Opcionalidad radical, computadoras neuronales y crecimiento explosivo de la IA

Los autores de un reciente informe del Institute for Law & AI plantean una estrategia llamada "opcionalidad radical". La idea central es que los gobiernos deben destinar recursos —dinero, talento y esfuerzo político— a crear una infraestructura regulatoria que pueda activarse rápidamente si la IA se vuelve disruptiva. En lugar de prohibir o imponer normas rígidas, se sugiere establecer autoridades de información que exijan a las empresas publicar datos técnicos sobre sus sistemas, crear canales de reporte a agencias estatales y desarrollar auditorías independientes que verifiquen la veracidad de esa información. También se recomienda proteger a denunciantes internos, facilitar el intercambio de datos sensibles entre gobiernos y diseñar normas flexibles que permitan a las compañías definir sus propios métodos para mitigar riesgos, siempre bajo objetivos de alto nivel. Otro punto clave es reforzar la seguridad de los pesos de los modelos y de los secretos algorítmicos mediante estándares voluntarios de ciberseguridad, así como invertir en la formación de personal especializado, apoyando iniciativas como AISI en Reino Unido y CAISI en EE.UU.

Los críticos que temen un exceso de autoridad argumentan que tales instrumentos podrían ser usados para concentrar poder y socavar la legitimidad democrática. Los autores responden que la alternativa de una regulación pesada puede paralizar la innovación y que la opcionalidad radical se diseñaría para ser reversible y sujeta a control parlamentario, evitando la expansión de poderes de emergencia como el Defense Production Act. No se descarta la participación del sector privado, pero se insiste en que la capacidad técnica del Estado sigue siendo indispensable para validar y hacer cumplir cualquier esquema de verificación independiente.

En paralelo, un trabajo liderado por Jürgen Schmidhuber y colaboradores de Meta y KAIST introduce el concepto de "computadora neuronal". En este modelo, una red neuronal aprende a integrar cómputo, memoria y entrada‑salida dentro de un único estado latente, a diferencia de la arquitectura tradicional donde CPU, RAM y dispositivos I/O son módulos separados. Los autores entrenaron una versión inicial usando el generador de video Wan 2.1 y datos curados, logrando que la red siguiera flujos de trabajo de línea de comandos y de interfaz gráfica, aunque con capacidad limitada para mantener estabilidad simbólica. Los experimentos demuestran que la red puede alinear su buffer de terminal, gestionar desplazamiento y redimensionamiento de ventanas, y responder a acciones de cursor con precisión aceptable. El objetivo a largo plazo es un "Computador Neural Completo" (CNC), donde todo el software se codifique en los pesos de una única red, eliminando la necesidad de sistemas operativos y capas de abstracción. Aunque la demostración actual está en una fase embrionaria, los autores sugieren que el avance requerirá modelos mucho más grandes (entre 10 y 1000 billones de parámetros) y un ecosistema de reutilización y gobernanza que garantice consistencia y testabilidad.

Por otro lado, economistas de Forethought, Columbia y la Universidad de Virginia publican un modelo que vincula la auto‑mejora recursiva de la IA (RSI) con un posible salto explosivo del producto interno bruto. El estudio identifica dos bucles de retroalimentación: uno tecnológico, donde la automatización acelera la innovación dentro de la red de investigación; y otro económico, donde el mayor output genera recursos adicionales que alimentan más investigación. Según los resultados, automatizar solo el 13 % de las actividades productivas en todos los sectores sería suficiente para desencadenar una fase de crecimiento explosivo; si la automatización se limita a investigación de hardware y software, los umbrales son 20 % y 17 % respectivamente. El modelo destaca que la investigación en semiconductores tiene un impacto cinco veces mayor que la de software, convirtiéndose en el palanca más eficaz para impulsar el ciclo. En una simulación de choque de automatización que combina la total automatización de la I+D de software con un 5 % de automatización en el resto de la economía, la singularidad aparecía en aproximadamente seis años, lo que sugiere que el horizonte temporal podría ser más corto de lo que se percibe.

Finalmente, Google DeepMind presenta "Decoupled DiLoCo", una ampliación de su arquitectura de entrenamiento distribuido que separa los grupos de aprendizaje (learner units) de un sincronizador global. Esta separación permite que fallas en un clúster de chips no interrumpan el resto del proceso, manteniendo una disponibilidad del 88 % frente al 58 % de los métodos elásticos tradicionales. El equipo entrenó un modelo de 12 000 millones de parámetros distribuyendo la carga entre cuatro regiones de EE.UU. usando conexiones de 2‑5 Gbps, sin necesidad de redes dedicadas. La propuesta abre la puerta a que gigantes del cómputo conviertan todas sus instalaciones en una única máquina mundial, mientras que, en el extremo opuesto, sigue beneficiando a iniciativas de federación de recursos de menor escala.

En conjunto, estas tres líneas de trabajo —regulación flexible, arquitectura neuronal unificada y dinámicas macroeconómicas impulsadas por la auto‑mejora— señalan una trayectoria donde la IA pasa de ser una herramienta especializada a convertirse en un componente estructural de la economía y la sociedad. Los ejecutivos deben preguntarse si sus organizaciones están preparadas para operar bajo un marco regulatorio adaptable, si pueden anticiparse a una posible convergencia de software y hardware en un único modelo neuronal, y cómo gestionarían la exposición a ciclos de crecimiento acelerado que podrían reconfigurar mercados enteros en cuestión de años.