Del preentrenamiento a los equipos de agentes de IA: por qué los cuatro ciclos de escalado de Jensen Huang cambian la pregunta sobre la computación
Introducción: ¿qué crece cuando la inteligencia artificial se vuelve más capaz?
La conversación sobre inteligencia artificial [AI] suele comenzar por el tamaño de un modelo. ¿Cuántos parámetros contiene? ¿Cuánta información se utilizó para entrenarlo? ¿Qué tamaño tenía el sistema informático que lo sustentaba?
Estas preguntas describen solo una parte del sistema. El argumento más amplio de Jensen Huang es que la IA puede crecer en varias etapas: mientras aprende sus fundamentos, mientras perfecciona su comportamiento, mientras resuelve un problema concreto y mientras distribuye trabajo entre agentes. Comprender la relación entre estas etapas cambia nuestra forma de pensar en la demanda de computación.
La distinción importante es la que existe entre construir un modelo y utilizar un sistema inteligente. Son actividades relacionadas, pero no constituyen la misma carga de trabajo [Workload].
1. El preentrenamiento construye una base, no un trabajador terminado
El preentrenamiento [Pre-training] desarrolla las capacidades generales de un modelo exponiéndolo a grandes cantidades de información. El modelo aprende patrones y relaciones que pueden servir para tareas posteriores.
Más datos y más computación pueden mejorar esas bases. Sin embargo, un entrenamiento de mayor escala no explica por completo una inteligencia útil. Un modelo puede tener amplios conocimientos generales y seguir necesitando mejor criterio, experiencia en tareas concretas o acceso a información que no encontró durante el entrenamiento.
Por eso, la pregunta no puede limitarse a si el suministro de material escrito por personas acabará siendo una restricción. Las siguientes etapas pueden cambiar tanto la forma en que aprende un sistema como el trabajo que realiza.
2. El posentrenamiento cambia cómo se utiliza la base
El posentrenamiento [Post-training] perfecciona un modelo después de su aprendizaje inicial. El énfasis pasa al comportamiento, las tareas prácticas y los tipos de respuestas que necesitan las personas.
Los datos sintéticos [Synthetic Data] pueden contribuir a este proceso. Un sistema puede generar ejemplos, explorar variantes y producir material útil para seguir aprendiendo. El valor reside en la calidad de la experiencia resultante, no en el mero hecho de que la haya producido una máquina.
La distinción importa. Generar más material no demuestra automáticamente que sea correcto. Un ciclo útil selecciona experiencias que merece la pena conservar y las utiliza para mejorar el comportamiento posterior. El volumen sin selección puede repetir debilidades en vez de corregirlas.
3. La computación durante el uso convierte la inferencia en un problema más exigente
A veces se imagina la inferencia [Inference] como un sencillo paso final: el modelo ya ha aprendido, de modo que producir una respuesta debería requerir poco trabajo adicional.
El escalado en tiempo de prueba [Test-time Scaling] cuestiona esa imagen. Una tarea difícil puede exigir que el sistema divida un problema en partes más pequeñas, compare posibles enfoques, busque información y reconsidere un intento fallido.
La necesidad de computación depende entonces de lo que el sistema deba hacer antes de devolver una respuesta útil. Una respuesta breve puede ir precedida de un trabajo considerable. A la inversa, una respuesta larga no demuestra un razonamiento cuidadoso.
Para una empresa, esto vincula las decisiones sobre tiempo de respuesta [Latency], calidad de la respuesta y coste operativo. La respuesta inmediata más barata no siempre equivale a la tarea completada con éxito al menor coste.
4. El escalado basado en agentes añade coordinación a la capacidad
El escalado basado en agentes [Agentic Scaling] introduce otra vía: un sistema puede distribuir trabajo entre varios agentes [Agents], en lugar de pedir a un modelo que lo haga todo en secuencia.
Un agente podría revisar registros mientras otro compara opciones. Sus hallazgos pueden contribuir a un resultado compartido. Es una forma de crecimiento distinta de aumentar el tamaño de un modelo o darle más tiempo.
La comparación con una organización resulta útil. Más empleados pueden aumentar la capacidad, pero solo cuando están claras las responsabilidades, la comunicación y la decisión final. Del mismo modo, más agentes generan trabajo de coordinación, conciliación y comprobación. Su número es un recurso de entrada, no una medida del éxito.
5. Las cuatro etapas forman un ciclo de aprendizaje
La conexión más importante es lo que sucede después de que un sistema trabaja. Las experiencias útiles de los agentes pueden convertirse en material para entrenamientos posteriores. Los modelos perfeccionados pueden, a su vez, facilitar un mejor razonamiento y agentes más eficaces.
Por tanto, el preentrenamiento, el posentrenamiento, el trabajo durante el uso y la actividad de los agentes no tienen por qué permanecer en compartimentos separados. Pueden alimentarse entre sí.
Esto también cambia la pregunta sobre la infraestructura. Entrenar un modelo, buscar en archivos y coordinar varios trabajadores plantean necesidades distintas a los procesadores, la memoria, el almacenamiento y las redes. Un sistema diseñado en torno a una prueba de rendimiento [Benchmark] limitada puede encajar mal con el flujo de trabajo [Workflow] completo.
Conclusión: medir el trabajo, no solo el modelo
El marco de cuatro partes de Huang lleva la conversación más allá de la idea de que el progreso de la IA consiste únicamente en un modelo más grande, entrenado una vez con un conjunto de datos [Dataset] mayor.
La lección práctica es identificar dónde la computación adicional produce un mejor resultado. ¿La tarea necesita mejores bases, un perfeccionamiento más útil, más tiempo para resolver problemas o una división coordinada del trabajo?
Una empresa debería valorar la respuesta mediante tareas completadas, calidad, tiempo y coste total. Ese es un punto de partida más útil que contar únicamente parámetros o agentes. La pregunta sobre la computación del futuro abarca todo el sistema que aprende y trabaja.
Powered By K7