DeepMind dice que el gasto en IA apuesta por máquinas que se auto-mejoran

Jasjeet Sekhon, director de estrategia de Google DeepMind, ofreció una explicación inusualmente directa del extraordinario gasto de la industria de la IA: se está apostando por máquinas que pueden mejorarse a sí mismas.

En una cumbre en la UC Berkeley, Sekhon dijo que la auto-mejora recursiva (RSI) se está convirtiendo en una parte central de la tesis de inversión de la industria. The Information fue el primer medio en informar sus comentarios.

RSI describe sistemas de IA que pueden reescribirse o actualizarse a sí mismos, produciendo sucesores más capaces con poca o ninguna intervención humana. En términos prácticos, la apuesta es que los centros de datos de hoy acabarán generando los sistemas que harán que los centros de datos del mañana sean más valiosos.

«Los ingresos por IA no sostienen las inversiones de capital que estamos realizando hasta ahora.»

De la AGI a la auto-mejora recursiva

Durante años, la industria defendió sus crecientes presupuestos de infraestructura señalando a la inteligencia artificial general, o AGI, como la recompensa eventual. El marco que propone Sekhon cambia ese objetivo. La auto-mejora recursiva (RSI) se convierte en el mecanismo que podría transformar las enormes inversiones en computación en una capacidad auto-reforzante.

Recomendado

Los modelos abiertos de China presionan a la IA de EE. UU. por precio

Su analogía fue simple: las máquinas de vapor construyeron la siguiente máquina de vapor. La implicación es que los sistemas de IA podrían, con el tiempo, contribuir al diseño, entrenamiento y mejora de sus sucesores, acelerando el progreso más allá de lo que los investigadores humanos pueden gestionar por sí solos.

Ya existe una versión limitada de este proceso. Los modelos actuales pueden generar código y, de manera limitada, ayudar a mejorar sistemas de IA. Pero el salto de esas capacidades a una auto-mejora autónoma y de propósito general es considerable. La RSI no es un producto que DeepMind esté entregando; sigue siendo un objetivo de investigación con preguntas sin resolver sobre seguridad, control y viabilidad técnica.

Sekhon, según se informó, sugirió que la cronología implícita de la industria es aproximadamente 2027 a 2028. La fuente también señaló que los rivales cuestionan si DeepMind podrá desarrollar las capacidades de auto-mejora necesarias antes que OpenAI o Anthropic.

El costo de la apuesta

El gasto que respalda la tesis ya es enorme. Alphabet gastó 44,9 mil millones de dólares en proyectos de capital en un solo trimestre, aproximadamente el doble que un año antes, y elevó su previsión de gasto de capital para 2026 hasta los 205 mil millones de dólares. La compañía también prometió otro aumento «significativo» en 2027.

Amazon, Microsoft y Meta siguen estrategias de infraestructura de IA igualmente agresivas. Sekhon comparó el esfuerzo con proyectos más grandes que el Apolo o el Proyecto Manhattan, subrayando hasta dónde han llegado los compromisos financieros de la industria más allá del desarrollo de productos ordinario.

Algunos retornos son visibles. Los ingresos de Google Cloud aumentaron un 82% en el trimestre, mientras que su cartera (backlog) superó los 500 mil millones de dólares. Pero Alphabet también registró su primer flujo de caja libre trimestral negativo, con aproximadamente 5,9 mil millones de dólares por debajo de cero.

Esa brecha entre gasto e ingresos es el riesgo financiero central. La infraestructura se está construyendo ahora, mientras que la capacidad que se espera que la justifique puede no llegar hasta dentro de años —o nunca.

Una tesis de inversión sin un producto terminado

El propio Sekhon identificó el peligro de una «bolsa de aire» de la IA: un periodo en el que las empresas siguen gastando mucho pero los ingresos no alcanzan. Su admisión hace que el intercambio subyacente de la industria sea inusualmente claro. Los ingresos actuales por IA aún no respaldan la escala del gasto de capital, por lo que se pide a los inversores que financien una capacidad futura en lugar de un modelo de negocio presente.

El asunto no resuelto no es si los modelos pueden ayudar en partes de su propio desarrollo. Ya pueden hacerlo. La cuestión es si esa ayuda limitada puede convertirse en una auto-mejora autónoma y fiable en el plazo que los ejecutivos insinúan.

Eso convierte a la RSI en una explicación más concreta del gasto que la vaga promesa de la AGI, pero no en una más segura. La industria está comprometiendo sumas a escala Apolo a una capacidad que aún no existe, con sus riesgos técnicos, financieros y de seguridad todavía abiertos.