Un modelo de inteligencia artificial acaba de superar a un grupo de 24 especialistas humanos en una tarea que hasta ahora se consideraba un refugio de la intuición científica: elegir bien los experimentos y leer correctamente sus resultados. Ese avance, medido por una nueva prueba, ha llevado al cofundador de Anthropic, Jack Clark, a adelantar a 2027 su previsión sobre la IA que se mejora sola.
TasteVal: la prueba que mide el «gusto» investigador
La prueba se llama TasteVal y la ha desarrollado el laboratorio P-Zero Research. Mide lo que sus autores denominan «research taste», o gusto investigador: la capacidad de diseñar experimentos y de interpretar sus resultados sin ayuda humana.
P-Zero Research define ese gusto como tres habilidades: identificar qué preguntas merecen ser investigadas, diseñar experimentos para responderlas e interpretar bien lo que arrojan. TasteVal solo evalúa las dos últimas. La elección de la línea de investigación ya viene dada en cada tarea.
Antes de seguir: llévate las herramientas y prompts listos para usar, GRATIS. Probados uno a uno y ordenadas por la tarea que quieres resolver: vídeo, imagen, voz, escribir, automatizar tu negocio, clientes, web. Es gratis y la lista crece cada semana.
Entras también en el boletín semanal de La Prensa IA. Te das de baja cuando quieras, con una palabra.
Son ocho tareas del desarrollo de modelos de IA, cada una con un objetivo fijo y una puntuación medible. Abarcan la selección de datos de entrenamiento, el preentrenamiento y el ajuste fino de modelos de lenguaje, el entrenamiento con preferencias humanas y la defensa frente a instrucciones maliciosas.
Cómo se mide el gusto: eficiencia de cómputo
Para convertir una intuición en un número, P-Zero Research la traduce a eficiencia de cómputo. El razonamiento es que los experimentos consumen un recurso escaso, así que quien elige bien necesita menos ejecuciones para llegar al mismo resultado.
El laboratorio se apoya en su «AI Futures Model», que sostiene que el cómputo de experimentación se convierte en el mayor cuello de botella una vez automatizada la programación. TasteVal mide cuánto cómputo necesita un modelo para igualar las puntuaciones de los expertos. Si lo logra con la mitad, tiene el doble de gusto investigador. Esa ratio se llama multiplicador de cómputo.
Para que la habilidad de programar no distorsione el resultado, un agente de código fijo ejecuta todos los experimentos en una única GPU Nvidia H100. Cada ejecución termina a las 40 horas de GPU o a las 120 horas de reloj, lo que ocurra antes.
El 2,3 de Opus 5.5 frente a los 24 expertos
El mejor modelo evaluado, Opus 5.5 de Anthropic, alcanzó un multiplicador de 2,3. Es decir, igualó las puntuaciones de nivel experto con menos de la mitad del cómputo.
El intervalo estadístico, sin embargo, va de 1,15 a 4,37. En el extremo bajo, el modelo apenas se distanciaría de los humanos. Cada ejecución costó, de media, aproximadamente una trigésima parte de lo que costó un intento de un experto.
El grupo humano de referencia lo formaron 24 especialistas que habían trabajado recientemente en OpenAI, Google DeepMind, Nvidia y Microsoft Research. Cada tarea la abordaron al menos dos personas, y el mejor intento humano por tarea sirvió de vara de medir.
Una curva que se duplica cada tres meses
Entre generaciones de modelos, el multiplicador de cómputo se ha duplicado más o menos cada tres meses desde diciembre de 2025. La incertidumbre es amplia: el tiempo de duplicación va de 1,7 a 5,0 meses.
En años anteriores el avance fue mucho más lento. La curva solo se empinó en el cambio de 2025 a 2026. Los propios autores admiten que sus resultados podrían sobrestimar la velocidad real de mejora.
Hay dos razones para la cautela. Las tareas se verifican de forma rápida y barata, justo el tipo de problema que los laboratorios optimizan con más facilidad. Y el grupo humano no incluía a investigadores de primerísimo nivel.
Jack Clark adelanta su calendario de la automejora recursiva
Clark, cofundador de Anthropic y autor del boletín Import AI, cree ahora que la automejora recursiva (RSI, por sus siglas en inglés), en la que los sistemas de IA desarrollan a sus propios sucesores, podría ser posible ya en 2027. Antes esperaba 2028.
En un largo ensayo publicado en mayo, Clark había sido más prudente: estimaba en torno a un 60 % la probabilidad de que un sistema entrene de forma independiente a un sucesor más potente antes de que acabe 2028, y un 30 % antes de que acabe 2027. Señalaba entonces que los modelos no habían mostrado creatividad a una escala decisiva. Ahora cita avances en descubrimientos matemáticos y pruebas como TasteVal como señales de que eso cambia.
Conviene tener presente un detalle: el modelo que lidera la prueba es de la compañía que Clark cofundó, lo que añade un sesgo potencial a la predicción.
Lo que TasteVal no demuestra
La prueba no acredita que las IA ya se mejoren a sí mismas. Solo captura una parte estrecha del trabajo científico y deja fuera la elección de la agenda investigadora a largo plazo.
El investigador Herbie Bradley había replicado al ensayo de mayo de Clark que los modelos podrían asumir el trabajo de investigadores júnior, pero que capacidades más exigentes, como el gusto investigador, la creatividad y la planificación coherente a largo plazo, estaban lejos. TasteVal matiza esa valoración en lo relativo a planificar y evaluar experimentos, aunque no dice nada sobre elegir una agenda.
Un estudio dirigido por un equipo de la Universidad de Fudan muestra la distancia práctica. Analizó el desarrollo de su propio modelo y halló que los agentes de IA aportaron hasta el 55 % de las propuestas de metodología, pero los humanos tomaron más del 85 % de las decisiones finales. Los autores señalan que sigue sin estar claro cómo puede la IA generar direcciones de investigación diversas y valorarlas antes de tener resultados.
El debate en Anthropic y OpenAI
La prueba llega en medio de una discusión que han abierto los propios laboratorios. En junio, Anthropic escribió que la automejora recursiva aún no se ha logrado, pero que «podría llegar antes de lo que la mayoría de las instituciones están preparadas».
El consejero delegado de Anthropic, Dario Amodei, pide ahora una desaceleración controlada del desarrollo de la IA. OpenAI reconoce que la RSI plenamente autónoma todavía no existe y sostiene que solo debería perseguirse si se garantiza la supervisión humana.
Qué implica para ti
Si trabajas en un equipo que entrena o ajusta modelos, el dato práctico es el coste: según P-Zero Research, una ejecución del mejor modelo costó una trigésima parte de un intento experto en tareas acotadas y fáciles de verificar. Eso puede cambiar cómo repartes presupuesto de cómputo y a quién delegas el diseño de experimentos.
Si dependes de resultados de investigación en IA, ten en cuenta el reverso que señala la propia fuente: si la tendencia se confirma en otras pruebas, una parte creciente del trabajo sería más difícil de verificar para los humanos, porque los modelos planificarían y evaluarían sus propios experimentos. Conviene exigir trazabilidad de qué decisiones tomó una persona y cuáles un agente.
Y para valorar cualquier titular sobre «IA que se mejora sola», comprueba tres cosas: qué parte del gusto investigador mide la prueba, quién fija el objetivo y quién compone el grupo humano de comparación. En TasteVal, el objetivo lo fija el diseño de la prueba y la comparación excluye a investigadores de primer nivel.
Imagen ilustrativa generada con inteligencia artificial.
Más sobre esto en LaPrensaIA
Fuente original: the-decoder.com
Esta pieza la ha redactado Iberia, el sistema de inteligencia artificial de LaPrensaIA, a partir de las fuentes citadas. Fermín Sánchez ha decidido publicarla y responde de ella. Cómo trabajamos.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
