¿Es el fin de los LLMs? François Chollet cuestiona la ruta a la AGI

El estancamiento de la Inteligencia Artificial General: Un análisis crítico

La industria tecnológica global se encuentra inmersa en una carrera armamentística sin precedentes, donde el escalado masivo de modelos de lenguaje (LLM) se ha convertido en el estándar de oro para medir el progreso. Sin embargo, esta hegemonía del paradigma de predicción de tokens está siendo cuestionada por una de las voces más autorizadas del sector: François Chollet, ingeniero de software en Google y creador de Keras. Chollet sostiene que estamos ante un callejón sin salida arquitectónico: al priorizar la capacidad de interpolación estadística sobre la verdadera capacidad de razonamiento, los principales laboratorios han desviado recursos críticos, retrasando el progreso hacia la Inteligencia Artificial General (AGI) entre cinco y diez años.

¿Por qué los LLM no son AGI? El mito de la generalización

La crítica de Chollet, expuesta extensamente en el Dwarkesh Podcast, se fundamenta en la distinción ontológica entre la memorización estadística y la generalización real. Mientras que la AGI se define por la capacidad de adquirir habilidades nuevas a partir de datos limitados —una característica intrínseca de la inteligencia biológica humana—, los LLM modernos operan bajo el paradigma de la 'curva de aprendizaje plana'. Estos modelos dependen de volúmenes masivos de datos preexistentes para aproximarse a resultados útiles mediante la probabilidad.

Históricamente, la IA ha pasado por diversos 'inviernos' y 'primaveras'. Durante los años 80, la IA simbólica (GOFAI) prometía razonamiento lógico puro, pero fracasó al enfrentarse a la incertidumbre del mundo real. Hoy, el péndulo ha oscilado hacia el extremo opuesto: el conexionismo masivo. Chollet argumenta que los modelos actuales son excelentes simuladores de lenguaje, pero carecen de una arquitectura capaz de razonar en entornos desconocidos. A diferencia de un humano, que puede aprender a usar una herramienta nueva tras verla una vez, un LLM requiere un entrenamiento previo sobre millones de ejemplos similares para replicar un comportamiento. Esta falta de 'eficiencia de datos' es, según Chollet, la prueba empírica de que no estamos ante una inteligencia general, sino ante motores de búsqueda probabilísticos hiper-optimizados.

La trampa del marketing y los benchmarks sesgados

Uno de los puntos más controvertidos es la manipulación de las métricas de éxito. La industria ha creado benchmarks que, en gran medida, miden la capacidad de recuperación de información (memorización) en lugar de la capacidad de resolución de problemas inéditos. Para democratizar y objetivizar la evaluación, Chollet impulsó el ARC-AGI (Abstraction and Reasoning Corpus). Este benchmark es radicalmente distinto: propone tareas que requieren razonamiento abstracto y lógico, diseñadas para que un sistema no pueda simplemente 'adivinar' la respuesta basándose en su corpus de entrenamiento.

Hasta la fecha, ningún LLM ha superado el ARC-AGI con una puntuación cercana a la humana. Este estancamiento en un benchmark diseñado para medir la capacidad de aprendizaje demuestra que la inversión billonaria en infraestructura de GPU y centros de datos está produciendo 'IA de productividad' (útil para redactar correos o resumir documentos), pero no 'IA de razonamiento'. La industria, presionada por la necesidad de justificar valoraciones de mercado exorbitantes antes de futuras salidas a bolsa (IPOs) de gigantes como OpenAI o Anthropic, ha convertido la narrativa de la AGI inminente en una herramienta de marketing, ocultando las limitaciones técnicas estructurales.

Consecuencias para el ecosistema tecnológico y el capital

Si la tesis de Chollet se confirma, las implicaciones para el mercado serán profundas y disruptivas:

• Revalorización del capital: La actual asignación de capital está fuertemente sesgada hacia el escalado (más cómputo, más datos). Si la AGI requiere un cambio de paradigma arquitectónico, gran parte de la infraestructura de GPU actual podría quedar obsoleta o ser insuficiente para el siguiente salto evolutivo.
• Pivotaje hacia lo neuro-simbólico: Los laboratorios de IA podrían verse obligados a abandonar el modelo 'solo arquitectura Transformer' para integrar sistemas de razonamiento simbólico, un campo que combina la capacidad de aprendizaje de las redes neuronales con la estructura lógica de los sistemas expertos clásicos.
• Transparencia y ética corporativa: La presión por mantener el hype ha llevado a empresas a publicar incidentes de seguridad exagerados o promesas de AGI a 'corto plazo' para mantener el interés de los inversores. Este fenómeno, similar a la burbuja de las puntocom, podría derivar en una crisis de confianza si los modelos no logran superar sus límites actuales de razonamiento.

En conclusión, aunque los LLM ofrecen una utilidad comercial innegable en tareas de productividad y automatización, el consenso de que son el camino directo hacia la AGI es cada vez más frágil. La advertencia de Chollet no es un ataque a la IA, sino una llamada a la cordura científica: si queremos alcanzar una verdadera inteligencia general, debemos dejar de medir el éxito por el tamaño de los modelos y empezar a medirlo por la capacidad de razonar en la incertidumbre. La historia de la computación nos enseña que las revoluciones reales no siempre vienen de escalar lo que ya funciona, sino de atreverse a cambiar las reglas del juego cuando el modelo actual toca techo.