¿El avance silencioso de la AGI?

Un ex-investigador de Google afirmó silenciosamente haber alcanzado la AGI el mes pasado, y casi nadie parece haberlo notado. Jad Tarifi, CEO y cofundador de Integral AI, dice que su startup con sede en Tokio ha creado el primer “modelo capaz de AGI” del mundo, un sistema que argumenta puede escalarse hasta convertirse en inteligencia general artificial completa y, eventualmente, en superinteligencia. Sin grandes presentaciones, sin demostraciones en vivo en una conferencia importante, solo un comunicado de prensa, una página web y un tuit.

En X, el anuncio de Tarifi apenas tuvo repercusión. La publicación que declaraba "el primer modelo capaz de AGI en el mundo" tenía alrededor de 565 vistas, 5 retweets y 6 likes cuando el YouTuber de IA TheAIGRID grabó un análisis, cifras más típicas de un registro de desarrollo aleatorio que de un hito revolucionario en IA. Para un campo que se descompone ante cada actualización incremental de GPT, ese tipo de silencio se siente casi surrealista.

Integral no está proponiendo un chatbot llamativo ni otro modelo de lenguaje afinado. Tarifi afirma que su sistema cumple con una definición más exigente y de tres partes de AGI: aprendizaje de habilidades autónomo sin conjuntos de datos curados, maestría segura y confiable sin fallos catastróficos, y eficiencia energética comparable o superior a la de un humano aprendiendo la misma habilidad. Él posiciona esto como una respuesta directa a los grandes modelos de lenguaje actuales, que son voraces en datos y utilizan un enfoque de fuerza bruta.

La compañía describe su enfoque como la construcción de "simuladores universales" que construyen modelos del mundo jerárquicos a partir de entradas multimodales: visión, lenguaje, audio y sensores físicos. Estos simuladores supuestamente comprimen la experiencia en abstracciones en capas que se asemejan al neocortex humano, y luego utilizan la predicción futura para planificar acciones. En una demostración, un agente encarnado navega por una casa en 3D, responde preguntas como "¿Dejé mi computadora portátil en algún lugar de la casa?" y razona sobre muebles, paredes y objetos que nunca ha visto antes.

Entonces, ¿por qué una afirmación tan audaz tuvo un compromiso de un solo dígito y casi ninguna cobertura en los medios convencionales? Las posibilidades se dividen en dos categorías incómodas. O bien Integral tuvo un verdadero avance arquitectónico y estropeó tanto el lanzamiento que el mundo de la IA se encogió de hombros, o la afirmación es tan grandiosa y tan poco - respaldada que los investigadores decidieron que no valía ni la pena desmentirla.

Esta investigación seguirá esa tensión: quién es Jad Tarifi, qué es lo que realmente construyó Integral AI y por qué un supuesto sistema capaz de AGI llegó a un silencio casi total.

Jad Tarifi no parece un vendedor de emociones. Es un ex-investigador de Google con un doctorado en IA, un currículum que abarca modelado probabilístico y aprendizaje profundo, y una larga obsesión por sistemas inspirados en el neocórtex humano en lugar de la escala de fuerza bruta. En Google, ayudó a liderar los primeros esfuerzos en inteligencia artificial generativa, trabajando en modelos que preceden a la actual ola de modelos de lenguaje de miles de millones de parámetros.

Dentro de la máquina de investigación de Google, Tarifi abogó por sistemas más estructurados y con conciencia global, mientras que la empresa se enfocó en las leyes de escalado y en enormes corpus de texto. Esa tensión ayuda a explicar por qué se alejó de uno de los laboratorios de IA más poderosos del mundo. En 2022, fundó discretamente Integral AI en Tokio, apostando a que la próxima fase de la IA no sería más tokens y GPUs, sino agentes que entienden y se mueven a través del mundo físico.

Japón puede parecer un lugar extraño para construir una empresa de inteligencia artificial en la frontera, hasta que recuerdas dónde están los robots. Tarifi habla de la "AGI incorporada" como un requisito esencial, no un florecimiento de ciencia ficción: sistemas que aprenden como animales y humanos, con sensores, cuerpos y limitaciones. La sólida trayectoria de Japón en robótica industrial, robots de consumo y manufactura le brinda acceso a socios de hardware y bancos de pruebas que Silicon Valley rara vez toca.

Públicamente, Tarifi se ha convertido en un crítico agudo de la actual ortodoxia de escalado de IA. Argumenta que apilar parámetros y datos de manera ciega conduce a cajas negras frágiles que memorizan indicadores en lugar de modelar la realidad. En entrevistas y largos hilos en Twitter, impulsa una receta diferente: eficiencia, modelado explícito del mundo y agentes que adquieren habilidades de manera autónoma en lugar de regurgitar pasivamente datos de entrenamiento.

Esa postura lo pone en desacuerdo con fundadores como Sam Altman, Dario Amodei y Demis Hassabis, quienes aún enmarcan el progreso como una función de la computación y la escala. A diferencia de muchos profetas ruidosos de la AGI, Tarifi realmente construyó grandes modelos en una de las pocas empresas que puede permitírselo, y luego se fue para seguir un paradigma rival. Así que cuando dice que su startup afirma tener el primer sistema AGI del mundo capaz y nadie está hablando de ello, la afirmación proviene no de los márgenes, sino de alguien que ayudó a diseñar lo convencional.

La conversación sobre AGI suele comenzar con sensaciones y terminar con gestos imprecisos. Integral AI está tratando de reemplazar eso con una hoja de especificaciones. En su página de lanzamiento y materiales de prensa, la startup de Tokio define AGI como un sistema que satisface tres restricciones estrictas: aprendizaje autónomo de habilidades, dominio seguro y fiable, y eficiencia energética a nivel humano (o mejor).

Esa definición deja de lado inmediatamente a los modelos de lenguaje grandes de hoy. Los sistemas del estilo GPT pueden interpolar dentro de textos de internet predigestionados, pero no establecen sus propias metas, no recopilan sus propios datos ni aprenden nuevos dominios desde cero. La afirmación de Integral es que, a menos que un sistema pueda hacer las tres cosas, no solo “no es AGI todavía” —está arquitectónicamente orientado en la dirección equivocada.

El criterio uno, aprendizaje autónomo de habilidades, se enfoca en las pipelines de entrenamiento que consumen grandes cantidades de datos y que dominan la IA en la actualidad. Integral afirma que un sistema capaz de AGI debe “enseñarse a sí mismo de manera independiente nuevas habilidades en dominios novedosos sin depender de conjuntos de datos preexistentes ni de la intervención humana.” Eso significa que no hay corpus de referencia curados, no hay modelado de recompensas de aprendizaje por refuerzo y no hay etiquetado por parte de humanos para iniciar cada nueva tarea.

En la práctica, esto se asemeja más a un robot curioso que a una interfaz de chat. El modelo recibe un objetivo en un nuevo entorno, explora, construye un modelo del mundo y refina su comportamiento con el tiempo. Si esto se sostiene bajo escrutinio, sería una refutación directa a la idea de que escalar conjuntos de datos y parámetros estáticos es suficiente para alcanzar la inteligencia general.

El criterio dos, maestría segura y confiable, desafía la filosofía de “moverse rápido y romper cosas” en el aprendizaje por refuerzo. Integral insiste en que el sistema debe aprender “sin efectos secundarios ni fallos catastróficos”. Su propio ejemplo es contundente: un robot de cocina que incendia la casa mientras aprende a cocinar ya ha fallado la prueba de AGI.

Eso lleva la seguridad al propio ciclo de aprendizaje, no solo como un filtro posterior. Un sistema clasificatorio necesitaría mecanismos incorporados para anticipar estados peligrosos, cuantificar la incertidumbre y evitar caminos de exploración arriesgados mientras sigue mejorando. En robótica e inteligencia artificial incorporada, ese es un problema mucho más difícil que lograr que una política converja.

El criterio tres, eficiencia energética, puede ser la crítica más silenciosa pero aguda de la IA actual. Integral especifica que “el costo total de aprendizaje debe ser comparable o menor al de un humano que domina la misma habilidad.” Entrenar un LLM de vanguardia puede consumir megavatios-hora; un humano aprende a conducir con unas pocas cientos de horas de práctica y alrededor de 20 vatios de energía cerebral.

Al vincular la AGI a los presupuestos energéticos, Integral está afirmando que la escalabilidad a fuerza bruta queda, por definición, descalificada. Cualquier camino hacia la inteligencia general que requiera centros de datos del tamaño de pequeñas ciudades no cumple con su estándar. Su argumento completo, así como los entornos de demostración "capaces de AGI", se encuentran en el sitio de la empresa: Integral AI – Sitio Oficial.

Los actuales modelos de lenguaje de gran tamaño viven y mueren por la predicción del siguiente token. Si se les alimenta con trillones de palabras, se convierten en motores de autocompletado extraordinarios, pero siguen funcionando como sistemas de predicción únicamente: sin un modelo persistente del mundo, sin conceptos explícitos, sin un sentido fundamentado de causa y efecto. La propuesta de Integral AI comienza rompiendo con esa prisión.

En lugar de simplemente aprender correlaciones estadísticas, Integral afirma que su modelo construye un modelo mundial explícito y jerárquico. Inspirado en la estructura en capas del neocortex humano, comprime flujos sensoriales crudos—visión, lenguaje, audio, datos de sensores simulados—en abstracciones reutilizables: objetos, relaciones, dinámicas. Esas abstracciones se apilan, formando una torre que va desde píxeles hasta física y planes.

Integral describe esto como un "simulador universal" que crece al estructurar la experiencia de forma recursiva. En la base, el modelo ingiere entradas multimodales de entornos 2D y 3D. Las capas superiores representan habitaciones, objetivos y estrategias, lo que permite al agente responder preguntas como "¿Dejé mi computadora portátil en alguna parte de la casa?" razonando sobre un mapa interno, no memorizando un guion.

La capacitación también invierte el habitual bucle de aprendizaje pasivo. En lugar de absorber conjuntos de datos estáticos, el agente utiliza aprendizaje interactivo: explora, formula preguntas, establece subobjetivos y realiza experimentos internos para agudizar su modelo. Integral muestra al agente muestreando “futuros posibles”, evaluando cada trayectoria imaginada según qué tan bien responde a una consulta o completa una tarea.

Ese bucle se asemeja más a un científico humano que a un punto de control de LLM congelado. El sistema propone hipótesis sobre el entorno, las prueba en simulación, actualiza sus abstracciones y luego repite. La supervisión proviene de los errores de predicción y del éxito en la tarea, no de etiquetas humanas o benchmarks curados.

Tal estructura ataca directamente una de las fallas más feas del aprendizaje profundo: el olvido catastrófico. Las redes tradicionales sobrescriben el conocimiento antiguo cuando se ajustan a nuevas tareas. Un modelo de mundo jerárquico, argumenta Integral, puede localizar actualizaciones—ajustando solo la capa de abstracción relevante—para que aprender “dónde está la taza” no borre “cómo funcionan las puertas.”

Debido a que el agente puede revisar y recomprimir sus experiencias, Integral afirma que apoya el verdadero aprendizaje continuo. Las habilidades se acumulan en lugar de ser intercambiadas mediante ajustes finos. Si la arquitectura escala, no entrenas un nuevo modelo para cada dominio; desarrollas un solo cerebro que mantiene su pasado mientras absorbe lo siguiente.

AGI, al estilo Integral, comienza en una casa 3D escasa. Un agente incorporado aparece en un entorno desconocido sin un mapa, solo con una entrada RGB egocéntrica y una lista de consultas en lenguaje natural: “¿Dejé mi taza en el dormitorio?”, “¿De qué color es la pared de la sala?” Vaga, construye un "mapa mental" latente y usa predicción futura para elegir dónde mirar a continuación, luego responde preguntas de memoria en lugar de volver a escanear la escena.

Bajo el capó, Integral afirma que el agente muestrea múltiples futuros posibles, los puntúa según cuán probable es que resuelvan su pregunta actual y luego actúa según la trayectoria de mayor valor. Eso es el clásico aprendizaje por refuerzo basado en modelos vestido con una metáfora de neocortex: planificando sobre un modelo del mundo aprendido, no solo reaccionando cuadro por cuadro. Impresionante ingeniería, pero configuraciones similares de exploración y respuesta a preguntas han aparecido en DeepMind Lab de DeepMind y en el trabajo de Habitat de Meta durante años.

La segunda demostración se reduce a una sola imagen y a un ojo virtual que parpadea. En lugar de procesar cada píxel a plena resolución, el sistema ejecuta “sacadas” rápidas y discretas a través de la escena, muestreando solo un puñado de parches para clasificar un objeto. Integral presenta esto como un análogo de energía eficiente de la visión humana, afirmando un reconocimiento preciso a partir de datos notablemente inferiores.

Esa idea se remonta a décadas de modelos de "vislumbres" y visión foveada, desde redes de atención recurrentes sobre MNIST hasta las propias arquitecturas DRAW y RAM de Google. La afirmación de novedad depende de cuán estrechamente Integral acople esto a su maquinaria de abstracción y cuán bien escale más allá de imágenes de juguete. Sin benchmarks o números directos en comparación con CNNs estándar o Transformers de Visión, la demostración de sacadas se lee más como una prueba de concepto que como una revolución.

La tercera vitrina se centra en la planificación: Sokoban, el rompecabezas de empujar cajas en almacenes que es muy apreciado por científicos cognitivos e investigadores en aprendizaje por refuerzo. Integral entrena a un agente que inicialmente resuelve niveles mediante una búsqueda lenta y explícita—lo que los psicólogos denominan razonamiento de Sistema 2—y luego destila gradualmente eso en movimientos rápidos e “intuitivos” de Sistema 1 que resuelven nuevos rompecabezas en unos pocos pasos.

Una vez más, el movimiento conceptual refleja trabajos existentes: la búsqueda al estilo de AlphaZero destilada en redes de políticas, y arquitecturas de “pensar‑luego‑actuar” como TreeQN y MuZero. Sokoban es un banco de pruebas legítimo para la generalización combinatoria, pero el campo ha visto muchos agentes que aprenden heurísticas reutilizables allí. Hasta que Integral publique curvas de aprendizaje, estadísticas de eficiencia de muestra y generalización a variantes más difíciles, estas demostraciones parecen sólidas pero aún no son singulares.

Las señales de advertencia comienzan con la ausencia, y Integral AI tiene una gigante: ningún artículo revisado por pares, ningún código de código abierto, ninguna API pública, ni siquiera un informe técnico con suficiente detalle para reproducir resultados. Para una afirmación tan contundente como "el primer modelo capaz de AGI del mundo", ese vacío importa más que cualquier demo pulida. En este momento, la única evidencia reside en una página de marketing, un comunicado de prensa y un video cuidadosamente editado.

Las condiciones de victoria autodeterminadas hacen que la situación sea más confusa. La IA integral no muestra su rendimiento en métricas estándar como Atari, Procgen o MineRL, ni se compara con referencias como DreamerV3 o Gato. En cambio, introduce una definición personalizada de AGI en tres partes y luego declara el éxito según sus propios criterios sin medidas externas.

Ese movimiento refleja un patrón familiar en la exageración de la IA: inventar una nueva métrica, sobresalir en ella y eludir las comparaciones difíciles. Sin cifras cara a cara sobre tareas establecidas, nadie puede decir si el "simulador universal" de Integral realmente supera a un agente PPO bien ajustado más un modelo de lenguaje grande, o solo iguala lo que los sistemas disponibles en el mercado ya hacen. Las afirmaciones sobre la eficiencia energética y la seguridad también permanecen puramente cualitativas, sin cifras de kWh, tiempos de entrenamiento en tiempo real o curvas de eficiencia de muestreo.

Contrastemos eso con el trabajo de agentes aumentados por la imaginación de DeepMind en 2017. DeepMind publicó un artículo completo, dio a conocer arquitecturas y detalles de entrenamiento, y evaluó en entornos estándar de RL como Sokoban y navegación en laberintos. Los investigadores pudieron revisar los estudios de ablación, reproducir curvas de aprendizaje y discutir si el “módulo de imaginación” realmente mejoraba la planificación bajo incertidumbre.

La demostración del recorrido en 3D de Integral AI se ve conceptualmente cercana a esos agentes potenciados por la imaginación: un agente explora, construye un mapa latente y responde preguntas como "¿Dejé mi portátil en algún lugar de la casa?" La versión de DeepMind pasó por un proceso de revisión por pares en ICML; la versión de Integral vive detrás de una caja negra, sin especificaciones del entorno, sin funciones de recompensa y sin comparación con planificadores alternativos.

Esa opacidad es la razón por la que la comunidad de IA en general se encoge de hombros. Sin código, registros o incluso un preimpreso técnico redactado, los investigadores no pueden investigar modos de fallo, probar si hay sobreajuste a un único simulador o ver cómo escala el sistema más allá de apartamentos de juguete. Hasta que Integral AI ofrezca algo tan concreto como lo hizo DeepMind en 2017, laboratorios serios y revisores tratarán la etiqueta de capacidad AGI como marketing, no como un hito, independientemente del currículum de Jad Tarifi o su Perfil de LinkedIn – Jad Tefri.

La libertad se sitúa en el centro de la propuesta de alineación de Jad Tarifi. No se trata de filtros de contenido al estilo de "no digas palabras malas", ni de una lista rígida de reglas al estilo de Asimov, sino de un sistema que trata la agencia humana como la cantidad a maximizar. En su enfoque, una AGI alineada no solo evita el daño; también expande activamente lo que los humanos pueden conocer, elegir y hacer.

En lugar de un frágil conjunto de parches de seguridad, Integral AI desea un único objetivo explícito: maximizar la agencia humana y colectiva. Tarifi habla de "IA basada en la libertad" como un problema de optimización donde la recompensa es mayor cuando más personas tienen opciones más significativas. Esto cambia la pregunta de “¿Está esto permitido?” a “¿Aumenta esta acción la libertad humana a largo plazo?”

Concretamente, la AGI simularía futuros posibles y los evaluaría según cómo cambian nuestro espacio de acciones. Un plan que centralice el poder, imponga vigilancia o haga a las personas más dependientes de un solo actor sería penalizado. Un plan que diversifique el conocimiento, mejore la coordinación y reduzca la dependencia sería recompensado.

Eso requiere un modelo de libertad que sea más rico que los eslóganes sobre la libertad de expresión. La versión de Tarifi rastrea tres ejes de agencia: - Saber: acceso a modelos precisos del mundo y de uno mismo - Elegir: alternativas reales, no opciones falsas o coaccionadas - Actuar: herramientas, recursos y derechos para ejecutar decisiones

Envolviendo esto está lo que él llama una “Economía de Alineamiento.” En lugar de que el valor esté ligado al compromiso o a los clics en anuncios, el valor se indexaría a incrementos medibles en la libertad humana. En principio, los productos, políticas y comportamientos de la IA se valorarían en función de su impacto en la agencia, convirtiendo el alineamiento de un debate filosófico en una señal económica.

Los escépticos preguntarán cómo se cuantifica la libertad, quién define la línea base y cómo se previene el abuso. La respuesta de Tarifi, hasta ahora, es que cualquier solución escalable para la alineación debe abordar esas preguntas directamente y plasmarlas en la función de pérdida.

Integral AI no solo quiere un chatbot más inteligente. Quiere una “Superred”: una malla planetaria de agentes de AGI encarnados conectados directamente a fábricas, laboratorios, almacenes y redes eléctricas, todos compartiendo un modelo mundial en evolución.

En la presentación de Integral, cada agente ejecuta su arquitectura de simulador universal de forma local, conectada a cámaras, sensores de fuerza, robots y PLCs. Estos agentes no solo predicen texto; manipulan cintas transportadoras, ajustan reacciones químicas y reconfiguran líneas de ensamblaje, mientras intercambian continuamente abstracciones y habilidades a lo largo de la red.

Supernet se asemeja menos a las llamadas API de OpenAI de hoy y más a un sistema de control distribuido para la realidad. Donde GPT-4o o Gemini están detrás de una caja de entrada, Integral imagina flotas de robots y controladores integrados que pueden:

• 1Aprender nuevas tareas de manera autónoma en el espacio físico.
• 2Coordinar con otros agentes a través de abstracciones compartidas.
• 3Ejecuta planes complejos de principio a fin sin micromanagement humano.

Eso lo hace fundamentalmente diferente de la IA primero en texto. OpenAI, Google y Anthropic exponen principalmente modelos como servicios que responden preguntas, escriben código o resumen documentos. La visión de Integral es primero en acción: el lenguaje se convierte en solo una interfaz hacia un sustrato que mueve directamente bienes, herramientas y, eventualmente, cadenas de suministro completas.

Si Supernet funciona como se anuncia, el impacto económico va mucho más allá de los centros de llamadas y la redacción publicitaria. Imagina a un gerente de operaciones escribiendo: "Establecer una nueva planta de baterías en Vietnam y alcanzar 10 GWh/año para 2029", y la red descomponiendo eso en estudios de sitio, simulaciones, adquisiciones, diseño de líneas y cronogramas de construcción, luego dirigiendo a los robots y contratistas que lo ejecutan.

Un sistema así colapsa el retraso entre la intención humana y la acción física. Las redes logísticas podrían reconfigurarse automáticamente en respuesta a choques de demanda, los laboratorios de descubrimiento de medicamentos podrían iterar 24/7 con químicos robóticos, y las pequeñas empresas podrían exigir una capacidad de fabricación que compita con los megacorporaciones de hoy, todo al emitir objetivos de alto nivel.

Las consecuencias sociales serían igualmente drásticas. Una Superred que obedezca de manera confiable a objetivos alineados podría impulsar la productividad y la descarbonización; una que malinterprete o sea secuestrada podría desviar recursos, interrumpir infraestructuras o convertir la capacidad industrial en un arma a la velocidad de la máquina. La "superinteligencia incorporada" de Integral no es solo otro nivel de modelo, es una propuesta para conectar la AGI directamente al sistema nervioso global.

El silencio que rodea el anuncio de Integral AI comienza con el tiempo y el agotamiento. Después de años de avances en AGI por parte de laboratorios y fundadores, el mundo de la IA ha desarrollado gruesas callosidades contra las afirmaciones de "el primero en el mundo". Un tuit con 565 vistas, cinco retuits y seis "me gusta" de un ex-fundador de Google apenas impacta en un contexto de lanzamientos de modelos diarios y titulares que dicen "GPT-5 será AGI".

La fatiga del hype se cruza con el formato. La gran revelación de Integral se centra en un agente en 3D que explora silenciosamente habitaciones sintéticas, no en un chatbot viral al que cualquiera puede pinchar. Sin chatbot, sin API pública, sin entrada en un tablero de clasificación significa sin meme obvio, sin capturas de pantalla y sin un momento listo para TikTok que lleve la afirmación al público general.

La jerarquía de señales en la IA también juega en su contra. Las startups que mueven mercados suelen llegar con: - Un artículo de conferencia destacado o un preprint de arXiv - Un documento de términos de un capital de riesgo de gran peso - Un resultado de referencia que lidera la tabla de clasificación

Integral no ofrece nada de eso aún, solo un comunicado de prensa y un demo reel pulido. Sin un artículo en NeurIPS o una ronda de financiamiento de $100 millones, la afirmación carece de las pistas institucionales que periodistas, inversores e investigadores utilizan como filtros.

La arquitectura agrega otra capa de fricción. Tarifi no está ajustando transformadores; está proponiendo simuladores "universales de abstracción y predicción" inspirados en el neocortex. Para los investigadores inmersos en capas de atención y leyes de escalado, evaluar un conjunto propietario, no basado en transformadores, sin código o matemáticas de código abierto, requiere un alto esfuerzo con un retorno poco claro.

El cálculo de riesgos para expertos y las tendencias de la prensa son conservadoras aquí. Respaldar un sistema "capaz de AGI" sin una replicación independiente conlleva un costo reputacional y casi ninguna ventaja. Los analistas que desean involucrarse de manera más profunda señalan en cambio análisis más lentos y escépticos, como el de MIT Technology Review – ¿Puede el sistema de Integral AI realmente ser AGI?, mientras que el ecosistema más amplio simplemente encoge los hombros y sigue desplazándose.

La historia podría recordar a Integral AI como el inicio silencioso de algo enorme, o como otro desvío seguro en el ciclo de hype de la IA. Sobre el papel, el caso de la empresa parece inusualmente fuerte: un fundador, Jad Tarifi, que lideró los primeros trabajos de IA generativa en Google, tiene un doctorado en IA y ha pasado años pensando en sistemas inspirados en el neocortex. No es un YouTuber al azar con una presentación; es el tipo de persona que los grandes laboratorios contratan para construir la próxima generación de modelos.

La crítica de Integral a los sistemas actuales también tiene peso. Los modelos de lenguaje grandes actuales siguen siendo motores solo de predicción: mapean entradas a salidas, memorizan puntos de referencia y consumen presupuestos energéticos asombrosos sin formar modelos del mundo explícitos. La propuesta de Integral — simuladores jerárquicos de “abstracción y predicción” que aprenden habilidades de manera autónoma, se mantienen seguros durante el aprendizaje y igualan la eficiencia energética a nivel humano — aborda directamente las tres principales críticas a la IA actual.

Entonces, la realidad se impone: casi no hay evidencia verificable. Ningún artículo revisado por pares en arXiv. Ningún código de código abierto. Sin API ni siquiera una vista previa de investigación restringida para laboratorios de terceros. La demostración 3D insignia se asemeja más a un modesto prototipo de investigación que a un vistazo de superinteligencia encarnada, y la empresa no ofrece ningún estándar cuantitativo en comparación con las tareas de navegación, planificación o eficiencia de muestreo estándar.

La comunicación no ha ayudado. Una startup afirma tener el primer sistema AGI capaz del mundo y nadie está hablando de ello porque el lanzamiento ha sido un comunicado de prensa de BusinessWire, un tuit de bajo compromiso y un sitio web elegante pero escaso. No hay informe técnico, ni estudios de ablación, ni comparación con modelos como GPT-4, Claude, o agentes de modelos de vanguardia a nivel mundial.

Por ahora, la visión de Integral AI se presenta como revolucionaria, pero la afirmación en sí misma sigue sin estar fundamentada. La carga de la prueba recae completamente en Tarifi y su equipo, y en inteligencia artificial, los diagramas arquitectónicos y las charlas filosóficas no cuentan como prueba.

Si te importa si esto es historia o marketing exagerado, presta atención a tres cosas: un documento técnico detallado con resultados experimentales, evaluaciones independientes de terceros que reproduzcan sus afirmaciones y una ronda de financiamiento significativa o una asociación con un laboratorio. Hasta que al menos uno de esos elementos aparezca, Integral AI está o bien construyendo en silencio el futuro, o bien escribiéndose en silencio en una nota al pie.

¿Qué es Integral AI?

Integral AI es una startup con sede en Tokio fundada por el ex-investigador de IA de Google Jad Tarifi. Afirman haber desarrollado el primer 'modelo capaz de AGI' en el mundo, centrado en la inteligencia incorporada y la robótica.

¿Qué hace que la afirmación de AGI de Integral AI sea diferente?

Definen la AGI por tres criterios estrictos: aprendizaje autónomo de habilidades sin datos humanos, dominio seguro sin fallos catastróficos y eficiencia energética comparable a la de los humanos. Este es un estándar más alto que la mayoría de las definiciones.

¿Por qué los expertos en IA son escépticos sobre esta afirmación?

El escepticismo principal proviene de la falta de pruebas verificables. Integral AI no ha publicado un documento técnico, no ha abierto su código ni ha presentado su modelo para una evaluación independiente por terceros.

¿Qué es la superinteligencia incorporada?

Es el concepto de una IA general que no solo procesa texto o imágenes, sino que puede percibir y actuar en el mundo físico a través de la robótica. La visión a largo plazo de Integral AI es una red global de estos agentes, que ellos llaman 'Supernet'.