Jack Clark predice que la inteligencia artificial podría mejorarse a sí misma ya en 2027

2–3 minutos

Qué significa la auto-mejora recursiva

La auto-mejora recursiva ocurre cuando los sistemas de IA participan en la creación de sus propias versiones siguientes, acelerando el desarrollo con cada vez menos intervención humana.

La prueba TasteVal y sus resultados

Recientemente, un nuevo punto de referencia llamado TasteVal midió la capacidad de los modelos de IA para planificar experimentos e interpretar resultados en ocho desafíos relacionados con el desarrollo de sistemas de IA. Cada modelo recibió un problema predefinido, propuso experimentos y un agente de programación uniforme ejecutó las sugerencias, devolviendo los resultados para su análisis.

En la prueba, el modelo Opus 5.5 igualó el resultado de referencia humano utilizando 2,3 veces menos computación. Esta eficiencia llevó a los autores a calcular que el rendimiento de los modelos de vanguardia se había duplicado cada tres meses desde diciembre de 2025, en contraste con el ciclo de duplicación anterior de 14 meses.

Los investigadores compararon 20 modelos con los mejores intentos de 24 expertos que trabajan en empresas y centros de investigación como OpenAI, Google DeepMind, Nvidia y Microsoft Research. Además, el costo promedio por intento para el Opus 5.5 fue aproximadamente una trigésima parte del valor gastado en los expertos humanos.

Por qué la predicción se cambió a 2027

Clark atribuye la revisión de su estimación a los recientes avances en matemáticas y a la demostración de que los modelos pueden planificar y evaluar experimentos con mayor eficiencia. Basándose en estas señales, ahora considera que 2027 es el año más probable para que un sistema sea capaz de entrenar a su propio sucesor, adelantando en un año la proyección que había hecho en mayo.

Qué desafíos persisten

TasteVal evaluó solo una parte del proceso de investigación. Los modelos no tuvieron que elegir qué problema científico investigar, entrenar una nueva IA o decidir cómo modificar su propia arquitectura, pasos cruciales para un ciclo completo de auto-mejora.

Los autores destacan otras limitaciones: las tareas fueron diseñadas para generar resultados rápidos y fáciles de verificar, y el grupo de expertos utilizado como comparación puede no incluir a los investigadores más experimentados. Además, aunque la eficiencia computacional ha crecido cada tres meses, la mejora en el rendimiento final sigue un ritmo de duplicación estimado en 14,6 meses.

En resumen, aunque los avances en eficiencia son impresionantes, no equivalen a una capacidad plena de investigación autónoma. El camino para que la IA se mejore a sí misma aún requiere avances que conecten la planificación experimental con la creación y modificación independiente de nuevos modelos.

Perspectivas futuras

Los recientes progresos indican que la IA se está acercando a la capacidad de conducir partes cada vez mayores de su propio desarrollo. Sin embargo, alcanzar la auto-mejora recursiva completa aún depende de soluciones a desafíos técnicos, metodológicos y de gobernanza que van más allá de la eficiencia computacional demostrada en TasteVal.