Cinco arquitectos de la economía de la IA explican de dónde salen las ruedas

A principios de esta semana, cinco personas que tocan cada capa de la cadena de suministro de IA se sentaron en la Conferencia Global Milken en Beverly Hills, donde hablaron con este editor sobre todo, desde la escasez de chips hasta los centros de datos orbitales y la posibilidad de que toda la arquitectura subyacente a la tecnología sea defectuosa.

En el escenario con TechCrunch: Christophe Fouquet, director general de ASML, la empresa holandesa que posee el monopolio de las máquinas de litografía ultravioleta extrema sin las cuales los chips modernos no existirían; Francis deSouza, director de operaciones de Google Cloud, que supervisa una de las mayores apuestas de infraestructura en la historia corporativa; Qasar Younis, cofundador y director ejecutivo de Applied Intuition, una empresa de inteligencia artificial física de 15 mil millones de dólares que comenzó en la simulación y desde entonces pasó a la defensa; Dimitrij Shevelenko, director de operaciones de Perplexity, una empresa de búsqueda de agentes basada en la IA; y Eve Bodnia, una física cuántica que dejó la academia para desafiar la arquitectura fundamental que la mayor parte de la industria de la IA da por sentada en su startup, Logical Intelligence. (El ex científico jefe de IA de Meta, Yan LeCun, firmó a principios de este año para ser el fundador del comité de investigación técnica).

Esto es lo que los cinco dijeron:

Los cuellos de botella son reales

El auge de la inteligencia artificial está llegando a límites físicos estrictos, y los límites comienzan más abajo en la cadena de lo que muchos piensan. Fouquet fue el primero en decirlo, describiendo la «tremenda aceleración de la producción de chips», al tiempo que expresó su «firme creencia» de que, a pesar de todos estos esfuerzos, «en los próximos dos, tres, tal vez cinco años, el mercado será limitado», lo que significa que los hiperescaladores (Google, Microsoft, Amazon, Meta) no obtendrán todos los chips, sino que dejarán de pagar.

DeSouza enfatizó cuán grande (y cuán rápido está creciendo) es el problema, recordando a la audiencia que los ingresos de Google Cloud el último trimestre superaron los $20 mil millones, un aumento del 63%, mientras que su cartera de pedidos (ingresos comprometidos pero aún no entregados) casi se duplicó en un trimestre, de $250 mil millones a $460 mil millones. «La demanda es real», afirmó con una calma impresionante.

Para Younis, la limitación proviene principalmente de otro lugar. Applied Intuition está construyendo sistemas autónomos para automóviles, camiones, drones, equipos de minería y vehículos de defensa, y su cuello de botella no es el silicio: son los datos que los humanos pueden recopilar simplemente enviando máquinas al mundo real y viendo qué sucede. «Hay que encontrarlo en el mundo real», dijo, y ninguna simulación sintética cierra completamente esa brecha. «Pasará mucho tiempo antes de que se puedan entrenar completamente modelos que funcionen sintéticamente en el mundo físico».

El problema energético también es real

Si los chips son el primer cuello de botella, es la energía la que se esconde detrás. DeSouza confirmó que Google está explorando centros de datos en el espacio como una respuesta seria a las limitaciones energéticas. «Se obtiene acceso a energía más abundante», señaló. Por supuesto, incluso en órbita esto no es sencillo. DeSouza veía el espacio como un vacío, eliminando así la convección, dejando la radiación como la única forma de transferir calor al entorno circundante (un proceso mucho más lento y difícil de diseñar que los sistemas de enfriamiento de aire-líquido de los que dependen los centros de datos en la actualidad). Pero la empresa todavía lo trata como una ruta legítima.

El argumento más profundo que planteó De Souza, como era de esperar, fue sobre la eficiencia a través de la integración. La estrategia de Google de co-diseñar toda su pila de IA (desde chips TPU personalizados hasta modelos y agentes) está pagando dividendos en puntos por vatio (más cálculos por unidad de energía) que una empresa que compra componentes disponibles en el mercado simplemente no puede replicar, sugirió. «Ejecutar Gemini en TPU es más eficiente energéticamente que cualquier otra configuración», porque los diseñadores de chips saben lo que viene en el modelo antes de su envío, dijo.

Fouquet planteó un punto similar más adelante en la discusión. «Nada puede tener precio», afirmó. La industria se encuentra en un momento extraño en este momento, invirtiendo cantidades extraordinarias de capital, impulsada por una necesidad estratégica. Pero más computación significa más potencia, y más potencia tiene un precio.

Un tipo diferente de inteligencia

Mientras el resto de la industria debate la escala, la arquitectura y la eficiencia de la inferencia dentro del paradigma del Big Language Model, Bodnia está construyendo algo muy diferente.

Su empresa, Logical Intelligence, se basa en los llamados modelos basados ​​en energía (EBM), una clase de IA que no predice el siguiente token en una secuencia, sino que intenta comprender las reglas subyacentes a los datos, de una manera que, según afirma, se acerca más a cómo funciona realmente el cerebro humano. «El lenguaje es la interfaz de usuario entre mi cerebro y el tuyo», dijo. «El razonamiento en sí no está ligado a ningún idioma».

Su modelo más grande tiene 200 millones de parámetros (en comparación con los cientos de miles de millones de los principales LLM) y afirma que funciona miles de veces más rápido. Más importante aún, está diseñado para actualizar sus conocimientos a medida que cambian los datos, en lugar de requerir una nueva capacitación desde cero.

Para el diseño de chips, la robótica y otros ámbitos en los que el sistema necesita comprender reglas físicas en lugar de patrones lingüísticos, sostiene que las EBM son más adecuadas de forma natural. «Cuando conduces un coche, no buscas patrones en ningún idioma. Miras a tu alrededor, comprendes las reglas del mundo que te rodea y tomas una decisión». Es un argumento interesante que probablemente ganará más atención en los próximos meses, a medida que el campo de la IA comience a cuestionarse si la escala por sí sola es suficiente.

Agentes, vallas y confianza.

Shevelenko pasó gran parte de la conversación explicando cómo Perplexity ha evolucionado de un producto de búsqueda a lo que ahora llama un «trabajador digital». Perplexity Computer, su última oferta, está diseñada no como una herramienta que utiliza un trabajador del conocimiento, sino como un personal que dirige un trabajador del conocimiento. «Cada día te despiertas y tienes cien empleados en tu equipo», dijo sobre la oportunidad. «¿Qué vas a hacer para aprovecharlo al máximo?»

Es un discurso convincente; También plantea preguntas obvias sobre el control, así que les pregunté. Su respuesta fue: granularidad. Los administradores empresariales pueden determinar no sólo a qué conectores y herramientas puede acceder un agente, sino también si esos permisos son de solo lectura o de lectura y escritura, una distinción que es muy importante cuando los agentes operan dentro de sistemas corporativos. Cuando Comet, el agente de uso de computadoras de Perplexity, toma medidas en nombre de un usuario, primero presenta un plan y solicita aprobación. Algunos usuarios encuentran molesta la fricción, dijo Shevelenko, pero dijo que la ve como esencial, especialmente después de unirse a la junta directiva de Lazard, donde dijo que simpatizaba inesperadamente con los instintos conservadores de un CISO que protege una marca de 180 años construida enteramente sobre la confianza del cliente. «Los cereales son la base de una buena higiene y seguridad», afirmó.

Soberanía, no sólo seguridad

Younis ofreció lo que quizás fue la observación más cargada geopolíticamente del panel, que fue que la IA física y la soberanía nacional están entrelazadas de maneras que la IA puramente digital nunca lo estuvo.

Inicialmente, Internet despegó como una tecnología estadounidense y enfrentó un retroceso sólo en la capa de aplicaciones (Ubers y DoorDashes) cuando las ramificaciones fuera de línea se hicieron evidentes. La IA física es diferente. Vehículos autónomos, drones de defensa, equipos de minería, maquinaria agrícola: todo esto se manifiesta en el mundo real de maneras que los gobiernos no pueden ignorar, planteando interrogantes sobre la seguridad, la recopilación de datos y quién controla en última instancia los sistemas que operan dentro de las fronteras de una nación. «Casi constantemente, todos los países dicen: no queremos esta inteligencia en forma física en nuestras fronteras, bajo el control de otro país». Menos naciones, dijo a la multitud, actualmente pueden desplegar taxis robóticos que las que poseen armas nucleares.

Fouquet lo planteó de forma un poco diferente. El progreso de la IA en China es real (el lanzamiento de DeepSeek a principios de este año causó una especie de pánico en partes de la industria), pero ese progreso es limitado por debajo de la capa del modelo. Sin acceso a la litografía EUV, los fabricantes de chips chinos no pueden producir los semiconductores más avanzados, y los modelos construidos con hardware más antiguo están en desventaja, sin importar cuán bueno sea el software. «Hoy en día, en Estados Unidos, tienes datos, tienes acceso a computadoras, tienes chips, tienes talento. China está haciendo un muy buen trabajo en la cima de la lista, pero le faltan algunos elementos debajo», dijo Fouquet.

Una cuestión de generación

Hacia el final de nuestro panel, alguien en la audiencia hizo una pregunta obviamente incómoda: ¿Afectará todo esto la capacidad de la próxima generación para pensar críticamente?

Las respuestas fueron optimistas, como cabría esperar de personas que han invertido su carrera en esta tecnología. DeSouza inmediatamente señaló la magnitud de los problemas que herramientas más poderosas finalmente podrían permitir a la humanidad abordar. Pensemos en las enfermedades neurológicas cuyos mecanismos biológicos aún no entendemos, la eliminación de gases de efecto invernadero y la infraestructura de redes que se ha retrasado durante décadas. «Esto debería liberarnos para pasar al siguiente nivel de creatividad», afirmó.

Shevelenko hizo un comentario más pragmático: el trabajo inicial puede estar desapareciendo, pero la capacidad de empezar algo por tu cuenta nunca ha sido más asequible. «(Para) cualquiera que tenga una computadora Perplexity… el límite es su curiosidad y agencia».

Younis trazó la distinción más clara entre trabajo basado en el conocimiento y trabajo manual. Señaló el hecho de que el agricultor estadounidense promedio tiene 58 años y que la escasez de mano de obra en la minería, los transportes de larga distancia y la agricultura es crónica y creciente, no porque los salarios sean demasiado bajos, sino porque la gente no quiere esos empleos. En esos ámbitos, la IA física no desplaza a los trabajadores dispuestos. Llena un vacío que ya existe y que a partir de ahora sólo se profundizará.