La desescalada en el aprendizaje de la IA ya se contempla por expertos

Durante años, el desarrollo de la inteligencia artificial ha girado en torno a una fe casi religiosa: cuantos más datos y más potencia de cálculo, mejores modelos. Los laboratorios más poderosos del planeta han invertido miles de millones en centros de datos colosales, tan grandes como Manhattan y tan voraces en energía como una ciudad entera. La creencia era sencilla: si seguimos escalando, alcanzaremos la superinteligencia. Sin embargo, esta visión empieza a resquebrajarse. Crece el consenso entre investigadores de que el “scaling” de los grandes modelos lingüísticos (LLM) está rozando su límite, y que el futuro de la IA puede depender menos del tamaño y más de su capacidad para aprender como lo hacemos los humanos: de la experiencia.

Adaption Labs: el cambio de rumbo hacia la adaptabilidad

Esa es la apuesta de Sara Hooker, antigua vicepresidenta de investigación en Cohere y exmiembro de Google Brain, que ha decidido nadar a contracorriente con su nueva empresa, Adaption Labs. Junto a su cofundador Sudip Roy, también veterano de Google y Cohere, Hooker defiende que continuar inflando los LLM es una estrategia ineficiente y, en muchos casos, estéril. En lugar de seguir alimentando modelos mastodónticos, su compañía busca desarrollar sistemas de inteligencia artificial capaces de aprender de su entorno y modificar su comportamiento en tiempo real, del mismo modo que una persona evita tropezar por segunda vez con la misma mesa del comedor.

Hooker lo explica de forma sencilla: “Escalar ya no basta. Hemos alcanzado un punto en el que añadir más parámetros no genera una inteligencia que sepa interactuar con el mundo”. Su propuesta retoma una idea básica pero revolucionaria: la adaptación como núcleo del aprendizaje. Hasta ahora, las técnicas de reinforcement learning (aprendizaje por refuerzo) intentaban emular ese proceso en entornos controlados, pero las IA comerciales, una vez desplegadas, no aprenden de sus errores en producción. Cometen el mismo fallo una y otra vez, sin posibilidad de mejorar sobre la marcha.

Esta limitación no es solo técnica, sino también económica. Algunos gigantes del sector, como OpenAI, ofrecen servicios de ajuste fino (fine-tuning) para personalizar sus modelos, pero a precios prohibitivos (se habla de más de 10 millones de dólares por proyecto). Hooker considera que ese modelo de dependencia centralizada está agotado y que la próxima revolución pasará por sistemas capaces de aprender y adaptarse por sí mismos, de manera eficiente y asequible.

En palabras de la investigadora: “Un puñado de laboratorios determina qué modelos usamos todos, y son carísimos de adaptar. Pero eso ya no tiene por qué ser así”. Si Adaption Labs logra demostrar su enfoque, podría transformar quién controla y moldea la inteligencia artificial, descentralizando su desarrollo y democratizando su acceso.

El giro que propone Hooker llega en un momento de creciente escepticismo dentro de la propia industria. Investigadores del MIT han advertido recientemente de los rendimientos decrecientes en los modelos más grandes del mundo. Incluso figuras históricas como Richard Sutton, padre del reinforcement learning, o Andrej Karpathy, uno de los primeros ingenieros de OpenAI, han expresado dudas sobre la escalabilidad infinita de estos sistemas. La idea de que más tamaño equivale a más inteligencia está siendo puesta a prueba por la realidad.

Aun así, los grandes laboratorios no parecen dispuestos a soltar el volante. OpenAI, Meta o Periodic Labs siguen invirtiendo fortunas (algunas investigaciones superan los 4 millones de dólares por experimento) en refinar modelos de razonamiento y aprendizaje reforzado, buscando exprimir cada punto porcentual de mejora. Frente a esa carrera de recursos descomunales, Adaption Labs propone una alternativa radicalmente más simple y sostenible: enseñar a las máquinas a aprender del mundo, no solo de los datos estáticos que se les suministran.

La compañía, que según fuentes del sector ha cerrado una ronda inicial de entre 20 y 40 millones de dólares, mantiene aún en secreto los detalles de su tecnología. Lo que sí ha dejado claro Hooker es que su ambición es global. Planea abrir una sede en San Francisco, pero contratará talento de todo el mundo, especialmente de regiones tradicionalmente marginadas del circuito de investigación, como África, donde ya ha promovido la inclusión científica en etapas anteriores de su carrera.

El desafío es inmenso, pero la recompensa lo sería aún más. Si el enfoque de Hooker funciona, podría redefinir las bases mismas del aprendizaje automático, desplazando la obsesión por el tamaño hacia una inteligencia más orgánica, flexible y eficiente. En un panorama saturado por el gigantismo tecnológico, su apuesta introduce una pregunta incómoda pero necesaria: ¿y si la verdadera inteligencia no se logra escalando, sino adaptando?

En última instancia, la visión de Hooker y Adaption Labs no solo plantea una innovación técnica, sino una transformación ética y económica. Supone imaginar un futuro en el que las máquinas no solo procesen información, sino que realmente aprendan de la vida, del error y de la experiencia. Y si eso se logra, no hará falta una IA del tamaño de Manhattan para cambiar el mundo.