Richard Sutton advierte que la inteligencia artificial aún no ha alcanzado su objetivo final
11 de noviembre de 2026 · 4 min de lectura
El ganador del premio Turing, Richard Sutton, ha afirmado que la potencia de cálculo bruta por sí sola no es suficiente para lograr la inteligencia artificial. Según su postura, la ciencia de la inteligencia artificial está lejos de alcanzar su meta y requiere métodos nuevos e ingeniosos. Esta declaración generó una amplia resonancia en la comunidad de inteligencia artificial en la plataforma X, lo que indica que el mensaje tocó un punto sensible entre los entusiastas de los modelos de lenguaje grandes.
En su célebre ensayo de 2019, Sutton argumentó que las métodos generales que escalan con la potencia de cálculo prevalecerían a largo plazo sobre las especializaciones humanas refinadas. La clave, según él, reside en ideas que crezcan junto con la capacidad de cómputo, en lugar de depender de suposiciones humanas. Su posición actual no es nueva, ya que en declaraciones anteriores criticó las limitaciones de la escalación pura de los modelos de lenguaje grandes. Sutton calificó el uso de datos sintéticos como un gran error, argumentando que el mundo real es infinitamente complejo y que cualquier simulación de este es microscópica. Señaló que la experiencia humana actúa como un cuello de botella que impide una escalación auténtica.
En lugar de la escalación actual, Sutton ha exigido agentes con modelos del mundo que aprendan continuamente de su propia experiencia. Afirmó que el mundo es mucho más complejo de lo que se puede reflejar en textos de internet. Los modelos de lenguaje actuales no continúan aprendiendo después del entrenamiento, por lo que es necesario un aprendizaje continuo que no destruya el conocimiento previo. Esta visión contrasta con la dependencia actual en el preentrenamiento y el aprendizaje por refuerzo.
El investigador Jerry Tworek, quien dejó OpenAI para explorar nuevos enfoques, contextualizó la afirmación de Sutton. Tworek sostuvo que la lección amarga sigue siendo válida, pero que a medida que se invierte más potencia de cálculo en el entrenamiento, el algoritmo se vuelve más importante. Algunos algoritmos escalan, mientras que otros llevan a callejones sin salida, y muchas dimensiones de la escalación siguen sin explorar. El éxito temporal de la escalación de transformadores y una mala interpretación de la lección amarga habrían confundido a toda una generación de científicos.
Jayden Teoh, otro investigador, añadió que la lección amarga ha frenado repetidamente la investigación académica. A menudo, las ideas prometedoras se descartan por no alinearse suficientemente con esa lección. Teoh señaló que esto no es culpa de Sutton, sino una mala interpretación de su mensaje original. Las ideas que no parecen escalables a posteriori a menudo fueron reemplazadas por enfoques más limpios y generales, lo que no las hace incorrectas. Frecuentemente, esas ideas fueron exactamente lo que permitió el progreso en ese momento. Teoh desea que la comunidad de investigación no descarte estas obras en el momento de su creación, ya que una idea no necesita escalar para siempre para ser una contribución importante.
Esta tensión entre la exigencia de Sutton de nuevos métodos de aprendizaje y la crítica de Tworek a la escalación ciega de transformadores se refleja en una creciente ola de fundaciones. En el radar de inteligencia artificial número 5, se identificaron 45 nuevos laboratorios que apuestan por estas lagunas. Tworek dirige uno de ellos, Core Automation, y busca algoritmos de aprendizaje más allá del preentrenamiento y el aprendizaje por refuerzo. Sutton también está involucrado con Oak Lab. Estos fundadores creen en una inteligencia artificial mucho más capaz, pero dudan de que la receta actual llegue sola a ese destino.
Por el contrario, Sam Altman, director ejecutivo de OpenAI, sostiene que la escalación de los modelos de lenguaje grandes aún no está agotada. Acusó a los críticos de haber frenado a una generación de investigadores por estar demasiado seguros de lo que la escalación no podía lograr. Como prueba, señaló un modelo de OpenAI que recientemente refutó una conjetura matemática en la que los matemáticos habían fracasado durante mucho tiempo. Altman considera los modelos del mundo útiles, especialmente en robótica, pero afirma que los datos apoyan claramente más escalación de modelos de lenguaje. Dario Amodei, director ejecutivo de Anthropic, describe el progreso de la escalación como un arcoíris sin fin. Sin embargo, ambos directivos están obviamente sesgados, ya que sus empresas se basan en este enfoque técnico.