AI Moats en la era de las leyes de escalado

Por TheSequence · The Sequence Opinion, Issue 926.

El artículo, de carácter de opinión, plantea una pregunta central: ¿cuál es el valor económico de ser el primero en alcanzar cierto nivel de inteligencia artificial cuando esa inteligencia resulta cada vez más reproducible por otros?

Para ilustrarlo, el autor propone un ejercicio mental: imaginemos un laboratorio de IA que invierte varios miles de millones de dólares en chips, energía, investigadores y datos, y que como resultado entrena el mejor modelo del mundo. Los benchmarks mejoran, los desarrolladores migran hacia ese modelo y su lanzamiento se convierte en un acontecimiento para toda la industria. Durante un instante, esa compañía se asemeja a un castillo medieval de muros muy gruesos.

Sin embargo, el texto señala que ocurre algo extraño poco después: en apenas seis meses, otro laboratorio alcanza una capacidad aproximadamente equivalente. Un modelo abierto ofrece la mayor parte de esas capacidades a una fracción del precio. La destilación permite comprimir partes del comportamiento del modelo original en sistemas más pequeños. Y un 'router' empieza silenciosamente a enviar cada consulta al modelo que resulte más barato o más adecuado en cada momento. El castillo, dice el autor, sigue siendo impresionante, pero el foso defensivo (el 'moat') se ha desplazado.

Para analizar este fenómeno, el artículo recurre al marco de los 'Seven Powers' de Hamilton Helmer, que resulta útil porque distingue entre tener un buen producto y tener un negocio duradero. Según ese marco, el poder competitivo requiere dos elementos: un beneficio (algo valioso) y una barrera (algo que impida a los competidores replicarlo fácilmente).

El autor sostiene que la IA es inusualmente buena fabricando 'castillos': las leyes de escalado han hecho que la capacidad de los modelos sea parcialmente predecible, de modo que añadir cómputo, datos e ingeniería tiende a traducirse en mejoras de rendimiento. Matiza que la frontera de la IA no es una máquina expendedora exacta —no se puede introducir mil millones de dólares y obtener una unidad precisa de inteligencia—, pero reconoce que se acerca más a ese modelo que casi cualquier tecnología anterior.

Esa predictibilidad, señala, hace que el capital sea enormemente importante para competir en la frontera de la IA. Pero también advierte de que resulta peligrosamente fácil confundir ese capital con un verdadero 'moat' o barrera defensiva: gastar mucho dinero en entrenar el mejor modelo no garantiza, por sí solo, una ventaja competitiva sostenible, precisamente porque otros actores (laboratorios rivales, modelos abiertos, técnicas de destilación, sistemas de enrutamiento entre modelos) pueden erosionar esa ventaja en cuestión de meses.

El fragmento del correo se interrumpe justo cuando comienza la siguiente sección, titulada 'Progress Is Not Power...', por lo que no se dispone del desarrollo posterior del argumento en el cuerpo recibido.