Laboratorio de IA automatizado: Core Automation y el futuro de la investigación
Contenido del artículo
El panorama de la inteligencia artificial ha experimentado un giro sísmico este 22 de abril de 2026. Lo que comenzó como un rumor en los pasillos de San Francisco se ha confirmado como la mayor fuga de cerebros en la historia reciente de la tecnología: un grupo de investigadores de élite de Anthropic y Google DeepMind ha abandonado sus puestos para unirse a Core Automation. Esta nueva firma, fundada por el ex-vicepresidente de OpenAI, Jerry Tworek, no solo busca competir en la carrera por el modelo más grande; su misión es redefinir el concepto mismo de descubrimiento científico mediante la creación del primer laboratorio de IA automatizado a escala global.
La presentación de Core Automation marca el fin de la “era del escalado manual”. Durante la última media década, el progreso de la IA se basó en una receta predecible: más GPUs, más datos y parámetros más densos. Sin embargo, Tworek y su equipo —que incluye a figuras de la talla de Rohan Anil (ex-líder en Gemini) y Anmol Gulati— sostienen que este paradigma ha tocado techo. La propuesta de Core Automation es tratar la investigación de IA como un problema de optimización pura, donde los sistemas no solo aprenden de los datos, sino que automatizan el proceso de diseñarse, probarse y evolucionar a sí mismos.
La Génesis de Core Automation: Más Allá de las Leyes de Escalado
Jerry Tworek, quien fue una pieza clave en el desarrollo de modelos de razonamiento avanzado como o1 y o3 en OpenAI, abandonó la organización citando las limitaciones de los laboratorios tradicionales para perseguir investigaciones de alto riesgo. En sus propias palabras, el modelo de “entrenamiento estático” —donde un modelo se entrena una vez y se despliega sin cambios significativos— es un vestigio del pasado. Core Automation nace con el objetivo de implementar lo que denominan “Aprendizaje Continuo” (Continual Learning).
El equipo fundador de Core Automation es un quién es quién del sector tecnológico actual:
- Rohan Anil: Investigador veterano que transitó por DeepMind y Anthropic antes de ser, según sus palabras, “nerdsnipeado” (un término usado cuando un problema intelectual es tan fascinante que obliga a dejar todo lo demás) por Tworek.
- Anmol Gulati: Científico especializado en arquitecturas de Gemini, quien ha expresado públicamente que el futuro de la IA reside en algoritmos que superen el stack actual de transformadores.
- Joanne Jang: Ex-gerente general de OpenAI, cuyo nuevo rol se describe poéticamente como “intentar automatizar su propio trabajo” dentro de la estructura de la empresa.
- Ehsan Amid y Avery Lamp: Especialistas en infraestructuras de aprendizaje profundo provenientes de Google.
Esta concentración de talento tiene un objetivo técnico claro: desarrollar el modelo Ceres. A diferencia de GPT-5 o Claude 4, Ceres está diseñado para aprender continuamente de sus interacciones en el mundo real, corrigiendo sus propios errores de razonamiento y adaptando sus pesos sin necesidad de ciclos de reentrenamiento masivos y costosos. Según los documentos internos de la startup, Ceres aspira a ser 100 veces más eficiente en el uso de datos que los gigantes actuales.
El Laboratorio de IA Automatizado: Investigando la Investigación
La idea de un laboratorio de IA automatizado no es simplemente una oficina llena de servidores potentes; es un ecosistema de “Auto-Investigación” (AutoR). En los laboratorios convencionales, los humanos diseñan hipótesis, ajustan hiperparámetros manualmente y supervisan cada experimento. En Core Automation, el sistema es un bucle cerrado donde agentes de IA especializados:
- Formulan hipótesis sobre nuevas arquitecturas neuronales.
- Orquestan ejecuciones experimentales de forma autónoma.
- Analizan los metadatos de los resultados para iterar sobre el diseño del modelo.
- Documentan sus propios hallazgos científicos con una precisión que supera la revisión por pares humana.
Este enfoque aborda el principal cuello de botella de la industria: el factor humano. A medida que los modelos se vuelven más complejos, la intuición humana sobre cómo optimizarlos falla. Al automatizar la infraestructura de investigación, Core Automation busca acortar los ciclos de innovación de meses a días.
El fin de los modelos estáticos
El gran desafío del aprendizaje profundo ha sido siempre el “olvido catastrófico”: cuando una red neuronal aprende algo nuevo, tiende a borrar información previa. El equipo de Tworek afirma haber superado esta barrera técnica mediante el uso de arquitecturas dinámicas que pueden expandirse o contraerse según la complejidad de la tarea, permitiendo una estabilidad plástica sin precedentes. Esto convierte a la IA en una entidad evolutiva en lugar de una herramienta estática.
ICLR 2026: Gemelos Digitales y Modelado Cognitivo
Mientras Core Automation sacude el sector privado, el mundo académico está presentando las piezas del rompecabezas que validan este cambio de paradigma. En la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR 2026) celebrada en Río de Janeiro, investigadores de la Escuela Politécnica Federal de Lausana (EPFL) presentaron un estudio revolucionario que conecta la arquitectura de IA con los trastornos cognitivos humanos.
El estudio de EPFL utilizó modelos de visión y lenguaje (VLM) a gran escala como “gemelos digitales” para simular la dislexia. Al identificar y perturbar funcionalmente las unidades artificiales análogas al Área de la Forma Visual de las Palabras (VWFA) en el cerebro humano, los investigadores lograron inducir déficits de lectura en la IA que imitaban casi a la perfección el comportamiento de sujetos humanos disléxicos.
¿Por qué es esto relevante para el concepto de un laboratorio de IA automatizado? Porque demuestra que la próxima generación de IA no será solo “más grande”, sino arquitectónicamente especializada. La capacidad de crear modelos que sirvan como proxies para mecanismos biológicos complejos abre la puerta a una nueva era de “Neuro-IA”, donde la automatización de la investigación permitirá diseñar redes neuronales inspiradas en la eficiencia estructural del cerebro humano, algo que el escalado bruto de GPUs nunca podrá replicar.
Simulación y Neurociencia Computacional
El uso de gemelos digitales en el laboratorio de IA automatizado permitirá realizar experimentos causales que son éticamente imposibles en humanos. Al alterar unidades específicas dentro de modelos como Ceres o los VLMs de EPFL, los científicos pueden observar cómo se degrada o mejora el procesamiento de información, lo que eventualmente llevará a arquitecturas que no solo hablen o vean mejor, sino que “piensen” con una estructura más robusta y menos propensa a alucinaciones.
La Guerra por la Soberanía de la Automatización
Core Automation no está sola en esta visión. Google DeepMind ya inauguró a finales de 2025 su primer laboratorio totalmente automatizado en el Reino Unido, enfocado en el descubrimiento de materiales y semiconductores. La diferencia radica en el enfoque: mientras DeepMind se centra en la aplicación física de la IA (robótica y ciencia de materiales), la empresa de Jerry Tworek se centra en el metanivel de la inteligencia: automatizar el software que crea software inteligente.
Para financiar esta ambición, Core Automation está buscando una ronda de inversión de entre $500 millones y $1,000 millones de dólares, lo que situaría su valoración por encima de los $5,000 millones apenas semanas después de su formación. La urgencia es clara: asegurar los contratos de computación antes de que los clústeres de GPUs sean absorbidos por los gigantes establecidos.
Entre los inversores se rumorea la presencia de firmas de capital de riesgo de élite que previamente respaldaron a OpenAI, atraídos por la promesa de un sistema que requiere 100 veces menos datos. En un mundo donde la disponibilidad de datos públicos de alta calidad está agotándose, la eficiencia sintética y el aprendizaje continuo son las únicas vías de supervivencia.
Conclusión: El Futuro es Auto-Evolutivo
Lo que estamos presenciando el día de hoy con el surgimiento de Core Automation y los avances presentados en ICLR 2026 es el nacimiento de la IA de Tercera Generación. La primera fue la de los sistemas expertos; la segunda, la de las redes neuronales masivas alimentadas por datos masivos; la tercera es la de los sistemas auto-organizados.
El laboratorio de IA automatizado de Jerry Tworek representa una apuesta audaz: que la inteligencia artificial es ahora lo suficientemente madura como para tomar las riendas de su propia evolución científica. Si tienen éxito, el papel del investigador humano cambiará para siempre, pasando de ser un arquitecto que coloca cada ladrillo a ser un director de orquesta que define los objetivos de un sistema que se construye a sí mismo.
La intersección entre el modelado cognitivo, como el estudio de la dislexia en EPFL, y la automatización radical de Core Automation, sugiere que estamos cerca de descifrar no solo cómo crear máquinas inteligentes, sino cómo estas máquinas pueden ayudarnos a entender las fallas y fortalezas de nuestra propia mente. El 22 de abril de 2026 será recordado como el día en que la IA dejó de ser una herramienta diseñada por humanos para convertirse en un científico autónomo en pleno derecho.
Etiquetas
Escrito por
TempMail Ninja
Experto en privacidad digital y seguridad en línea. Apasionado por crear herramientas que protejan la identidad de los usuarios en internet.
