{"id":12239,"date":"2026-07-14T17:58:55","date_gmt":"2026-07-14T20:58:55","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=12239"},"modified":"2026-07-14T17:58:55","modified_gmt":"2026-07-14T20:58:55","slug":"un-periodista-dejo-que-claude-entrenara-evaluara-y-corrigiera-otra-inteligencia-artificial-durante-una-semana-el-experimento-demuestra-que-crear-modelos-especializados-ya-no-es-una-tarea-exclusiva-d","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=12239","title":{"rendered":"Un periodista dej\u00f3 que Claude entrenara, evaluara y corrigiera otra inteligencia artificial durante una semana. El experimento demuestra que crear modelos especializados ya no es una tarea exclusiva de OpenAI, Google o Anthropic"},"content":{"rendered":"
\n

La inteligencia artificial capaz de mejorarse a s\u00ed misma suele aparecer acompa\u00f1ada de una imagen bastante inquietante: una m\u00e1quina reescribe su propio c\u00f3digo, se vuelve m\u00e1s inteligente, utiliza esa nueva capacidad para perfeccionarse otra vez y termina entrando en una espiral que ning\u00fan ser humano puede comprender o controlar.<\/p>\n

El experimento realizado por Will Knight, periodista especializado en inteligencia artificial de WIRED, fue mucho m\u00e1s peque\u00f1o y menos apocal\u00edptico. Durante una semana utiliz\u00f3 modelos y herramientas disponibles actualmente para comprobar si una IA pod\u00eda ayudarlo a construir, entrenar y perfeccionar otro sistema dedicado a una tarea cotidiana: encontrar estudios cient\u00edficos interesantes y resumirlos para su bolet\u00edn.<\/p>\n

Seg\u00fan relat\u00f3 el propio Knight en WIRED, el resultado fue imperfecto, pero suficientemente bueno como para demostrar algo importante. Una persona con conocimientos t\u00e9cnicos, acceso a capacidad inform\u00e1tica y un conjunto de ejemplos puede delegar buena parte del trabajo experimental en un agente de IA. Ya no necesita modificar manualmente cada par\u00e1metro, ejecutar todas las pruebas ni analizar uno por uno los resultados.<\/p>\n

Claude recibi\u00f3 un peque\u00f1o laboratorio y comenz\u00f3 a experimentar solo<\/h2>\n

La primera prueba utiliz\u00f3 AutoResearch, un proyecto de c\u00f3digo abierto creado por Andrej Karpathy, cofundador de OpenAI, antiguo responsable de inteligencia artificial de Tesla y actual investigador de Anthropic.<\/p>\n

La idea de AutoResearch es sencilla: proporcionar a un agente de IA un modelo de lenguaje peque\u00f1o y permitirle modificar el c\u00f3digo que controla su entrenamiento. Despu\u00e9s de cada cambio, el sistema ejecuta una prueba de cinco minutos, mide el resultado y decide si conserva la modificaci\u00f3n o vuelve a la versi\u00f3n anterior.<\/p>\n

De acuerdo con el repositorio oficial de Karpathy, el agente puede modificar la arquitectura del modelo, el optimizador, el tama\u00f1o de los lotes y otros par\u00e1metros incluidos en un \u00fanico archivo. El sistema utiliza siempre el mismo tiempo de entrenamiento y la misma m\u00e9trica, por lo que cada experimento puede compararse con los anteriores. En condiciones ideales, puede completar alrededor de 12 pruebas por hora y acercarse a un centenar durante una noche.<\/p>\n

El humano contin\u00faa teniendo una funci\u00f3n decisiva. Es quien escribe el archivo program.md, donde se encuentran las instrucciones, los l\u00edmites y el objetivo general del experimento. La IA puede buscar soluciones, pero alguien debe decidir qu\u00e9 problema merece ser resuelto y c\u00f3mo se determinar\u00e1 si una propuesta es realmente mejor.<\/p>\n

Knight instal\u00f3 AutoResearch, entreg\u00f3 el proyecto a Claude y permiti\u00f3 que el agente modificara el entrenamiento de un modelo peque\u00f1o. Seg\u00fan explic\u00f3 en WIRED, las primeras respuestas estaban llenas de repeticiones y frases sin demasiado sentido. Sin embargo, las versiones posteriores fueron ganando coherencia a medida que Claude cambiaba los par\u00e1metros, comprobaba el rendimiento y descartaba los intentos que empeoraban el resultado.<\/p>\n

No surgi\u00f3 un competidor de los grandes modelos comerciales. Lo que apareci\u00f3 fue un bucle automatizado de ensayo y error que avanzaba sin necesitar que una persona estuviera delante de la pantalla durante cada experimento.<\/p>\n

El segundo modelo aprendi\u00f3 a seleccionar estudios para un bolet\u00edn<\/h2>\n

La prueba m\u00e1s interesante comenz\u00f3 cuando Knight intent\u00f3 trasladar ese mecanismo a una tarea que ya formaba parte de su trabajo. El periodista necesitaba revisar investigaciones sobre inteligencia artificial, identificar las m\u00e1s relevantes y elaborar peque\u00f1os res\u00famenes.<\/p>\n

Seg\u00fan su relato en WIRED, reuni\u00f3 aproximadamente un centenar de entradas publicadas anteriormente en su bolet\u00edn y cre\u00f3 un entorno de entrenamiento con Prime Intellect. Claude busc\u00f3 m\u00e1s estudios, produjo ejemplos sint\u00e9ticos y ayud\u00f3 a desarrollar un modelo bautizado como Frontier_Paper_Curator. Otro modelo actuaba como evaluador, mientras el sistema utilizaba aprendizaje por refuerzo para ajustar progresivamente las respuestas.<\/p>\n

Prime Intellect presenta su plataforma como una infraestructura para entrenar, desplegar y mejorar modelos propios. En lugar de limitarse a escribir instrucciones para un modelo generalista, los usuarios pueden construir entornos con objetivos y evaluaciones espec\u00edficas, y despu\u00e9s entrenar un sistema para que optimice su comportamiento dentro de ellos.<\/p>\n

En menos de un d\u00eda, Frontier_Paper_Curator ya era capaz de localizar investigaciones y producir res\u00famenes razonablemente \u00fatiles. Todav\u00eda seleccionaba demasiados trabajos, utilizaba explicaciones algo gen\u00e9ricas y no reproduc\u00eda completamente el criterio editorial de Knight. Aun as\u00ed, hab\u00eda comenzado a aprender una tarea concreta a partir de los ejemplos, las evaluaciones y la retroalimentaci\u00f3n proporcionada por otras inteligencias artificiales.<\/p>\n

La diferencia de atribuci\u00f3n es importante: no somos nosotros quienes construimos ese modelo. El experimento pertenece a Will Knight y fue documentado originalmente por WIRED. Su experiencia sirve aqu\u00ed como punto de partida para analizar una tendencia m\u00e1s amplia.<\/p>\n

Esto todav\u00eda no es la automejora recursiva de la ciencia ficci\u00f3n<\/h2>\n
\"Un
\u00a9 thecloud.group.<\/figcaption><\/figure>\n

Describir cualquier entrenamiento automatizado como \u201cautomejora recursiva\u201d puede resultar enga\u00f1oso. AutoResearch no permite que un modelo adquiera capacidades ilimitadas ni que decida por s\u00ed mismo qu\u00e9 versi\u00f3n de la inteligencia artificial deber\u00eda existir despu\u00e9s.<\/p>\n

Seg\u00fan la definici\u00f3n empleada por Anthropic, la automejora recursiva completa ocurrir\u00eda cuando una IA pudiera dise\u00f1ar y desarrollar de manera aut\u00f3noma a su sucesora. La propia compa\u00f1\u00eda reconoce que ese punto todav\u00eda no ha llegado y que no existe ninguna garant\u00eda de que vaya a alcanzarse. Los sistemas actuales pueden escribir c\u00f3digo, ejecutar herramientas y completar experimentos bien definidos, pero contin\u00faan mostrando grandes limitaciones al elegir objetivos de investigaci\u00f3n y juzgar qu\u00e9 problemas son verdaderamente importantes.<\/p>\n

Lo que hizo Claude en el experimento de WIRED se parece m\u00e1s a un cient\u00edfico de laboratorio extremadamente r\u00e1pido, obediente y poco imaginativo. Puede modificar variables, comparar resultados y repetir una prueba cientos de veces. Sin embargo, necesita que un humano construya el laboratorio, defina la m\u00e9trica y determine qu\u00e9 significa mejorar.<\/p>\n

Ese matiz no reduce la importancia del avance. Automatizar la parte repetitiva del entrenamiento puede permitir que equipos peque\u00f1os exploren muchas m\u00e1s alternativas de las que podr\u00edan probar manualmente.<\/p>\n

El futuro podr\u00eda estar lleno de modelos peque\u00f1os y especializados<\/h2>\n

Prime Intellect no es la \u00fanica empresa que persigue esta idea. Adaption, la startup dirigida por Sara Hooker, ha presentado AutoScientist, una herramienta que automatiza conjuntamente la preparaci\u00f3n de los datos y las configuraciones utilizadas para entrenar un modelo.<\/p>\n

Seg\u00fan explica la propia compa\u00f1\u00eda, el sistema modifica ambos elementos de manera progresiva hasta acercarse al comportamiento descrito por el usuario. En lugar de contratar a un equipo especializado para dise\u00f1ar cada receta de entrenamiento, una organizaci\u00f3n podr\u00eda aportar sus datos, sus objetivos y sus criterios de evaluaci\u00f3n.<\/p>\n

Estas promesas deben tomarse con cautela. Los resultados publicados por las empresas proceden en buena medida de sus propias evaluaciones y pueden no trasladarse de la misma manera a todos los sectores. Adem\u00e1s, automatizar el entrenamiento no elimina problemas como la mala calidad de los datos, los sesgos, la privacidad o los costes inform\u00e1ticos.<\/p>\n

El punto m\u00e1s delicado contin\u00faa siendo la evaluaci\u00f3n. Si una IA recibe una m\u00e9trica incompleta, aprender\u00e1 a mejorar esa puntuaci\u00f3n aunque el resultado real sea peor. Un modelo encargado de seleccionar noticias podr\u00eda descubrir que obtiene mejores notas utilizando ciertos t\u00e9rminos, escribiendo textos m\u00e1s largos o repitiendo patrones que agradan al evaluador, sin desarrollar un criterio period\u00edstico verdadero.<\/p>\n

Una IA no necesita volverse superinteligente para transformar el trabajo<\/h2>\n

El experimento de Knight no demuestra que cualquiera pueda construir el pr\u00f3ximo gran modelo desde su habitaci\u00f3n. Utiliz\u00f3 hardware especializado, herramientas avanzadas y servicios de entrenamiento que todav\u00eda requieren conocimientos, tiempo y dinero.<\/p>\n

S\u00ed demuestra que el proceso est\u00e1 cambiando. Hasta hace poco, construir un modelo implicaba que investigadores humanos dise\u00f1aran cada experimento, modificaran manualmente el c\u00f3digo y esperaran los resultados. Ahora una parte de ese ciclo puede entregarse a agentes que trabajan durante horas, registran cada intento y conservan \u00fanicamente las modificaciones que superan una prueba determinada.<\/p>\n

La consecuencia quiz\u00e1 no sea una \u00fanica inteligencia omnipotente, sino miles de modelos peque\u00f1os creados para tareas muy concretas: analizar documentos legales, organizar inventarios, revisar investigaciones, detectar fallos industriales o comprender el vocabulario particular de una empresa.<\/p>\n

La IA del experimento todav\u00eda no pod\u00eda sustituir el criterio editorial de su creador. Seleccionaba demasiado, resum\u00eda de forma gen\u00e9rica y necesitaba supervisi\u00f3n. Pero ya pod\u00eda ocuparse de una parte del trabajo que antes exig\u00eda revisar manualmente cientos de documentos.<\/p>\n

La automejora artificial no lleg\u00f3 como una m\u00e1quina que despert\u00f3 y decidi\u00f3 fabricar una versi\u00f3n superior de s\u00ed misma. Por ahora, aparece de una forma mucho menos cinematogr\u00e1fica: un agente modifica un archivo, ejecuta una prueba, mira una puntuaci\u00f3n y vuelve a empezar. Y precisamente por parecer tan rutinaria, podr\u00eda extenderse mucho m\u00e1s r\u00e1pido de lo que imagin\u00e1bamos.<\/p>\n<\/p><\/div>\n","protected":false},"excerpt":{"rendered":"

La inteligencia artificial capaz de mejorarse a s\u00ed misma suele aparecer acompa\u00f1ada de una imagen bastante inquietante: una m\u00e1quina reescribe su propio c\u00f3digo, se vuelve m\u00e1s inteligente, utiliza esa nueva capacidad para perfeccionarse otra vez y termina entrando en una espiral que ning\u00fan ser humano puede comprender o controlar. El experimento realizado por Will Knight, […]<\/p>\n","protected":false},"author":1,"featured_media":12240,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-12239","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/12239","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=12239"}],"version-history":[{"count":0,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/12239\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/media\/12240"}],"wp:attachment":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=12239"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=12239"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=12239"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}