Ingeniería
De AGI a ASI: el problema no es la potencia, es la arquitectura
· 5 min read · Fabián Almenara
El post defiende que el camino hacia la AGI y la ASI no es una cuestión de más potencia de cómputo, sino de arquitectura. Partiendo del paper From AGI to ASI de Google DeepMind, conecta sus cuatro rutas posibles hacia la superinteligencia con la tesis de Karl Friston sobre el Free Energy Principle y el paralelismo de Kahneman con el Sistema 1 y 2. La salida de LeCun de Meta se usa como señal de que el paradigma actual tiene un techo real. La conclusión es que mientras la IA no replique la eficiencia cognitiva del cerebro humano, seguiremos construyendo calculadoras muy caras.
Hace un tiempo escribí sobre una masterclass de Javier Ideami donde se hablaba del camino hacia la inteligencia artificial general. Desde entonces no he dejado de darle vueltas al tema. Y esta semana, gracias a una publicación de José María Lucas, llegué a un paper de Google DeepMind que me ha dado más argumentos para seguir defendiendo lo que llevo tiempo pensando.
El paper se llama From AGI to ASI. Lo firman Tim Genewein, Shane Legg, Marcus Hutter y otros investigadores de DeepMind. Y lo primero que hacen, antes de hablar de superinteligencia, es reconocer algo que muchos en la industria prefieren no decir en voz alta: escalar no es suficiente.
Los cuatro caminos hacia ASI
DeepMind identifica cuatro rutas posibles desde una AGI de nivel humano hasta una superinteligencia artificial:
El primero es el escalado bruto. Más compute, más datos, modelos más grandes. Es el camino que llevamos recorriendo una década y que ha producido resultados espectaculares. Pero tiene fecha de caducidad. El propio paper habla del data wall, el agotamiento de datos de calidad que podría llegar antes de que acabe esta década.
El segundo es el cambio de paradigma algorítmico. Nuevas arquitecturas que rompan con el stack actual de transformers. Es el camino más incierto y el menos predecible. Y probablemente el más importante.
El tercero es la auto-mejora recursiva. IA que acelera la investigación en IA. Versiones débiles de este loop ya existen, pero la versión completa tiene sus propios límites.
El cuarto es la inteligencia colectiva multi-agente. Millones de agentes especializados coordinándose. Posiblemente la ruta más infravalorada del momento.
Lo que me parece más valioso del paper no son los caminos en sí, sino que reconoce abiertamente que ninguno de ellos está garantizado y que todos tienen fricciones reales, algunas de las cuales ninguna cantidad de inteligencia puede eliminar.
La tesis que comparto desde hace tiempo
Yo llevo tiempo siendo seguidor de Karl Friston y su teoría de la inferencia activa. Su Free Energy Principle es una de las ideas más poderosas que conozco para entender cómo funciona la inteligencia real.
En esencia, Friston propone que el cerebro es una máquina de predicción que minimiza constantemente la diferencia entre lo que espera y lo que percibe. No procesa toda la información que recibe. No aplica la máxima potencia a cada problema. Funciona con el mínimo esfuerzo necesario, ajustando continuamente su modelo del mundo.
Esto encaja perfectamente con lo que Kahneman describió en Pensar rápido, pensar despacio. Tenemos un Sistema 2 lento, costoso y deliberado, que cuando resuelve algo lo suficientemente bien, lo transfiere al Sistema 1: rápido, automático, casi sin coste energético. La inteligencia humana no es fuerza bruta. Es eficiencia.
Y eso es exactamente lo que los modelos actuales no hacen.
Una LLM en inferencia recorre las mismas capas con la misma intensidad sea cual sea el problema. No distingue entre responder cuánto es 2+2 y resolver un problema de lógica compleja. Todo consume lo mismo. No hay transferencia, no hay adaptación, no hay economía cognitiva.
El movimiento de LeCun como señal
Yann LeCun lleva años siendo el crítico más visible del paradigma actual dentro de la industria. Su apuesta por los world models y la arquitectura JEPA va exactamente en esta dirección: construir sistemas que representen el mundo de forma eficiente en lugar de comprimir estadísticas de texto.
En noviembre de 2025 dejó Meta después de más de una década para fundar Advanced Machine Intelligence Labs. No fue una decisión menor. Fue una declaración. Alguien que podría haberse quedado cómodo en uno de los laboratorios de IA más financiados del mundo decidió salir a probar una arquitectura diferente porque cree que el camino actual tiene un techo.
Eso no prueba que tenga razón. Pero es una señal que vale la pena tomar en serio.
Lo que el paper de DeepMind no dice, pero implica
DeepMind advierte algo que me parece fundamental: incluso una superinteligencia estaría limitada por la energía disponible para sus cálculos, el tiempo que requieren los experimentos físicos y barreras lógicas que ninguna cantidad de inteligencia puede superar.
Esto va directamente contra la narrativa popular de la singularidad como un evento único y dramático donde todo cambia de golpe. Lo que proponen es más sutil y más probable: una cadena de disrupciones aceleradas donde la IA va mejorando la IA, generando avances en cascada pero con fricciones reales en cada paso.
No un salto. Una rampa que se empina progresivamente.
Y mi lectura es que la inclinación de esa rampa la va a definir quien resuelva el problema de la eficiencia cognitiva, no quien acumule más compute.
Mientras sigamos construyendo sistemas que aplican la misma potencia a todos los problemas por igual, sin modelo del mundo, sin economía energética, sin transferencia de lo aprendido, seguiremos construyendo calculadoras muy caras.
El camino hacia una inteligencia general no pasa por más GPUs. Pasa por entender mejor cómo funciona la inteligencia que ya existe.
Si quieres leer el paper completo: arxiv.org/abs/2606.12683
La publicación de José María Lucas que me llevó a encontrarlo: ver post
Mi entrada anterior sobre Javier Ideami y el camino hacia la AGI: fabianalmenara.es