La IA del mañana Glosario
ES

← Volver al cuaderno

Profundización · Hipótesis

Las hipótesis a prueba

Hasta ahora, cada hipótesis llevaba una sola cifra, elegida de golpe. Una cifra única esconde dónde está la duda. Aquí dividimos cada una en eslabones que deben sostenerse todos, ciframos cada eslabón, multiplicamos y contrastamos el conjunto con los estudios publicados desde entonces. Cuatro hipótesis bajan claramente, tres suben, dos se reformulan. Este es el razonamiento, cifra a cifra.

Especulativo actualizado el

I

Por qué reabrir las hipótesis

El cuaderno tiene nueve hipótesis. Cada una dice algo que creemos sobre la IA del mañana, con un grado de confianza: 75 %, 40 %, 55 %… Esas cifras eran honestas, pero globales: mirábamos la hipótesis entera y nos preguntábamos «¿es probable?».

El problema es que una hipótesis rara vez es una sola afirmación. Es una cadena: A debe ser cierta, y B debe seguirse, y C debe sostenerse en la práctica. Un meteorólogo no dice «70 % de probabilidad de lluvia mañana» por instinto: combina la probabilidad de que llegue un frente, de que sea bastante húmedo, de que no se desvíe. Eso es lo que hacemos aquí, con cada una de las nueve.

II

El método: dividir en eslabones

Paso 1. Escribir las afirmaciones que la hipótesis necesita para ser cierta, y solo esas. Son los eslabones a, b, c.

Paso 2. Cifrar cada eslabón suponiendo ciertos los anteriores. Es lo que se llama una probabilidad condicional: «si a es cierta, ¿qué probabilidad tiene b?». El detalle importa: los eslabones de una misma cadena suelen apoyarse entre sí, y cifrarlos por separado haría bajar el total sin razón.

Paso 3. Multiplicar. Si a vale el 90 % y b, sabiendo a, el 50 %, la cadena vale 0,9 × 0,5 = 45 %. Un producto siempre es menor que su factor más pequeño: una cadena no puede ser más sólida que su eslabón más débil.

Hay dos trampas, en sentidos contrarios. La primera: una historia rica y coherente parece más probable que una sencilla, cuando lo es necesariamente menos, porque exige más cosas. Ese era nuestro defecto con las cifras globales. La segunda: dividir en demasiados eslabones, cada uno cifrado con prudencia, derrite el total artificialmente. Por eso nos limitamos a dos o tres eslabones por hipótesis, cada uno realmente necesario.

Una última regla, de coherencia: si una hipótesis implica otra, la primera no puede ser más probable que la segunda. Un caso particular no puede ser más seguro que la regla general de la que se deriva. Esta regla es la que nos hizo encontrar nuestro primer error.

III

Primer hallazgo: dos hipótesis se contradecían

H7 decía «el juez puede enseñar»: un modelo mejora intentándolo y siendo calificado. Le dábamos un 50 %. H9, añadida hace tres días, decía que un modelo pequeño progresa en un ordenador corriente gracias a un juez externo. Le dábamos un 55 %.

Pero H9 es un caso particular de H7: si un juez hace progresar a un modelo pequeño en un PC, entonces un juez puede enseñar. El caso particular no podía ser más probable que el general. Una de las dos cifras era falsa.

Al profundizar, la contradicción venía de una palabra. «Enseñar» mezclaba dos cosas muy distintas. Afilar: volver fiable lo que el modelo encontraba a veces. Eso está demostrado; Yue y sus coautores lo miden, todos los estudios lo confirman. Ampliar: hacer que el modelo encuentre lo que nunca encontraba. Eso es lo que se debate.

Así que corregimos H7. Afilar se convierte en un hecho, ya no en una hipótesis. H7 trata ahora de la ampliación, la verdadera pregunta abierta. H9 sigue centrada en el afilado, y las dos cifras ya no chocan.

Fuente: Yue et al., Does RL Really Incentivize Reasoning Capacity Beyond the Base Model? (NeurIPS 2025)

IV

H1 · La jerarquía ausente: del 50 % al 55 %

Lo que dice H1: dar al modelo la estructura de los datos (procedencia, nivel, dependencias) reduciría la cantidad de ejemplos necesaria.

Eslabón a, 85 %: las pistas de estructura ahorran datos de verdad, al menos hasta unos pocos miles de millones de parámetros. Eslabón b, 65 %: la ganancia no se borra a gran tamaño. Las ganancias del orden de aprendizaje menguaban con el tamaño, de ahí nuestra prudencia; pero el resultado de abajo se repite de 600 millones a 8000 millones de parámetros.

Cálculo: 0,85 × 0,65 = 55 %. H1 sube un poco. Lo que queda abierto: ¿es la jerarquía lo que ayuda, o una simple etiqueta de origen? El estudio usa una etiqueta plana, la dirección del sitio. Nuestra H1 incluye la procedencia, así que cuenta; pero la forma más ambiciosa, con niveles y dependencias, está por probar.

Establecido

Nuevo: la dirección del sitio como pista (2025)

Gao y sus coautores, en Princeton, añaden simplemente la dirección de origen (por ejemplo en.wikipedia.org) delante de cada texto durante el entrenamiento, y la quitan al final. Un modelo de 1600 millones de parámetros iguala al entrenamiento clásico con un 33 % menos de datos, sin cálculo adicional, de 600 millones a 8000 millones de parámetros. Los temas generados por un modelo también sirven de etiquetas.

Fuente: Gao et al., Metadata Conditioning Accelerates Language Model Pre-training (2025)

V

H2 · Aprender lo alto, consultar lo bajo: del 75 % al 64 %

Lo que dice H2: reservar los parámetros para los principios y guardar los hechos en una memoria externa.

Eslabón a, 92 %: se pueden sacar los hechos del modelo sin pérdida en las preguntas de conocimiento. RETRO, las capas de memoria, Engram y ahora HippoRAG 2 lo muestran. Eslabón b, 82 %: el espacio liberado sirve de verdad para razonar mejor, con el mismo presupuesto. Engram gana 3 puntos, pero en parte en preguntas de conocimiento: es un indicio, no una prueba. Eslabón c, 85 %: el coste de consultar (tiempo, tráfico de memoria) sigue siendo aceptable en el uso real.

Cálculo: 0,92 × 0,82 × 0,85 = 64 %. Es la mayor lección de método: cada eslabón es sólido, pero tres eslabones sólidos forman una cadena mediana. Nuestro 75 % global miraba el eslabón a, el más convincente, y olvidaba los otros dos.

Fuente: DeepSeek, Engram: Conditional Memory via Scalable Lookup (2026), Berges et al., Memory Layers at Scale (Meta, 2024)

Establecido

Nuevo: una memoria que no pierde nada por el camino (2025)

HippoRAG 2 guarda los pasajes en un grafo y circula por él como un rumor se propaga entre amigos. Supera a la búsqueda clásica a la vez en hechos sencillos, en comprensión de conjunto y en vínculos entre hechos alejados (unos 7 puntos más), donde los métodos con grafo anteriores perdían en los hechos sencillos.

Fuente: Gutiérrez et al., From RAG to Memory: Non-Parametric Continual Learning for LLMs (ICML 2025)

VI

H3 · Reglas y excepciones: del 40 % al 48 %, acotándola

Lo que decía H3: en todas partes, guardar las reglas y solo los datos que se les escapan comprimiría el saber.

Desglosada, la forma general se hunde. Eslabón a, 80 %: donde un programa puede comprobar, sabemos sacar reglas de ejemplos (AlphaEvolve, FunSearch). Eslabón b, 60 %: guardar reglas + excepciones ahorra de verdad datos de entrenamiento; elegir bien los datos cambia la forma de la curva de aprendizaje, lo cual es alentador. Eslabón c, 45 %: esto se extiende al lenguaje corriente, lleno de excepciones y matices. Producto: 0,8 × 0,6 × 0,45 = 22 %.

En lugar de mantener una hipótesis demasiado amplia, la acotamos a los ámbitos comprobables, donde nuestras razones para creer son reales: 0,8 × 0,6 = 48 %. El eslabón c no desaparece: se convierte en una pregunta para más adelante. Acotar no es hacer trampa, siempre que se diga: una hipótesis más estrecha afirma menos, así que tiene más posibilidades de ser cierta.

Fuente: Google DeepMind, AlphaEvolve (2025), Sorscher et al., Beyond neural scaling laws (NeurIPS 2022)

VII

H4 · Las excepciones como ancla: del 70 % al 44 %

Lo que dice H4: cuando cada generación de modelo aprende de la anterior, guardar los datos brutos raros evitaría la deriva.

Eslabón a, 90 %: la deriva golpea primero a los casos raros. Está demostrado desde Shumailov. Eslabón b, 75 %: guardar datos reales evita la deriva. Gerstgrasser muestra que acumular en lugar de sustituir la evita; pero un estudio de 2025 muestra que una pequeña parte de datos artificiales puede bastar para frenar los progresos. Eslabón c, 65 %: guardar solo los casos raros, y no todo, basta. Es nuestra versión ahorradora, y nadie la ha probado.

Cálculo: 0,9 × 0,75 × 0,65 = 44 %. La mayor bajada del cuaderno. Nuestro 70 % se apoyaba en el eslabón a, muy sólido, y daba por supuestos los otros dos. Hagamos la prueba inversa: ¿es más probable que no baste con guardar solo las excepciones? Sí, un poco, mientras nadie lo haya intentado. Es exactamente lo que dice el 44 %.

Fuente: Shumailov et al., AI models collapse… (Nature, 2024), Gerstgrasser et al., Is Model Collapse Inevitable? (2024)

Establecido

Nuevo: el colapso fuerte (2025)

Dohmatob y sus coautores muestran, en un marco matemático simplificado y luego en modelos de lenguaje, que incluso un 1 % de datos artificiales en el entrenamiento puede impedir que el modelo aproveche más datos: la curva de aprendizaje deja de bajar. Y los modelos más grandes pueden amplificar el efecto. Mezclar, por tanto, no siempre basta: hay que saber qué guardar.

Fuente: Dohmatob et al., Strong Model Collapse (ICLR 2025)

VIII

H5 · Un grafo, no un árbol: del 65 % al 64 %

Lo que dice H5: el saber es una red, una idea pertenece a varias familias; la memoria útil estaría hecha de árboles que se cruzan.

Eslabón a, 85 %: las estructuras en las que un pasaje pertenece a varios grupos superan a los árboles simples en las preguntas que enlazan varios hechos. GraphRAG, RAPTOR y HippoRAG 2 van en ese sentido. Eslabón b, 75 %: el coste de construirlas y mantenerlas sigue siendo razonable a gran escala.

Cálculo: 0,85 × 0,75 = 64 %. Casi sin cambios: nuestra cifra global ya estaba bien calibrada. Buena señal para el método, que no hace bajar todo lo que toca.

Fuente: Edge et al., GraphRAG (Microsoft, 2024), Sarthi et al., RAPTOR (ICLR 2024)

IX

H6 · Las ganancias se multiplican: del 35 % al 42 %

Lo que dice H6: apilando expertos, cascada, baja precisión y mejor hardware, el coste de una respuesta bajaría 100 veces sin un nuevo modelo gigante.

Eslabón a, 95 %: cada palanca divide sola el coste entre 2 y 4. Eslabón b, 55 %: las palancas son lo bastante independientes para que su producto se sostenga, con un margen de un factor 3. Es el eslabón débil: la ley de Amdahl dice que acelerar una parte solo ayuda en esa parte. Eslabón c, 80 %: se llega a 100 en la práctica.

Cálculo: 0,95 × 0,55 × 0,8 = 42 %. ¿Por qué subir b respecto a nuestra síntesis? Porque el mundo real hizo el experimento por nosotros: con el mismo rendimiento, los precios cayeron mucho más deprisa de lo que explica cualquier palanca sola. Es una prueba indirecta de que las palancas se apilan. Pero esas bajadas vienen también de modelos nuevos mejor entrenados, que H6 excluye: de ahí un eslabón b del 55 %, no más.

Establecido

Nuevo: la caída medida de los precios (2025)

Epoch AI mide que, con un rendimiento fijo, el precio de una respuesta baja de 9 a 900 veces al año según la tarea; alcanzar el nivel de GPT-4 en preguntas de ciencias de nivel de doctorado se ha vuelto 40 veces más barato cada año. Otro estudio, más prudente, encuentra de 5 a 10 veces al año para los modelos punteros, y señala que usar los modelos punteros cuesta, al contrario, cada vez más, porque son más grandes y razonan durante más tiempo.

Fuente: Epoch AI, LLM inference prices have fallen rapidly but unequally across tasks (2025), The Price of Progress: Algorithmic Efficiency and the Falling Cost of AI Inference (2025)

X

H7 · ¿Puede el juez hacer descubrir? 43 %, reformulada

Lo que dice ahora H7: con un entrenamiento largo y variado, un juez fiable haría que el modelo encontrara soluciones que nunca encontraba, ni en miles de intentos.

Eslabón a, 95 %: un juez vuelve más fiable al modelo. Demostrado. Eslabón b, 45 %: prolongando el entrenamiento, amplía lo que el modelo puede encontrar. Dos equipos, a menudo con los mismos investigadores, se responden. Uno muestra una ampliación real, sobre todo en código; el otro muestra que, en general, el modelo pierde el acceso a más soluciones de las que gana. Un detalle revelador: el título del segundo estudio ganó un signo de interrogación en su última versión.

Cálculo: 0,95 × 0,45 = 43 %. Más bajo que el antiguo 50 %, pero para una afirmación más fuerte y más clara. Es la hipótesis que más cuenta para el resto del cuaderno: si cae, un modelo pequeño nunca superará por sí solo lo que ya encontraba por casualidad.

Fuente: Yue et al., Does RL Really Incentivize Reasoning Capacity Beyond the Base Model? (NeurIPS 2025)

Prometedor

A favor: ProRL, el entrenamiento prolongado (2025)

En NVIDIA, Liu y sus coautores entrenan largamente un modelo de 1500 millones de parámetros, estabilizando el aprendizaje y variando las tareas. El modelo resuelve problemas en los que el modelo de partida fallaba fuera cual fuera el número de intentos. Pero los propios autores lo señalan: en matemáticas, donde el modelo de partida ya era fuerte, el acierto en 128 intentos suele bajar.

Fuente: Liu et al., ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries (NeurIPS 2025)

Prometedor

En contra: la correa invisible (2025)

Wu y sus coautores, entre ellos varios autores de ProRL, siguen el entrenamiento paso a paso. Su constatación en numerosas pruebas: el refuerzo mejora el primer intento, pero pierde el acceso a más respuestas correctas de las que gana. El modelo sigue atado por una correa a su punto de partida; para romperla, habría que sembrar ideas en las zonas que nunca explora.

Fuente: Wu et al., The Invisible Leash? Why RLVR May or May Not Escape Its Origin (2025)

XI

H8 · El pequeño bien acompañado: del 55 % al 46 %

Lo que dice H8: en las tareas comprobables, un modelo de 8000 millones de parámetros bien acompañado igualaría a un modelo cien veces mayor, por un coste comparable o menor.

Eslabón a, 90 %: alcanza la misma nota. Demostrado en matemáticas: un modelo de 1000 millones con 512 intentos filtrados supera a un modelo de 405 000 millones. Eslabón b, 60 %: con un coste total comparable, contando todos los intentos y el juez, frente a gigantes de expertos que solo encienden una pequeña parte de sí mismos. Eslabón c, 85 %: esto vale más allá de las matemáticas y el código, en otras tareas comprobables.

Cálculo: 0,9 × 0,6 × 0,85 = 46 %. El eslabón b es el corazón de la duda, y nuestro antiguo 55 % lo escamoteaba. Aun así, un dato nuevo ayuda al pequeño: lo que se puede ejecutar en casa alcanza rápido a los gigantes.

Fuente: Liu et al., Can 1B LLM Surpass 405B LLM? (2025)

Establecido

Nuevo: la vanguardia llega a casa en menos de un año (2025)

Epoch AI mide que los mejores modelos abiertos que caben en una sola tarjeta gráfica de consumo van entre 6 y 12 meses por detrás de la vanguardia, según la prueba. Prudencia, señalan: los modelos pequeños están más a menudo optimizados para las pruebas, así que el retraso real es probablemente algo mayor.

Fuente: Epoch AI, Frontier AI performance becomes accessible on consumer hardware within a year (2025)

XII

H9 · El mundo como maestro: del 55 % al 54 %

Lo que dice H9: en un ordenador corriente, un juez externo hace progresar claramente a un modelo pequeño, hasta el techo de lo que encontraba en muchos intentos.

Eslabón a, 75 %: la ganancia es clara (al menos 5 puntos) en cualquier modelo pequeño moderno, no solo en una familia elegida. Eslabón b, 90 %: cabe en una tarjeta de videojuegos en una semana; son nuestros cálculos de la página anterior. Eslabón c, 80 %: la descripción del techo es correcta; la correa invisible la confirma, ProRL la discute, pero tras un entrenamiento mucho más largo que una semana.

Cálculo: 0,75 × 0,9 × 0,8 = 54 %. Casi sin cambios, pero la duda ha cambiado de sitio: ahora está en el eslabón a, por el estudio de abajo. Nuestro experimento previsto usa Llama, justo la familia en la que desaparecen los efectos fáciles. Mejor así: será aún más convincente.

Establecido

Nuevo: recompensas al azar que funcionan… en una sola familia (2026)

Shao y sus coautores entrenan Qwen2.5-Math-7B por refuerzo con recompensas sorteadas al azar: gana 21,4 puntos en la prueba MATH-500, casi tanto como los 29,1 puntos obtenidos con las respuestas verdaderas. El refuerzo despierta sobre todo un hábito que ya estaba ahí (razonar en código). En Llama 3 u OLMo 2, esas recompensas falsas no dan casi nada. Lección: probar con varias familias antes de cantar victoria.

Fuente: Shao et al., Spurious Rewards: Rethinking Training Signals in RLVR (ICML 2026)

XIII

El cuadro de conjunto

Lo que baja: H2 (75 → 64), H4 (70 → 44), H8 (55 → 46), H7 (50 → 43, reformulada) y H9 un punto. Casi siempre por la misma razón: habíamos cifrado el eslabón más visible y dado por supuestos los demás.

Lo que sube: H1 (50 → 55) gracias a un estudio nuevo, H6 (35 → 42) gracias a la caída medida de los precios, H3 (40 → 48) al acotarla. H5 apenas se mueve.

La gran tesis del cuaderno descansa en tres hipótesis: una memoria externa (H2), organizada en grafo (H5), y un modelo pequeño que progresa con un juez (H9). Si fueran independientes: 0,64 × 0,64 × 0,54 = 22 %. No lo son del todo (una misma realidad técnica las sostiene), así que el valor real es más alto, sin superar el de la más débil, 54 %. Decimos alrededor del 30 %: menos de una posibilidad entre dos de que todo el programa se sostenga. Por eso hay que zanjar, eslabón a eslabón.

Fig. O — Dónde está la duda

confianza actual (producto de los eslabones)confianza anterioreslabones a, b, c

Esquema ilustrativo: muestra la idea, no mediciones.

Cada fila es una hipótesis. Los círculos son sus eslabones, cada uno cifrado suponiendo ciertos los anteriores; la barra es su producto, es decir, la nueva confianza; la raya roja, la antigua. Una hipótesis es tan frágil como su eslabón más débil, y un poco más: la barra siempre termina a la izquierda del círculo más a la izquierda.
XIV

Tres experimentos para zanjar

¿Qué experimento movería más nuestras cifras? Para cada uno, escribimos sus resultados posibles, su probabilidad y la confianza que se derivaría. Se aplica una regla de coherencia: la media de las confianzas después del experimento debe igualar la confianza de antes. Si no, ya sabríamos hacia qué lado va a caer, y habría que cambiar nuestra cifra enseguida. Hemos comprobado esta regla en los tres.

Medimos después el desplazamiento esperado: la suma, ponderada por las probabilidades, de los cambios de confianza. Cuanto mayor es, más nos enseña el experimento.

Especulativo

E1 · Dos familias, juez real contra juez al azar · unos 20 €

El experimento de la página anterior, hecho con Llama y Qwen, con recompensas reales y recompensas al azar: cuatro semanas de una tarjeta de videojuegos. Tres resultados: Llama progresa claramente solo con el juez real, techo intacto (55 %) → H9 66 %, H7 37 %; solo progresa Qwen (25 %) → H9 25 %, H7 38 %; Llama progresa y su acierto en 64 intentos da un salto (20 %) → H9 60 %, H7 65 %. Medias: H9 54,6 %, H7 42,9 %, coherentes. Desplazamiento esperado: 24 puntos.

Especulativo

E2 · Etiquetas jerárquicas contra etiqueta plana · unas 16 000 h de GPU

Entrenar modelos de 1000 y 8000 millones de parámetros sin etiqueta, con la dirección de origen, y con niveles y dependencias. Tres resultados: la jerarquía supera a la etiqueta plana y se mantiene en 8000 millones (50 %) → H1 75 %; solo ayuda la etiqueta plana y su ganancia se derrite (30 %) → H1 40 %; nada queda en 8000 millones (20 %) → H1 25 %. Media 54,5 %, coherente. Desplazamiento esperado: unos 20 puntos. Coste: 6 operaciones por parámetro y por palabra, con 20 palabras por parámetro, tres veces, a 400 billones de operaciones útiles por segundo y por chip (una hipótesis): unas 16 000 horas de GPU de centro de datos. Cosa de laboratorio.

Especulativo

E3 · Cinco generaciones, guardar todo, los raros o nada · unas 50 h de GPU

Modelos pequeños (125 millones de parámetros) aprenden cada uno del anterior, cinco veces seguidas, guardando todos los datos reales, solo el 5 % más raro, o nada. Tres resultados: el 5 % raro funciona tan bien como todo (40 %) → H4 75 %; ayuda a medias (45 %) → H4 25 %; ni siquiera guardarlo todo basta (15 %) → H4 20 %. Media 44,3 %, coherente. Desplazamiento esperado: unos 25 puntos, por unas cincuenta horas de GPU alquiladas (nuestra estimación, incluida la generación de los textos).

XV

Qué haremos con estas cifras

El orden de los experimentos se deduce del cálculo: E1 y E3 enseñan al menos tanto como E2, por cientos o miles de veces menos. E1 cabe en un ordenador corriente; E3, en unas horas de cómputo alquilado. Son los que recomendamos hacer primero.

Nuestras reglas de revisión, para no hacer trampa más adelante. Una hipótesis solo cambia de cifra si cambia un eslabón, y diremos cuál. Una hipótesis con un eslabón que caiga por debajo del 20 % se reformulará o se retirará, no se mantendrá por costumbre. Y cada hipótesis nueva llegará ya dividida en eslabones.

Lo que gana esta página no es una cifra más. Es saber, para cada hipótesis, qué frase precisa habría que demostrar o refutar. Una hipótesis que se sabe cómo matar es una hipótesis útil.

Volver arriba