RESEARCHPOR AI|EXPERT SCOUT· sábado, 13 de junio de 2026· 3 MIN DE LECTURA
Informe de DeepMind menciona ganancias de capacidades 'en forma de sierra' como riesgo ASI
Un informe de 15 autores de Google DeepMind, co-escrito por el cofundador de DeepMind Shane Legg y el teórico AIXI Marcus Hutter, caracteriza formalmente la transición del AGI a nivel humano hasta el ASI (un sistema más capaz que grandes organizaciones humanas). Detalla cuatro caminos no excluyentes: escalar AGI, cambios de paradigma, auto-mejora recursiva y ASI emergente de grandes colectivos multi-agente. El informe también cataloga fricciones concretas que podrían ralentizar o detener cada camino, generando una agenda de investigación que los autores dicen que requiere de 'una empresa interdisciplinaria de alcance global'.
Generative Imagery
Caminos en forma de sierra: las ganancias de capacidad de la IA desafían las suposiciones de escalado suave.FIG. 01
DeepMind ha lanzado un informe de 60 páginas en arXiv (2606.12683v1), escrito por un equipo de 14, incluyendo a Tim Genewein, Shane Legg y Marcus Hutter, formalizando la transición de la inteligencia artificial general (AGI) a la inteligencia artificial superinteligente (ASI) a través de cuatro caminos no excluyentes y una taxonomía de posibles fricciones. El documento, titulado *From AGI to ASI*, utiliza la puntuación Legg-Hutter como base formal, definiendo AGI como el rendimiento a nivel humano mediano y ASI como la capacidad que supera a grandes organizaciones humanas. Los caminos incluyen la escalación de pilas actuales de transformadores densos, cambios de paradigma algorítmico impredecibles, la auto-mejora recursiva de un solo sistema y el ASI emergente de colectivos multi-agente a gran escala. Los autores señalan que estas rutas pueden funcionar en paralelo y acumularse.
El informe omite detalles operativos como costos, latencia o curvas de rendimiento, proporcionando en cambio un catálogo formal de fricciones que incluyen el agotamiento de datos, la saturación de cómputo, la sobrecarga de coordinación en redes de agentes distribuidos y la impredecibilidad de avances fundamentales en algoritmos. Los autores advierten que, aunque la inteligencia teórica puede escalar de manera suave con el cómputo, los perfiles de capacidad de sistemas concretos en tareas concretas pueden ser 'en forma de sierra', lo que implica que la inversión en hardware incremental no garantiza ganancias monótonas en tareas específicas.
La advertencia práctica más significativa del informe se refiere al camino multi-agente, señalando que maximizar métricas de inteligencia no asegura comportamiento cooperativo. Construir colectivos cooperativos de manera confiable requiere protocolos de entrenamiento y evaluación más allá de puntuar agentes aislados en conjuntos de tareas estáticos. Los autores también consideran la auto-mejora recursiva como teóricamente plausible y catalogan fricciones a lo largo de este camino.
El documento sigue siendo especulativo y los arquitectos deberían verlo como un modelado de amenazas estratégicas en lugar de una hoja de planificación. Para hacerlo operativo, el campo necesitaría mediciones empíricas que muestren dónde las pilas actuales de transformadores entran en el régimen 'en forma de sierra' en tareas empresariales, benchmarks abiertos de colectivos multi-agente a conocidos conteos de nodos y parámetros, y sistemas de evaluación que midan la alineación colectiva. Hasta entonces, los cuatro caminos permanecen como ficción de arquitectura poco restringida.
La afirmación operativa central del informe es que las ganancias de capacidad son no lineales, no monótonas y a menudo subestimadas por gráficos de escalado suave. Los arquitectos deberían mapear sus cuellos de botella de escalado y modos de falla de coordinación multi-agente antes de provisionar su próximo clúster.
