AGI, computación cuántica y el futuro del ser humano

Pocas tecnologías en la historia de la civilización han recorrido el trayecto desde la especulación académica hasta la disrupción global con la velocidad vertiginosa de la inteligencia artificial. Lo que comenzó como un modesto experimento de lógica formal y cibernética a mediados del siglo XX se ha transformado hoy en el motor geopolítico, económico y cognitivo del siglo XXI.

Sin embargo, a medida que los sistemas sintéticos adquieren cotas cada vez más altas de autonomía, destreza analítica y capacidad creativa, la sociedad se encuentra en una profunda encrucijada. Entre el triunfalismo comercial de las grandes corporaciones y el catastrofismo apocalíptico de la ciencia ficción, existe un espacio riguroso para la ciencia: analizar hacia dónde nos dirigen los límites físicos de la computación, qué significa de verdad el concepto de una inteligencia general y cuál será el lugar de la mente humana en un mundo donde la capacidad cognitiva ya no es un monopolio exclusivamente biológico.

El mito y la realidad de la AGI

El término AGI (artificial general intelligence, o inteligencia artificial general) se ha convertido en un acrónimo publicitario omnipresente en la industria tecnológica. Para el público general, alimentado por la ciencia ficción, evoca una entidad sintética con autoconciencia, emociones, libre albedrío y una inteligencia similar o superior a la humana en todos los dominios posibles.

Desde la perspectiva de la informática teórica y la ciencia cognitiva, la definición es mucho más sobria: una AGI sería un sistema capaz de aprender, razonar y generalizar de forma autónoma para resolver cualquier tarea intelectual que un ser humano pueda realizar, con un nivel de competencia comparable o superior, adaptándose a entornos nuevos sin necesidad de reentrenamiento específico. Aun así, no existe una definición consensuada, y cada laboratorio maneja la suya. Investigadores de Google DeepMind han propuesto medirla por niveles, según cuántas personas cualificadas supera el sistema y en qué abanico de tareas, en lugar de tratarla como una meta que se cruza de golpe.

Para separar el rigor científico del mero marketing corporativo, es imprescindible definir con precisión los peldaños de esta evolución:

1. IA estrecha (narrow AI): sistemas hiperespecializados, diseñados para resolver tareas concretas, como traducir, analizar radiografías o recomendar contenidos. Carecen de autoconciencia, de transferencia generalizada del conocimiento y de propósito autónomo. Los grandes modelos de lenguaje actuales ocupan una zona intermedia: ya no son estrechos en el sentido clásico, porque conversan, programan y traducen, pero tampoco cumplen la definición de AGI, porque siguen fallando fuera de los patrones de sus datos y no aprenden por sí solos de la experiencia.
2. AGI (inteligencia artificial general): un hipotético sistema autónomo capaz de aprender, razonar, planificar y adaptarse con la misma flexibilidad cognitiva que un ser humano ante cualquier tarea intelectual, en un entorno abierto y desconocido. Una AGI no solo sabría resolver los problemas para los que fue entrenada, sino que podría inventar ciencia nueva, reconfigurarse a sí misma y aprender habilidades no previstas por sus creadores.
3. ASI (artificial superintelligence, o superinteligencia artificial): el umbral teórico en el que la inteligencia artificial superaría con creces la capacidad cognitiva combinada de toda la humanidad en todos los dominios posibles.

Los límites del escalado

Durante los últimos años, la industria ha apostado masivamente por las llamadas leyes de escalado (scaling laws), que vimos en la segunda parte: la observación empírica de que el rendimiento de un modelo mejora de forma predecible al aumentar los datos de entrenamiento, la potencia de cálculo y el número de parámetros. De ahí nació la hipótesis de que, si se siguen multiplicando, las habilidades propias de una AGI surgirán de forma natural.

No obstante, este paradigma muestra límites cada vez más claros:

• Agotamiento de la fuente: como vimos en la cuarta parte, internet se está quedando sin textos humanos de calidad con los que entrenar.
• Rendimientos decrecientes: por la propia forma matemática de estas leyes, cada mejora exige multiplicar los recursos. Multiplicar por diez el cálculo ya no garantiza un salto cualitativo equivalente en razonamiento profundo; los modelos acumulan memoria y fluidez estadística, pero siguen adoleciendo de una comprensión causal genuina del mundo físico.

La industria ha respondido abriendo un segundo frente: en lugar de hacer modelos cada vez más grandes, darles más tiempo de cálculo para «pensar» antes de responder. Es lo que hacen los modelos de razonamiento que vimos en la tercera parte, y en ciertas tareas rinde más que multiplicar el tamaño del modelo.

Aun así, muchos investigadores creen que alcanzar una verdadera AGI requerirá un nuevo paradigma arquitectónico: un enfoque híbrido que fusione el conexionismo de las redes neuronales profundas con el razonamiento simbólico clásico y los principios de la neurobiología cognitiva. Otros sostienen lo contrario: que la historia de la IA demuestra que los métodos generales capaces de aprovechar más cálculo acaban ganando a los que incorporan conocimiento humano. Es una de las grandes preguntas abiertas del campo.

La geopolítica del silicio y el hardware del futuro

La gran falacia de la era digital es imaginar la inteligencia artificial como algo puramente inmaterial, etéreo y desconectado de la materia. La realidad es que la batalla por la hegemonía de la IA es, ante todo, una batalla de física de materiales, ingeniería de precisión y geopolítica industrial.

El cuello de botella de los semiconductores

El software más avanzado del planeta es completamente inútil sin una cadena de suministro de hardware milimétricamente sincronizada, que depende de un número reducido de puntos críticos a escala mundial:

• La litografía ultravioleta extrema (EUV): la fabricación de los chips más avanzados del mundo depende de una sola compañía de los Países Bajos, ASML, la única que fabrica las máquinas capaces de grabar con luz ultravioleta extrema los circuitos más diminutos sobre las obleas de silicio.
• La fundición centralizada: la gran mayoría de los procesadores más avanzados que diseñan empresas como Nvidia, Apple o AMD se fabrican en las fundiciones de TSMC, en Taiwán, lo que convierte a la isla en uno de los puntos geoestratégicos más delicados del planeta.

Ante esta vulnerabilidad, Estados Unidos, China y la Unión Europea compiten por la soberanía del hardware: subvencionan con miles de millones la construcción de fábricas de semiconductores (fabs) en su territorio, y Estados Unidos restringe desde 2022 la venta a China de los chips y las máquinas más avanzados.

La computación cuántica

A medida que la célebre ley de Moore —la duplicación del número de transistores en un chip cada dos años, aproximadamente— se acerca a sus límites físicos, la industria choca contra una barrera atómica. Cuando los transistores se reducen a unas pocas decenas de átomos, los electrones empiezan a atravesar barreras que en teoría no deberían cruzar, por un fenómeno cuántico llamado efecto túnel, y los chips pierden corriente y se calientan. Ante ese muro, una parte de la investigación mira hacia la computación cuántica. Conviene aclarar desde el principio que no es un chip más rápido que vaya a sustituir al actual, sino una forma distinta de calcular que solo supera a la clásica en ciertos problemas muy concretos.

Mientras que la informática clásica procesa la información con bits, que valen 0 o 1, la computación cuántica utiliza cúbits (bits cuánticos), que se rigen por dos principios de la física cuántica:

• La superposición: un cúbit puede encontrarse en una combinación de 0 y 1 a la vez. Imaginemos una moneda que no reposa en cara ni en cruz, sino que gira sobre la mesa: solo al detenerse, cuando se mide, cae de un lado, con una probabilidad que depende de cómo giraba.
• El entrelazamiento: dos cúbits pueden quedar ligados de tal modo que, al medirlos, sus resultados están correlacionados aunque estén muy lejos el uno del otro. Esa correlación no permite enviar información más rápido que la luz, pero es un recurso de cálculo que ningún ordenador clásico puede imitar de forma eficiente.

Los ordenadores cuánticos actuales siguen en una fase muy frágil y experimental: tienen desde decenas hasta unos pocos miles de cúbits, cometen errores con frecuencia y muchos necesitan temperaturas cercanas al cero absoluto. En 2024, Google demostró por primera vez que añadir cúbits para corregir errores reduce los fallos en lugar de multiplicarlos, un paso imprescindible para construir máquinas útiles, que necesitarán cientos de miles o millones de cúbits.

¿Cómo podría la computación cuántica ayudar a la IA?

Su cruce con el aprendizaje automático, el llamado aprendizaje automático cuántico (quantum machine learning), ha despertado grandes expectativas. Conviene separar lo demostrado de lo prometido:

1. La optimización: entrenar una red neuronal consiste en buscar el punto más bajo de un paisaje montañoso de millones de dimensiones, la función de pérdida. A menudo se dice que un ordenador cuántico, gracias a la superposición, podría recorrer todos los caminos a la vez. No es así: al medir, la superposición se reduce a un único resultado, y la ventaja solo aparece cuando un algoritmo consigue que las respuestas erróneas se anulen entre sí y la correcta se refuerce. Para problemas de búsqueda generales, la aceleración demostrada es como mucho cuadrática, no exponencial, y las redes neuronales cuánticas tienen sus propios obstáculos: sus paisajes de entrenamiento tienden a volverse tan planos que es casi imposible encontrar hacia dónde mejorar.
2. El álgebra lineal: las redes neuronales basan toda su potencia en multiplicaciones masivas de matrices. El algoritmo cuántico HHL resuelve ciertos sistemas de ecuaciones lineales exponencialmente más rápido que un ordenador clásico, pero con una letra pequeña decisiva: las matrices deben cumplir condiciones muy estrictas, cargar los datos en el ordenador cuántico puede costar tanto como el propio cálculo, y el resultado no es la solución completa, sino un estado cuántico del que solo se pueden extraer algunos datos. Además, para varias de sus aplicaciones al aprendizaje automático se han encontrado después algoritmos clásicos casi igual de rápidos.
3. La simulación molecular y la ciencia de materiales: aquí está la promesa más sólida. Los ordenadores tradicionales sufren para simular el comportamiento real de las moléculas porque la química es cuántica por naturaleza, como ya advirtió Richard Feynman en 1982. Un ordenador cuántico con corrección de errores podría simular con gran precisión reacciones que hoy están fuera de alcance, como la que usan las bacterias para fijar el nitrógeno del aire, y esos datos podrían alimentar a modelos de IA para diseñar materiales superconductores o catalizadores para capturar carbono.

El verdadero potencial de la computación cuántica no reside, por tanto, en hacer que los chats respondan más rápido ni en entrenar modelos de lenguaje: los ordenadores cuánticos son especialmente torpes manejando grandes volúmenes de datos, que es justo lo que necesita la IA actual. Su papel más probable es el de un instrumento científico capaz de simular la física y la química donde los ordenadores clásicos no llegan, cuyos resultados la IA podrá aprovechar para abordar problemas científicos de gran complejidad, como el diseño de nuevos materiales. La colaboración también funciona en sentido contrario: en 2024, un sistema de IA de Google DeepMind aprendió a detectar los errores de un procesador cuántico mejor que los métodos diseñados a mano.

El rol del ser humano en la era sintética

Con la irrupción de sistemas capaces de asumir tareas analíticas, de programación, de diseño e incluso de producción creativa que durante siglos fueron coto exclusivo del intelecto humano, surge de forma inevitable una profunda inquietud existencial: ¿cuál es el propósito y el valor del ser humano en la era sintética?

La paradoja de la automatización

Lejos de la distopía de la sustitución total, la historia económica muestra que la automatización no destruye el trabajo, sino que lo transforma, desplazando el esfuerzo humano hacia niveles de abstracción superiores. Hasta ahora, cada oleada tecnológica ha eliminado tareas pero ha creado otras nuevas, aunque la transición ha sido dura para quienes perdieron las suyas, y los economistas debaten si la IA, que alcanza también al trabajo intelectual, seguirá la misma pauta.

En lugar de concebir la IA como un sustituto omnipotente que reemplazará por completo al individuo, el enfoque más riguroso y realista la define como una prótesis cognitiva. Del mismo modo que la calculadora no eliminó la necesidad de entender las matemáticas, sino que elevó el nivel de complejidad de los problemas que podíamos resolver, la IA actúa como un amplificador de las intenciones humanas. Los primeros estudios apuntan en esa dirección: en un centro de atención al cliente, un asistente de IA aumentó la productividad un 14 % de media, y un 34 % entre los empleados más novatos.

A medida que las máquinas se encargan de la ejecución rutinaria y del procesamiento masivo de datos, lo intrínsecamente humano adquiere un valor económico y social inédito:

• El juicio crítico y la responsabilidad ética: una máquina puede calcular probabilidades, pero carece de agencia moral. La responsabilidad de decidir qué se hace con la tecnología y cuáles son sus límites éticos recae exclusivamente en el ser humano.
• La empatía, la intuición y la experiencia encarnada: la conexión emocional profunda, la creatividad nacida del sufrimiento y la alegría de la experiencia física son dimensiones ajenas al silicio.
• La formulación de las preguntas correctas: en un mundo donde las respuestas automatizadas son abundantes y baratas, la capacidad humana para plantear los problemas adecuados, cuestionar los dogmas y ejercer la curiosidad intelectual se convierte en el bien más escaso y valioso.

Conclusión

La inteligencia artificial no es una divinidad omnisciente ni un monstruo alienígena destinado a subyugarnos por designio propio. Es, en esencia, un espejo matemático de nuestra propia civilización: un artefacto construido con los textos, los códigos, las contradicciones, los errores y las genialidades acumulados por la humanidad a lo largo de los milenios.

Frente a este panorama de mutación constante, las posturas polarizadas —ya sea el optimismo ingenuo que confía en una utopía sin fricciones o el catastrofismo que paraliza ante el porvenir— sirven de bien poco. El cambio tecnológico no es un accidente evitable ni una maldición repentina; es un proceso inexorable de reconfiguración civilizatoria. La historia nos enseña que las herramientas moldean a las sociedades, pero las sociedades también deciden cómo adoptarlas y gobernarlas.

En este nuevo ecosistema, la adaptación ya no es una opción abstracta, sino una exigencia de actitud individual. La responsabilidad recae en cada persona: cultivar el pensamiento crítico, asumir la actualización constante como un hábito vital y rechazar la atrofia cognitiva que produce delegar el esfuerzo intelectual en la comodidad de la máquina. El futuro no está escrito para ser temido ni celebrado a ciegas, sino para ser transitado con lucidez.

Referencias y respaldo científico

• Una propuesta para medir el avance hacia la AGI por niveles, según el rendimiento del sistema y la variedad de tareas que domina. Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2024). Position: Levels of AGI for operationalizing progress on the path to AGI. Proceedings of the 41st International Conference on Machine Learning, PMLR 235, 36308-36321. Consultar estudio en arXiv
• Las leyes de escalado: el rendimiento de un modelo de lenguaje mejora de forma predecible al aumentar parámetros, datos y cómputo. Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., … & Amodei, D. (2020). Scaling laws for neural language models. arXiv, 2001.08361. Consultar estudio en arXiv
• Dar a un modelo más tiempo de cálculo al responder puede rendir más que hacerlo más grande. Snell, C., Lee, J., Xu, K., & Kumar, A. (2025). Scaling LLM test-time compute optimally can be more effective than scaling model parameters. International Conference on Learning Representations (ICLR). Consultar estudio en arXiv
• La defensa de una IA híbrida, que combine las redes neuronales con el razonamiento simbólico y el conocimiento del mundo. Marcus, G. (2020). The next decade in AI: Four steps towards robust artificial intelligence. arXiv, 2002.06177. Consultar estudio en arXiv
• La postura contraria: a largo plazo, los métodos generales que aprovechan más cálculo ganan a los que incorporan conocimiento humano. Sutton, R. S. (2019). The bitter lesson. Incomplete Ideas. Consultar el ensayo
• Quién controla cada eslabón de la cadena de los semiconductores y cuán concentrada está. Khan, S. M., Mann, A., & Peterson, D. (2021). The semiconductor supply chain: Assessing national competitiveness. Center for Security and Emerging Technology. Consultar informe (DOI)
• El primer procesador cuántico en el que añadir cúbits para corregir errores reduce los fallos en lugar de multiplicarlos. Google Quantum AI and Collaborators. (2025). Quantum error correction below the surface code threshold. Nature, 638(8052), 920-926. Consultar artículo (DOI)
• Una revisión de lo que promete el aprendizaje automático cuántico y de los obstáculos que le quedan por superar. Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671), 195-202. Consultar artículo (DOI)
• Las mesetas estériles: los paisajes de entrenamiento de las redes neuronales cuánticas se vuelven tan planos que es casi imposible optimizarlas. McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications, 9, 4812. Consultar artículo (DOI)
• El algoritmo HHL, que resuelve ciertos sistemas de ecuaciones lineales exponencialmente más rápido. Harrow, A. W., Hassidim, A., & Lloyd, S. (2009). Quantum algorithm for linear systems of equations. Physical Review Letters, 103(15), 150502. Consultar artículo (DOI)
• La letra pequeña de esa ventaja: las condiciones que deben cumplirse para que el algoritmo sea realmente útil. Aaronson, S. (2015). Read the fine print. Nature Physics, 11(4), 291-293. Consultar artículo (DOI)
• Un algoritmo clásico que iguala casi a uno cuántico del que se esperaba una ventaja exponencial. Tang, E. (2019). A quantum-inspired classical algorithm for recommendation systems. Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing, 217-228. Consultar estudio (DOI)
• La propuesta original: para simular la naturaleza, que es cuántica, hace falta un ordenador cuántico. Feynman, R. P. (1982). Simulating physics with computers. International Journal of Theoretical Physics, 21(6-7), 467-488. Consultar artículo (DOI)
• Cómo un ordenador cuántico podría desentrañar la reacción con que las bacterias fijan el nitrógeno, inalcanzable para los clásicos. Reiher, M., Wiebe, N., Svore, K. M., Wecker, D., & Troyer, M. (2017). Elucidating reaction mechanisms on quantum computers. Proceedings of the National Academy of Sciences, 114(29), 7555-7560. Consultar artículo (DOI)
• La IA al servicio de la computación cuántica: un modelo que detecta los errores de un procesador mejor que los métodos diseñados a mano. Bausch, J., Senior, A. W., Heras, F. J. H., Edlich, T., … & Kohli, P. (2024). Learning high-accuracy error decoding for quantum processors. Nature, 635(8040), 834-840. Consultar artículo (DOI)
• Por qué, pese a dos siglos de automatización, sigue habiendo tanto trabajo: las máquinas sustituyen tareas, pero también complementan a las personas. Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30. Consultar artículo (DOI)
• La automatización desplaza a los trabajadores de unas tareas y crea otras nuevas; el saldo depende del equilibrio entre ambas. Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. Consultar artículo (DOI)
• Un asistente de IA en un centro de atención al cliente: un 14 % más de productividad, y un 34 % entre los empleados más novatos. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. Consultar artículo (DOI)