Cinco caminos de investigación hacia la inteligencia artificial general

La investigación sobre inteligencia artificial general no sigue una única ruta. Algunas propuestas buscan crear modelos del mundo que permitan anticipar resultados; otras entrenan sistemas capaces de realizar muchas tareas distintas; otras predicen representaciones abstractas en vez de reconstruir cada píxel; y otras utilizan optimización para resolver problemas combinatorios. Compararlas ayuda a entender las distintas hipótesis sobre cómo construir sistemas más flexibles.

Los World Models intentan aprender una representación del entorno para simular posibles acciones y sus consecuencias. GATO explora un modelo que comparte una arquitectura para tareas variadas. JEPA, asociada a Yann LeCun, propone aprender relaciones entre representaciones y predecir aspectos relevantes del mundo sin generar necesariamente todos los detalles de la entrada. POMO es una estrategia de optimización para problemas combinatorios que aprovecha distintas soluciones iniciales.

OAGI plantea, como marco conceptual, organizar el desarrollo de una inteligencia artificial en fases con hitos verificables. Su énfasis está en el proceso de aprendizaje y en incorporar desde el diseño criterios de evaluación y gobernanza. No debe confundirse una propuesta conceptual con una arquitectura validada a escala general.

Cada enfoque tiene límites. Los modelos del mundo pueden predecir mal situaciones nuevas; los agentes generales pueden fallar fuera de sus tareas entrenadas; las arquitecturas predictivas necesitan pruebas en contextos reales; y los optimizadores dependen del problema. Es posible que futuros sistemas combinen varias ideas, pero la combinación deberá demostrar mejoras medibles, seguridad y eficiencia. La AGI sigue siendo un objetivo abierto, no un resultado garantizado por una sola técnica.