En sus primeros años, al abrir Perplexity encontrabas una capa sobre la búsqueda web que rastreaba páginas y encargaba la respuesta final a modelos de terceros. En febrero de 2026 la compañía lanzó Perplexity Computer, un entorno aislado donde una tarea se reparte entre unas veinte redes neuronales de frontera. Claude Opus 4.6 lleva la lógica, Gemini cubre la búsqueda profunda y el resto se reparte código y redacción. Pero en ese camino el equipo chocó con un techo: los modelos externos quedan congelados tras su entrenamiento y no crecen con experiencia nueva. Para romper ese muro, el 16 de noviembre de 2026 Perplexity abrió el laboratorio Frontier Research.
De enrutador de APIs ajenas a un clúster de 10,000 GPU
Para el nuevo programa asignaron un clúster de más de 10,000 GPU y llamaron a dirigir el laboratorio al profesor de NYU Andrew Gordon Wilson, reconocido por su trabajo en aprendizaje profundo bayesiano, estimación de incertidumbre y entrenamiento continuo de redes neuronales. La meta es ambiciosa: formar un «científico investigador automatizado» capaz de detectar huecos en los datos, plantear y probar hipótesis y cambiar de rumbo tras los fallos.
No planean encerrarse a puerta cerrada: Perplexity prometió publicar artículos, conjuntos de datos, modelos y código en GitHub y Hugging Face, un giro de agregador de búsqueda hacia la ciencia básica que también analizaron en el canal Julian Goldie SEO.
Aprendizaje continuo y red veloz entre tarjetas gráficas
El programa se divide en seis líneas alrededor de dos ejes técnicos. Cuatro frentes refuerzan la lógica: mejoran el preentrenamiento base, potencian el aprendizaje por refuerzo mediante ensayo y error, convierten un modelo aislado en un escuadrón de buscador, analista, crítico y verificador, y preparan nuevas pruebas de frontera. Como las redes aprendieron a memorizar exámenes antiguos, las evaluaciones nuevas miden si saben razonar fuera de su base de entrenamiento.
El mayor desafío científico es el aprendizaje continuo, o continual learning, especialidad de Wilson. Un modelo de lenguaje común queda fijo en su fecha de lanzamiento: si intentas reentrenarlo con datos nuevos sin reconstruirlo desde cero, sus habilidades previas empiezan a romperse. En aprendizaje automático este fallo se conoce como olvido catastrófico.
Mientras los modelos no absorban experiencia nueva sobre la marcha, el investigador autónomo seguirá siendo un sueño de laboratorio.
El segundo eje baja al hierro: la infraestructura de sistema sin la cual un conjunto de veinte modelos quedaría atascado esperando datos. Aquí Perplexity ya liberó código: la librería fabric-lib en el repositorio perplexityai/pplx-garden, junto al tokenizador pplx-unigram y el servidor lily para Apple Silicon, además de un artículo para MLSys'26 en arXiv. La librería mueve datos directo entre la memoria de las GPU vía RDMA saltándose el procesador central, sobre tarjetas NVIDIA ConnectX-7 y AWS EFA.
Las cifras ya son de producción. El transporte alcanza hasta 400 Gbps, actualiza pesos de modelos de billones de parámetros en el ciclo de refuerzo en 1.3 segundos y mueve memoria KV-cache entre servidores. Sobre la misma base corren núcleos rápidos para arquitecturas Mixture of Experts, y en un clúster AWS SageMaker HyperPod el equipo registró un 97.1% de eficiencia de canal.
Qué llegó ya a los usuarios y dónde empieza la exageración
Ese trabajo invisible en la red cambia directo los resultados en el navegador. Al trasladar el modo Deep Research dentro del multimodelo Perplexity Computer, una consulta compleja se divide en subtareas entre unas veinte redes. En el examen Humanity's Last Exam la precisión subió de 36.4% a 50.5% frente a la versión previa de Deep Research, y en la prueba de búsqueda web profunda BrowseComp saltó de 40.7% a 83.8%.
En tus tareas diarias esto significa pasar de una ficha breve a una investigación de varios pasos donde un modelo reúne hechos y otro detecta incoherencias. Al mismo tiempo, la línea entre el servicio actual y la ciencia a largo plazo es clara: fabric-lib, la actualización veloz de pesos y el enrutamiento entre modelos ya operan en código y clústeres reales, mientras que el científico autónomo, los modelos propios desde cero y la solución al olvido siguen siendo una apuesta a varios años.

