Nathan Lambert y Tom Zick lanzan Trillium Labs, un laboratorio sin ánimo de lucro por la ciencia abierta en IA

Trillium Labs es el nombre del nuevo laboratorio sin ánimo de lucro anunciado el 1 de octubre de 2026 por Nathan Lambert, investigador conocido en el ecosistema de IA abierta, y Tom Zick, a quien describe como "un amigo y colaborador de larga trayectoria". El proyecto se presenta con un objetivo concreto: fomentar la ciencia abierta en torno a la IA de frontera, empezando por el post-entrenamiento (la fase de ajuste tras el preentrenamiento, que incluye técnicas como el aprendizaje por refuerzo y el afinado con instrucciones) y con la intención de expandirse después a infraestructura abierta para estudiar fenómenos como la auto-mejora recursiva (RSI), el "reward hacking" (cuando un modelo explota fallos en la función de recompensa en lugar de resolver la tarea prevista) y los sistemas multiagente.

El anuncio arranca con un diagnóstico histórico: según Lambert y Zick, la IA moderna es hija de un "procomún científico" construido durante décadas entre universidades e industria, donde el conocimiento circulaba mediante artículos, código y benchmarks públicos. Citan dos ejemplos concretos que marcaron la última ola de IA generativa: el paper "Attention is All You Need", que introdujo la arquitectura transformer y salió de Google, y el paper de InstructGPT de OpenAI, que detalló a nivel de diseño algorítmico cómo aplicar el aprendizaje por refuerzo con feedback humano (RLHF). Ambos trabajos, señalan, permitieron que investigadores externos a esas compañías examinaran, adaptaran y ampliaran esas técnicas.

El argumento central del texto es que ese grifo de investigación abierta se ha ido cerrando justo cuando más importa: a medida que el post-entrenamiento se ha vuelto decisivo para las capacidades de razonamiento y de agentes autónomos, el acceso a recetas completas de entrenamiento se ha vuelto escaso. Los autores atribuyen este cierre a un cálculo económico simple: el coste de la transparencia ha subido al mismo ritmo que el valor comercial de ese conocimiento. Como ejemplo de la magnitud de las cifras en juego, el artículo recoge que, según el Wall Street Journal, la propuesta de salida a bolsa de Anthropic podría recaudar hasta 100.000 millones de dólares, una cifra que superaría la suma combinada de las salidas a bolsa de Saudi Aramco, Alibaba y SoftBank Corp (unos 78.000 millones de dólares). Un método que hace a un agente más fiable, razonan, también lo hace un mejor producto, así que publicarlo equivale a regalar a la competencia parte del conocimiento que sostiene esas valoraciones.

A este cierre comercial se suma, según el texto, una barrera práctica: reproducir un programa de entrenamiento serio exige tanta computación e ingeniería que los investigadores académicos no pueden rellenar por su cuenta los detalles que faltan. El resultado es una combinación que describen como peligrosa: empresas que podrían estar entrando en uno de los mayores periodos de crecimiento corporativo de la historia, desarrollando a la vez una tecnología de base cuyos efectos trascienden con mucho a sus clientes y accionistas, mientras la comunidad científica pierde capacidad de escrutinio independiente sobre decisiones de entrenamiento cada vez más consecuentes.

Frente a ese diagnóstico, Trillium Labs plantea una apuesta: que estos problemas —alinear los sistemas, asegurarlos, repartir sus beneficios por la sociedad— requieren una comunidad científica con recursos para investigarlos de forma independiente, porque un puñado de programas de investigación cerrados no puede aportar la diversidad de preguntas, métodos y perspectivas que exige una tecnología de este calado. Su propuesta concreta es construir recetas de post-entrenamiento completamente abiertas: no solo los modelos resultantes, sino los datos, el código, las evaluaciones y los checkpoints intermedios que permiten a otros investigadores estudiar cómo se desarrolla el comportamiento de un modelo paso a paso.

El artículo sitúa explícitamente a Trillium Labs como continuación de un trabajo que ya hacen otras organizaciones de IA abierta —mencionan al Allen Institute for AI, EleutherAI, OpenAthena, Nvidia y Hugging Face—, aunque sostienen que ese esfuerzo colectivo, por sí solo, no basta. Su argumento diferencial es la estructura sin ánimo de lucro: al no tener que proteger propiedad intelectual, dicen poder permitirse invertir en experimentos controlados, documentar entrenamientos fallidos, estudiar cómo una intervención en una etapa afecta al comportamiento del modelo en etapas posteriores, y publicar hallazgos que incluso contradigan sus propias hipótesis de partida. Definen su métrica de éxito no en términos de producto, sino de cuánta investigación independiente de terceros permiten generar sus recursos.

En cuanto a respaldo y recursos, el anuncio indica que el proyecto ha arrancado con apoyo de Halcyon Futures y Schmidt Sciences, y que buscan ampliar la financiación hacia una coalición diversa de financiadores que puedan discrepar sobre qué riesgos de la IA importan más o qué escenarios son más probables, pero coincidir en sostener una base científica común. El texto no detalla importes de esa financiación inicial ni un presupuesto global del laboratorio. Lambert y Zick anuncian además que están contratando (puestos a tiempo completo y colaboraciones o prácticas para estudiantes), que siguen buscando financiación y que necesitan acceso a computación, e invitan a quien esté interesado a contactar con ellos; Lambert precisa que estará en San Francisco hasta el 9 de octubre con motivo del lanzamiento.

El nombre del laboratorio remite a los trillium, flores efímeras de primavera que brotan antes de que el dosel del bosque se cierre: su floración es breve, pero alimenta a los primeros polinizadores y produce semillas que sostienen el crecimiento futuro. Los autores usan esta imagen para describir su propio modelo de trabajo: los lanzamientos de modelos serán "las flores visibles", mientras que las recetas de entrenamiento y la investigación que habilitan son lo que, según esperan, seguirá nutriendo el ecosistema científico mucho después.

Conviene leer este anuncio por lo que es: una declaración fundacional y una llamada a la acción —contratación, financiación, cómputo—, no un informe de resultados. El texto no incluye todavía recetas publicadas, modelos liberados, cifras de personal, hoja de ruta con fechas ni detalles técnicos sobre qué arquitecturas o escalas de modelo piensan abordar primero; todo eso queda, por ahora, en el terreno de la promesa. Su valor como noticia está en el diagnóstico que plantea sobre el cierre progresivo de la investigación en post-entrenamiento en la industria de la IA, en el intento de dotar a ese diagnóstico de una estructura institucional concreta respaldada por financiadores ya identificados, y en que llega firmado por una figura con trayectoria reconocible en el espacio de la IA abierta, lo que le da cierto peso inicial a la iniciativa dentro de esa comunidad.