David Silver funda startup de IA apostando por aprendizaje continuo frente a modelos de lenguaje
Hecho Qué ha ocurrido
David Silver, investigador senior de Google DeepMind y artífice de AlphaGo y AlphaZero, ha dejado la filial de Google para fundar Ineffable Intelligence, una startup registrada en noviembre de 2025 en Londres. Silver rechaza que los grandes modelos de lenguaje por sí solos logren superinteligencia, y apuesta por el aprendizaje por refuerzo y modelos del mundo que permitan a los sistemas IA aprender continuamente de su experiencia, similar a cómo aprenden humanos y animales.
Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Representa un cambio de posición estratégico de uno de los investigadores más influyentes en IA, reflejando una fractura creciente en la comunidad sobre si la arquitectura Transformer actual es suficiente para alcanzar superinteligencia. La visión de Silver sobre aprendizaje continuo y sistemas autoexplicativos podría redefinirir la investigación fundamental en IA más allá del paradigma dominante de entrenamiento en datos históricos.
- Quién se ve afectado
- Equipos de investigación en IA, laboratorios de IA corporativos (OpenAI, Anthropic, DeepMind), inversores en startups de IA, y empresas dependientes del enfoque LLM como estrategia única de transformación.
- Qué puede cambiar
- Si el enfoque de Silver ganase tracción, la inversión y talento en IA se diversificaría hacia arquitecturas distintas a Transformers, y las empresas que hayan apostado exclusivamente por LLMs podrían verse presionadas a explorar enfoques híbridos o complementarios de aprendizaje continuo y razonamiento.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Seguir si Ineffable Intelligence atrae inversión significativa y talento de laboratorios líderes; la evolución del debate académico sobre limitaciones de Transformers; si otros investigadores senior (como Ilya Sutskever en Safe Superintelligence o Jerry Tworek en Core Automation) logran resultados concretos con métodos alternativos; y si laboratorios como OpenAI y Anthropic incorporan mecanismos de aprendizaje continuo en sus modelos.
Recomendación Qué debería hacer una empresa
Equipos de I+D en grandes corporaciones deberían evaluar en los próximos 6-12 meses las implicaciones de una posible bifurcación en arquitecturas de IA (LLMs frente a sistemas de aprendizaje continuo) para ajustar la cartera de tecnologías y no quedar atrapados en un único paradigma.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Fuente original: The Decoder. La referencia es siempre el artículo original.
Ver fuente original ↗LLMaprendizaje por refuerzomodelos del mundoaprendizaje continuoTransformers Google DeepMindIneffable IntelligenceOpenAIAnthropicSafe Superintelligence alternativas a LLMaprendizaje continuoarquitecturas de IADavid Silversuperinteligencia
Tu opinión
0 comentarios
Relacionadas
Matemáticos españoles revelan que su hallazgo previo fue clave para que OpenAI resolviera un problema histórico con IA
Diego Córdoba y Luis Martínez-Zoroa, matemáticos españoles, trabajaron durante un año en una investigación que sirvió de base para que un sistema de OpenAI…
Por qué importaIlustra cómo los avances de la IA en investigación científica dependen todavía de aportaciones humanas conceptuales previas, matizando el relato de…
OpenAI afirma haber resuelto un problema del Milenio en Navier-Stokes, pero surge disputa de autoría
OpenAI anunció que había resuelto uno de los problemas del Milenio de matemáticas, relacionado con las ecuaciones de Navier-Stokes. La noticia se produjo tras…
Por qué importaMuestra el ritmo al que la IA puede acelerar la investigación matemática avanzada, pero también expone tensiones éticas sobre atribución de mérito y…
Google DeepMind presenta AlphaGenome Atlas, mapa de IA sobre mutaciones genéticas
Google DeepMind lanzó AlphaGenome Atlas, una base de datos que usa el modelo AlphaGenome para predecir el efecto molecular de cerca de 9,000 millones de…
Por qué importaAcelera la identificación de variantes genéticas relevantes en enfermedades, un cuello de botella clave en genética clínica e investigación biomédica.
El MIT despliega sensores acústicos y aprendizaje automático para monitorizar el hielo del Ártico
Investigadores del MIT Lincoln Laboratory, dentro de la Operation Ice Camp de la Marina de EEUU, desarrollan una red de sensores acústicos y geófonos para…
Por qué importaCombina sensórica de bajo coste con IA para vigilar entornos extremos sin necesidad de presencia humana constante, un modelo aplicable a otros…