De I. J. Good a Flint: la larga y extraña búsqueda de una IA que se automejora

Por Turing Post · 28 de octubre de 2026.

Este episodio de la serie «AI Builds AI» de Turing Post arranca con una cita de Richard Socher (entrevista con TechCrunch, editada por extensión): su enfoque consiste en usar la apertura (open-endedness) para lograr la automejora recursiva, algo que según él nadie ha conseguido todavía. Socher sostiene que mucha gente asume que ocurre simplemente con la «auto-research»: se le pide a una IA que mejore otra cosa, ya sea un sistema de aprendizaje automático o una carta, pero eso, dice, no es automejora recursiva, es simplemente mejora.

Turing Post explica que esas conversaciones sobre automejora recursiva (RSI) inspiraron la serie. Recuerda que el aprendizaje automático lleva mucho tiempo automatizando partes de su propio desarrollo: se usaban redes neuronales para diseñar otras redes neuronales mucho antes del auge actual de la IA generativa, y Jürgen Schmidhuber exploraba estas ideas con su trabajo de 1987 sobre «aprender a aprender». La ambición de un sistema que mejora su propia capacidad de mejorar existe, por tanto, desde hace décadas.

La newsletter introduce además la noción de open-endedness: cómo un sistema sigue descubriendo cosas útiles, si puede encontrar nuevos problemas además de mejores soluciones a los existentes, y por qué los sistemas abiertos han resultado tan difíciles de construir. El objetivo es construir un «mapa de la RSI»: un mapa de sistemas e ideas que trabajan hacia la automejora abierta. Para situar algo en él hay que entender qué mejora, cómo elige su siguiente experimento, dónde guían los humanos el proceso y cómo los resultados realimentan la siguiente ronda. Según el texto, el mapa también servirá para navegar los miedos alrededor de la RSI.

El caso de estudio de hoy es Flint, el modelo de código de pesos abiertos de Recursive, diseñado para ejecutarse en local. Presuntamente, Flint se desarrolló con ayuda de la Eureka Machine, un sistema de investigación automatizada que propone ideas, las implementa y prueba los resultados. La pregunta del episodio es cuánto de ello es investigación automatizada ya conocida, dónde entra la apertura y qué haría el proceso verdaderamente recursivo.

Qué hace que la automejora sea recursiva: el texto señala que un correo mejorado por un modelo queda mejorado, pero eso no hace mejor al modelo. Lo recursivo es que la mejora vuelva al sistema que mejora: un mejor método de aprendizaje pasa a formar parte de cómo aprende, un mejor código de investigación forma parte de cómo realiza experimentos, y un mejor modelo forma parte de la maquinaria que desarrolla el siguiente. Hay que seguir lo que ocurre con el resultado después de producirlo.

Antecedentes históricos citados: en su ensayo de 1965 «Speculations Concerning the First Ultraintelligent Machine», el matemático I. J. Good señaló que diseñar máquinas es en sí una actividad intelectual, de modo que una máquina suficientemente inteligente podría diseñar otra mejor, que a su vez tendría mayor capacidad de diseño, desencadenando lo que llamó una «explosión de inteligencia». La tesis de Schmidhuber de 1987 exploró usar programación genética para mejorar la propia programación genética, es decir, que el sistema descubriera mejores formas de realizar sus propios cambios. Su propuesta de la máquina de Gödel (2003) hacía explícita la automodificación: el sistema buscaría una prueba matemática de que reescribir parte de su software sería útil y aplicaría el cambio al encontrarla, pudiendo modificar también su propia maquinaria de búsqueda de pruebas.

En paralelo, los investigadores convirtieron partes del desarrollo de IA en problemas de aprendizaje. En 2016, Barret Zoph y Quoc Le publicaron «Neural Architecture Search with Reinforcement Learning»: una red neuronal proponía arquitecturas de otras redes, que se entrenaban y evaluaban, y sus puntuaciones servían para entrenar a la red proponente. Ese mismo año, Marcin Andrychowicz y colegas publicaron «Learning to learn by gradient descent by gradient descent», donde usaron descenso de gradiente para entrenar un optimizador implementado como LSTM que aprendía a actualizar los pesos de otro modelo.

La conclusión de esta parte es que el aprendizaje automático ya había automatizado decisiones de arquitectura y métodos de entrenamiento aprendidos mucho antes de los actuales agentes de investigación. Para el mapa, la pregunta útil es qué partes del proceso puede cambiar un sistema y cómo afectan esos cambios a su trabajo posterior; eso permitirá examinar con más precisión cómo los descubrimientos de Eureka ayudaron a construir Flint y cómo un modelo así podría reforzar las capacidades de investigación de Eureka. Queda por explorar otra dimensión: un sistema puede mejorar sus métodos persiguiendo siempre la misma tarea y objetivo, mientras que la apertura plantea cómo sigue descubriendo posibilidades nuevas, incluidos problemas que sus diseñadores no especificaron al inicio.

El resto del episodio (novelty search y POET, qué aporta la apertura a la RSI, qué contribuyó Eureka a Flint, si es solo «autoresearch» sofisticado, dónde se cierra el bucle y preguntas frecuentes) queda tras el muro de pago para suscriptores Premium, por lo que este resumen no cubre esas secciones.