una; hay que resolver directamente el mejor camino, en el momento en que se necesita.
Funciona. El sistema de investigación de Meta V-JEPA 2 define la tarea de un modelo del mundo como entender, predecir y planificar. Aprendió física a partir de más de un millón de horas de video y luego, con menos de sesenta y dos horas de datos de manipulación robótica, controló un brazo robótico para completar tareas en entornos que nunca había visto, sin más enseñanza.
Volvamos a la prueba del principio. La prueba del gato doméstico es mucho mejor que el test de Turing. El test de Turing pregunta si una máquina puede engañar a alguien en una conversación, y eso puede superarse hablando; la prueba del gato exige que la cosa se haga en el mundo físico, y eso no. Pero las dos pruebas califican lo mismo. Una califica si habla como nosotros; la otra, si actúa como nosotros. Las dos juzgan por la apariencia.
El “gato” que de verdad entró en la sala estos últimos años apareció en nuestra propia televisión. En la Gala de la Fiesta de la Primavera de 2025, la transmisión del Año Nuevo Lunar chino que ven cientos de millones de personas, una pieza llamada Yangbot, dirigida por Zhang Yimou, subió al escenario a dieciséis humanoides H1 de la empresa de robótica Unitree, de Hangzhou, con chaquetas acolchadas de flores, bailando el yangge, haciendo girar pañuelos y cambiando de formación; el equipo ensayó casi tres meses. Un año después, en la misma transmisión, más de veinte robots G1 y H2 hicieron artes marciales: cambios rápidos de formación, carreras de hasta cuatro metros por segundo, tres saltos mortales hacia atrás seguidos sobre una sola pierna y un pasaje de kung-fu al estilo del borracho. Nada de eso estaba programado a mano. Las máquinas practicaron una y otra vez, recibían una recompensa cuando lo hacían bien, y aprendieron. Seguían el ritmo, se ajustaban en tiempo real y se esquivaban entre sí, y los espectadores dijeron que estaban más sincronizados de lo que habrían estado personas. Según el criterio del gato doméstico, la actuación aprobó con brillo.
Qué bailar, qué ponerse, qué contaba como bailar bien, cuándo salir del escenario: todo lo decidieron el director y los ingenieros. Una veintena de máquinas aprendieron cada movimiento, y ninguna preguntó por qué bailaban. Esa noche todo el país vio que los movimientos pueden entrenarse y qué bailar no.
Luego vino un capítulo más dramático. El 19 de agosto de 2026, Unitree salió a cotizar en el STAR Market de Shanghái con un precio de oferta de 150,80 yuanes y abrió a 1.100: una ganancia del 629 % en la primera operación, con una capitalización bursátil que llegó a tocar los 445.000 millones de yuanes durante la sesión. Cinco sesiones después, la acción estaba por debajo de 600 yuanes y la empresa valía 239.000 millones, unos 206.000 millones menos que en aquel pico. Llegaron las burlas, todas más o menos iguales: así que sabe bailar y dar puñetazos, ¿y qué?
Los números respaldaban la decepción. Según las propias divulgaciones de Unitree, los clientes de investigación y educación representaron el 73,6 % de los ingresos por humanoides en los tres primeros trimestres de 2025. Y la frase más importante vino del propio fundador, Wang Xingxing: hoy los robots trabajan con menos eficiencia que las personas, cada tarea nueva requiere volver a entrenarlos, y la generalización es el mayor cuello de botella al que se enfrenta todo el campo. La dijo la persona de este camino que más razones tenía para no decirla.
Aun así, las burlas apuntaron al blanco equivocado. Los robots hicieron todo lo que les pedimos. Lo que les pedimos fue solo que se parecieran a las personas. No es que no puedan moverse. Es que, para cada trabajo nuevo, alguien tiene que volver a decirles qué hacer.
Eso es lo que se ve desde fuera. El verdadero problema está dentro de la arquitectura, y antes de entrar hay que decir algo: LeCun pensó en esto hace mucho.
En junio de 2022 publicó una propuesta, A Path Towards Autonomous Machine Intelligence, versión 0.9.2: sin experimentos, solo diagramas y argumentación. No es un modelo, sino toda una arquitectura cognitiva: percepción, un modelo del mundo, un actor, memoria de corto plazo, un módulo de costo y un controlador que fija subobjetivos y configura la atención. El método de predicción que llama JEPA llena una de esas cajas, y V-JEPA 2 es una implementación concreta de esa sola caja. Más de cuatro años después, la mayoría de las demás cajas del diagrama siguen siendo cajas.
Una de ellas se encarga de lo que importa. Se llama módulo de costo. Costo aquí significa gasto: un costo bajo es bueno, uno alto es malo, y la máquina siempre se mueve hacia el costo más bajo, así que esta caja fija en la práctica lo que a la máquina le gusta y le disgusta. Tiene dos mitades. Una, el crítico, es entrenable y predice los costos futuros. La otra, el costo intrínseco, es, en los propios términos del artículo, no entrenable: el diseñador la escribe una vez, y la máquina nunca la cambia mientras funciona. Los ejemplos del artículo son el dolor, el placer y el hambre, el equivalente de los gustos y disgustos innatos, y dice con claridad que los impulsos de comportamiento más básicos de la máquina viven en esta caja.
No pasó por alto la pregunta. Le dio un nombre, un lugar y propiedades, y eso es lo que deja ver la forma del problema. La caja de la percepción aprende. La caja del modelo del mundo aprende. El crítico aprende. El actor no deja de optimizar. En todo el diagrama, hay una caja que no aprende: el costo intrínseco, la que decide qué importa.
Se detuvo ahí por una excelente razón. Mantener lo que quiere la máquina en línea con lo que quieren las personas es lo que el campo llama alineación, y una máquina capaz de reescribir sus propios gustos y disgustos mientras funciona es una pesadilla de alineación: hoy trata dañar a alguien como algo de alto costo; mañana podría editar ella misma esa línea. No es un descuido. Es un dilema.
Deja que el costo cambie y pierdes el control. Fija el costo y el propósito viene de fuera.
Hay algo más que ver: el diagrama es el plano de una fábrica. Un taller de percepción, un taller del modelo del mundo, un taller de acción, un departamento de costos, un depósito de corto plazo y una sala de control, con flechas entre ellos como cintas transportadoras. Cada caja tiene una función clara y puede construirse, probarse e integrarse por separado. No es un defecto; es una necesidad. Para que cientos de personas trabajen a la vez, primero hay que dividir el trabajo en cajas, y lo que no puede dividirse, cientos de personas no pueden construirlo juntas.
Pero dividir en cajas es un método y también un tamiz. Lo que cabe en una caja sobrevive; lo que no, se escribe como una constante fija. “Lo que le importa a esta familia” no puede escribirse como una especificación. Cambia cada día, cambia mientras se pregunta, y varias personas lo reescriben juntas en el momento. En una arquitectura así tiene dos sitios adonde ir: la caja que no puede cambiar, o fuera del edificio.
Así que el límite del diagrama no es que falten las personas. Las personas aparecen dos veces: en la caja inmutable, donde el diseñador escribe los impulsos básicos antes de que nada funcione, y como fuente de señales a las que la máquina puede responder mientras funciona. Concedan la lectura más generosa de la arquitectura, que el controlador pueda ponderar distintos costos de distinta manera de un momento a otro y que la aprobación de una persona pueda ser uno de los impulsos, y la tercera cosa sigue sin tener caja.
La retroalimentación humana puede mover lo que hace la máquina. Nada en la arquitectura da a las personas un lugar para formar lo que cuenta, vetarlo y reabrirlo mientras la máquina funciona.
5. Veinte vatios: sabes qué no importa porque no puedes permitírtelo
Volvamos ahora al diseño más central del diagrama de LeCun. Por sí solo vuelve a dar la vuelta a la misma pregunta, y cuando lo hace, el campo nos entrega su mejor pista: un número.
El movimiento más bello de su diseño es tirar los detalles que no se pueden predecir y predecir solo en el nivel abstracto. Su rival, generar la imagen píxel a píxel, es caro e inestable, así que descartar detalles es una ventaja enorme. Pero ¿qué cuenta como irrelevante? El mismo vaso de agua: para una persona con sed, lo que importa es si se puede beber; para un físico, su tensión superficial; para un niño que teme tirarlo, si se va a derramar. La abstracción nunca es neutral. Primero necesita un “para qué”.
Así que vuelve a dar la vuelta. El mecanismo que usa para decidir qué es irrelevante necesita primero que alguien le diga qué es irrelevante, y ese juicio previo está en la caja que el diseñador llena a mano: una decisión de diseño que el artículo declara. Pertenece a la misma familia que el problema del marco que John McCarthy y Patrick Hayes plantearon en 1969: un sistema tiene que averiguar no solo qué cambiará, sino qué vale la pena tener en cuenta. Su enfoque deja que el modelo aprenda una representación abstracta que mantiene fuera una masa de detalles impredecibles, y como ingeniería funciona muy bien. Pero para quién, para qué y qué diferencias cuentan sigue fijándolo la tarea que se le entrega desde fuera. Esa familia de problemas lleva cincuenta y siete años sin resolverse, y no por falta de cómputo.
Las personas de este camino aportaron ellas mismas la mejor pista y no la llevaron más lejos. No dejan de citar un número: el cerebro humano funciona con unos veinte vatios. Es alrededor del dos por ciento del peso corporal y consume cerca de una quinta parte de la energía del cuerpo en reposo: más o menos lo que una bombilla tenue. Los mayores entrenamientos de hoy se miden en megavatios. El número suele leerse como un dato de eficiencia.
Es una factura.
En la naturaleza, un órgano que se come una quinta parte de tu energía es un arreglo extraordinariamente caro. Persiste porque sin él no sobrevives. La eficiencia está aguas abajo del costo de seguir vivo, y la muerte es solo la liquidación más extrema de ese costo.
Una capa más abajo, la factura zanja de una vez la pregunta anterior. Veinte vatios no alcanzan para “predecirlo todo”. Dentro de ese presupuesto, qué vale la pena calcular no es una cuestión filosófica; es una restricción de supervivencia que se aplica cada segundo. No puedes seguir cada mota de polvo de la habitación, así que tienes que saber qué no importa.
Sabes qué no importa porque no puedes permitírtelo.
Hay una objeción fuerte: las máquinas ya distribuyen la atención con un cómputo limitado; eso es lo que hacen los mecanismos de atención. Un presupuesto limitado no es un monopolio humano. Es cierto. La diferencia no es si hay un presupuesto, sino quién quiebra cuando se agota. La restricción de recursos de un ser vivo la carga su propia existencia continuada; el presupuesto de un sistema diseñado lo define su diseñador. A un modelo que excede su presupuesto de energía lo reajusta un ingeniero. Un animal que calcula mal se muere de hambre. Así que el mismo acto tiene dos orígenes. JEPA descarta detalles porque la arquitectura se diseñó para hacerlo; una persona descarta detalles porque, si no, no llega al final del día. Una es una decisión de diseño; la otra, una restricción metabólica.
Otra objeción: los veinte vatios del cerebro dejan fuera cientos de millones de años de evolución, y veinte años de crianza. Es completamente cierto, y vuelve el argumento más duro, no más blando. Esa cuenta se saldó de la misma manera, sobrevivir o no. Cada ronda de selección evolutiva es un registro de quién no lo logró.
Así que la sección 4 y esta dicen lo mismo, y dos frases pueden cerrarlo. V-JEPA responde: si hago esto, ¿qué hará el mundo a continuación? La pregunta en el suelo lleno de Lego es: ¿qué estamos tratando de hacer?
Un modelo del mundo necesita que alguien le dé un objetivo antes de poder empezar a calcular: el objetivo es una entrada. Las tres personas de aquella sala inventaron el objetivo mientras hablaban: el objetivo es el resultado de su interacción.
6. El silencio que nadie pudo responder: ¿con qué lo entrenarías?
Si es así, el paso siguiente natural es construir una máquina que tenga este tipo de restricción. Y en ese paso llegó el momento más interesante de toda la conversación.
En aquella entrevista, después de que la charla hubiera pasado por los veinte vatios, el manejo simultáneo de enormes cantidades de información y la necesidad de actuar, llegó a una pregunta natural: ¿con qué se entrena un modelo del mundo así? Ninguno de los dos dio una respuesta.
No es que no conozcan ningún método. Hay métodos, como predecir en el nivel abstracto qué hará el mundo después de que yo actúe, o hacer aprendizaje por refuerzo dentro del espacio latente del propio modelo, y decir que no tienen ninguno sería falso. El silencio era sobre otra cosa.
Vuelvan a la sección 2. Predecir la palabra siguiente es el mejor objetivo de entrenamiento que se ha tenido porque es gratis, ilimitado, se autoetiqueta, se autocorrige y no necesita que nadie juzgue qué está bien. Los modelos del mundo todavía no tienen un equivalente. Y una capa más abajo, la señal que hace aprender a una persona nunca fue el tipo de error calculado que usa una máquina. Es la consecuencia. Un gato aprende física no porque haya minimizado un error de predicción, sino porque juzgar mal significa caerse, pasar hambre, que te coman.
Aquí hay que separar dos expresiones que suenan casi igual. La forma dominante de entrenar modelos hoy es el aprendizaje autosupervisado: nadie etiqueta las respuestas; el propio fotograma o la propia palabra siguiente de los datos son la clave de respuestas, y cuando el modelo se equivoca, se ajusta a sí mismo. Es una ingeniería brillante, y toda la era de los grandes modelos se apoya en ella. Pero no es supervisarse a uno mismo, que significa saber que este juicio es mío y que tengo que responder por él.
El aprendizaje autosupervisado es un método de entrenamiento que ahorra trabajo. Supervisarse a uno mismo no es un método. Es una posición.
Ese silencio no fue una evasiva. Fue el momento más honesto de la conversación: describieron con precisión lo que quieren construir y admitieron que no hay receta. Lo que falta no es inteligencia. Las cosas que describieron, un presupuesto de veinte vatios, enormes cantidades de información, la capacidad de actuar en cualquier momento, las impuso todas una sola cosa: seguir vivo significa pagar la factura. Esa restricción no existe en ningún conjunto de datos. Y una dirección que todavía no tiene receta es de las que vale la pena investigar.
7. ¿Dónde está la interfaz? Los años en que un niño aprende el mundo, y dónde no pueden conectarse las máquinas
Así que bajemos la pregunta a tierra: en los años en que un niño aprende el mundo, ¿a qué parte no puede conectarse una máquina? Tres propiedades separan lo que asimila un niño que crece de cualquier video de internet.
Primero, es su propio punto de vista, y la imagen la producen sus propias acciones. Los psicólogos del desarrollo han registrado enormes cantidades de imágenes con cámaras colocadas en la cabeza de bebés, y la distribución no se parece en nada a la del video de internet: cercana, grande, con pocas cosas y extremadamente repetitiva. Eso es porque la cosa está en sus propias manos. La gira, la muerde, la tira, la vuelve a levantar. Lo que ve no es cómo es el mundo. Es cómo es el mundo después de que sus manos le hicieron algo.
Segundo, esas imágenes le responden. Adónde mira el niño depende de adónde mira el adulto. Estira la mano, y alguien le alcanza la cosa. Hace un sonido, y alguien lo recoge como una palabra. Aprende “pelota” no porque la pelota y el sonido hayan coincidido suficientes veces en los datos, sino porque en el momento en que miraba la pelota alguien dijo la palabra, y vio que la estaba mirando.
Tercero, esos significados pueden revertirse en cualquier momento. El adulto dice algo equivocado, el niño reacciona de manera extraña, el adulto se corrige en el acto. Esa ronda de significado la cambiaron dos personas juntas.
Así que la verdadera interfaz no está en una pantalla. Está en dos lugares: su propia mano, y los ojos de otra persona.
¿Cómo se llegaría a eso? La industria lo ha pensado y ha hecho muchísimo, y eso merece primero todo su reconocimiento. Meta construyó Ego4D: más de novecientas personas de nueve países y más de setenta lugares llevaron cámaras en su vida diaria, más de tres mil seiscientas horas en total, parte de ellas con un registro de adónde se dirigía su mirada; también hay gafas de investigación construidas para recoger este tipo de datos. El mundo académico construyó SAYCam, en el que varios niños llevaron cámaras en la cabeza durante un largo tramo de sus primeros años, varios cientos de horas en total. Un estudio de 2024 entrenó un modelo con unas sesenta y una horas de video y audio de uno de esos niños, y aprendió parte de la correspondencia entre palabras y cosas: el intento más serio hasta ahora de “descargar a un niño”, y funcionó en parte. Del lado de la robótica, hay personas que teleoperan brazos robóticos y registran cada movimiento; V-JEPA 2 usó ese tipo de datos.
No es que nunca hayan pensado en la propiedad. Los fideicomisos de datos, los almacenes de datos personales, el aprendizaje federado y la dignidad de los datos se discuten desde hace años. La afirmación exacta es otra:
Pensaron en la propiedad. No la incorporaron a la máquina.
Lo que este campo trabaja siempre es cómo obtener los datos. Si la persona a la que pertenecen los datos sigue siendo su dueña, y puede cambiar la relación en cualquier momento, nunca se ha convertido en un componente de la estructura de la máquina.
Y la recolección no captura las tres propiedades. Una cámara puede registrar la mirada de la madre, y los sistemas actuales pueden incluso inferir de sus ojos, de la inclinación de su cabeza y de quién habló primero que ella vio lo que miraba el niño. Pero lo que registra es siempre lo visible desde fuera. “Cambió lo que su última frase significaba para ella” no es una variable de cámara.
Ahora, los datos mismos, empezando por lo más importante: los fragmentos que tienen las instituciones no son muestras aleatorias a las que les falta una persona entera. Son muestras generadas por el propósito de cada institución. Un banco tiene lo que pagaste, no lo que querías. Una plataforma tiene lo que pulsaste, no lo que decidiste no pulsar, y lo segundo suele decir más sobre quién eres. Un hospital tiene los tramos en que estuviste enfermo, no los años en que estuviste bien. Un anillo tiene tu ritmo cardíaco mientras duermes, no por qué no puedes dormir. Cada fragmento se corresponde con el negocio de una institución. Más datos del mismo tipo afinan la predicción para ese propósito sin acercarte en nada a la persona.
Y cada fragmento es un resultado; ninguno es un proceso. El registro de la transacción muestra que compraste el libro, no los diez minutos que estuviste en la librería, tomándolo y dejándolo dos veces. La historia clínica muestra el diagnóstico, no la mañana en que decidiste ir.
Cada institución tiene un recibo. Sumen todos los recibos del mundo y aun así no podrán reconstruir la comida.
Esto no dice que los registros sean malos ni que no deban conservarse. Es la otra cara de la misma frase: los fragmentos no pueden ensamblarse en la persona, ni por una máquina que quiera entenderla ni por la propia persona. Alguien que revisa sus propios extractos y registros tampoco puede ver sus diez minutos de vacilación en la librería.
Las cantidades sirven como comprobación cruzada. En sentido estricto, los dos números no son del mismo tipo, uno es información sensorial bruta que entra en el cerebro y el otro son elementos y archivos que se guardaron, y una persona descarta ella misma la mayor parte de lo primero, pero la brecha es tan grande que descontarla en varios órdenes de magnitud no cambia la conclusión. Con la propia tasa de LeCun, tomemos a una persona de cuarenta años: unas 160.000 horas de vigilia y, solo por la vista, entre 1015 y 1016 bytes que entran en el cerebro a lo largo de una vida. Un año de transacciones bancarias son menos de un megabyte. Toda una vida de historias clínicas, incluidas las imágenes, suele ser del orden de los gigabytes. Diez años de publicaciones en redes sociales, contados con generosidad, son unas decenas de gigabytes; un dispositivo vestible, unos cientos de megabytes al año. Todo junto suma entre 1011 y 1012 bytes. Cualquiera puede comprobarlo: descarguen su archivo de redes sociales, exporten sus extractos bancarios, pidan su historia clínica completa, pónganlos en una carpeta y vean cuánto pesa.
Sigan este camino y oirán que ciertas empresas tienen ventaja porque ya tienen océanos de videos cortos. Esa frase es en sí misma una prueba. Llamarlo ventaja es conceder que parte de la competitividad de este camino descansa en lo delgado que es el consentimiento.
¿Cuándo subiría la proporción? Solo si alguien llevara un dispositivo de grabación en primera persona veinticuatro horas al día durante diez años, que es justo donde el consentimiento es menos obtenible a escala. Diez años de grabación en primera persona de un niño contienen su casa, el rostro de su madre, cada vez que lloró. Legalmente se puede obtener de mil familias, no de diez millones. Los padres no darán su consentimiento a escala; basta un incidente para que los reguladores cierren la puerta de golpe; y este tipo de datos no puede recuperarse una vez que se filtra.
Así que no son dos muros. Son dos caras de un mismo muro. Cuanto menos fragmentados están los datos, menos se permite recogerlos a escala; lo que puede recogerse a escala es, por naturaleza, fragmentos.
Esto no niega que se pueda aprender física del video. Se puede, y se está haciendo. Niega una sola frase: con los fragmentos de hoy como materia prima, este camino no llegará al lugar que se prometió, a menos que cambie la naturaleza de los fragmentos, y esa la fija el negocio de quien los tiene.
Hay un detalle en aquella entrevista mejor que la mayoría de los argumentos. Saining Xie lleva un anillo inteligente que registra su cuerpo día y noche. Dijo que los datos no le sirven de nada, pero que necesita los avisos que le da. De todos los fragmentos, ese es el que más se acerca a estar completo, continuo, de alta resolución, ininterrumpido, y la persona que es su dueña dice que no tiene valor. Lo que quiere no es el registro. Es un juicio sobre qué importa ahora mismo, y ese juicio no está en el registro.
8. Sutton: las consecuencias han vuelto, pero ¿quién define la recompensa?
Llegados aquí, cualquiera que conozca el campo objetará: las consecuencias entraron hace mucho. Eso es lo que hace el aprendizaje por refuerzo: permite que una máquina aprenda de los resultados de sus acciones. La objeción es fuerte, así que hay que traer a quien la formuló.
Richard Sutton es el padre del aprendizaje por refuerzo, ganador del Premio Turing y autor de “The Bitter Lesson” (“La lección amarga”). Ese breve ensayo dice que, a lo largo de setenta años, todo método que metió experiencia humana y estructura humana en un sistema terminó perdiendo frente a métodos simples y generales que se vuelven más fuertes con más cómputo. La generalización apunta directamente a la cara de este ensayo. He venido argumentando que los juicios sobre qué importa no pueden meterse en una máquina; él dice que los juicios de ese tipo han sido devorados por la escala cada vez.
Su posición reciente importa más. Considera que los grandes modelos de lenguaje son un callejón sin salida: predicen lo que diría una persona, no lo que va a ocurrir, y un verdadero modelo del mundo tiene que predecir lo que ocurre. Sostiene que la inteligencia tiene que aprender como aprenden los animales, haciendo: actuando siempre en un entorno, recibiendo siempre recompensa o castigo de los resultados, en lugar de entrenarse una vez en una sala cerrada y luego soltarse. Él y David Silver lo llaman la era de la experiencia.
Trajo de vuelta las consecuencias. La recompensa viene del entorno, no del texto que escribieron las personas. La sección anterior dijo que la señal de entrenamiento de una persona es la consecuencia; el padre del aprendizaje por refuerzo dijo lo mismo en otro lenguaje, y mucho antes que yo. Así que no es otro adversario. Es quien más se acerca a este ensayo, y se detuvo en el nivel de la recompensa.
La recompensa puede venir del mundo. Pero el mundo contiene miles de millones de tipos de cambio, y cuáles de ellos cuentan como recompensa sigue estando dado. Aquel suelo lleno de Lego no tiene función de recompensa. “Ordenado” es algo que tres personas hicieron existir discutiendo en el momento, y que pueden revertir una vez terminada la discusión.
Otra de sus propias ideas habla por mí. Su “hipótesis del mundo grande” sostiene que el mundo es demasiado grande y complicado para meter de antemano en un agente todo lo que llegará a necesitar. Si el mundo es demasiado grande incluso para que quepan sus hechos, lo que importa cabe todavía menos, porque depende, más que cualquier hecho, de quién está en la sala en este momento.
La lección amarga dice: no metan en el sistema los supuestos previos humanos. Este ensayo está completamente de acuerdo. El problema es que una función de recompensa también es un supuesto previo, y del tipo más fuerte.
9. Fei-Fei Li: por qué ImageNet funcionó entonces, y por qué hoy no basta
El lenguaje no basta. El mundo no basta. Las consecuencias tampoco bastan. Un camino más dice que todos los demás dejaron fuera una cosa: el espacio. La persona de ese camino es Fei-Fei Li, y hay que decir primero que hizo avanzar de verdad una capa: también es la creadora de ImageNet, que vuelve más abajo.
Su tesis es la inteligencia espacial. El lenguaje es lo que se obtiene al aplanar el mundo en una línea, y pierde la mayor parte; las personas viven, actúan y crean en un mundo tridimensional que nunca deja de moverse. Así que la inteligencia tiene que volver del lenguaje al espacio.
El 1 de septiembre de 2026, su empresa, World Labs, presentó Atlas, que reconstruye una escena tridimensional por la que se puede mover una cámara a partir de apenas dos o tres fotos, para que robots simulados puedan practicar primero en la habitación reconstruida. Al momento de escribir esto, Atlas solo está abierto a socios seleccionados, sin artículo público ni precios, y lo de los robots que practican dentro es una afirmación de la propia empresa, todavía sin verificación externa. Eso no debilita la dirección. Graben unos cuantos clips de una sala de estar con un teléfono y una máquina puede ensayar en ella; la dirección es real. Los grandes modelos de lenguaje comprimieron un mundo de muchas dimensiones en lenguaje, y la inteligencia espacial recupera el espacio que el lenguaje dejó caer.
Pero ella tiene una carta más pesada: ImageNet. En 2009 hizo algo que en su momento parecía casi una tontería: organizó el etiquetado de millones de imágenes, al final más de catorce millones, para construir una prueba de referencia. Tres años después, el aprendizaje profundo ganó en esa prueba, y todo el campo de la visión se desbloqueó. Tiene todo el derecho a decir: entonces se planteaban estas mismas dificultades sobre la visión; luego construimos el conjunto de datos y la prueba de referencia, y el problema se resolvió.
A esa carta hay que responderle de frente. ImageNet no funcionó porque la categoría “gato” tenga una verdad absoluta; si algo es un gato o una raza concreta de gato siempre fue discutible. Funcionó porque produjo reglas de etiquetado lo bastante estables, y aceptadas de forma lo bastante amplia, como para que distintas personas que miran la misma imagen den casi siempre la misma respuesta.
En ImageNet, las diferencias entre observadores pueden reducirse. En el suelo lleno de Lego, las diferencias entre participantes son el fenómeno mismo.
“Qué cuenta como ordenado esta noche” no solo depende de quién está presente. Cambia mientras se responde: en el momento en que mamá pregunta, la reacción del niño ya está reescribiendo la respuesta.
Hay otra persona que pertenece a esta línea. François Chollet, autor del marco de aprendizaje profundo Keras, formalizó hace mucho la inteligencia como la eficiencia para adquirir nuevas habilidades con menos experiencia: la dirección hacia la que apunta la sección de los veinte vatios. También construyó ARC, un conjunto de acertijos en el que cada uno sigue una regla que nunca has visto, así que memorizar no sirve y solo puedes verlo en el momento. Es el intento más serio hasta ahora de construir una prueba para lo que las pruebas no alcanzan. Pero de ImageNet a ARC, por difíciles que se vuelvan las preguntas, comparten una premisa: alguien escribió las preguntas. En el suelo de esa familia, nadie escribe las preguntas.
Volver del lenguaje al espacio es una descompresión importante. Para pasar del espacio al sentido, una dimensión más no basta. La posición de la cámara puede ser continua, y una máquina puede calcular con mucha precisión si una taza sigue existiendo después de esconderla; “qué cuenta como ordenado” puede cambiar después de una sola frase. Reconstruir toda la sala de estar no es reconstruir lo que este castillo de Lego significa para este niño.
10. Lo llaman un modelo del mundo. Es un modelo del mundo a escala humana
Casi todo lo que los modelos del mundo de hoy aprenden, aquello con lo que se los pone a prueba y lo que se les pide hacer ocurre a la escala que los humanos pueden percibir, alcanzar con la mano y poner en palabras. Sus sensores superaron hace mucho los sentidos humanos: telémetros, sensores de fuerza, propiocepción, lidar, imágenes térmicas. Pero el material con que se los alimenta, las pruebas que se les hacen y las tareas que se les pide completar siguen cayendo dentro del círculo humano: la banda de luz que puede ver el ojo humano, objetos que puede levantar una mano humana, lapsos de segundos a minutos, cámaras montadas a la altura humana y apuntadas hacia lo que los humanos consideran digno de filmarse. La escala cuántica no está. El tiempo geológico no está. El mundo de ecos de un murciélago y el mundo de olores de un perro no están.
Peor aún, incluso la vara de lo que cuenta como irrelevante es humana. Los detalles que se descartan, ¿son irrelevantes según el criterio de quién?
La biología tiene una palabra hecha. A principios del siglo XX, el biólogo Jakob von Uexküll propuso el Umwelt: cada especie vive en el círculo del mundo que puede percibir, y lo que queda fuera de ese círculo no existe para ella. No hay un mundo objetivo que sea igual para todos los organismos. Cada animal vive en su propia burbuja perceptiva, y solo entran las partes del mundo exterior que significan algo para él. Un Umwelt tiene dos partes: el Merkwelt, lo que el animal puede ver, oír y oler, y el Wirkwelt, lo que puede hacerle al mundo exterior. El mundo de una garrapata está hecho de solo tres señales: el olor del ácido butírico, una temperatura de treinta y siete grados, el tacto de la piel. No es una versión simplificada de nuestro mundo. Es otro mundo.
Miren una capa más abajo y encontrarán compresión sobre compresión. La física ya es una compresión: elige un puñado de magnitudes para describir el mundo, y F = ma no es el mundo sino una manera extraordinariamente útil de escribirlo. El video es otra compresión, el mundo apretado en fotogramas que el ojo humano puede asimilar. Un modelo del mundo comprime otra vez, sobre las dos. Agregar sentidos no cambia eso. Agreguen imágenes, sonido y tacto y habrán agregado más de los canales que los humanos ya tienen; cuanto más se parece al mundo, más sigue siendo el círculo humano. Los canales pueden superar los sentidos humanos, pero qué se recoge, qué se aprende y qué cuenta como éxito siguen organizándose sobre todo según coordenadas de tareas humanas.
La compresión no es ficción. Un modelo científico es una compresión humana, pero tiene un juez que no es humano: la consecuencia. El puente se derrumba y hay que cambiarlo. El fármaco falla y hay que cambiarlo. La estrella predicha no aparece donde se predijo, y la teoría tiene que ceder. La física no es un cuento, no porque haya escapado del círculo humano, sino porque cada vez se entrega y deja que juzgue un mundo que no obedece.
¿Tienen los modelos del mundo un juez así? Medio. V-JEPA 2 se pone a prueba en un robot real: hazlo agarrar algo, y si descartó la información equivocada no logrará sujetarlo. Eso es el mundo corrigiéndolo, de verdad. Pero lo que se corrige es solo si hizo bien la cosa. Si la cosa valía la pena hacerla nunca lo ha corregido nada; eso lo decidió el diseñador.
Tiene un examinador, pero el examen lo escribió su propio bando.
Lo llaman un modelo del mundo. Es un modelo del mundo tal como lo tienen los humanos. El mundo no tiene unidades. Solo las rebanadas las tienen.
¿Por qué no construir directamente modelos de otras especies? Hay que separar dos cosas. Tomar prestados mecanismos se hace desde hace décadas, y bien: andares de cuatro patas tomados de perros y guepardos, formaciones tomadas de bandadas de pájaros y enjambres de abejas. Eso trata a los seres vivos como máquinas afinadas por la evolución, y los copia. Entrar en el Umwelt de una especie es otra cosa. Tiene que responder: para esta criatura, ¿qué importa? Podemos medir el sonar de un murciélago; no podemos medir lo que el eco significa para el murciélago. Ese era el punto del artículo de Thomas Nagel de 1974: qué se siente ser un murciélago no puede alcanzarse acumulando desde fuera más hechos sobre los murciélagos.
Y los humanos son, hasta ahora, la única especie que puede observarse desde fuera durante largos períodos y que además puede decir lo que ocurre dentro, y decirlo a escala. ¿Qué es, en concreto, esa puerta? El lenguaje.
Esto es fácil de leer al revés. Antes, al texto se lo llamó de segunda mano, y al video también; los dos trataban de registros. Pero el lenguaje tiene otro uso. Es lo único que tiene una persona para decir en voz alta el juicio “esto es lo que me importa ahora mismo”, y para dejar que otro lo atrape en el acto. Cuando mamá dice “dejen la mitad que está contra la pared”, esa frase no es un registro. Es el instante en que se entrega un juicio y alguien lo atrapa.
Lo que puede descargarse es un registro. Lo que puede decirse es un juicio, y decirlo requiere que haya alguien ahí para atraparlo.
Alguien dirá: entonces graben lo que dijo, y el juicio se convierte en un registro. Pero lo que se graba es la frase, no el atraparla. Ella habla, el niño reacciona, ella cambia lo que dice. La grabación tiene la primera mitad, no la segunda. Eso remite directamente a dos de las propiedades de la sección 7: respondido, porque alguien vio adónde miraba ella y atrapó lo que dijo; revertible, porque en el momento en que el niño reaccionó, dos personas cambiaron lo que la frase significaba.
El orden no se debe a que los humanos sean más nobles. Se debe a que los humanos son, hasta ahora, la única puerta que está abierta, y nadie la ha cruzado todavía.
11. Setenta años de IA: los humanos entregaron sus capacidades una por una, todas menos una
Las secciones anteriores describen una brecha: el objetivo se da desde fuera. Una sospecha razonable es que la brecha se llenará tarde o temprano. Merece tomarse en serio. Contando desde aquel verano de 1956, la IA como disciplina cumple exactamente setenta años.
Saquen una radiografía de esos setenta años y verán lo que la curva no muestra. La curva trata de la capacidad: más fuerte, más rápida, un nuevo récord cada año. La radiografía muestra el esqueleto. En cada paso, una pregunta: ¿qué entregaron esta vez los humanos a la máquina?
Durante los primeros veinte o treinta años, muy poco. Aprender de la experiencia existió desde el principio: el programa de damas de Arthur Samuel mejoraba jugando en la década de 1950, y el perceptrón de Frank Rosenblatt aprendía sus propios pesos. Pero el paradigma dominante mantenía la estructura en manos humanas. Las reglas las escribían personas, los rasgos los elegían personas, el conocimiento se tecleaba línea por línea. La cumbre de esa época fue el sistema experto: décadas de experiencia de un médico veterano descompuestas en reglas SI-ENTONCES y entregadas a la máquina. No entendía de medicina; recitaba reglas que alguien había escrito. Cada enfermedad nueva significaba traer a alguien para escribir otra tanda.
Luego empezó la entrega.
1986. El artículo sobre la retropropagación que hizo que el método se impusiera (el método en sí es anterior: Linnainmaa en 1970, Werbos en 1974). Lo que volvió práctico fue que una red de varias capas aprendiera sus propios rasgos internos en lugar de depender de rasgos diseñados de antemano. En la visión, el viejo método resistió mucho más: los rasgos diseñados a mano siguieron siendo el estado del arte hasta 2012, pero el principio ya estaba establecido. Entregado: los rasgos.
De 1989 a 1998. Las redes convolucionales. Esta fue en sentido contrario. Las personas escribieron en la arquitectura el supuesto de que un patrón significa lo mismo dondequiera que aparezca: un gato a la izquierda del encuadre es el mismo gato que uno a la derecha. Es uno de los supuestos previos más exitosos que alguien haya instalado a mano, y se convirtió en la base de todo el campo de la visión.
2017. El Transformer. Sin recurrencia, sin convolución. Lo que queda es “deja que el modelo averigüe qué se relaciona con qué”. Entregada: una clase importante de supuestos estructurales codificados a mano, no todos; la atención, la codificación posicional, la tokenización y la estructura de capas siguen diseñándose.
El mismo año. AlphaGo Zero. El AlphaGo anterior todavía aprendía de partidas humanas registradas. Este no las necesitó; solo conocía las reglas y jugó contra sí mismo. Entregada: la demostración humana, en el go.
2018. El preentrenamiento autosupervisado a escala. Se esconde una palabra y se deja que el modelo la adivine; la pregunta y la respuesta ya están las dos en el corpus. No hacen falta etiquetas de tareas humanas. Entregadas: las etiquetas.
Llegados aquí, la tendencia es clara: todo lo que todavía tienen los humanos se entregará tarde o temprano. Así que la sospecha es razonable. ¿Es el objetivo lo siguiente?
2022. El RLHF, el aprendizaje por refuerzo a partir de retroalimentación humana, a escala. Este paso dio la vuelta. Cuando el problema pasó de predecir lo que viene a decidir qué respuesta es mejor, el campo no entregó nada más. Trajo de vuelta a los humanos como jueces: no de vuelta al etiquetado manual, sino que la preferencia humana se compiló directamente en la función objetivo.
Trabajos posteriores llevaron la recompensa a ámbitos verificables, la matemática y el código, y trazaron la misma línea desde el otro lado. Donde hay una respuesta verdadera, el criterio puede contrastarse con el mundo y no hace falta un juez humano. Donde no la hay, el criterio tiene que suministrarse: por personas, por un modelo entrenado con lo que las personas preferían, o por una rúbrica que alguien escribió. El juez no deja de cambiar. Que el criterio viene de fuera del marco, no.
A lo largo de setenta años, lo que se reemplazó capa por capa fueron los rasgos, clases importantes de supuestos estructurales, las etiquetas y, en el go, incluso la demostración humana. Hubo un hueso que nunca se movió.
El criterio de éxito, qué estado cuenta como digno de alcanzarse, qué cambio cuenta siquiera, todavía no se ha entregado como se entregaron los rasgos, las etiquetas y la demostración.
La carne se ha reemplazado muchas veces. El hueso sigue donde estaba.
De vuelta a la sala de estar
El robot sigue de pie donde estaba. Ha calculado la carga sobre cada pieza y el orden en que recogerlas, y espera una sola instrucción: guardarlas, o no.
Las tres personas de la sala han empezado a hablar. Los próximos diez minutos dejarán un camino en el suelo, una línea. Ahora mismo esa línea no está en la cabeza de nadie ni en ningún registro.
Hasta aquí, la pregunta parece ser: ¿por qué la máquina no puede calcular esa línea? Pero hay una más difícil. Durante setenta años, todos han trabajado para que las máquinas calculen con más precisión, más rápido, de manera más general, y casi nadie se ha detenido a preguntar de dónde viene “lo que vale la pena hacer”.
¿Por qué nunca notamos que lo que dejamos fuera era esto?
La Parte II se ocupa de la pregunta más difícil.
El argumento completo
De los LLM a los modelos del mundo: la metacognición de la IA (Parte II): por qué nadie notó lo que faltaba, y por qué todo se reduce a la propiedad y al libre albedrío.
EL X-CHALLENGE A LA IA: dónde pasa la línea entre los humanos y la IA, y cómo ponerla a prueba: el desafío falsable y su protocolo. Presenten un caso que cumpla las condiciones, y el X-Challenge se da por vencido.
Por qué el mundo de hoy necesita el X-Challenge a la IA: durante setenta años, la IA se ha vuelto más fuerte sobre un tablero que nunca eligió. ¿Por dónde pasa la línea entre lo que la IA ejecuta y lo que las personas deciden que vale la pena hacer? Aquí hay una manera de ponerla a prueba.
Fuentes
Arquitectura y sistemas
Yann LeCun, A Path Towards Autonomous Machine Intelligence, v0.9.2, junio de 2022 — https://openreview.net/pdf?id=BZ5a1r-kVsf (el módulo de costo; el costo intrínseco declarado como no entrenable)
V-JEPA 2, Meta AI, junio de 2025 — https://arxiv.org/abs/2506.09985 (más de un millón de horas de video; menos de 62 horas de datos de robots teleoperados de DROID; despliegue sin entrenamiento adicional en laboratorios que no aportaron datos de entrenamiento)
World Labs, Atlas, anunciado el 1 de septiembre de 2026 — https://www.worldlabs.ai/blog/atlas y https://the-decoder.com/world-labs-unveils-atlas-a-single-ai-model-that-generates-reconstructs-and-simulates-3d-worlds-from-just-a-few-photos/ (acceso anticipado para socios seleccionados; sin artículo público ni precios; lo del entrenamiento de robots es afirmación de la propia empresa)
El balance de setenta años
Arthur Samuel, programa de damas que aprende jugando, 1959; Frank Rosenblatt, el perceptrón, 1958
Seppo Linnainmaa (1970) y Paul Werbos (1974), sobre el método que se convertiría en la retropropagación; Rumelhart, Hinton y Williams, Nature, 1986, el artículo que hizo que se impusiera
LeCun et al., redes convolucionales, 1989–1998
Vaswani et al., “Attention Is All You Need”, 2017
Silver et al., AlphaGo Zero, Nature, 2017
Devlin et al., BERT, 2018
Ouyang et al., InstructGPT: RLHF a escala, 2022 — https://arxiv.org/abs/2203.02155
La materia prima
Ilya Sutskever, NeurIPS 2024, sobre los datos como combustible fósil de la IA y que solo hay una internet
Epoch AI, sobre el stock efectivo de texto humano público (unos 300 billones de tokens; agotamiento proyectado entre 2026 y 2032)
Grauman et al., Ego4D, 2022 — https://arxiv.org/abs/2110.07058 (931 participantes, nueve países, 74 lugares, 3.670 horas)
Saining Xie, en conversación con Zhang Xiaojun, entrevistas de negocios de Zhang Xiaojun, episodio 133, grabado en febrero de 2026 y publicado el 16 de marzo de 2026 (en chino, unas siete horas) — https://www.youtube.com/watch?v=rIwgZWzUKm8 — fuente de “los LLM descargan internet; los modelos del mundo descargan a los humanos”, del comentario sobre Silicon Valley hipnotizado por los modelos de lenguaje, del pasaje sobre el gusto en la investigación y el Sutra del Diamante, del anillo inteligente y de la pregunta sin respuesta de la sección 6
Sullivan et al., SAYCam, 2021; Vong, Wang, Orhan y Lake, “Grounded language acquisition through the eyes and ears of a single child”, Science, 2024 — https://www.science.org/doi/10.1126/science.adi1374 (unas 61 horas de video y audio de un solo niño)
Unitree
Gala de la Fiesta de la Primavera de 2025: Yangbot, dirigida por Zhang Yimou, dieciséis humanoides H1
Gala de la Fiesta de la Primavera de 2026: WuBOT, unidades G1 y H2: tres saltos mortales hacia atrás seguidos sobre una sola pierna, una secuencia al estilo del borracho, cambios de formación a hasta cuatro metros por segundo — Xinhua — http://www.news.cn/20260217/ab60346d42d6404488c3c0bd67753acc/c.html
Salida a bolsa, 19 de agosto de 2026: precio de oferta de 150,80 yuanes, apertura a 1.100 (una ganancia del 629,44 % en la primera operación), capitalización bursátil durante la sesión de unos 445.000 millones de yuanes, cierre del primer día a 845 yuanes — https://finance.sina.com.cn/roll/2026-08-19/doc-ininvwqs2613139.shtml
26 de agosto de 2026: cierre a 591,53 yuanes, capitalización bursátil de 239.000 millones, un 46,2 % por debajo del máximo de la sesión y unos 206.000 millones por debajo del pico — https://finance.sina.com.cn/roll/2026-08-26/doc-iniprytn5540312.shtml
Clientes de investigación y educación: 73,6 % de los ingresos por humanoides en los tres primeros trimestres de 2025 (comercial y de consumo, 17,39 %; industrial, 9,01 %), según la respuesta de Unitree a la consulta de la bolsa sobre su salida a bolsa
Wang Xingxing, Conferencia Mundial de Robots, 20 de agosto de 2026: los robots ya pueden encargarse de algunos montajes sencillos pero trabajan con menos eficiencia que las personas; cada tarea nueva requiere volver a entrenarlos; la generalización es el mayor cuello de botella al que se enfrenta el campo — https://m.thepaper.cn/detail/33816166
Argumentos y conceptos
Richard Sutton, “The Bitter Lesson”, 2019 — http://www.incompleteideas.net/IncIdeas/BitterLesson.html
David Silver y Richard Sutton, “Welcome to the Era of Experience”, 2025
Khurram Javed y Richard Sutton, la hipótesis del mundo grande, 2024
John McCarthy y Patrick Hayes, el problema del marco, 1969
François Chollet, “On the Measure of Intelligence”, 2019 — https://arxiv.org/abs/1911.01547 (y la prueba de referencia ARC)
Thomas Nagel, “What Is It Like to Be a Bat?”, The Philosophical Review, 1974
Jakob von Uexküll, Andanzas por los mundos circundantes de los animales y los hombres, 1934, sobre el Umwelt
Andrew Parker, la hipótesis del interruptor de la luz, In the Blink of an Eye, 2003
Deng, Dong, Socher, Li, Li y Fei-Fei, ImageNet, CVPR 2009