26 de junio de 2026 · [[El Abismo de Máquina/Ecos|¿qué es un eco?]] # Eco: Paper - De la AGI a la ASI, cuatro caminos y los frenos del camino > [!entradilla] > Un equipo de DeepMind cartografía cómo podría seguir avanzando la IA tras alcanzar el nivel humano: cuatro caminos hacia la superinteligencia, los frenos que podrían pararlos, y por qué cada freno es hoy una pregunta de investigación abierta.  > [!tip]- Por qué vale la pena > > Detrás hay catorce investigadores de DeepMind, varios pesos pesados del campo (Shane Legg, Marcus Hutter, Allan Dafoe). En vez de discutir cuándo llega la AGI, se preguntan qué pasa después: cómo podría seguir subiendo la inteligencia de las máquinas desde el nivel humano hacia algo que supere a organizaciones enteras de personas. > > El informe ordena las posibilidades sin atreverse a poner fechas. Describe cuatro caminos posibles (seguir escalando cómputo y datos, un cambio de paradigma algorítmico, la automejora recursiva, y la superinteligencia que emerge de colectivos de muchos agentes) y, para cada uno, los frenos que podrían pararlo, desde el muro de datos hasta el coste en energía o un frenado deliberado por regulación. > > Conecta directo con la serie sobre automejora recursiva que vengo escribiendo, y además pone número a algo que solemos decir a ojo: el cómputo efectivo viene creciendo del orden de diez veces al año. Es denso y largo, así que el resumen de abajo te da la estructura para decidir si te metes en el original. > > El paper original (DeepMind, arXiv): [From AGI to ASI](https://arxiv.org/abs/2606.12683) > [!abstract]- Resumen esquemático del paper > > #### Planteamiento > > - El informe mira el progreso de la IA más allá de la AGI de nivel humano y dibuja el terreno hacia la superinteligencia (ASI), entendida como un sistema más capaz que grandes organizaciones de personas. > - El extremo teórico de ese continuo, la IA universal, está razonablemente bien entendido y sirve de anclaje formal. > - La ASI se caracteriza en parte por ventajas estructurales de la inteligencia digital que se amplían con más cómputo: muchas más instancias, más rápidas, copiables, con memoria perfecta y comunicación de gran ancho de banda. > > #### El cómputo como motor > > - El cómputo efectivo ha crecido de forma sostenida: hardware (~1,5x al año) por inversión (~2,5x al año) por eficiencia algorítmica (~3x al año), que combinados dan del orden de 10x al año. > - Si la IA acelera su propia investigación, ese bucle podría dar crecimiento super-exponencial (hiperbólico), con una singularidad teórica; pero los sistemas finitos suelen frenar antes y dibujar una curva en S. > - Solo escalar cantidad (más instancias y más rápidas) podría bastar para pasar de AGI a ASI aunque cada modelo individual se quede en nivel humano. > > #### Cuatro caminos de AGI a ASI (no excluyentes, probablemente en paralelo) > > - Escalar cómputo, modelos y datos: extrapolar las leyes de escalado; la duda central es si la cantidad da saltos cualitativos y si se puede sostener tanto tiempo. > - Cambios de paradigma algorítmico: arquitecturas u optimizaciones nuevas (memoria casi ilimitada, aprendizaje continuo, modelos del mundo); muy difíciles de prever. > - Automejora recursiva: la IA mejora la IA, vía mejor código, mejor hardware, mejores datos o división del trabajo; sin precedente histórico para modelarlo. > - Coordinación multiagente y agencia de grupo: la superinteligencia como propiedad colectiva de muchos agentes orquestados o de un mercado de agentes; la emergencia en estos sistemas se entiende mal. > > #### Frenos y cuellos de botella (cada uno con su contra) > > - Muro de datos: quedarse sin datos de alta calidad; contra: datos sintéticos, simulación, auto-juego, RL. > - Demanda económica y de recursos naturales que crece demasiado rápido (inversión, chips, energía, datacenters); contra: más retorno por despliegue y más eficiencia. > - El paradigma neuronal puede no bastar para la AGI; contra: evoluciones y cambios de paradigma, ayudados por la propia IA. > - La investigación se vuelve más difícil al agotarse lo fácil; contra: IA que hace la investigación más eficiente. > - Barrera de abstracción: la IA, entrenada con abstracciones humanas, puede no crear conceptos nuevos; contra: escala y colectivos de agentes, o un cambio de paradigma. > - Frenado deliberado: riesgos, mal uso o rechazo social que lleven a regular y limitar; contra: presiones económicas y dinámicas de carrera entre países. > > #### Conclusión > > - Determinar si cada freno será leve o decisivo es hoy una pregunta de investigación abierta. > - En vez de un único salto transformador al llegar la AGI, es más probable una serie de cambios profundos por avances en muchas áreas de ciencia y tecnología. > - Prepararse exige medir y modelar el progreso de la IA como disciplina propia y un esfuerzo interdisciplinar de alcance global. # Artículo original: From AGI to ASI Fuente: [From AGI to ASI](https://arxiv.org/abs/2606.12683) ## Title:From AGI to ASI [View PDF](https://arxiv.org/pdf/2606.12683) [HTML (experimental)](https://arxiv.org/html/2606.12683v1) > Abstract:Over the last decade, building human-level artificial general intelligence has moved from far-fetched speculation to being a concrete next-decade target for many of the largest AI organisations. Achieving this goal would have profound and far-reaching impacts on human society, which raises many complex questions for the decade ahead. This report investigates how AI itself might continue to develop in a post-AGI world along the continuum of machine intelligence. The endpoint of this continuum, Universal AI, is theoretically well understood, which provides some formal grounding for the main focus of this report: the transition from human-level AGI to artificial general superintelligence, which, intuitively, can be understood as a system that is more intelligent and cognitively capable than large organisations of humans. After characterizing ASI, the report discusses four potential pathways from AGI to ASI: scaling AGI, AI paradigm shifts, recursive improvement, and ASI emerging from large-scale multi-agent collectives. The report then discusses possible frictions and bottlenecks along these pathways. Determining whether the impact of these frictions will be negligible or substantial raises a number of concrete open research questions. Due to large uncertainties for predicting ASI progress, it cannot be ruled out that AI progress might continue to accelerate over the next years. This could imply that the image of a single transformative step change, caused by the introduction of human-level AGI into our society, could be inaccurate. More apt might be the prospect of a series of transformative societal changes caused by AI-enabled progress and breakthroughs across many areas of science and technology. Preparing for this prospect requires a massively interdisciplinary endeavour of global scope and interest. | Subjects: | Artificial Intelligence (cs.AI); Computers and Society (cs.CY); Machine Learning (cs.LG) | | --- | --- | | Cite as: | [arXiv:2606.12683](https://arxiv.org/abs/2606.12683) \[cs.AI\] | | | (or [arXiv:2606.12683v1](https://arxiv.org/abs/2606.12683v1) \[cs.AI\] for this version) | | | [https://doi.org/10.48550/arXiv.2606.12683](https://doi.org/10.48550/arXiv.2606.12683) | ## Submission history From: Tim Genewein \[[view email](https://arxiv.org/show-email/8ee6a6bb/2606.12683)\] **\[v1\]** Wed, 10 Jun 2026 21:14:10 UTC (284 KB) [Which authors of this paper are endorsers?](https://arxiv.org/auth/show-endorsers/2606.12683) | Disable MathJax ([What is MathJax?](https://info.arxiv.org/help/mathjax.ht