Hassabis en Davos: los "dos saltos" que faltan para acercar la AGI y el impacto que viene

Demis Hassabis, director ejecutivo de Google DeepMind, sostuvo en Davos que la inteligencia artificial general (AGI) está cada vez más cerca, aunque advirtió que todavía faltan avances técnicos críticos para alcanzar ese umbral. En un encuentro con periodistas realizado en el marco del Foro Económico Mundial, el referente de la IA planteó que el sector necesita "uno o dos grandes avances más" para llegar a un sistema con capacidades amplias y comparables a las humanas.

"Quizá necesitamos uno o dos grandes avances más para lograr una inteligencia artificial general", afirmó Hassabis, al describir los desafíos inmediatos que enfrenta la industria. En ese sentido, enumeró las áreas donde, a su criterio, se concentran los principales límites actuales: memoria, aprendizaje continuo y razonamiento a largo plazo.

Hassabis también se refirió al debate sobre el techo de los modelos de lenguaje de gran escala (LLM) y relativizó el escepticismo que ganó terreno en los últimos meses. Según expuso, desde DeepMind observaron "mejoras constantes" y remarcó: "Nunca cuestionamos el progreso". Para el ejecutivo, todavía es posible "extraer mucho más de las arquitecturas existentes" con ajustes y enfoques que combinan "preentrenamiento, posentrenamiento y metodologías innovadoras".

Sin embargo, marcó que la AGI no se resolverá sólo escalando lo conocido. "Tal vez hacen falta uno o dos avances importantes, principalmente en memoria, aprendizaje continuo y razonamiento a largo plazo", reconoció, y explicó que el salto está ligado a que los sistemas puedan sostener planes prolongados y operar con una lógica más parecida a la humana.

En esa línea, subrayó la importancia de que los modelos incorporen una capacidad más fina para "almacenar sólo lo relevante y ejecutar planes prolongados", evitando la acumulación indiscriminada de información y mejorando la consistencia de decisiones en cadenas largas de tareas.

Por último, Hassabis describió una limitación clave del estado actual: "los modelos no pueden personalizarse ni modificar su estructura después del entrenamiento". Y lo planteó como una cuenta pendiente para llevar la IA a un terreno más cotidiano y adaptable: "Nos gustaría que los sistemas de IA puedan aprender en el mundo real, personalizarse y cambiar con el tiempo, y eso todavía no se ha resuelto".

El diagnóstico del CEO de DeepMind dejó en claro que, mientras las aplicaciones se aceleran y prometen impacto en el trabajo, la ciencia y la vida diaria, la carrera por la AGI sigue atada a resolver problemas técnicos que todavía no tienen una respuesta definitiva.