Google DeepMind ha publicado un informe que desplaza el debate sobre la inteligencia artificial general hacia una pregunta más incómoda: qué ocurre después. El documento, titulado “From AGI to ASI”, no intenta fijar una fecha concreta para la llegada de la AGI, pero parte de una premisa clara: para muchas de las mayores organizaciones de IA, construir sistemas de nivel humano ha dejado de ser una especulación lejana y se ha convertido en un objetivo plausible para la próxima década.
El trabajo está firmado por un amplio grupo de investigadores de Google DeepMind, liderado por Tim Genewein, e incluye nombres especialmente relevantes como Shane Legg, cofundador de DeepMind, y Marcus Hutter, conocido por sus aportaciones a la teoría formal de la inteligencia universal. La ambición del texto no es menor: mapear cómo podría evolucionar la IA desde una inteligencia artificial general de nivel humano hasta una superinteligencia artificial capaz de superar a grandes organizaciones humanas coordinadas.
Ese matiz es importante. En el informe, la ASI no se define como “un modelo más listo que una persona”, ni siquiera como un sistema que supere a expertos individuales en muchas tareas. El listón se coloca mucho más alto: una inteligencia artificial general que supera a colectivos amplios de expertos humanos bien coordinados en prácticamente todos los ámbitos relevantes de actividad humana.
AGI no es el final, sino el principio de otra carrera
DeepMind utiliza una definición informal de AGI como un sistema con inteligencia general aproximadamente equivalente a la de un ser humano medio en la mayoría de tareas cognitivas. Esa AGI podría ser ya sobrehumana en algunas tareas concretas, como ocurre hoy con ciertos modelos y sistemas especializados, pero seguiría sin tener una superioridad generalizada sobre grandes colectivos humanos.
La ASI, en cambio, se situaría en otro nivel. El informe la describe como una inteligencia artificial general con capacidades sobrehumanas en casi todos los dominios de interés humano. Sistemas como AlphaGo o AlphaFold quedan fuera de esa categoría porque son extraordinarios en ámbitos concretos, pero no constituyen inteligencias generales.
El documento también introduce el concepto de Universal AI, inspirado en el marco AIXI y la medida de inteligencia de Legg-Hutter. No se plantea como una tecnología práctica disponible, sino como un límite teórico: una forma de pensar el extremo superior de la inteligencia artificial, aunque sea incomputable en la práctica.
| Concepto | Caracterización en el informe |
|---|---|
| AGI | Inteligencia artificial general aproximadamente al nivel de un humano medio |
| ASI | Sistema que supera a grandes colectivos humanos expertos en casi todos los dominios |
| Universal AI | Límite teórico de la inteligencia artificial, asociado al marco AIXI |
| Diferencia clave | La ASI no compite con individuos, sino con organizaciones humanas completas |
El informe insiste en una idea que conviene no perder de vista: incluso una ASI no sería omnisciente ni omnipotente. Estaría limitada por la física, la energía necesaria para computar, el tiempo real de los experimentos, la manipulación de materia, la incertidumbre, la complejidad computacional y barreras lógicas como el problema de la parada o los teoremas de incompletitud. DeepMind advierte expresamente contra asumir que una superinteligencia podría curar el envejecimiento, restaurar el clima preindustrial o resolver cualquier problema físico por simple superioridad cognitiva.
Cuatro rutas hacia la superinteligencia
El núcleo del paper identifica cuatro caminos tecnológicos desde la AGI hasta la ASI. No son rutas excluyentes. Pueden avanzar en paralelo, combinarse o compensarse entre sí si una de ellas encuentra límites.
La primera es el escalado de cómputo, modelos y datos. Es la vía más conocida: más capacidad de cálculo, más eficiencia algorítmica, más datos, más modelos y más inferencia en tiempo de ejecución. El informe recuerda que el “effective compute” ha crecido alrededor de un orden de magnitud anual durante la última década, combinando mejoras de hardware, inversión en infraestructura y eficiencia algorítmica. Si esta tendencia continuara, incluso sistemas individuales que no mejoraran demasiado podrían multiplicar su impacto al ejecutarse en millones de instancias.
La segunda ruta es el cambio de paradigma algorítmico. Aquí entran nuevas arquitecturas, formas de aprendizaje continuo, modelos del mundo, planificación más robusta, contextos prácticamente ilimitados o sistemas que se alejen del esquema actual de grandes modelos foundation basados en transformers. Es la vía más difícil de prever porque, por definición, los cambios de paradigma no se pueden extrapolar fácilmente desde los datos históricos.
La tercera es la auto-mejora recursiva. La idea es conocida desde hace décadas: una IA que ayuda a investigar IA, diseña mejores modelos, mejora datos, optimiza hardware o acelera experimentos puede contribuir a crear sistemas superiores, que a su vez aceleran más la investigación. El informe no afirma que una “explosión de inteligencia” sea inevitable, pero sí considera que no puede descartarse si los bucles de mejora se vuelven suficientemente autónomos y sostenidos.
La cuarta ruta es la inteligencia colectiva multiagente. En lugar de imaginar una sola mente artificial gigantesca, DeepMind plantea la posibilidad de que la ASI emerja de millones de agentes AGI especializados y coordinados, algo parecido a corporaciones automatizadas, mercados de servicios de IA o colectivos digitales con una división del trabajo muy superior a la humana.
| Ruta | Qué propone | Principal incertidumbre |
| Escalado | Más cómputo, modelos, datos e inferencia | Si el escalado seguirá produciendo nuevas capacidades |
| Cambio algorítmico | Nuevas arquitecturas o paradigmas | Es la vía menos predecible |
| Auto-mejora recursiva | IA acelerando la investigación en IA | Puede acelerar mucho o estancarse rápido |
| Multiagente | Colectivos de agentes coordinados | No se sabe cómo escala la inteligencia de grupo |
La ruta multiagente es una de las partes más interesantes del informe porque desplaza el foco desde el modelo individual hacia la organización. Una empresa humana no es más inteligente que sus empleados por separado solo porque tenga más personas, sino porque coordina especialización, procesos, memoria institucional y reparto de tareas. Un sistema formado por millones de agentes digitales podría llevar esa lógica mucho más lejos, con comunicación de alto ancho de banda, copias instantáneas, especialización rápida y operación en paralelo.
Los frenos: datos, energía, abstracción y regulación
DeepMind no presenta la transición hacia la ASI como una autopista despejada. El paper dedica una parte importante a los posibles cuellos de botella. El primero es el muro de los datos. El crecimiento de los modelos puede chocar con la disponibilidad de datos humanos de calidad antes de que termine la década. La salida podría estar en datos sintéticos, simulaciones, interacción con entornos, autojuego o aprendizaje por refuerzo, pero el resultado no está garantizado.
El segundo freno es económico y físico. Escalar IA requiere chips, energía, centros de datos, cadenas de suministro, ubicaciones adecuadas, agua, materiales y capital. La inversión actual en infraestructura de gigavatios da credibilidad a la continuidad del escalado, pero también aumenta la presión sobre recursos naturales y aceptación social.
El tercer límite posible es que el paradigma neuronal actual no sea suficiente para alcanzar AGI o ASI. Los transformers, el preentrenamiento masivo, el ajuste posterior, las herramientas y el razonamiento en tiempo de inferencia han dado resultados muy potentes, pero todavía presentan problemas en planificación robusta, aprendizaje continuo, razonamiento bajo incertidumbre, alucinaciones o vulnerabilidad a inyecciones de prompt.
El cuarto es que la investigación se vuelva cada vez más difícil. En muchos campos, mantener el ritmo de avances exige más investigadores, más experimentos y más recursos. La gran pregunta es si la propia IA podrá compensar ese desgaste acelerando hipótesis, experimentos, diseño de modelos y revisión científica.
El quinto freno es la barrera de la abstracción. El informe plantea una hipótesis importante: los modelos actuales aprenden principalmente a partir de productos cognitivos humanos. Absorben conceptos ya formulados por personas. La duda es si pueden descubrir conceptos radicalmente nuevos desde datos crudos y experiencia directa, como hicieron las comunidades humanas al construir ciencia durante siglos. Si no pueden, podrían quedar limitados a una recombinación muy potente de marcos humanos existentes.
El sexto freno es deliberado: regulación, accidentes, rechazo social o decisiones políticas para ralentizar el desarrollo. DeepMind reconoce que un avance hacia sistemas más poderosos puede generar presiones para establecer límites, licencias, evaluaciones obligatorias o incluso pausas si aparecen daños graves.
Una rampa, no una singularidad cinematográfica
La tesis más relevante del documento es que la transición hacia la superinteligencia quizá no se parezca a un único momento dramático. DeepMind sugiere que podría ser más útil imaginar una cadena de transformaciones aceleradas: modelos que mejoran herramientas científicas, herramientas que aceleran investigación, avances que reducen costes, agentes que coordinan trabajo, nuevos sistemas que vuelven a mejorar la IA y así sucesivamente.
Ese escenario no elimina los riesgos, pero cambia la forma de pensarlos. Una rampa que se inclina progresivamente puede ser más difícil de reconocer que un salto repentino. Las empresas, gobiernos y universidades podrían encontrarse con cambios profundos en ciencia, economía, defensa, educación, empleo o producción tecnológica antes de que exista consenso sobre si se ha cruzado formalmente la frontera de la AGI.
El detalle más simbólico del paper está al principio. Los autores incluyen instrucciones para lectores humanos y para asistentes de IA, invitando a pedir a un agente que resuma el informe, lo adapte al contexto del lector y evalúe cómo han envejecido sus argumentos con el paso del tiempo. Es una decisión llamativa porque reconoce explícitamente que la audiencia de la investigación ya no está formada solo por humanos. DeepMind está escribiendo para personas y para sistemas que ayudarán a interpretar, resumir y actualizar el conocimiento.
El informe no debe leerse como una profecía cerrada. Sus autores repiten que la incertidumbre es enorme y que muchas preguntas siguen abiertas. Pero precisamente por eso resulta relevante. Sitúa el debate donde quizá debería estar: no solo en si llegará la AGI, sino en qué estructuras, incentivos, límites y formas de coordinación aparecerán después.
La conclusión es sobria y exigente. Si la humanidad alcanza sistemas de nivel humano, no hay una razón fuerte para pensar que el progreso se detendrá exactamente ahí. Puede frenarse antes, puede avanzar lentamente, puede acelerarse por auto-mejora o puede adquirir forma de inteligencia colectiva. Prepararse para ese abanico exige investigación interdisciplinar, mejores benchmarks, mejores modelos de previsión, más comprensión de los límites físicos y una conversación pública menos atrapada entre el entusiasmo ingenuo y el apocalipsis automático.
Preguntas frecuentes
¿Qué es “From AGI to ASI”?
Es un informe de Google DeepMind que analiza posibles caminos desde la inteligencia artificial general de nivel humano hasta la superinteligencia artificial.
¿Cómo define DeepMind la ASI?
La caracteriza como una inteligencia artificial general que supera a grandes colectivos humanos expertos en prácticamente todos los dominios relevantes, no solo a individuos aislados.
¿Cuáles son las cuatro rutas hacia la ASI?
El informe identifica el escalado de cómputo, datos y modelos; los cambios de paradigma algorítmico; la auto-mejora recursiva; y la inteligencia colectiva multiagente.
¿DeepMind cree que una ASI podría hacerlo todo?
No. El informe subraya que incluso una superinteligencia estaría limitada por la física, la energía, el tiempo real de los experimentos, la complejidad computacional, la incertidumbre y barreras lógicas.