Esto es Suma Positiva: tecnología, startups, venture capital, modelos mentales, rendimiento y longevidad.
Las mejores herramientas para prosperar y no perderte lo esencial en la era de la inteligencia artificial.
Una newsletter semanal y la comunidad privada Health & Wealth donde estas ideas se comparten y se ponen en práctica, en buena compañía.
Esta edición de Suma Positiva ha sido patrocinada por:
¿Tienes la auditoría de la ISO 27001 en los próximos meses?
La tecnología para cumplir. Factorial no solo te dice qué falla: lo arregla y guarda la prueba.
Cifra los equipos que no lo están.
Quita los accesos el día que alguien se va.
Registra la formación en seguridad de cada persona.
Y ahora, los expertos para certificarte. Tanto si empiezas de cero como si te toca renovar, nuestros expertos en ISO 27001 te acompañan de principio a fin.
Listo para la auditoría en semanas.
La Lección Amarga
En 2019, el profesor Rich Sutton, considerado uno de los padres del aprendizaje por refuerzo (reinforcement learning), publicó un ensayo que se ha convertido en uno de los textos más influyentes de la historia reciente de la inteligencia artificial: The Bitter Lesson (la Lección Amarga).
La Lección Amarga es una de esas ideas que, una vez conocida e interiorizada, cambia tu forma de interpretar el progreso tecnológico. Y creo que su relevancia va mucho más allá de la inteligencia artificial.
Destacaría lo siguiente:
Explica buena parte de la historia de la inteligencia artificial y, posiblemente, de su futuro.
Es una lección de humildad intelectual (de ahí su «sabor amargo»).
Ayuda a entender por qué la capacidad de computación es tan relevante (si no, que se lo digan a Jensen Huang)
Puede ayudarnos a anticipar futuras revoluciones tecnológicas (¿hola, biología?).
¿En qué consiste?
Durante décadas, los investigadores han seguido dos estrategias muy diferentes para desarrollar sistemas inteligentes:
Incorporar directamente a las máquinas el conocimiento humano sobre un determinado problema: las reglas que utilizaban los expertos, las características que debían buscar o los razonamientos que debían seguir.
Desarrollar métodos que permitan a las máquinas aprender o encontrar soluciones aprovechando cantidades crecientes de computación, mediante técnicas como la búsqueda y el aprendizaje automático (machine learning).
La lección, bastante amarga para nuestro ego, es que, una y otra vez, la segunda estrategia es la que ha acabado imponiéndose.
El propio Sutton lo explicaba con el ejemplo del ajedrez:
En el ajedrez por ordenador, los métodos que derrotaron al campeón del mundo, Kaspárov, en 1997, se basaban en una búsqueda masiva y profunda de posibles jugadas.
En aquel momento, la mayoría de los investigadores en ajedrez computacional, que habían apostado por métodos basados en la comprensión humana de las particularidades del juego, recibieron este resultado con consternación.
Cuando un enfoque más sencillo, basado en la búsqueda y apoyado por hardware y software especializados, demostró ser enormemente más eficaz, estos investigadores no supieron aceptar bien la derrota.
Argumentaron que la búsqueda por «fuerza bruta» podía haber ganado aquella vez, pero que no constituía una estrategia general y que, en cualquier caso, no era así como jugaban al ajedrez las personas.
Aquellos investigadores querían que ganaran los métodos basados en el conocimiento humano y se sintieron decepcionados cuando no ocurrió.
El mismo patrón se ha repetido en otros campos:
Go: la combinación de búsqueda y aprendizaje mediante partidas contra uno mismo acabó imponiéndose a los métodos basados en el conocimiento humano del juego.
Reconocimiento de voz: los métodos estadísticos y, posteriormente, el deep learning desplazaron a los sistemas basados en reglas lingüísticas.
Visión artificial: las redes neuronales sustituyeron a los métodos que utilizaban características visuales definidas manualmente.
Como decíamos, en lugar de intentar enseñar a las máquinas todo lo que sabemos sobre un problema, resulta más eficaz desarrollar sistemas capaces de descubrir sus propias soluciones. Y, a medida que aumenta la capacidad de computación disponible, estos métodos pueden llegar mucho más lejos que los diseñados a partir del conocimiento de expertos humanos (¡si el algoritmo de búsqueda y o aprendizaje es bueno!)
Lo más sorprendente (o no) es que las soluciones que encuentran las máquinas no tienen por qué parecerse a las que encontraríamos nosotros. Y, en ocasiones, ni siquiera somos capaces de comprender cómo han llegado a ellas o en qué consisten.
El objetivo no es construir máquinas que sepan lo que nosotros sabemos, sino máquinas capaces de descubrir lo que nosotros todavía no sabemos.
Seguro que a muchos no se os escapa que todo esto tiene relación con lo que estamos viviendo en los últimos años con los LLMs o grandes modelos de lenguaje y sus leyes de escala (scaling laws).
Durante décadas, uno de los grandes objetivos de la inteligencia artificial fue conseguir que las máquinas comprendieran y utilizaran el lenguaje humano.
Los primeros intentos consistieron en incorporar explícitamente nuestro conocimiento del lenguaje: reglas gramaticales, diccionarios, estructuras sintácticas y sistemas que representaban formalmente el significado de las palabras.
El problema es que el lenguaje es extraordinariamente complejo. Está lleno de ambigüedades, excepciones, matices y dependencias del contexto que resultan difíciles de formalizar mediante reglas.
La revolución de los grandes modelos de lenguaje llegó con un planteamiento muy distinto: en lugar de enseñar a las máquinas las reglas del lenguaje, permitirles descubrir sus patrones a partir de enormes cantidades de ejemplos.
Otro trago amargo para nuestro conocimiento experto.
Sin embargo, con los LLMs se da una curiosa paradoja: puede que sean la demostración más espectacular de The Bitter Lesson hasta la fecha, pero también podrían ser una demostración de que todavía no hemos aprendido completamente esa lección.
De hecho, Sutton no está convencido de que los LLMs representen el camino definitivo hacia la inteligencia artificial.
En una entrevista con Dwarkesh Patel de septiembre de 2025 plantea una crítica fundamental: los LLMs actuales aprenden principalmente del conocimiento que los seres humanos hemos generado, en lugar de aprender directamente de su propia experiencia.
Pensemos en la diferencia.
Un LLM puede aprender muchísimo sobre física leyendo millones de documentos científicos. Pero un científico también aprende formulando hipótesis, diseñando experimentos, observando resultados inesperados y modificando sus teorías.
La diferencia no es simplemente la cantidad de información disponible, sino la capacidad de generar conocimiento nuevo interactuando con el mundo.
Sutton considera que los sistemas actuales siguen dependiendo excesivamente de lo que los humanos hemos descubierto y documentado.
Eso no significa que los LLMs sean incapaces de generar ideas o soluciones originales, ni que no puedan formar parte de sistemas que aprendan de su propia experiencia, como algunos científicos creen. El debate está ahí y es uno de los más apasionantes del momento.
La crítica de Sutton apunta, sobre todo, a que el aprendizaje continuo mediante la interacción con el mundo todavía no ocupa un lugar central en su funcionamiento.
Y eso plantea un límite: aunque aumentemos la capacidad computacional, la cantidad de conocimiento humano disponible para entrenarlos es finita.
Su propuesta consiste en desarrollar sistemas que aprendan continuamente mediante la experiencia: que actúen, observen las consecuencias de sus acciones y utilicen ese aprendizaje para mejorar.
Es el principio del aprendizaje por refuerzo (reinforcement learning), uno de los campos de los que Sutton es pionero, llevado mucho más allá de los entornos relativamente controlados donde ha conseguido sus mayores éxitos.
De hecho, en abril de 2025, Sutton y David Silver publicaron un ensayo titulado Welcome to the Era of Experience, donde argumentan que la próxima gran etapa de la IA podría caracterizarse precisamente por el paso del aprendizaje basado en datos humanos al aprendizaje basado en la experiencia.
¿Y si la próxima gran Bitter Lesson se produjera, como algunos creemos, en la biología?
Durante siglos, hemos avanzado intentando comprender los mecanismos que gobiernan la vida para después intervenir sobre ellos. Pero es posible que, en determinados ámbitos, lleguemos a desarrollar sistemas capaces de descubrir intervenciones eficaces antes de que nosotros mismos comprendamos completamente por qué funcionan.
No sabemos si ocurrirá. La biología presenta dificultades que no encontramos en el ajedrez o en el procesamiento del lenguaje, y cualquier descubrimiento deberá someterse a validación experimental.
Pero la posibilidad resulta fascinante. Especialmente en campos como la investigación sobre el envejecimiento, donde la complejidad de los sistemas biológicos sigue siendo uno de nuestros mayores obstáculos.
Quizá dentro de unas décadas miremos atrás y descubramos que, también en biología, los mayores avances llegaron cuando dejamos de intentar enseñar a las máquinas todo lo que sabíamos y empezamos a permitirles descubrir lo que nosotros ignorábamos.
Gracias por leer Suma Positiva.
Si te ha gustado esta edición, no te olvides de dar al ❤️ y de compartirla por email o redes sociales con otras personas a las que les pueda gustar.
Suscríbete para no perderte ninguna futura edición.
De lo más interesante que he leído sobre la IA..
Gracias..