Herramientas de IA aceleran el diseño de nuevos modelos, pero no han cerrado el bucle

Investigadores y empresas están empleando herramientas de inteligencia artificial para diseñar, optimizar y acelerar la creación de nuevas generaciones de modelos, pero ese impulso no ha cerrado todavía el llamado bucle de mejora recursiva (RSI). Estas herramientas — que van desde AutoML hasta grandes modelos de lenguaje — automatizan tareas técnicas clave y reducen tiempos de desarrollo, lo que puede acortar ciclos para los equipos que construyen IA.

La idea de una "máquina ultrainteligente" capaz de diseñar máquinas mejores se remonta a 1966, cuando I. J. Good la propuso; desde entonces la discusión académica distingue entre mejoras parciales, asistidas o dirigidas por humanos, y un RSI plenamente autónomo. La mayoría de los sistemas actuales no cumple la definición estricta de un bucle totalmente autónomo, según los investigadores citados. En la práctica, durante la última década se han desplegado técnicas como AutoML y algoritmos evolutivos para automatizar el diseño y el ajuste de modelos. Además, grandes modelos de lenguaje (LLM) —como GPT, Gemini, Claude y Grok-se usan para generar código que ayuda a depurar entrenamientos, gestionar despliegues, analizar resultados y proponer configuraciones de hiperparámetros.

Ejemplos concretos citados por las empresas incluyen informes de OpenAI: en febrero, GPT‑5.3‑Codex habría desempeñado un papel instrumental en la depuración del entrenamiento, la gestión de despliegues y el análisis de resultados. Anthropic, por su parte, afirma que la mayor parte de su código ahora es generado por Claude Code, lo que ilustra el alcance creciente de la generación automática de software dentro de los flujos de desarrollo.

Proyectos recientes también exploran la integración de LLM en agentes más amplios. Google DeepMind presentó el año pasado AlphaEvolve, un agente que emplea LLM para guiar la evolución de soluciones en la optimización de arquitecturas neuronales, la programación de centros de datos y el diseño de chips. Matej Balog, del equipo, describe el proceso como colaborativo y afirma que el sistema ha producido descubrimientos inesperados; las cofundadoras Azalia Mirhoseini y Anna Goldie plantean que fases escalonadas de automatización podrían reducir ciclos de diseño de chips de uno o dos años a días.

Las consecuencias son prácticas: cada avance en automatización — desde la generación de código hasta la optimización de hardware — aumenta la capacidad de iteración y exploración de arquitecturas y flujos de entrenamiento. No obstante, las decisiones críticas sobre qué problemas resolver, cómo medir el éxito y qué cambios mantener siguen recayendo en humanos, según los informes citados.

Existen también límites claros. Algunos agentes modifican su propio comportamiento — por ejemplo, las Darwin Gödel Machines anunciadas por la University of British Columbia y Sakana IA el año pasado — pero incluso esos sistemas dependen de supervisión externa para orientar objetivos y evaluar resultados. Por tanto, el debate actual no versa sobre si existe algún grado de auto‑mejora, sino sobre cuánto del bucle recursivo queda realmente cerrado y bajo qué condiciones podría ampliarse.