Cinco arquitectos de la economía de la IA explican dónde empiezan a moverse las ruedas

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 subyacente a esta tecnología sea incorrecta.

En el escenario con TechCrunch: Christophe Fouquet, director general de ASML, la empresa holandesa que tiene el monopolio de las máquinas de litografía ultravioleta extrema, sin las cuales los chips modernos no existirían; Francis deSouza, COO de Google Cloud, quien supervisó una de las mayores apuestas en infraestructura en la historia de la compañía; 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, una empresa de búsqueda de agentes nativa de IA; y Eve Bodnia, una física cuántica que dejó la academia para desafiar la arquitectura subyacente que gran parte de la industria de la IA daba por sentada en su startup, Logical Intelligence. (El ex científico jefe de Meta AI, Yan LeCun, fue nombrado presidente fundador de la junta de investigación técnica de la startup a principios de este año).

Esto es lo que dijeron:

La congestión es real

El desarrollo de la IA ha alcanzado un límite físico difícil y los obstáculos están empezando a ser más amplios de lo que mucha gente cree. Fouquet fue el primero en decirlo, describiendo una “enorme aceleración en la producción de chips”, al tiempo que expresó su “firme creencia” de que a pesar de todos los esfuerzos, “durante los próximos dos, tres, tal vez cinco años, la oferta del mercado será limitada”, lo que significa que los hiperescaladores (Google, Microsoft, Amazon, Meta) no obtendrán todos los chips por los que pagaron, punto.

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

Para Younis, los obstáculos provienen principalmente de otros partidos. Applied Intuition construye sistemas autónomos para automóviles, camiones, drones, equipos de minería y vehículos de defensa, y el cuello de botella no es el silicio, sino los datos que sólo pueden recopilarse enviando máquinas al mundo real y observando lo que sucede. “Hay que encontrarlo en el mundo real”, dijo, y ninguna simulación sintética puede cerrar completamente la brecha. “Pasará mucho tiempo antes de que se pueda entrenar completamente un modelo que se ejecute sintéticamente en el mundo físico”.

El problema energético también es real

Si las virutas son el primer obstáculo, entonces la energía es la causa principal del obstáculo. 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”, dijo. Por supuesto, incluso en órbita las cosas no son tan sencillas. DeSouza observó que el espacio es un vacío, lo que elimina la convección y deja la radiación como la única forma de liberar calor al entorno circundante (un proceso que es 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 canal legítimo.

El profundo argumento que plantea De Souza, como es lógico, es acerca de la eficiencia a través de la integración. La estrategia de Google para diseñar su pila completa de IA (desde chips TPU personalizados hasta modelos y agentes) ofrece ventajas en vatios por falla que las empresas que compran componentes disponibles no pueden replicar, sugirió. “Ejecutar Gemini en una TPU es mucho más eficiente energéticamente que otras configuraciones”, porque los diseñadores de chips saben qué habrá en el modelo antes de su envío, dijo. En un mundo donde la disponibilidad de energía es un obstáculo importante para el progreso tecnológico, dicha integración vertical es una gran ventaja competitiva.

Fouquet se hace eco de este punto más adelante en la discusión. “Nada tiene precio”, afirmó. En este momento, la industria se encuentra en un momento extraño, invirtiendo enormes cantidades 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 en el paradigma del modelo de lenguaje grande, Eve 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 de los datos, de una manera que, según dice, se acerca más a cómo funciona realmente el cerebro humano. “El lenguaje es la interfaz de usuario entre mi cerebro y el tuyo”, dice. “Las razones en sí no están ligadas a ningún idioma”.

Sus modelos más grandes ejecutan hasta 200 millones de parámetros (en comparación con cientos de miles de millones de parámetros en 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 cero.

Para el diseño de chips, la robótica y otros campos donde un sistema necesita comprender reglas físicas en lugar de patrones lingüísticos, dice que el uso de EBM es más adecuado. “Cuando conduces un coche, no buscas patrones en ningún idioma. Miras a tu alrededor, comprendes las reglas del mundo que te rodea y tomas decisiones”. Este es un argumento interesante y probablemente atraerá 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

Shevelenko dedicó gran parte de la conversación a explicar cómo Perplexity ha evolucionado de un producto de búsqueda a lo que ahora se llama una “fuerza laboral digital”. Perplexity Computer, su oferta más reciente, no está diseñada como una herramienta utilizada por trabajadores del conocimiento, sino como un equipo dirigido por trabajadores 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 una melodía interesante; Esto también planteó la cuestión obvia del control, así que les pregunté. La respuesta es granularidad. Los administradores empresariales pueden determinar no sólo a qué conectores y herramientas pueden acceder los agentes, sino también si esos permisos son de solo lectura o de lectura y escritura, una distinción particularmente importante cuando los agentes actúan dentro de sistemas empresariales. Cuando Comet, el agente de uso de computadoras de Perplexity, toma medidas en nombre de un usuario, Comet presenta un plan y solicita aprobación primero. Algunos usuarios encontraron esta fricción molesta, dijo Shevelenko, pero la encontró esencial, especialmente después de unirse a la junta directiva de Lazard, donde inesperadamente simpatizó con los instintos conservadores del CISO que protegían una marca de 180 años construida enteramente sobre la confianza del cliente. “La granularidad es la piedra angular de una buena higiene de seguridad”, afirmó.

Soberanía, no sólo seguridad

Younis ofreció lo que quizás fue la observación del panel con mayor carga geopolítica, a saber, que la IA física y la soberanía nacional están entrelazadas de una manera que nunca ocurre con la IA puramente digital.

Internet se extendió inicialmente como una tecnología estadounidense y solo enfrentó resistencia en la capa de aplicaciones (Ubers y DoorDashes) cuando comenzaron a surgir consecuencias fuera de línea. La IA física es diferente. Vehículos autónomos, drones de defensa, equipos de minería, maquinaria agrícola: estas cosas se manifiestan en el mundo real de maneras que los gobiernos no pueden darse el lujo de ignorar, planteando interrogantes sobre la seguridad, la recopilación de datos y quién controla en última instancia los sistemas que operan dentro de las fronteras nacionales. “Casi consistentemente, todos los países dicen: no queremos inteligencia en forma física en nuestras fronteras, controlada por otros países”. Pocos países, dijo a la audiencia, pueden utilizar actualmente robóticas como aquellos que tienen armas nucleares.

Fouquet lo planteó de forma un poco diferente. Los avances de la IA en China son reales (el lanzamiento de DeepSeek a principios de este año causó pánico en partes de la industria), pero están limitados por debajo de la capa del modelo. Sin acceso a la litografía EUV, los fabricantes de chips chinos no pueden producir los semiconductores más avanzados, y los modelos construidos con hardware heredado sufrirán pérdidas crecientes, sin importar cuán bueno sea el software. “En este momento, en Estados Unidos, tienes datos, tienes acceso a la informática, tienes chips, tienes talento. China está haciendo un muy buen trabajo en la cima de la clasificación, pero le faltan algunos elementos en la parte inferior”, dijo Fouquet.

Pregunta generacional

Hacia el final de nuestro panel, alguien del público hizo una pregunta decididamente incómoda: ¿todo esto afectará la capacidad de pensamiento crítico de la próxima generación?

La respuesta, tal vez como era de esperar, es optimista, aunque no particularmente ingenua. De Souza muestra la magnitud del problema que los humanos eventualmente podrán superar con herramientas más sofisticadas. Pensemos en las enfermedades neurológicas cuyos mecanismos biológicos aún no entendemos, las emisiones de gases de efecto invernadero y la infraestructura de la red eléctrica retrasada durante décadas. “Esto debería llevarnos al siguiente nivel de creatividad”, afirmó.

Shevelenko hace un comentario más pragmático: los empleos de nivel inicial pueden estar desapareciendo, pero la capacidad de lanzar algo de forma independiente se está volviendo más accesible. “(Para) cualquiera que tenga una computadora Perplexity… el obstáculo es su propia curiosidad y agencia”.

Younis hace la distinción más clara entre trabajo del conocimiento y trabajo físico. Señala 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 reemplaza a los trabajadores dispuestos. Llena un vacío existente y parece hacerse más profundo a partir de aquí.