En 1965, el matemático británico I.J. Good escribió que una máquina capaz de diseñar máquinas mejores que ella misma desataría una "explosión de inteligencia" imparable. Sesenta años después, un análisis publicado por MIT Technology Review el 18 de agosto de 2026 concluye que esa explosión sigue sin llegar.
El reportaje repasa por qué la automejora recursiva (recursive self-improvement o RSI), la idea de que un sistema de IA entrena a su propio sucesor sin intervención humana, avanza mucho más despacio de lo que anticipaban quienes apostaban por un despegue rápido hacia la superinteligencia.
TL;DR
- MIT Technology Review publicó el 18 de agosto de 2026 un análisis que cuestiona la velocidad de la automejora recursiva en sistemas de IA.- La idea de la "explosión de inteligencia" proviene de un texto de 1965 del matemático I.J. Good.- Sistemas actuales como el Darwin Gödel Machine de Sakana AI ya editan su propio código, pero de forma acotada y supervisada.- Los cuellos de botella identificados incluyen el costo de cómputo creciente, la escasez de datos nuevos de calidad y la falta de evaluación externa objetiva.- AutoML-Zero (Google, 2020) demostró que buscar arquitecturas desde cero funciona, pero con un costo computacional que escala con el espacio de búsqueda.- El riesgo técnico central es el sobreajuste a benchmarks propios cuando el mismo sistema genera y evalúa sus mejoras.- El debate divide a la comunidad de IA entre quienes ven una meseta de rendimiento y quienes sostienen que el despegue rápido solo se retrasó.
Qué pasó
El artículo de MIT Technology Review, publicado el 18 de agosto de 2026, plantea una pregunta directa: si los laboratorios de IA llevan años prometiendo sistemas capaces de mejorarse a sí mismos sin ayuda humana, ¿por qué la automejora recursiva no se traduce todavía en el despegue exponencial que predecían los teóricos de la singularidad?
El texto ubica el debate en 2026. Es el año en que varios laboratorios, incluidos los que financia la iniciativa estadounidense Genesis Mission con 5.000 millones de dólares para IA aplicada a la ciencia, apuestan a que la propia IA acelere su investigación futura. La National Science Foundation también construye infraestructura de cómputo específica para investigación en IA, según reportó Government Executive el mismo mes. El argumento central del análisis es otro: la automejora recursiva en sentido estricto, un sistema que entrena, evalúa y despliega a su sucesor sin intervención humana, todavía no se observa a la escala que predecía la teoría del despegue rápido.
La automejora recursiva supone que un sistema entrena a su sucesor sin intervención humana.
Contexto e historia
De 1965 a la singularidad
El concepto no es nuevo. I.J. Good, criptógrafo que trabajó junto a Alan Turing en Bletchley Park, escribió en 1965 que una "máquina ultrainteligente" podría diseñar máquinas todavía mejores, generando una explosión de inteligencia que dejaría atrás cualquier capacidad humana de control. En 1993, el matemático y escritor Vernor Vinge popularizó la idea bajo el nombre de "singularidad tecnológica". Nick Bostrom retomó el debate en su libro Superintelligence, distinguiendo entre un "despegue rápido" (cuestión de días o meses) y un "despegue lento" (cuestión de años o décadas).
La pregunta que plantea el análisis de 2026 es en qué punto de ese espectro está realmente la tecnología actual. La automejora recursiva, en su forma más pura, requiere que un sistema no solo genere mejoras candidatas, sino que además las evalúe y las adopte sin que un humano revise el resultado.
Los intentos reales, generación por generación
Varios proyectos ya exploran versiones acotadas de esta idea. AutoML-Zero, publicado por investigadores de Google en 2020, mostró que un sistema de búsqueda evolutiva puede descubrir desde cero algoritmos de aprendizaje automático competitivos, sin partir de arquitecturas diseñadas por humanos. AlphaZero y sus sucesores demostraron que el autojuego (self-play) permite a un sistema superar el nivel humano en juegos de información perfecta sin ver una sola partida jugada por personas. Más recientemente, Sakana AI presentó el Darwin Gödel Machine, un agente que reescribe su propio código fuente para mejorar su desempeño en tareas de programación, evaluando cada versión contra un conjunto de benchmarks antes de adoptarla.
Detalles técnicos y rendimiento de la automejora recursiva
Técnicamente, un ciclo de automejora recursiva necesita tres piezas: un generador de variantes, un evaluador y un mecanismo de selección. El generador propone cambios al modelo, al código o a la arquitectura. El evaluador mide si la variante es mejor. El mecanismo de selección decide si esa variante reemplaza a la versión anterior. El diagrama siguiente resume ese ciclo:
flowchart TD
A["Modelo base"] --> B["Genera una mejora candidata"]
B --> C["Evalua la mejora en un benchmark fijo"]
C --> D{"Mejora el puntaje?"}
D -->|"Si"| E["Adopta la nueva version"]
D -->|"No"| F["Descarta y ajusta la busqueda"]
E --> A
F --> B
La siguiente tabla compara los enfoques que hoy se usan como aproximaciones parciales a la automejora recursiva, cada uno con una limitación práctica distinta:
EnfoqueQué mejoraEjemplo conocidoLimitación prácticaBúsqueda de arquitecturas (AutoML/NAS)La arquitectura del modeloAutoML-Zero (Google, 2020)El costo de cómputo crece con el tamaño del espacio de búsquedaAutojuego (self-play)La política de decisiónAlphaZero y sus sucesoresFunciona bien solo en entornos con una señal de recompensa claraAutoedición de códigoEl propio código del agenteDarwin Gödel Machine (Sakana AI)Riesgo de sobreajustar a sus propios benchmarks de evaluaciónDestilación generacionalLos pesos del modelo sucesorEsquemas profesor-alumnoLa calidad del alumno queda acotada por la señal del profesor
⚠️ Ojo: cuando el mismo sistema que propone una mejora también decide si esa mejora es buena, el resultado tiende a sobreajustarse al criterio propio en lugar de mejorar en el mundo real. Por eso todo sistema de automejora recursiva serio necesita un benchmark externo y fijo que el generador nunca pueda modificar.
Un ciclo simplificado, sin ningún componente de IA real, ayuda a entender la mecánica de fondo. El siguiente ejemplo simula una búsqueda de tipo "hill climbing" que conserva la mejor variante encontrada:
def generar_variante(programa):
return programa + ' # variante generada'
def evaluar(programa, benchmark):
return benchmark(programa)
mejor_programa = programa_inicial
mejor_puntaje = evaluar(mejor_programa, benchmark_tareas)
for iteracion in range(20):
candidato = generar_variante(mejor_programa)
puntaje = evaluar(candidato, benchmark_tareas)
if puntaje > mejor_puntaje:
mejor_programa, mejor_puntaje = candidato, puntaje
print('Mejor puntaje tras 20 iteraciones:', mejor_puntaje)
Este bucle solo conserva una variante si supera a la anterior en el mismo benchmark. Con 20 iteraciones y un benchmark simple, el puntaje final debería ser igual o mayor al inicial. Si no mejora nada, es señal de que el generador de variantes no está explorando cambios útiles: el mismo problema de fondo que describe el análisis de MIT Technology Review a mayor escala.
Cómo probarlo
Para experimentar con un ciclo de automejora aplicado a código real, el patrón más simple es combinar una suite de tests con llamadas a un modelo de lenguaje que proponga correcciones cuando los tests fallan:
import subprocess
def pedir_mejora_al_modelo(codigo_actual, resultados_tests):
contexto = 'Código actual y tests que fallan:'
prompt = contexto + ' ' + codigo_actual + ' ' + resultados_tests + ' Proponé una version corregida que pase los tests.'
return llamar_llm(prompt)
def correr_tests():
resultado = subprocess.run(['pytest', '-q'], capture_output=True, text=True)
return resultado.returncode == 0, resultado.stdout
codigo = leer_archivo('agente.py')
for ronda in range(5):
ok, salida = correr_tests()
if ok:
break
codigo = pedir_mejora_al_modelo(codigo, salida)
escribir_archivo('agente.py', codigo)
La función llamar_llm representa cualquier cliente de API de un modelo de lenguaje. El punto clave no es qué proveedor se use, sino que correr_tests() siempre se ejecuta contra la misma suite fija, sin que el modelo pueda editarla. Eso es lo que evita que el generador haga trampa reescribiendo también el criterio de evaluación.
Para verificar si una ronda realmente mejoró el desempeño, y no solo el puntaje que el propio modelo reporta, conviene guardar el resultado contra un conjunto de pruebas separado ("held out") que nunca se le muestra al modelo generador, y comparar ambos puntajes con un comando simple, por ejemplo python benchmark.py --version v3 --set held_out. Si el puntaje sobre el conjunto reservado no sube al mismo ritmo que el de entrenamiento, hay sobreajuste.
Sakana AI probó agentes que reescriben su propio código de forma acotada.
Impacto y análisis
Si la automejora recursiva avanza más despacio de lo previsto, las consecuencias no son solo académicas. Buena parte del capex de IA anunciado en 2026 asume que la propia IA acelerará su propia investigación. Eso incluye programas como la Genesis Mission de Estados Unidos y el refuerzo de infraestructura de la NSF. Si ese efecto compuesto tarda más en llegar, los cronogramas de esas apuestas también deberían ajustarse.
💭 Clave: hay una diferencia importante entre "la IA hace más productivos a los investigadores humanos" (algo que ya ocurre, con herramientas de código asistido por agentes) y "la IA entrena a su sucesor sin humanos en el ciclo" (la definición estricta de automejora recursiva). Lo primero es real hoy; lo segundo sigue siendo, en gran medida, una proyección.
El análisis también toca un punto sensible: la dificultad de medir progreso cuando el propio sistema evaluado participa en diseñar su métrica. Es el mismo problema de fondo que motivó, en paralelo, un trabajo académico distinto. En agosto de 2026, la Seoul National University of Science and Technology presentó un marco para poner a prueba la robustez de sistemas de visión por computadora frente a variaciones que el propio modelo no generó.
Qué sigue
El propio reportaje deja la puerta abierta a que la automejora recursiva sí llegue, pero por un camino más gradual: mejoras compuestas, donde un modelo ligeramente mejor entrena a la siguiente generación con datos ligeramente mejores, en lugar de un salto discontinuo. En paralelo, crece el interés en investigación centrada en la colaboración humano-IA en lugar de la sustitución total. Un equipo de Carnegie Mellon University publicó en agosto de 2026 un estudio que plantea a los humanos y la IA como "compañeros de equipo" en tareas de investigación, un enfoque que no depende de que el sistema se automejore solo.
Lo más probable, a corto plazo, es que el debate se resuelva con más papers empíricos que midan directamente cuánto mejora un sistema entrenado por su predecesor sin intervención humana, en lugar de extrapolaciones teóricas sobre curvas de escalado.
📖 Resumen en Telegram: Ver resumen
Probalo vos: cloná un proyecto pequeño con una suite de tests automatizados, armá un bucle de cinco rondas como el del ejemplo de arriba y compará el puntaje contra un conjunto de pruebas reservado que nunca le muestres al modelo generador.
Preguntas frecuentes
¿Qué es la automejora recursiva (recursive self-improvement)?
Es la idea de que un sistema de inteligencia artificial puede diseñar, entrenar y desplegar una versión mejorada de sí mismo sin que un humano intervenga en ese ciclo, generación tras generación.
¿De dónde viene la idea de una "explosión de inteligencia"?
El matemático I.J. Good la planteó en 1965: una máquina "ultrainteligente" podría diseñar máquinas todavía mejores, en una cadena que se aceleraría sola.
¿Qué encontró el análisis de MIT Technology Review?
Que la automejora recursiva, en su forma estricta, avanza mucho más despacio de lo que predecían los defensores de un despegue rápido, por cuellos de botella técnicos concretos como el costo de cómputo y la falta de evaluación externa objetiva.
¿Hay sistemas que ya se automejoren hoy?
Existen aproximaciones parciales y supervisadas, como AutoML-Zero, AlphaZero y el Darwin Gödel Machine de Sakana AI, pero ninguno opera sin algún tipo de benchmark o supervisión fijados por humanos.
¿Cuál es el principal riesgo técnico de estos sistemas?
Que el mismo sistema que genera una mejora también la evalúe, lo que favorece el sobreajuste a un criterio propio en lugar de una mejora real y generalizable.
¿Esto significa que la superinteligencia no va a llegar?
No necesariamente. El análisis sugiere que el camino sería más gradual y compuesto, con mejoras incrementales entre generaciones, en lugar del despegue exponencial y discontinuo que planteaba la teoría original.
Referencias
- MIT Technology Review: el análisis original sobre por qué la automejora recursiva de la IA avanza más lento de lo esperado.- Wikipedia: definición y contexto histórico del concepto de automejora recursiva.- Wikipedia: origen del concepto de explosión de inteligencia a partir del texto de I.J. Good de 1965.- Sakana AI: laboratorio detrás del Darwin Gödel Machine, un agente que edita su propio código fuente.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Top comments (0)