Ensayo en video «Recursive self-improvement has started» («La auto-mejora recursiva ha comenzado»), publicado el 13 de noviembre de 2026
Dwarkesh Patel, presentador del Dwarkesh Podcast, ha recortado drásticamente su pronóstico sobre la superinteligencia. En un ensayo en video publicado el 13 de noviembre, señaló que a principios de este año habría situado su llegada «al menos a buena parte de una década» de distancia. Tras tres meses de debate y de observar el avance de la inteligencia artificial (IA) en dominios verificables, ahora cree que el mundo está «a solo un par de años, y posiblemente a solo un par de meses» de alcanzar IAs tan competentes como los mejores humanos en la investigación de IA. Espera contar con IAs al menos tan capaces como los mejores expertos humanos en cada disciplina para 2030, y de manera plausible tan pronto como el próximo año. Calificó esto como «una afirmación descabellada» que él mismo no creía hace unos meses.
Evidencia de que la IA ya está acelerando el progreso de la IA
Patel fundamenta su argumento en datos provenientes de los laboratorios. METR, la organización de evaluación independiente, pasó tres meses integrada dentro de Anthropic. Concluyó que el ritmo de avance de la IA de Anthropic en tareas bien acotadas duplica al de hace un año, y que «la mayor parte de esta aceleración actual probablemente se deba al uso extensivo que hace Anthropic de la IA para realizar I+D».
OpenAI publicó una entrada de blog en septiembre en la que mostraba que el 10% de los usuarios de IA más intensivos entre sus investigadores pasó de utilizar agentes de codificación interna por valor de unos $1.000 al día a principios del verano a más de $7.000 al día a finales de agosto. Por su parte, un artículo publicado por Anthropic en septiembre informaba que Claude encabeza ahora el 26% del trabajo de I+D de IA de la compañía, frente a menos del 1% registrado en febrero.
Las matemáticas como plantilla para la investigación de IA
El principal motor detrás de la actualización de Patel ha sido la velocidad de mejora de la IA en matemáticas. Señaló que en 2023 los modelos no podían sumar de forma fiable números de cuatro dígitos, en 2024 apenas resolvían problemas de concursos de secundaria y en 2025 ganaron medallas de oro en la Olimpiada Internacional de Matemáticas. A principios de este año empezaron a resolver problemas abiertos de nicho, y hace un mes OpenAI resolvió un problema del Premio del Milenio en 88 horas. Patel afirmó que cientos de resultados que los mejores matemáticos tardaron décadas en alcanzar se producen ahora «como misiones secundarias para promocionar futuros lanzamientos de modelos».
Reconocía la contraargumentación de Toby Ord, quien escribió que existen «muy pocas pruebas de que puedan plantear preguntas poderosas o hallar nuevos campos profundos de investigación matemática». La réplica de Patel es que esa misma premisa también implica que las IAs resolvieron un problema del Premio del Milenio sin poseer tales habilidades. Su argumento es que la inclinación hacia el trabajo verificable importa más para el aprendizaje automático que para las matemáticas. Las matemáticas priorizan en última instancia la nueva teoría, mientras que los laboratorios de IA se interesan por lo que hace que el entrenamiento sea empíricamente más eficiente o los modelos más inteligentes; y la última década y media de avances en el aprendizaje profundo no ha requerido de mucha teoría nueva.
Ilustró este punto con el transformer. Citando conversaciones con Sholto Douglas y una frase de Chris Olah, indicó que ninguna de sus piezas fundamentales sorprendió a los investigadores activos. La arquitectura solo demostró su clara superioridad una vez que se combinaron correctamente media docena de ajustes, lo que exigió olfato investigador además de un gran volumen de experimentos a pequeña escala. Esa es, a su juicio, la persistente búsqueda combinatoria en la que las IAs han sobresalido en las matemáticas, y «el tipo de cosa que Claude 7 podría haber inventado» si se le hubiera pedido optimizar el funcionamiento de la atención.
Cronología: mediana en 2028, con una cola gruesa a ambos lados
La mediana proyectada por Patel para que los investigadores automatizados igualen a los mejores investigadores humanos de IA es 2028, bajo el supuesto de que los laboratorios avancen a toda máquina y no sufran frenos propios o gubernamentales. Estimó al menos una probabilidad del 25% de que esto no ocurra sino hasta después de 2032, debido a que partes importantes de la investigación en IA podrían resultar difíciles de automatizar. En el extremo opuesto, apuntó que algunos de los investigadores mejor calibrados que conoce esperan este hito tan pronto como el próximo año.
Señaló que 2027 es también la consecuencia directa de aplicar los hallazgos de METR a un modelo de aceleración. Citó a Ajeya Cotra: «Si aceptamos al pie de la letra que la IA está duplicando casi el ritmo de progreso en las capacidades de la IA y asumimos que la aceleración derivada de la IA es constante, esto implica de manera ingenua que alcanzaríamos una superinteligencia extrema en el plazo de un año». La mediana de Patel no se sitúa en 2027 únicamente debido a la incertidumbre sobre la precisión de dichos modelos.
Por qué los investigadores automatizados serían más rápidos, mejores y más numerosos
Patel expuso tres razones por las cuales el progreso se acelera una vez alcanzado el hito. Primero, las IAs ya operan a una velocidad aproximadamente 10 veces mayor que la humana y trabajarían sin descanso, de modo que cada investigador automatizado realizaría roughly (aproximadamente) 50 veces más trabajo por semana calendario que un humano. Advirtió que la potencia de cálculo para los experimentos no aumentará su velocidad, por lo que los rendimientos marginales decrecerán drásticamente, pero aun así prevé que el avance algorítmico marche a un ritmo muchas veces superior.
Segundo, la calidad. Estima que alrededor del 80% del progreso algorítmico en un laboratorio de vanguardia proviene de sus 50 mejores investigadores, lo que, según indicó, explica por qué Zuckerberg estuvo dispuesto a pagar cientos de millones de dólares por talento de primer nivel. En un laboratorio automatizado, todos los investigadores se encontrarían en ese nivel.
Tercero, la cantidad. Patel argumentó que la investigación en IA se asemeja más a formalizar un teorema que a escribir una novela. Apuntó a una animación que muestra a múltiples Claude formalizando conjuntamente el último teorema de Fermat a través de miles de subtareas modulares, cada una verificable de forma local. Los laboratorios de IA ya dividen el trabajo entre equipos para el filtrado de datos, entornos sintéticos de aprendizaje por refuerzo (RL) y núcleos de atención. Reconoció la existencia de marcados rendimientos decrecientes —señalando que «tener 100.000 colaboradores no significa que vayas a ir 100.000 veces más rápido, probablemente ni siquiera 100 veces más rápido»—, pero afirmó que resulta inverosímil que magnitudes muy superiores de mano de obra no arrojen un progreso al menos un par de veces más veloz.
chispa o singularidad puramente de software: una moneda al aire
Patel planteó la cuestión clave: determinar si el ciclo de auto-mejora supera la creciente dificultad de hallar nuevas ideas. Señaló que las empresas de IA ya se ven obligadas a cuadruplicar el cómputo de I+D y a duplicar su plantilla cada año para mantener una tasa de progreso constante. Si la mejora de la IA supera la velocidad con la que las ideas se vuelven más difíciles de encontrar, el resultado es una «singularidad puramente de software», en la cual, sin necesidad de cómputo adicional, el enjambre alcanza en cuestión de meses una superinteligencia que «roza los límites físicos de nuestros chips actuales».
Si las ideas se endurecen a mayor velocidad, el resultado es lo que denomina una «chispa» (spark): aproximadamente de tres a seis años de progreso al ritmo actual comprimidos en un único año calendario, tras lo cual la situación «se sosiega» hasta que se construya mayor infraestructura de cómputo. Asignó a cada escenario una probabilidad del 50%.
Incluso en el caso de la chispa, afirmó, la experiencia resultaría extrema. Comparó un salto de cuatro años con pasar de GPT-3.5 —capaz de escribir una limerick aceptable, pero que era «fundamentalmente un juguete inútil»— a un hipotético GPT-6 «Astra» que construye videojuegos enteros desde cero y produce contribuciones dignas de la Medalla Fields a un ritmo que insensibiliza a los observadores. A partir de 2027 o 2028, sostuvo, semejante salto daría lugar a una mente marcadamente superior a la humana incluso en dominios ligeramente verificables. Enumeró tareas como diseñar la próxima generación de aceleradores de IA mejor que Nvidia, superar los ingresos de las versiones humanas actuales de Citadel y Jane Street dado un acceso equitativo al mercado, y hallar un superconductor a temperatura ambiente si se le otorga acceso remoto a un laboratorio de materiales.
Cómo la superinteligencia adquiere destreza en el trabajo del mundo real de difícil verificación
Patel abordó la objeción obvia de que un sistema entrenado en centros de datos no puede igualar a los expertos cuya ventaja competitiva proviene de años de experiencia en el mundo real, en áreas como la creación de empresas, la resolución de litigios judiciales, el trading o la dirección de campañas. No afirma que las respuestas puedan integrarse directamente en los pesos del modelo. Su tesis es que el aprendizaje por refuerzo a gran escala (RL escalado) dotará a las IAs de las habilidades generales necesarias para adaptarse rápidamente a nuevos contextos, tales como la búsqueda de información, la planificación, la persistencia ante los obstáculos, el seguimiento de lo aprendido y la colaboración.
Anticipa que los ingenieros automatizados construirán decenas de miles de veces más entornos de RL de los que existen hoy en día, mucho más amplios y abiertos, «cada uno de los cuales será para los videojuegos actuales lo que un Bugatti es a un carruaje de caballos». Entre los ejemplos figuran introducir a una IA en una economía simulada de millones de otras IAs para cofundar una empresa, o ejecutar pruebas retrospectivas (backtests) históricas. Una de estas tareas consistiría en comprobar si una IA entrenada con un corpus de textos que finaliza en 1700 es capaz de deducir la relatividad general, y otra en determinar si puede predecir la crisis de los misiles de Cuba a partir de los periódicos hasta 1962. Los investigadores automatizados perfeccionarían además los propios algoritmos de aprendizaje, en particular el aprendizaje en línea (online learning) y la eficiencia de muestras....