El éxodo de investigadores de Google DeepMind financia una apuesta contra el escalamiento de los LLM
Los investigadores de Google DeepMind están saliendo en una oleada visible, y varios exalumnos han recaudado sumas enormes para explorar alternativas a los grandes modelos de lenguaje. El éxodo de investigadores de Google DeepMind incluye ahora a veteranos de AlphaGo, aprendizaje por refuerzo, simulación y razonamiento de máquinas.
Estas salidas importan porque estos científicos no se limitan a recrear Gemini en empresas más pequeñas. Sus startups apuestan a que el aprendizaje continuo, la difusión, la simulación y la planificación pueden superar las limitaciones que perciben en los modelos de lenguaje basados en transformadores.
Esto supone una incómoda inversión para Google. DeepMind construyó su reputación mediante programas de investigación que aprendían de la interacción, los juegos, los datos científicos y los entornos simulados. La presión comercial concentra ahora la atención en Gemini, mientras algunos investigadores responsables de los éxitos anteriores de DeepMind reconstruyen esas tradiciones experimentales en otros lugares.
Por tanto, la competencia central no enfrenta a Google con una sola startup. Enfrenta la estrategia dominante de escalar modelos de lenguaje con una creciente colección de sistemas alternativos de aprendizaje.
Los inversores tratan a los propios investigadores como activos valiosos. Sin embargo, las grandes rondas de financiación no pueden demostrar si sus nuevas arquitecturas superarán a los LLM en tareas útiles y medibles.
El éxodo de investigadores de Google DeepMind se convierte en una vía de financiación
Una colección de salidas individuales se ha transformado en una vía repetible que va de la investigación de DeepMind a la creación de startups fuertemente financiadas.
La imagen más clara surgió de una reunión informal celebrada en Londres durante septiembre. Según informes, quince empleados actuales y antiguos de DeepMind se reunieron cerca de la sede de Google en el Reino Unido y hablaron sobre lo que los inversores de Silicon Valley querían financiar.
Ese desayuno no fue un anuncio de financiación. Aun así, resultó revelador porque reunió en una misma sala a empleados activos, exalumnos, ambiciones emprendedoras y demanda de capital riesgo.
El reportaje sobre el éxodo identifica varios proyectos surgidos de esta red. Cada uno aplica una tesis técnica diferente a la pregunta de qué debería seguir a la actual era de los LLM.
Nando de Freitas, quien pasó cerca de una década en DeepMind, está supuestamente negociando una ronda inicial de al menos 100 millones de dólares. Su empresa propuesta, Revolution Labs, se centraría en modelos de difusión en vez de en la arquitectura de transformadores que sustenta la mayoría de los chatbots líderes.
Los modelos de difusión aprenden a revertir un proceso que corrompe gradualmente los datos con ruido. Se asocian ampliamente con la generación de imágenes, aunque los investigadores pueden aplicar el enfoque subyacente a otras formas de predicción.
David Silver, uno de los investigadores centrales detrás de AlphaGo, se fue para fundar Ineffable Intelligence. Bloomberg informó por separado que la empresa recaudó 1.100 millones de dólares con una valoración de 5.100 millones de dólares.
Ineffable está desarrollando un sistema de aprendizaje diseñado para ir más allá del entrenamiento estático. Su arquitectura exacta y su rendimiento siguen en gran medida fuera de la vista pública.
Thore Graepel, otro colaborador de AlphaGo, dejó DeepMind durante el verano. Según informes, busca financiación para Metis Reasoning, centrada en sistemas de razonamiento para ciencia, ingeniería y robótica.
Emulate sigue una ruta diferente. La empresa fue fundada por antiguos investigadores de DeepMind, incluido Jack Parker-Holder, y según informes está negociando una financiación de 700 millones de dólares.
Su objetivo es construir sistemas que simulen y predigan el mundo real. Eso la sitúa más cerca de los modelos del mundo, que representan entornos y predicen cómo cambian esos entornos después de una acción.
A estas iniciativas se suman escisiones más pequeñas de DeepMind que trabajan en programación, agentes, robótica, descubrimiento científico y aprendizaje continuo. No forman una organización coordinada, y sus planes técnicos no deben considerarse intercambiables.
Lo que las conecta es el mecanismo de financiación. Los inversores identifican a investigadores asociados con avances reconocidos y luego financian nuevos laboratorios antes de que estos tengan productos maduros.
El modelo invierte la secuencia habitual de las startups. Una empresa convencional demuestra la demanda, encuentra ajuste producto-mercado y recauda rondas mayores a medida que se acumula la evidencia.
Estos laboratorios de IA pueden recaudar capital sustancial en torno a un equipo, una tesis de investigación y un historial institucional respetado. Las demostraciones públicas y los ingresos fiables pueden llegar mucho después.
Esa secuencia da a los fundadores tiempo para perseguir investigaciones difíciles. También traslada gran parte del riesgo técnico y comercial a inversores que compran credenciales antes que resultados.
El enfoque comercial de Gemini cambia el coste de quedarse
Google afronta presión porque el mismo enfoque comercial que vuelve estratégicamente esencial a Gemini puede estrechar la libertad que atrajo talento investigador a DeepMind.
Históricamente, DeepMind dio a los investigadores margen para estudiar aprendizaje, planificación, juegos, biología y algoritmos de propósito general. AlphaGo se convirtió en su resultado definitorio porque combinaba redes neuronales, búsqueda y aprendizaje por refuerzo.
El aprendizaje por refuerzo permite que un sistema mejore al recibir retroalimentación de sus acciones. Se diferencia de simplemente predecir el siguiente elemento de un conjunto de datos fijo.
AlphaGo aprendió de partidas de expertos y de repetidas partidas contra sí mismo. Más tarde, AlphaGo Zero eliminó los registros de partidas humanas y aprendió mediante juegos contra sí mismo.
El registro de AlphaGo de Google describe cómo el sistema combinó redes de política y valor con búsqueda. Ese linaje sigue siendo importante porque varios investigadores que se marcharon ayudaron a construirlo.
Los grandes modelos de lenguaje operan de otra manera. Los transformadores aprenden relaciones estadísticas a partir de enormes conjuntos de datos y generan resultados prediciendo tokens, que son pequeñas unidades de texto o código.
Los sistemas modernos añaden herramientas, recuperación de información, entradas multimodales y aprendizaje por refuerzo. Aun así, la competencia comercial se centra en gran medida en la escala de los modelos, el rendimiento de programación, las funciones de agentes y el despliegue en productos existentes.
Google necesita Gemini para competir con OpenAI y Anthropic en asistentes para consumidores, software empresarial, búsqueda, servicios en la nube y herramientas para desarrolladores. Eso genera una comprensible demanda de ejecución concentrada.
El antiguo científico de DeepMind Janusz Marecki describió una consecuencia interna más difícil. Le dijo a Bloomberg que los equipos enfrentaban presión desde arriba para abandonar otros trabajos y centrarse en los grandes modelos de lenguaje.
Marecki trabaja ahora en Ahren Innovation Capital mientras recauda fondos para su propia empresa de aprendizaje continuo, FractalBrain. Su perspectiva combina los papeles de antiguo empleado, inversor y potencial fundador.
Su relato no demuestra que todos los equipos de DeepMind enfrenten la misma dirección. Sí explica por qué la financiación independiente puede resultar atractiva para investigadores con ideas menos inmediatas desde el punto de vista comercial.
Un científico que trabaja dentro de Google obtiene capacidad de cómputo, apoyo de ingeniería, datos propietarios y acceso a productos desplegados. Irse implica renunciar a esas ventajas y asumir riesgos de financiación, contratación, operaciones y producto.
El intercambio se vuelve atractivo cuando los inversores ofrecen capital suficiente para recrear un entorno de investigación sin la misma hoja de ruta. El mercado actual está haciendo disponible esa opción antes de lo habitual.
Los cambios de liderazgo de DeepMind reforzaron la percepción de una transición. Demis Hassabis pasó al puesto de científico jefe de Alphabet, mientras Koray Kavukcuoglu asumió el control diario del laboratorio.
Hassabis ha rechazado la idea de que el movimiento de talento represente una fuga de cerebros en una sola dirección. Sostiene que los laboratorios líderes intercambian investigadores y que Google continúa manteniendo una amplia plantilla de investigación.
Esa defensa tiene fundamento real. Google aún emplea grandes equipos, opera una extensa infraestructura informática y trabaja en lenguaje, vídeo, biología, matemáticas, robótica y simulación.
Su propia investigación también complica cualquier afirmación de que Google abandonó las alternativas a los LLM. El programa Genie de la empresa desarrolla explícitamente modelos del mundo interactivos.
Los detalles publicados de Genie 3 describen un sistema que crea entornos explorables a partir de texto. Google posiciona esos entornos como espacios de entrenamiento y evaluación para agentes.
Por tanto, Google ocupa ambos lados de la competencia emergente. Está comercializando una importante familia de LLM mientras continúa investigando modelos del mundo, planificación, ciencia y agentes incorporados.
La presión proviene de la asignación de recursos, la velocidad y la autonomía de los investigadores. Una amplia cartera corporativa aún puede hacer que científicos individuales sientan que su camino preferido carece de prioridad suficiente.
Los antiguos DeepMinders reabren la cuestión de la arquitectura
Las startups cuestionan la suposición de que una mejor inteligencia surgirá principalmente de modelos de lenguaje más grandes, más datos y cómputo adicional en tiempo de inferencia.
Los LLM más potentes pueden escribir software, analizar documentos, usar herramientas y trabajar con texto, audio, imágenes y vídeo. Esos logros convierten al modelado del lenguaje en el referente al que debe enfrentarse toda alternativa.
Sin embargo, una salida fluida no garantiza un modelo interno fiable de las consecuencias físicas. Un sistema puede describir cómo mover un objeto sin controlar un robot que deba realizar ese movimiento.
Los modelos del mundo abordan esa brecha aprendiendo cómo cambia un entorno con el tiempo. Pueden ayudar a un agente a predecir el resultado probable de una acción antes de realizarla.
La distinción importa para la robótica, los vehículos autónomos, el entretenimiento interactivo y la planificación científica. Esos ámbitos exigen más que generar una respuesta verbal plausible.
Un robot que se encuentra con una taza debe estimar geometría, fricción, fuerza, equilibrio e incertidumbre. Después debe ajustarse si el objeto se mueve de forma distinta a lo esperado.
El debate sobre los modelos del mundo ha atraído a investigadores que buscan una IA capaz de comprender el espacio y el tiempo. También ha atraído a inversores que miran más allá de los saturados mercados de chatbots.
Sin embargo, “modelo del mundo” abarca varios sistemas distintos. Algunos generan entornos visualmente convincentes, mientras otros intentan lograr simulación física precisa o planificación de acciones.
Un vídeo hermoso no es automáticamente un simulador fiable. Puede preservar la apariencia superficial mientras vulnera la causalidad, la permanencia de los objetos o las restricciones físicas.
El aprendizaje continuo presenta otra alternativa. La mayoría de los modelos de lenguaje desplegados se entrenan, ajustan y luego se lanzan como sistemas relativamente fijos.
La recuperación de información puede aportar datos actuales sin cambiar los parámetros aprendidos del modelo. El ajuste fino puede actualizar el comportamiento, pero normalmente requiere un proceso de entrenamiento independiente.
Un sistema de aprendizaje continuo incorporaría nueva experiencia mientras opera. Esa promesa plantea preguntas difíciles sobre estabilidad, seguridad, evaluación y la pérdida de capacidades aprendidas previamente.
El razonamiento basado en difusión ofrece una tercera vía. Un modelo autorregresivo genera tokens secuencialmente, mientras que los enfoques de difusión pueden refinar un resultado candidato mediante pasos repetidos de eliminación de ruido.
Sus defensores creen que ese proceso puede permitir generación paralela o corrección iterativa. Aún deben demostrar que ofrece una ventaja significativa en coste, fiabilidad o calidad de razonamiento.
Metis Reasoning parece apuntar al razonamiento estructurado en situaciones desconocidas. Esa ambición evoca los trabajos anteriores de DeepMind sobre búsqueda y planificación, aunque los detalles técnicos públicos siguen siendo limitados.
El hilo común no es un rechazo al lenguaje. Estas startups aún pueden utilizar transformers, interfaces lingüísticas o componentes de LLM dentro de sistemas más amplios.
Su apuesta es que la predicción del lenguaje por sí sola no ofrece todos los mecanismos necesarios para la inteligencia general. La interacción, el aprendizaje persistente, la simulación y la planificación explícita deben tener más peso.
Este argumento también recupera una identidad más antigua de DeepMind. AlphaGo no se volvió relevante por mantener una mejor conversación sobre Go.
Evaluaba posiciones, exploraba jugadas futuras y mejoraba mediante el juego. Más tarde, MuZero aprendió a planificar sin recibir de antemano las reglas de sus entornos.
Los científicos que se marchan ahora aplican intuiciones relacionadas a entornos menos estructurados. Quieren máquinas que descubran comportamientos útiles a través de la experiencia, en lugar de absorber únicamente resultados humanos registrados.
Es una transición exigente. Los juegos tienen acciones claras, resultados medibles y abundante práctica simulada.
Los entornos reales son ruidosos, se observan de forma parcial y resultan costosos de explorar. Una acción equivocada en un juego de tablero simulado no tiene coste físico, mientras que un error robótico puede dañar equipos.
Por tanto, la tesis de arquitecturas alternativas solo tendrá éxito si estos sistemas funcionan bajo restricciones reales. Las ideas de investigación elegantes deben convertirse finalmente en productos fiables.
Google compite con su propio legado de investigación
La inversión central es que la celebrada trayectoria investigadora de DeepMind ahora ayuda a antiguos empleados a recaudar fondos para desafiar la prioridad comercial actual de Google.
Los inversores no evalúan a estos fundadores como equipos desconocidos. Están valorando una asociación con AlphaGo, AlphaFold, MuZero, Gemini y otros programas reconocidos.
Silver y Graepel contribuyeron a investigaciones que demostraron aprendizaje y planificación más allá del entrenamiento supervisado convencional. Parker-Holder trabajó en entornos interactivos, incluida la línea de investigación Genie.
Ese historial ofrece a los inversores una razón creíble para escuchar. No proporciona una garantía transferible de que una nueva empresa reproducirá el éxito institucional de DeepMind.
Los grandes laboratorios combinan la visión individual con computación, datos, sistemas de ingeniería, procesos de seguridad, equipos de producto y años de conocimiento acumulado. Un fundador solo lleva una parte de esa estructura a una startup.
El creciente conjunto de datos de exalumnos contabiliza 68 empresas respaldadas por capital de riesgo fundadas por antiguos empleados de DeepMind. También identifica 18 empresas valoradas por encima de 1.000 millones de dólares.
Ese conjunto de datos utiliza una definición amplia de exalumnos de DeepMind. Incluye fundadores cuyo trabajo abarca modelos lingüísticos, software empresarial, robótica, salud, videojuegos y aplicaciones científicas.
Las cifras muestran el alcance de la red, no la tasa de éxito de un único movimiento técnico. Algunas de las empresas incluidas siguen próximas a la IA convencional basada en transformers.
Aun así, la red crea un volante de inercia práctico para las startups. Los exalumnos pueden contratar a colegas de confianza, obtener presentaciones y utilizar los proyectos de DeepMind como evidencia de su criterio técnico.
Los inversores también se benefician de la prueba social. Cuando un fondo reconocido participa en un tramo inicial de financiación, los participantes posteriores pueden interpretar ese compromiso como una validación parcial.
Bloomberg informa de que algunas nuevas rondas se están dividiendo en tramos. Los primeros inversores entran con una valoración, mientras que los inversores posteriores aportan más capital después de que el primer compromiso genere confianza.
Esa estructura puede producir valores de titular impresionantes antes de que una startup lance un producto. También hace que la identidad de los fundadores e inversores sea inusualmente importante.
Radical Ventures denomina a esta clase de empresas “neolab”, es decir, una compañía liderada por investigadores que persigue un avance técnico a largo plazo. Su análisis sobre neolabs afirma que más de 40 laboratorios de este tipo recaudaron 40.000 millones de dólares en tres años.
El término recoge un cambio organizativo real. La investigación de frontera ya no reside únicamente en universidades o empresas tecnológicas con ingresos consolidados.
El capital privado ahora puede reunir un nuevo laboratorio en torno a varios investigadores reconocidos. Los inversores aceptan largos plazos de investigación a cambio de exposición a una tecnología potencialmente fundacional.
El modelo tiene precedentes. OpenAI y Anthropic comenzaron como organizaciones lideradas por la investigación antes de desarrollar sistemas comerciales ampliamente utilizados.
Sin embargo, esos ejemplos pueden distorsionar las expectativas. Su éxito posterior no significa que todo laboratorio bien financiado encontrará un producto, un canal de distribución o una ventaja técnica sostenible.
Google también se beneficia cuando el ecosistema más amplio valida líneas de investigación que sigue persiguiendo. DeepMind no está excluida de los modelos del mundo, la IA científica, el aprendizaje por refuerzo ni la robótica.
En algunos casos, la empresa puede invertir en antiguos empleados, asociarse con sus startups o adquirir tecnología más adelante. Por tanto, la salida de talento no se traduce automáticamente en una pérdida estratégica permanente.
El riesgo mayor se refiere a la concentración. La investigación disruptiva suele requerir desacuerdo con el consenso actual y tiempo suficiente para investigar alternativas.
Si Google dirige a más investigadores hacia prioridades de Gemini a corto plazo, los laboratorios independientes pueden convertirse en los lugares donde las ideas competidoras reciben atención sostenida.
Por eso el éxodo de investigadores de Google DeepMind es más que una historia de personal. Redistribuye la autoridad para decidir qué preguntas de IA merecen capital significativo.
Las enormes valoraciones aún superan la evidencia pública
El argumento a favor de arquitecturas de IA alternativas es intelectualmente serio, pero el mercado de financiación está asignando valor más rápido de lo que la evidencia técnica puede justificar.
Varias startups analizadas en los reportajes han compartido información limitada sobre sus sistemas. Algunas no han publicado un modelo detallado, una suite de benchmarks, una hoja de ruta de producto ni un historial de ingresos.
Eso no es inusual en empresas que protegen investigaciones tempranas. Hace que las comparaciones sean difíciles para clientes, desarrolladores e investigadores externos.
La financiación no debe confundirse con validación técnica. Una gran ronda demuestra que los inversores aceptaron un riesgo bajo condiciones concretas.
No demuestra que la difusión superará a la generación autorregresiva, ni que el aprendizaje continuo pueda mantenerse estable. Tampoco establece que un modelo del mundo comprenda la física.
La valoración merece una cautela similar. Los valores de las startups privadas suelen reflejar el último acuerdo de financiación, en lugar del juicio continuo de un mercado líquido.
Los derechos especiales, los tramos escalonados y las distintas clases de acciones pueden separar aún más la cifra de titular de lo que realmente pagó cada inversor.
Marecki dijo a Bloomberg que algunas valoraciones de IA habían pasado de múltiplos cercanos a diez veces los ingresos a 200 o 300 veces los ingresos. Esa observación ilustra la ansiedad de los inversores, pero no es una medida universal del sector.
Varios neolabs tienen pocos ingresos que multiplicar. Su valoración se basa en el talento, la propiedad intelectual, el acceso a computación y la probabilidad de una futura ventaja técnica.
Las propias arquitecturas también afrontan problemas de evaluación sin resolver. Los LLM tienen benchmarks imperfectos, pero los desarrolladores pueden probar programación, matemáticas, latencia, coste, uso de herramientas y preferencia de los usuarios.
Un modelo general del mundo necesita pruebas distintas. La calidad visual por sí sola puede premiar sistemas que parecen convincentes mientras hacen predicciones físicamente imposibles.
El entrenamiento de robots requiere evidencia de que el aprendizaje simulado se transfiere a máquinas físicas. Los sistemas científicos requieren resultados prospectivos, no solo éxito en conjuntos de datos establecidos.
Los sistemas de aprendizaje continuo necesitan auditorías que muestren qué retuvieron, qué cambiaron y si los nuevos datos introdujeron comportamientos inseguros. Esas pruebas deben ejecutarse repetidamente a medida que evoluciona el modelo.
Los sistemas de razonamiento deben evaluarse fuera de distribuciones de problemas conocidas. De lo contrario, un modelo puede parecer capaz mientras reproduce patrones presentes en los datos de entrenamiento.
Los fundadores también afrontan un problema comercial. Los proveedores de LLM ya ofrecen productos útiles, plataformas de desarrollo consolidadas y una distribución creciente.
Un sistema alternativo no gana simplemente por ser conceptualmente diferente. Debe resolver una tarea valiosa lo bastante mejor como para justificar la integración, los costes de cambio y el riesgo operativo.
Los sistemas híbridos pueden resultar más realistas que los reemplazos totales. Un LLM puede interpretar instrucciones mientras un planificador, simulador o componente de aprendizaje por refuerzo controla decisiones especializadas.
Este resultado debilitaría el marco dramático de “post-LLM” sin invalidar a las startups. Su tecnología podría convertirse en una capa crucial dentro de una arquitectura más amplia.
Google está bien posicionada para ese futuro híbrido. Gemini puede proporcionar interfaces lingüísticas y multimodales, mientras que la investigación de DeepMind aporta capacidades de simulación, planificación y ciencia.
Las startups necesitan una diferenciación más clara. Deben demostrar que la independencia produce un avance que Google no puede igualar rápidamente con su propio talento e infraestructura.
Los inversores también necesitan disciplina respecto a la reputación de los fundadores. La experiencia en DeepMind es significativa, pero el prestigio institucional puede crear un halo que desaliente el escrutinio básico.
Las preguntas más importantes siguen siendo las habituales. ¿Qué tarea realiza el sistema, cómo se mide el rendimiento y cuánto cuesta cada resultado útil?
Hasta que esas respuestas se hagan públicas, el mercado está financiando una cartera de hipótesis. Aún no está seleccionando un sucesor verificado de los grandes modelos lingüísticos.
Tres señales mostrarán si la apuesta funciona
La próxima etapa se decidirá mediante demostraciones técnicas, uso por clientes y la respuesta de Google, en lugar de otra secuencia de titulares de financiación.
La primera señal será una evaluación pública de Ineffable Intelligence, Revolution Labs, Metis Reasoning o Emulate. Al menos una empresa debe demostrar una ventaja en una tarea que importe fuera de su propio benchmark.
En el aprendizaje continuo, eso significa adquirir nuevos conocimientos sin borrar capacidades anteriores. En el razonamiento, significa resolver problemas desconocidos con fiabilidad medible.
En simulación, la prueba consiste en determinar si los agentes entrenados dentro de entornos generados rinden mejor en sistemas reales. Una demostración visualmente llamativa no basta.
La replicación independiente reforzaría considerablemente el argumento. Los resultados verificados únicamente por una startup deben seguir considerándose afirmaciones de la empresa hasta que investigadores externos puedan examinarlos.
La segunda señal será un producto creíble o un despliegue con clientes. La robótica, la investigación de fármacos, la ingeniería, los sistemas autónomos y los videojuegos ofrecen posibles puntos de entrada.
Una aplicación acotada puede revelar más que una afirmación amplia sobre la inteligencia general. Obliga al modelo a operar con requisitos reales de latencia, seguridad y coste.
Los compradores empresariales deben examinar la arquitectura solo después de definir el problema. La novedad de un modelo importa menos cuando su resultado no puede encajar en un flujo de trabajo existente ni superar una auditoría.
Los equipos también necesitan registros de la información suministrada a los sistemas de IA y de las decisiones generadas a partir de ella. Una base de conocimiento de IA con capacidad de búsqueda puede preservar ese contexto entre herramientas cambiantes.
La tercera señal será la respuesta de Google. Las contrataciones, los paquetes de retención, las publicaciones de investigación, las adquisiciones y los cambios en la arquitectura de Gemini mostrarán cuán seriamente considera las salidas.
Google puede debilitar la tesis de las startups al ofrecer capacidades comparables de aprendizaje continuo, planificación o modelos del mundo dentro de productos ampliamente distribuidos. Su capacidad de computación y acceso a clientes siguen siendo ventajas considerables.
Un resultado sólido de una startup generaría la presión opuesta. Google tendría que proteger la investigación no basada en LLM de las exigencias comerciales inmediatas o arriesgarse a financiar a más competidores futuros.
El comportamiento del liderazgo importará tanto como los anuncios de modelos. Los investigadores necesitan pruebas de que los programas poco convencionales pueden sobrevivir el tiempo suficiente para dar resultados.
La salida de investigadores de Google DeepMind ya ha cambiado dónde buscan los inversores la próxima plataforma de IA. No ha determinado qué camino técnico se impondrá.
Los desarrolladores deberían seguir benchmarks reproducibles en lugar de los totales de financiación. Los compradores empresariales deberían exigir evidencia de despliegue, criterios de evaluación claros y una explicación de los modos de fallo.
Los trabajadores del conocimiento deberían esperar un conjunto más diverso de sistemas detrás de interfaces de IA conocidas. La próxima herramienta útil podría combinar lenguaje, memoria, simulación y planificación, en lugar de sustituir un modelo por otro.
La pregunta decisiva ya es medible: ¿pueden los antiguos miembros de DeepMind convertir la libertad de investigación y el abundante capital en sistemas que aprendan del mundo de forma más fiable que los LLM por sí solos?
