5 arquitectos de la economía de la IA explican de dónde salen las ruedas

A principios de esta semana, cinco personas de cada capa de la cadena de suministro de IA se reunieron en la Conferencia Global Milken en Beverly Hills para discutir todo, desde la escasez de chips hasta los centros de datos orbitales y la posibilidad de que toda la arquitectura detrás de la tecnología sea incorrecta.

En el escenario de TechCrunch: Christophe Fouquet, director ejecutivo de ASML. ASML es una empresa holandesa que posee derechos exclusivos sobre equipos de litografía ultravioleta extrema que no existirían sin los chips modernos. El director de operaciones de Google Cloud, Francis D’Souza, supervisa una de las mayores apuestas de infraestructura en la historia de la empresa. Qasar Younis, cofundador y director ejecutivo de Applied Intuition, una empresa de inteligencia artificial física de 15 mil millones de dólares que comenzó en la simulación y luego pasó a la defensa. Dimitry Shevelenko, director comercial de Perplexity, una empresa de agentes de búsqueda nativos de IA. Y el físico cuántico Yves Bodnia dejó la academia para desafiar la arquitectura básica que la mayor parte de la industria de la IA da por sentada con su startup, Logical Intelligence. (Yan LeCun, ex científico jefe de IA en Meta, firmó como presidente fundador del comité de investigación tecnológica a principios de este año).

Lo que dijeron las cinco personas es lo siguiente.

El cuello de botella es real

El auge de la IA ha alcanzado sus límites físicos, y sus limitaciones comienzan más adelante de lo que muchos creen. Fouquet fue el primero en decir esto, describiendo una «enorme aceleración en la fabricación de chips» y expresando su «firme creencia» de que, a pesar de sus esfuerzos, «el suministro del mercado será limitado durante los próximos dos o tres, tal vez cinco años», lo que significa que los hiperescaladores como Google, Microsoft, Amazon y Meta no podrán obtener lo que pagan por completo.

DeSouza enfatizó cuán grande es el problema y cuán rápido está creciendo, recordando a la audiencia que los ingresos de Google Cloud aumentaron un 63% el último trimestre a más de $20 mil millones, mientras que su cartera de pedidos (ingresos prometidos pero aún no entregados) casi se duplicó en un trimestre, de $250 mil millones a $460 mil millones. “La demanda es real”, afirmó con una calma impresionante.

Para Yunis, esa limitación proviene principalmente de otra parte. Applied Intuition construye sistemas autónomos para automóviles, camiones, drones, equipos de minería y vehículos de defensa. Su cuello de botella no es el silicio. Son datos que sólo pueden recopilarse enviando máquinas al mundo real y viendo qué sucede. «Hay que encontrarlo en el mundo real», afirma, y ​​ninguna simulación sintética, por mucho que sea, puede cerrar por completo esa brecha. «Pasará mucho tiempo antes de que podamos entrenar completamente un modelo que funcione de manera integral en el mundo físico».

Los problemas energéticos también son graves

Si los chips son el primer cuello de botella, la energía les sigue de cerca. DeSouza reconoció que Google está considerando los centros de datos en el espacio como una respuesta seria a las limitaciones energéticas. «Tendremos acceso a energía más abundante», señaló. Por supuesto, incluso en órbita, no es tan sencillo. Debido a que el universo observado por DeSouza es un vacío, no hay convección y la única forma de liberar calor al entorno circundante es a través de la radiación (un proceso mucho más lento y más difícil de diseñar que los sistemas de refrigeración por aire y líquido de los que dependen los centros de datos actuales). Pero la empresa todavía lo trata como un pase legítimo.

La discusión más profunda que hizo De Sousa, como era de esperar, fue sobre la eficiencia a través de la integración. La estrategia de Google para codiseñar pilas completas de IA, desde chips TPU personalizados hasta modelos y agentes, ofrece beneficios en fracasos por vatio (más cálculo por unidad de energía) que las empresas que compran componentes disponibles en el mercado no pueden igualar, sugirió. «Ejecutar Gemini en una TPU es mucho más eficiente energéticamente que otras configuraciones», dijo, porque los diseñadores de chips saben qué contendrán los modelos antes de enviarlos.

Fouquet planteó una observación similar más adelante en su discusión. «Nada puede ser precioso», dijo. La industria se encuentra actualmente en un momento extraño, con cantidades extraordinarias de capital invertidas impulsadas por necesidades estratégicas. Pero más computación significa más energía, y más energía tiene un precio.

diferentes tipos de inteligencia

Mientras otras industrias debaten la escala, la arquitectura y la eficiencia de la inferencia dentro del paradigma del modelo de lenguaje a gran escala, Bodnia está construyendo algo completamente diferente.

Su empresa, Logical Intelligence, se basa en los llamados modelos basados ​​en energía (EBM), un tipo de IA que intenta comprender las reglas subyacentes de los datos en lugar de predecir el siguiente token de una serie, lo que, según ella, se acerca en cierto modo a cómo funciona realmente el cerebro humano. «El lenguaje es la interfaz de usuario entre mi cerebro y el tuyo», dijo. «La inferencia en sí misma no pertenece a ningún idioma».

Sus modelos más grandes funcionan con 200 millones de parámetros, en comparación con los cientos de miles de millones de parámetros de los principales LLM, y afirma que funcionan miles de veces más rápido. Más importante aún, está diseñado para actualizar sus conocimientos a medida que cambian los datos, en lugar de requerir una nueva capacitación desde el principio.

Ella sostiene que la EBM encaja más naturalmente en el diseño de chips, la robótica y otros campos donde los sistemas necesitan comprender reglas físicas en lugar de patrones lingüísticos. «Cuando conduces un coche, no buscas patrones en el lenguaje; miras a tu alrededor, comprendes las reglas del mundo que te rodea y tomas decisiones». Esta es una discusión interesante y es probable que reciba más atención en los próximos meses, a medida que el campo de la IA comience a cuestionarse si la escala por sí sola es suficiente.

Agentes, barreras de seguridad y confianza

Schevelenko pasó gran parte de la conversación explicando cómo Perplexity evolucionó de un producto de búsqueda a lo que ahora se llama el «trabajador digital». Su producto más nuevo, Perplexity Computer, está diseñado no como una herramienta para que la utilicen los trabajadores del conocimiento, sino como un miembro del personal que los trabajadores del conocimiento deben dirigir. “Cada día que me despierto tengo 100 personas en mi equipo”, dijo sobre la oportunidad. “¿Qué vas a hacer para aprovecharlo al máximo?”

Ése es un argumento de venta convincente. También planteó preguntas obvias sobre los controles, así que las pregunté. Su respuesta fue «granularidad». Los administradores empresariales pueden especificar a qué conectores y herramientas pueden acceder los agentes, así como si esos permisos son de solo lectura o de lectura/escritura. Esta distinción es muy importante cuando los agentes operan dentro de sistemas empresariales. Cuando Comet, el agente informático de Perplexity, realiza una acción en su nombre, primero presenta un plan y solicita su aprobación. Shevelenko dijo que si bien algunos encuentran molesta esta fricción, él cree que es esencial, especialmente desde que se unió a la junta directiva de Lazard, y dijo que inesperadamente ha llegado a empatizar con los instintos conservadores del CISO para proteger una marca de 180 años construida enteramente sobre la confianza del cliente. «La granularidad es la base de una buena higiene de seguridad», afirmó.

Soberanía, no sólo seguridad

Younis ofreció lo que probablemente fue la visión más geopolítica del panel: que la IA física y la soberanía nacional están entrelazadas de una manera que nunca existió con la IA puramente digital.

Inicialmente, Internet se hizo popular como tecnología estadounidense, pero solo enfrentó una reacción violenta en la capa de aplicaciones (Uber, DoorDashes) cuando los efectos fuera de línea se hicieron visibles. La IA física es diferente. Los automóviles autónomos, los drones de defensa, los equipos de minería, la maquinaria agrícola y más están llegando al mundo real de maneras que los gobiernos no pueden ignorar, lo que plantea interrogantes sobre la seguridad, la recopilación de datos y quién controla en última instancia los sistemas que operan dentro de sus fronteras. «Casi consistentemente, todos los países han dicho esto: no queremos que esta información esté físicamente en nuestras fronteras y controlada por otros países», dijo a la audiencia, añadiendo que actualmente hay menos países que pueden desplegar robóticos que armas nucleares.

Fouquet lo pintó de forma un poco diferente. Los avances de la IA en China son reales y el lanzamiento de DeepSeek a principios de este año casi provocó pánico en algunas partes de la industria. Sin embargo, su progreso es limitado debajo de la capa del modelo. Sin acceso a la litografía EUV, los fabricantes de chips chinos no pueden producir semiconductores de vanguardia, y los modelos construidos con hardware más antiguo funcionan en condiciones aún peores, sin importar cuán bueno sea el software. «Hoy, Estados Unidos tiene los datos, tiene acceso a la informática, tiene los chips, tiene el talento. China está haciendo un muy buen trabajo en la cima, pero le faltan algunas piezas debajo», dijo Fouquet.

cuestiones generacionales

Cerca del final de nuestro panel, alguien del público hizo una pregunta claramente incómoda. ¿Todo esto afectará las habilidades de pensamiento crítico de la próxima generación?

Como se podría esperar de personas que han apostado su carrera por esta tecnología, la respuesta fue optimista. DeSouza se apresuró a señalar la magnitud del problema que la humanidad podría eventualmente abordar con herramientas más poderosas. Consideremos las enfermedades neurológicas cuyos mecanismos biológicos aún no se comprenden, la eliminación de gases de efecto invernadero y la infraestructura de la red eléctrica que se ha retrasado durante décadas. «Esto debería llevarnos al siguiente nivel de creatividad», afirmó.

Shebelenko hizo una observación más pragmática. Puede que los empleos iniciales estén desapareciendo, pero la posibilidad de empezar algo independiente es más accesible que nunca. «Para aquellos que poseen una computadora Perplexity, la única limitación es su propia curiosidad e independencia».

Younis hizo la distinción más clara entre trabajo del conocimiento y trabajo manual. Señaló el hecho de que el agricultor estadounidense promedio tiene 58 años y que la escasez de mano de obra en la minería, el transporte por carretera de larga distancia y la agricultura es crónica y va en aumento. No porque los salarios sean demasiado bajos, sino porque la gente no quiere estos empleos. La IA física no sustituirá a los trabajadores motivados en estos campos. Está llenando un vacío que ya existe y parece que sólo se hará más profundo.