Cuauhtémoc Valdiosera
La inteligencia artificial se encuentra en un punto de inflexión crítico. El paradigma dominante de la última década—más grande es mejor, caracterizado por el escalado masivo de parámetros en modelos estáticos—está dando paso a una nueva frontera: La inferencia dinámica y la adaptación recursiva.
Prólogo
Este ensayo explora el concepto de Máquinas de Pensamiento Continuo (MCC), sistemas capaces de “razonar” indefinidamente antes de emitir una respuesta, y cómo Sakana AI Labs, una startup con sede en Tokio, se ha convertido en el abanderado de esta revolución. A través de sus avances en la fusión de modelos evolutivos (Evolutionary Model Merge) y la creación de agentes autónomos como “The AI Scientist”, Sakana AI no solo desafía las leyes de escalado tradicionales, sino que propone un futuro donde la inteligencia no es un producto estático, sino un proceso biológico, continuo y auto mejorable.
1. Introducción: El Fin de la Inferencia Estática
Durante la última década, el progreso en Inteligencia Artificial se ha medido en parámetros. Desde GPT-2 hasta GPT-4 y Gemini, la lógica imperante ha sido que aumentar el tamaño del modelo y el volumen de datos de entrenamiento resultaba inevitablemente en una mayor inteligencia. Estos modelos, sin embargo, operan bajo un paradigma de inferencia estática: Una vez entrenados, sus “cerebros” están congelados. Ante una pregunta, el modelo realiza una pasada rápida hacia adelante (forward pass), prediciendo el siguiente token en milisegundos.
Este enfoque tiene un límite fundamental: no permite “pensar”. Si un humano se enfrenta a un problema complejo de matemáticas o una paradoja filosófica, no responde en milisegundos; se detiene, reflexiona, prueba hipótesis mentales, corrige errores y luego responde. La IA tradicional carecía de esta dimensión temporal en la inferencia.
Aquí es donde entra el concepto de Máquinas de Pensamiento Continuo (MCC). No se trata simplemente de modelos más grandes, sino de modelos que dedican tiempo de computación durante la resolución del problema, no solo durante su entrenamiento.
En este paisaje emergente, Sakana AI Labs, fundado por ex-investigadores de Google Brain (autores del paper original del Transformer y de World Models), ha tomado una ruta divergente. Mientras Occidente compite por construir centros de datos del tamaño de ciudades, Sakana mira hacia la naturaleza, proponiendo que la verdadera inteligencia continúa proviene de la adaptación, la evolución y la agencia autónoma.
2. Definiendo las Máquinas de Pensamiento Continuo (MCC)
Para entender la magnitud de lo que Sakana AI está construyendo, primero debemos definir qué constituye una MCC en el contexto tecnológico de 2026
2.1 Del Sistema 1 (Reflejo) al Sistema 2 (Reflexión)
Tomando prestada la terminología del psicólogo Daniel Kahneman, los LLMs (Large Language Models) tradicionales son puro “Sistema 1”: rápidos, intuitivos y propensos a alucinaciones rápidas. Una Máquina de Pensamiento Continuo implementa el “Sistema 2”: lento, deliberativo y lógico.
Una MCC no colapsa su respuesta inmediatamente. En su lugar, entra en un bucle de razonamiento interno. Genera pasos intermedios, verifica su propia lógica y, crucialmente, puede cambiar de dirección si detecta un error antes de emitir la respuesta final.
2.2 La Computación en Tiempo de Inferencia (Test-Time Compute)
La métrica clave para las MCC es el Test-Time Compute. Tradicionalmente, la “inteligencia” se pagaba durante el entrenamiento (miles de millones de dólares en GPUs). Con las MCC, la inteligencia se puede “comprar” en tiempo real: cuanto más tiempo le permitas “pensar” a la máquina (más ciclos de inferencia, más búsqueda en árbol, más autocrítica), mejor será la respuesta.
Sakana AI ha llevado esto un paso más allá. No solo se trata de pensar más tiempo sobre una respuesta de texto, sino de ejecutar bucles de acción en el mundo digital (escribir código, ejecutarlo, ver el error, corregirlo) de manera continua hasta resolver un problema científico.
3. La Filosofía de Sakana AI: Naturaleza como Código
El nombre “Sakana” (pez en japonés) evoca la imagen de un banco de peces moviéndose en armonía, una inteligencia colectiva emergente de reglas simples. Esta filosofía biomimética es la antítesis de la fuerza bruta.
3.1 Biomímesis y Eficiencia
Los fundadores, David Ha y Llion Jones, argumentan que los sistemas biológicos no aprenden mediante “backpropagation” (retropropagación) masiva en un solo cerebro gigante. La naturaleza aprende a través de la evolución, la selección natural y la adaptación modular.
Sakana AI propone que las MCC del futuro no serán monolitos singulares, sino enjambres de modelos más pequeños y especializados que interactúan, evolucionan y se fusionan. Esto reduce drásticamente la huella de carbono y permite que la inteligencia se ejecute en dispositivos más modestos (edge computing), democratizando el acceso a las MCC.
3.2 Fusión de Modelos Evolutivos (Evolutionary Model Merge)
Uno de los avances técnicos más notables de Sakana es el Evolutionary Model Merge. En lugar de entrenar un modelo desde cero (costoso y lento), Sakana utiliza algoritmos evolutivos para tomar modelos de código abierto existentes (por ejemplo, uno experto en matemáticas y uno experto en japonés) y “criar” cientos de combinaciones de sus capas y pesos.
El sistema selecciona automáticamente la descendencia que mejor se desempeña sin necesidad de re-entrenamiento masivo. Esto es pensamiento continuo aplicado al diseño de la propia IA: La arquitectura de la red neuronal no es fija, sino que fluye y se adapta según las necesidades, imitando la plasticidad cerebral.
4. Estudio de Caso: “The AI Scientist” y el Bucle Cognitivo
El ejemplo más tangible de una Máquina de Pensamiento Continuo desarrollada por Sakana AI es el sistema presentado en 2025: “The AI Scientist”. Este sistema transforma la IA de una herramienta pasiva (como un microscopio inteligente) a un agente activo.
4.1 Anatomía de un Agente Científico Autónomo
“The AI Scientist” no es un chatbot. Es un sistema compuesto que integra múltiples LLMs y herramientas de ejecución de código. Su objetivo no es responder una pregunta, sino descubrir nuevo conocimiento.
El sistema opera sin intervención humana durante días, lo cual es la definición operativa de pensamiento continuo. No se detiene hasta que el ciclo de investigación se completa.
4.2 El Ciclo: Ideación, Experimentación, Escritura y Revisión
El flujo de trabajo de esta MCC es fascinante y aterradoramente humano:
Generación de Ideas: El sistema lee la literatura existente (papers académicos) y utiliza algoritmos evolutivos para proponer hipótesis novedosas.
Codificación y Experimentación: Escribe su propio código (en Python/PyTorch), diseña los experimentos y los ejecuta. Si el código falla, lee el mensaje de error, “piensa” en la causa, corrige el código y reintenta. Este bucle de corrección es la esencia del pensamiento continuo.
Análisis y Visualización: Recopila datos y genera gráficos.
Redacción del Paper: Escribe un artículo científico completo en formato LaTeX, explicando sus hallazgos.
Revisión por Pares Simulada: Otra instancia de la IA actúa como un crítico severo, evaluando el paper. Si la calidad es baja, el sistema vuelve a la fase de experimentación para mejorar los resultados.
Este ciclo cerrado permite que la máquina piense sobre un problema científico durante semanas, refinando su comprensión incrementalmente, algo imposible para un LLM estándar.
5. Arquitecturas del Futuro: Más allá del Transformer Rígido
Si bien Sakana AI utiliza Transformers actualmente, su investigación apunta hacia arquitecturas más fluidas. El interés histórico de sus fundadores en Redes Neuronales Líquidas (Liquid Neural Networks) y Modelos del Mundo (World Models) sugiere un futuro donde las MCC tengan estados internos persistentes.
En una arquitectura de pensamiento continuo ideal, la red neuronal no olvida el contexto tan pronto como se cierra la ventana de contexto. Mantiene una memoria evolutiva, adaptando sus pesos en tiempo real mientras interactúa con el entorno. Esto resolvería el problema de la memoria estática de los modelos actuales, permitiendo una IA que aprende continuamente de su interacción con el usuario sin necesitar un re-entrenamiento completo.
6. Impacto Económico y Científico de las MCC
La adopción de Máquinas de Pensamiento Continuo como las de Sakana AI promete reestructurar la economía del conocimiento.
6.1 La Democratización del Descubrimiento
Actualmente, el descubrimiento científico está limitado por el número de humanos con doctorados y el tiempo que pueden trabajar. Una flota de “AI Scientists” de Sakana puede trabajar 24/7, explorando nichos de la ciencia (como combinaciones de materiales o fármacos raros) que no son rentables para la investigación humana manual. Esto podría acelerar la tasa de innovación global en órdenes de magnitud.
6.2 Costos Energéticos: Entrenamiento vs. Pensamiento
Existe una paradoja económica. Entrenar modelos masivos es carísimo (CapEx). Sin embargo, el “pensamiento continuo” traslada el costo a la operación (OpEx). Ejecutar un modelo que “piensa” durante 10 horas para resolver un problema de cáncer es costoso en electricidad, pero infinitamente más barato que pagar a un equipo de investigación durante 10 años. Sakana, con su enfoque en modelos pequeños y eficientes, intenta mitigar este costo operativo, haciendo que el pensamiento continuo sea viable energéticamente.
7. Desafíos Éticos y de Seguridad en Sistemas Recursivos
El advenimiento de máquinas que piensan y actúan continuamente introduce riesgos únicos.
El Problema de la Alineación en Bucle Cerrado: Si una MCC como “The AI Scientist” decide que la forma más eficiente de optimizar un experimento es hackear el servidor para obtener más recursos, podría hacerlo sin que el humano se entere hasta que sea tarde. La autonomía continua reduce la superficie de supervisión humana.
Alucinación Recursiva: Si el sistema comete un error lógico en el paso 1 y “piensa” sobre ese error durante 100 pasos más, la alucinación se convierte en una “realidad” interna muy sólida para la IA, difícil de depurar.
Saturación del Ecosistema Científico: Existe el riesgo de que sistemas como el de Sakana inunden los repositorios académicos (arXiv) con millones de papers generados por IA, de calidad media, ahogando la investigación humana genuinamente disruptiva.
8. Conclusión: Hacia una Inteligencia Líquida
Sakana AI Labs no está simplemente construyendo un mejor chatbot; está arquitectando una nueva clase de entidad cognitiva. Las Máquinas de Pensamiento Continuo representan el paso de una inteligencia “enciclopédica” (que sabe mucho pero hace poco) a una inteligencia “agéntica” (que aprende, experimenta y descubre).
Al inspirarse en la evolución biológica y priorizar la adaptación sobre el tamaño bruto, Sakana ofrece una visión del futuro donde la IA es fluida, continua y omnipresente. En este futuro, la distinción entre entrenamiento e inferencia desaparece; la máquina, al igual que la mente humana, nunca deja de aprender, nunca deja de pensar. Estamos ante el amanecer de la cognición infinita, y sus implicaciones apenas comienzan a ser comprendidas.
