Académicos en inteligencia artificial redefinen métodos y retos en la investigación universitaria actual

La academia de IA atrapada en tierra de gigantes ocultos

Hace menos de una semana, un grupo selecto de investigadores de IA se juntó en Mountain View, California, a escasos 30 millas al sur de San Francisco, en un evento avalado por el programa Schmidt Sciences AI2050, financiado por Eric y Wendy Schmidt. Allí estaban algunos de los cerebros más respetados y prometedores del campo. Pero, ojo, lo curioso no es la reunión en sí: es la tensión palpable entre lo que hacen los mejores laboratorios universitarios y las bestias privadas de la inteligencia artificial que dominan el juego.

En los últimos cuatro años, la investigación en IA se ha trastocado brutalmente. Antes, la universidad mandaba la parada; ahora, las compañías con cajas llenas de GPUs estratosféricas (¿alguien dijo OpenAI y Anthropic?) son las dueñas del pastel. Universidad no puede ni mantener el ritmo, ni acceder a los modelos top como ChatGPT o Claude porque, simple, no meten prisa para abrir el código ni compartir detalles internos. Por ejemplo, la profesora Nika Haghtalab de UC Berkeley compara esta situación con un biólogo sin acceso a CRISPR, mientras las empresas se quedan con la tijera en la mano. ¿Moralidad o pragmatismo puro?

Que el AI2050 les ponga algún dinerillo para comprar GPUs no cambia el problema de base: el dinero público para ciencia se está secando en EE.UU., y el coste repetido de hacer queries a APIs comerciales para estudiar estos modelos es cada vez más impagable. Así que los académicos empiezan a virar su foco: olvídate de competir en capacidad, apuesto más por criticar lo que esas empresas ni van a tocar porque no da $$$ o les clientea mal. O simplemente buscan otros nichos menos mediáticos y más científicos, porque sí, todavía quedan.

¿Por qué nadie más puede hurgar en las tripas de Claude y ChatGPT?

Este asunto no es sólo una conspiración para esconder el motor. Las razones son mucho más concretas y prácticas: modelos masivos, con billones de parámetros, que necesitan miles de dólares en hardware para entrenarlos y mantenerlos, juegan en otra liga. EL dinero mueve montañas (o clusters de GPUs), y las grandes tech no piensan regalar ni un byte de sus secretos.

Algunos académicos lo ven como una mafia tech: si quieren avanzar aquí, tendrán que pasar por caja, invitando a OpenAI o Anthropic a ser juez y parte de cualquier investigación. Y sin transparencia, difícilmente pueden replicar experimentos, hacer ingeniería inversa o señalar fallos sistémicos como sesgos de género o raciales. ¿Recuerdas aquella investigación de Anjalie Field en Johns Hopkins que encontró que los modelos son menos sofisticados con prompts escritos típicamente por mujeres? Un bombazo que dudo que las propias empresas hayan querido publicitar.

Claro, la cuestión es que las empresas persiguen beneficio, y si metes las narices donde incomoda, te arriesgas a que te veten, bloqueen o directamente “pierdan interés” en tu trabajo. Esa es la cruda realidad: la academia puede ayudar a denunciar fallos, sesgos y lagunas, pero sin acceso al diseño y entrenamiento, su campo de acción se limita a observar el comportamiento final del producto (una caja negra gigante).

El ostracismo del AI especializado y la gran sombra del LLM

Un detalle que casi nadie menciona y que me interesa destacar: no todo IA es ChatGPT o Claude. Hay una multitud de investigadores trabajando con modelos específicos para problemas particulares que no compiten con las grandes LLM (modelos de lenguaje grande). Desde predicciones meteorológicas y simulaciones físicas hasta algoritmos que intentan luchar contra el cambio climático.

El problema es que todo el mundo confunde IA con “el monstruo LLM que consume energía, es gigante y está en boca de todos”. Esta ignorancia general limita la visibilidad, la financiación y el soporte a estos proyectos menos rimbombantes, pero no menos críticos para la ciencia y el planeta. ¿Recuerdas que Google DeepMind, que tenía un proyecto ganador del Nobel como AlphaFold (desentrañando estructuras de proteínas), destrozó ese equipo el mes pasado? Por un lado, porque el negocio se orienta hacia lo que vende. Por otro, porque el hype se come a lo olvidable.

Esta situación genera frustración en investigadores que batallan por justificar su trabajo, intentando combatir el prejuicio de que “eso que hacen no es IA porque no genera conversaciones chulas”. Así ruedan, a contracorriente, pero sin duda son la punta de lanza real de la aplicación útil y social.

El éxodo silencioso: ¿la universidad pierde cerebros ante la industria?

No es un secreto que varios de los principales académicos en IA, incluso dentro del círculo Schmidt AI2050, están tirando la toalla o fragmentando su tiempo entre el sector privado y la universidad. La glotonería de las grandes labs, sus sueldos y acceso al hardware convirtieron el mercado laboral de IA en una tigresa que se come a su propia cría… universitaria.

Este movimiento genera un problema doble. Por un lado, se vacían prestigiosas instituciones de talento, quedando empequeñecidas y menos capaces de liderar investigación puntera. Por otro, algunos mantienen posiciones mixtas (industry + academia) con la esperanza de sobrevivir en ambos mundos, aunque con los cuernos en la mano. Y claro, las universidades pierden autonomía y peso en la agenda científica global.

Como si fuera poco, hay otro factor que nadie parece querer confrontar: la amenaza de la IA en campos puros como la matemática. Expertos han visto cómo los modelos de OpenAI empiezan a resolver problemas complejos de matemáticas reales, con resultados a veces más rápidos que los propios humanos. Imagina la camisa de fuerza que esto crea para los matemáticos profesionales, con sus egos, hábitos, y angustias mentales. Lo que parecía un campo sagrado, ahora es disputado por algoritmos que no se cansan, no se desaniman y no necesitan cafés.

¿Los matemáticos están en peligro? Los científicos también tienen que reinventarse

Fríamente, el impacto del avance de estas IA ni siquiera es homogéneo. Mientras que las matemáticas teóricas pueden pasar por un momento incómodo (época de angustias existenciales, al parecer), las ciencias experimentales tendrán otra historia distinta que contar. Recopilar datos no es cosa de apretar un botón: lleva tiempo, esfuerzo, recursos. Nada que una máquina que “sólo piensa” pueda acelerar fácilmente sin que un humano le provea jugo en condiciones.

Lo interesante es que, desde Carnegie Mellon, Tim Dettmers —investigador comprometido con hacer IA más barata y rápida— apuesta fuerte por un futuro en el que los científicos IA no arrebatan el trabajo a los humanos, sino que los potencian brutalmente. Suena bonito, ¿verdad? Que en lugar de la amenaza, llega la señal de auxilio tecnológica, donde la maquinaria libera a los humanos para que enfoquen su talento donde de verdad importa: en idear locuras geniales, en explorar hipótesis que antes ni se planteaban por falta de tiempo o capacidad.

Por eso, quizás la revolución no sea que todo lo haga una IA omnipresente, sino que la academia y la industria se junten para crear modelos más pequeños, más eficientes y menos demandantes. El hambre insaciable de GPUs podría inspirar descubrimientos que cambien totalmente las reglas del juego.

¿Un futuro académico con patas o todo controlado por las multinacionales?

No todo es un drama ni un imposible. Aunque las grandes empresas tienen el mando ahora, no significa que la academia esté al borde del abismo. El talento es creativo, desobediente y muchas veces funciona con la fuerza de la necesidad y la limitación.

Los investigadores enfrentan hardware limitado, falta de acceso y escaso presupuesto; pero estas limitaciones los empujan a inventar nuevos métodos, explorar arquitecturas desconocidas o a optimizar al máximo. Si alguien cree que el próximo avance crucial en IA surgirá únicamente de un gigante con miles de GPUs, está muy equivocado.

Apuesta cada vez más por que el disruptor venga de un laboratorio pequeño, de un grupo resiliente que toca puertas con un presupuesto ajustado pero con ideas enormes. Así que, aunque el tablero parezca manipulado, la partida aún tiene movimientos inesperados.

¿Llegará ese momento en que el poder académico retome el timón de la innovación en IA? ¿O simplemente aceptaremos que los grandes capitales modelan el futuro científica y social? La humanidad observa y, mientras tanto, los algoritmos siguen entrenando.

Artículos Relacionados