Gran entrevista a Sam Altman: autoaprendizaje recursivo de modelos (RSI), indicios de conciencia en la IA y escasez de chipsA fondo · digest del 22 de octubre
Paisaje industrial monumental de una subestación eléctrica y centro de datos bajo la luz del atardecer
A fondo4 secciones≈ 5 min

Gran entrevista a Sam Altman: autoaprendizaje recursivo de modelos (RSI), indicios de conciencia en la IA y escasez de chips

En los medios tecnológicos suenan cada vez más fuerte las voces escépticas. Los argumentos ya te los sabes: se agotaron los textos humanos de calidad en internet, las nuevas generaciones de modelos apenas suben décimas en los benchmarks y el gasto en centros de datos se dispara a la estratosfera. ¿Acaso la explosión exponencial de la inteligencia artificial se quedó sin fuelle y chocó contra un techo natural?

Las respuestas a estas preguntas de fondo llegaron de primera mano. El CEO de OpenAI, Sam Altman, concedió una entrevista extensa de dos horas al investigador independiente Matthew Berman (proyecto Forward Future). La charla salió sorprendentemente franca: sin la habitual niebla brillante de relaciones públicas, Altman desgranó el cambio de paradigma actual en investigación, el problema de la automejora recursiva de los modelos, la crisis energética y el enigma filosófico de la conciencia artificial.

Cambio de paradigma: del Pre-training al Test-Time Compute

La tesis central de Altman, que cambia por completo la lectura de hacia dónde va la IA, es esta: la ley de escalado del preentrenamiento clásico (Pre-training) agotó su fuerza explosiva.

Hasta ahora la fórmula del progreso era directa: metemos más servidores, alimentamos al modelo con más terabytes de texto de internet, subimos el número de parámetros y sacamos una red más lista. Pero a finales de 2026 la industria chocó con dos límites insalvables:

  1. El contenido humano público y de calidad en la red prácticamente se terminó;
  2. Inflar parámetros de forma extensiva vuelve al modelo demasiado lento y caro para el uso diario.

La nueva frontera del progreso se movió al terreno del cómputo en tiempo de respuesta (Test-Time Compute). En lugar de intentar soltar de memoria la siguiente palabra al instante, el modelo gana tiempo para «pensar»: lanzar cadenas de razonamiento interno, explorar árboles de hipótesis, probar conclusiones intermedias con intérpretes integrados y criticar sus propios fallos antes de mostrar el texto final al usuario. Ese mismo principio sostiene las series de razonamiento o1, o3 y GPT-5.6 Sol.

Automejora recursiva (RSI): algoritmos construyendo algoritmos

El segundo tema bomba de la charla fue la confirmación de que los laboratorios ya entraron en la fase de autoaprendizaje recursivo (Recursive Self-Improvement, RSI). Es esa idea sobre la que los teóricos de la singularidad llevan décadas debatiendo: el momento en que la inteligencia artificial empieza a mejorar su propio código y arquitectura.

Según Altman, los ingenieros de OpenAI ya no escriben a mano los kernels de bajo nivel. Los modelos de razonamiento se emplean para resolver tareas de investigación durísimas:

  • Buscar optimizadores matemáticos y funciones de pérdida óptimas;
  • Generar conjuntos de datos sintéticos verificados en matemáticas superiores y lógica formal;
  • Auditar automáticamente la seguridad y cazar vulnerabilidades lógicas en el código de las siguientes versiones de modelos.

Ya analicé a fondo los riesgos y desafíos de esta arquitectura en La era del autoaprendizaje recursivo: por qué los laboratorios líderes pasan a una IA que crea IA y qué amenaza supone para la seguridad.

Eso sí, Altman enfrió el entusiasmo de quienes esperan una singularidad instantánea. Sin contraste constante con el mundo físico real, un ciclo RSI completamente cerrado degenera inevitablemente en una «deriva alucinatoria», donde el modelo empieza a optimizar patrones abstractos sin sentido para los humanos. El control mediante compiladores reales y experimentos físicos sigue siendo un ancla obligatoria.

El cuello de botella energético: la batalla por los teravatios

Quizá la confesión más pragmática e inquietante de la entrevista toca la infraestructura física. Cuando Berman le preguntó cuál es el mayor freno para escalar la IA hasta 2030, Altman respondió sin dudar: no es la fabricación de chips de silicio, sino la escasez física de electricidad.

Corte isométrico de ingeniería de un nodo de distribución eléctrica de centro de datos con grandes transformadores de potencia y barras de refrigeración

Los clústeres de cómputo de nueva generación (como los racks NVIDIA Blackwell y Rubin) exigen una potencia descomunal:

  • Los centros de datos escalan de cientos de megavatios a complejos de gigavatios;
  • Las redes eléctricas tradicionales de Estados Unidos y Europa no pueden entregar esa potencia en un solo punto sin sobrecargar las subestaciones regionales;
  • Los plazos para conectar una nueva instalación a líneas de alta tensión se estiran de 4 a 7 años.

Por eso OpenAI y otros líderes del sector invierten fuerte en fuentes alternativas de generación: pequeños reactores nucleares modulares (SMR), proyectos de fusión nuclear (Helion) y geotermia profunda. El futuro de la IA se forja menos en Silicon Valley y más en las obras de nuevas centrales eléctricas. Sobre cómo esta transformación cambia lo que se exige a los profesionales, lee Dominar las redes neuronales se convierte en una habilidad obligatoria.

La pregunta por la conciencia: funcionalidad frente a qualia

Ante la inevitable pregunta filosófica de si los modelos actuales tienen chispas de conciencia, Altman respondió con suma cautela. Pidió separar las manifestaciones funcionales de la inteligencia (capacidad de planificar, fijar objetivos, tener en cuenta el contexto del interlocutor y adaptarse a errores) de la experiencia subjetiva interna (qualia).

Desde un punto de vista funcional, los agentes de razonamiento ya se comportan como entidades inteligentes. Sin embargo, atribuirles emociones humanas, sufrimiento o deseos es un sesgo antropomórfico peligroso.

Conclusión clave para desarrolladores e inversores

No esperes un modelo mágico que resuelva todo con un solo prompt a base de billones de parámetros. La industria apostó sin vuelta atrás por arquitecturas agénticas, donde gana quien sabe organizar con criterio un pipeline multipaso de razonamiento y validación del lado del cliente.

El riesgo de la burbuja de eco sintética

Usar modelos para entrenar a las siguientes generaciones exige un filtrado durísimo de los datos. Si un corpus sintético de entrenamiento arrastra un sesgo sistemático imperceptible, en los ciclos recursivos ese error crece como una avalancha y degrada la lógica de la red neuronal.

La entrevista de Sam Altman pone los puntos sobre las íes. Estamos ante el umbral de una etapa tecnológica madura: los trucos fáciles de escalar texto se acabaron y dejan paso al trabajo serio de ingeniería con razonamiento, arneses de sistema y energía física pura.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2