Advierten que “ya hemos agotado todo el conocimiento humano” para entrenar a la IA

En la actualidad, el desarrollo de la inteligencia artificial ha alcanzado un punto crítico: el conocimiento humano disponible para entrenar algoritmos de IA ha sido prácticamente consumido en su totalidad.

Así lo afirma Pep Martorell, físico y doctor en informática, quien advierte que la base de datos utilizada hasta ahora se encuentra al borde de su agotamiento, situando a la tecnología frente a un desafío sin precedentes.

Cuánto conocimiento humano queda por consumir

En el podcast del canal de YouTube, Inteligencia Artificial, Martorell aseguró que “hemos agotado el conocimiento humano generado hasta la fecha para entrenar algoritmos de IA. No nos queda más”.

Si bien reconoce que podría existir alguna biblioteca todavía no digitalizada en algún rincón del planeta, sostiene que, en líneas generales, todo el volumen de información útil ya ha sido incorporado a los sistemas de entrenamiento. Libros, artículos, tesis, foros y la inmensa mayoría de los contenidos públicos de Internet han sido procesados y empleados para alimentar los modelos más avanzados.

El experto señala un problema adicional: la incapacidad de los humanos para producir nuevos datos al ritmo que exigen los modelos actuales. “La capacidad de los humanos de generar datos no es suficientemente grande como para que los algoritmos sigan creciendo”, explica.

A ello se suma un fenómeno de redundancia: buena parte de los contenidos generados por las personas tiende a repetirse, ya que en el fondo “nos repetimos”.

Por qué la IA ya no puede crecer solo con datos humanos

Hasta hace poco, la estrategia dominante para sostener el crecimiento de la inteligencia artificial consistía en emplear datos sintéticos, es decir, información generada por la propia IA a partir de los datos originales creados por humanos. No obstante, Martorell advierte que esta solución también arrastra un límite claro: “era un proceso circular, un ‘loop’, en el que la IA producía variaciones sobre el mismo material original”.

Este círculo vicioso impide que los modelos de IA exploren territorios realmente inéditos del conocimiento. Al depender de la información humana —y de sus propias reinterpretaciones—, la tecnología se encontraba encerrada en una especie de bucle, recombinando y refinando lo ya existente sin capacidad para ir más allá.

Cómo las técnicas matemáticas podrían ser la salvación

Ante este estancamiento, Martorell identifica un punto de inflexión basado en un avance metodológico de gran relevancia. “Hemos aprendido a explorar el resto del espacio”, resume, utilizando la imagen de un mapa incompleto para ilustrar la situación. Hasta ahora, la inteligencia artificial disponía apenas de unas pocas piezas de un puzle que representaba solo una fracción limitada del conocimiento posible.

El cambio reside en el desarrollo de técnicas matemáticas que permiten a la IA generar, de manera razonablemente precisa, las piezas que faltan. De este modo, la inteligencia artificial ya no se limita a recombinar datos existentes, sino que amplía el espacio explorado dentro de ese “mapa”. “Tenemos un mapa.

Y de este mapa solo tenemos la imagen como unas piezas del puzle de una pequeñita parte”, describe Martorell. El avance se apoya en que, gracias a estos métodos, la IA puede ahora crear esas piezas ausentes con un nivel de aproximación suficiente para seguir avanzando.

Qué significa haber llegado a este límite

El agotamiento del conocimiento humano tiene consecuencias profundas. Por un lado, marca el final de una etapa en el desarrollo de la IA, en la que absorber y procesar información humana era suficiente para mejorar los modelos y aumentar su capacidad. Al haber alcanzado ese tope, la tecnología debe reinventar su modo de crecimiento.

Esta situación obliga a los desarrolladores a buscar nuevas vías para que los sistemas de IA sigan evolucionando. La generación de datos sintéticos se presenta como una solución parcial, pero no definitiva. El verdadero salto reside en dotar a la inteligencia artificial de herramientas matemáticas y conceptuales que le permitan “completar el mapa” del conocimiento, incluso en áreas no exploradas previamente por el ser humano.