Cinco arquitectos de la economía de la IA explican dónde se están saliendo los engranajes

A principios de esta semana, cinco personas que tocan cada capa de la cadena de suministro de IA se sentaron en la Conferencia Global Milken en Beverly Hills, donde hablaron con este editor sobre todo, desde la escasez de chips hasta los centros de datos orbitales y la posibilidad de que toda la arquitectura que sustenta la tecnología esté equivocada.

En el escenario con TechCrunch: Christophe Fouquet, director general de ASML, la empresa holandesa que posee el monopolio de las máquinas de litografía ultravioleta extrema, sin las cuales los chips modernos no existirían; Francis deSouza, director de operaciones de Google Cloud, que supervisa una de las mayores apuestas en infraestructura de la historia corporativa; 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 desde entonces pasó a la defensa; Dimitry Shevelenko, director comercial de Perplexity, la empresa de búsqueda de agentes nativa de IA; y Eve Bodnia, una física cuántica que dejó la academia para desafiar la arquitectura fundamental que la mayor parte de la industria de la IA da por sentada en su startup, Logical Intelligence. (El ex científico jefe de IA de Meta, Yan LeCun, firmó como presidente fundador de su junta de investigación técnica a principios de este año).

Esto es lo que los cinco dijeron:

Los cuellos de botella son reales

El auge de la IA está llegando a límites físicos estrictos, y las limitaciones comienzan más abajo de lo que muchos imaginan. Fouquet fue el primero en decirlo, describiendo una “enorme aceleración de la fabricación de chips”, al tiempo que expresó su “firme creencia” de que, a pesar de todo ese esfuerzo, “durante los próximos dos, tres, tal vez cinco años, el mercado tendrá una oferta limitada”, lo que significa que los hiperescaladores (Google, Microsoft, Amazon, Meta) no obtendrán todos los chips por los que están pagando, punto.

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

Para Younis, la limitación proviene principalmente de otra parte. Applied Intuition construye sistemas de autonomía para automóviles, camiones, drones, equipos de minería y vehículos de defensa, y su cuello de botella no es el silicio: son los datos que sólo se pueden recopilar enviando máquinas al mundo real y observando lo que sucede. «Hay que encontrarlo en el mundo real», dijo, y ninguna simulación sintética cierra por completo esa brecha. «Pasará mucho tiempo antes de que se puedan entrenar completamente modelos que se ejecuten en el mundo físico de forma sintética».

El problema energético también es real

Si los chips son el primer cuello de botella, la energía es la que se asoma detrás. DeSouza confirmó que Google está explorando centros de datos en el espacio como una respuesta seria a las limitaciones energéticas. «Se obtiene acceso a energía más abundante», señaló. Por supuesto, incluso en órbita, no es sencillo. DeSouza observó que el espacio es un vacío, por lo que elimina la convección, dejando la radiación como la única forma de liberar calor al entorno circundante (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 en la actualidad). Pero la empresa todavía lo considera un camino legítimo.

El argumento más profundo que planteó De Souza, como era de esperar, fue sobre la eficiencia a través de la integración. La estrategia de Google de co-diseñar toda su pila de IA (desde chips de TPU personalizados hasta modelos y agentes) paga dividendos en fracasos por vatio (más cálculo por unidad de energía) que una empresa que compra componentes disponibles en el mercado simplemente no puede replicar, sugirió. «Ejecutar Gemini en TPU es mucho más eficiente energéticamente que cualquier otra configuración», porque los diseñadores de chips saben lo que viene en el modelo antes de su envío, dijo.

Fouquet planteó un punto similar más adelante en la discusión. «Nada puede tener precio», afirmó. La industria se encuentra en un momento extraño en este momento, invirtiendo cantidades extraordinarias de capital, impulsada por una necesidad estratégica. Pero más computación significa más energía, y más energía tiene un precio.

Un tipo diferente de inteligencia

Mientras el resto de la industria debate la escala, la arquitectura y la eficiencia de la inferencia dentro del paradigma del modelo de lenguaje grande, Bodnia está construyendo algo muy diferente.

Su empresa, Logical Intelligence, se basa en los llamados modelos basados ​​en energía (EBM), una clase de IA que no predice el siguiente token en una secuencia, sino que intenta comprender las reglas subyacentes a los datos, de una manera que, según ella, se acerca más a cómo funciona realmente el cerebro humano. «El lenguaje es una interfaz de usuario entre mi cerebro y el tuyo», dijo. «El razonamiento en sí no está ligado a ningún lenguaje».

Su modelo más grande funciona con 200 millones de parámetros, en comparación con los cientos de miles de millones de los principales LLM, y afirma que funciona miles de veces más rápido. Más importante aún, está diseñado para actualizar su conocimiento a medida que cambian los datos, en lugar de requerir una nueva capacitación desde cero.

Para el diseño de chips, la robótica y otros dominios en los que un sistema necesita comprender reglas físicas en lugar de patrones lingüísticos, sostiene que las EBM son la opción más natural. «Cuando conduces un coche, no buscas patrones en ningún idioma. Miras a tu alrededor, comprendes las reglas del mundo que te rodea y tomas una decisión». Es un argumento interesante y es probable que atraiga más atención en los próximos meses, dado que el campo de la IA está empezando a preguntarse si la escala por sí sola es suficiente.

Agentes, barreras de seguridad y confianza

Shevelenko pasó gran parte de la conversación explicando cómo Perplexity ha evolucionado de un producto de búsqueda a algo que ahora llama un «trabajador digital». Perplexity Computer, su oferta más reciente, no está diseñada como una herramienta que utiliza un trabajador del conocimiento, sino como un personal que dirige un trabajador del conocimiento. “Todos los días te despiertas y tienes cien empleados en tu equipo”, dijo sobre la oportunidad. “¿Qué vas a hacer para aprovecharlo al máximo?”

Es un discurso convincente; También plantea preguntas obvias sobre el control, así que les pregunté. Su respuesta fue: granularidad. Los administradores empresariales pueden especificar no sólo a qué conectores y herramientas puede acceder un agente, sino también si esos permisos son de solo lectura o de lectura y escritura, una distinción que importa enormemente cuando los agentes actúan dentro de sistemas corporativos. Cuando Comet, el agente de uso informático de Perplexity, toma medidas en nombre de un usuario, presenta un plan y solicita aprobación primero. Algunos usuarios encuentran molesta la fricción, dijo Shevelenko, pero dijo que la considera esencial, particularmente después de unirse a la junta directiva de Lazard, donde dijo que se ha encontrado inesperadamente comprensivo con los instintos conservadores de un CISO que protege 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 pudo haber sido la observación más cargada geopolíticamente del panel, que es que la IA física y la soberanía nacional están entrelazadas de maneras que la IA puramente digital nunca lo estuvo.

Internet se extendió inicialmente como tecnología estadounidense y solo enfrentó retrocesos en la capa de aplicaciones (Ubers y DoorDashes) cuando las consecuencias fuera de línea se hicieron visibles. La IA física es diferente. Vehículos autónomos, drones de defensa, equipos de minería, máquinas agrícolas: estos se manifiestan en el mundo real de maneras que los gobiernos no pueden ignorar, planteando preguntas sobre la seguridad, la recopilación de datos y quién controla en última instancia los sistemas que operan dentro de las fronteras de una nación. «Casi constantemente, todos los países dicen: no queremos esta inteligencia en forma física en nuestras fronteras, controlada por otro país». Menos naciones, dijo a la multitud, actualmente pueden desplegar un robotaxi que las que poseen armas nucleares.

Fouquet lo planteó de forma un poco diferente. El progreso de la IA en China es real (el lanzamiento de DeepSeek a principios de este año provocó algo cercano al pánico en partes de la industria), pero ese progreso está limitado por debajo de la capa del modelo. Sin acceso a la litografía EUV, los fabricantes de chips chinos no pueden fabricar los semiconductores más avanzados, y los modelos construidos con hardware más antiguo operan con una desventaja agravada sin importar qué tan bueno sea el software. «Hoy en día, en Estados Unidos, tienes los datos, tienes el acceso a la computación, tienes los chips, tienes el talento. China hace un muy buen trabajo en la cima, pero le faltan algunos elementos abajo», dijo Fouquet.

La cuestión generacional

Cerca del final de nuestro panel, alguien en la audiencia hizo la pregunta obvia e incómoda: ¿todo esto afectará la capacidad de pensamiento crítico de la próxima generación?

Las respuestas fueron optimistas, como cabría esperar de personas que han apostado sus carreras por esta tecnología. DeSouza inmediatamente señaló la magnitud de los problemas que herramientas más poderosas finalmente podrían permitir a la humanidad abordar. Pensemos en las enfermedades neurológicas cuyos mecanismos biológicos aún no entendemos, la eliminación de gases de efecto invernadero y la infraestructura de red que se ha aplazado durante décadas. «Esto debería llevarnos al siguiente nivel de creatividad», afirmó.

Shevelenko hizo un comentario más pragmático: el trabajo inicial puede estar desapareciendo, pero la capacidad de lanzar algo de forma independiente nunca ha sido más accesible. “[For] cualquiera que tenga Perplexity Computer. . . la limitación es tu propia curiosidad y agencia”.

Younis trazó la distinción más clara entre trabajo del conocimiento y trabajo físico. 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 creciente, no porque los salarios sean demasiado bajos, sino porque la gente no quiere esos empleos. En esos ámbitos, la IA física no está desplazando a los trabajadores dispuestos. Está llenando un vacío que ya existe y que sólo parece profundizarse a partir de aquí.