Aviones que aletean gracias a la IA: «Queremos explorar enfoques radicalmente diferentes»

En los últimos meses ha surgido una oleada de ambiciosos laboratorios de IA centrados en la investigación, y Flapping Airplanes destaca como uno de los más interesantes. Impulsado por sus jóvenes y curiosos fundadores, el laboratorio se dedica a buscar formas de entrenar la IA que requieran menos datos. Este enfoque podría transformar de raíz tanto la economía como las capacidades de los modelos de IA, y con 180 millones de dólares en financiación inicial, tienen mucho margen para explorar.

La semana pasada, me reuní con los tres cofundadores del laboratorio —los hermanos Ben y Asher Spector, junto con Aidan Smith— para hablar de por qué este es un momento tan propicio para poner en marcha un nuevo laboratorio de IA y por qué siguen recurriendo a ideas inspiradas en el cerebro humano.

Permíteme empezar con la pregunta obvia: ¿por qué ahora? Laboratorios como OpenAI y DeepMind han invertido enormes recursos en escalar sus modelos. Imagino que la competencia resulta intimidante. ¿Qué os hizo pensar que era el momento adecuado para poner en marcha una empresa de modelos base?

Ben: Queda muchísimo por hacer. Los avances de los últimos cinco a diez años han sido notables. Nos encantan estas herramientas; las usamos a diario. Pero la pregunta es si esto es todo lo que hay que hacer. Lo pensamos detenidamente y nuestra respuesta fue no: queda mucho más por delante. Para nosotros, el problema de la eficiencia de los datos nos pareció el aspecto fundamental que había que abordar. Los modelos de vanguardia actuales se entrenan básicamente con todo el conocimiento humano, pero los seres humanos nos las arreglamos con mucho menos. Esa brecha es enorme y merece la pena comprenderla.

Lo que estamos haciendo es, en esencia, una apuesta decidida por tres cosas. En primer lugar, que la eficiencia de los datos es el problema adecuado que hay que resolver: una dirección genuinamente nueva en la que es posible avanzar. En segundo lugar, que resolverlo tendrá valor comercial y mejorará el mundo. Y en tercer lugar, que el equipo adecuado para asumir este reto es creativo y, en cierto modo, inexperto: un grupo dispuesto a reexaminar estos problemas desde cero.

Aidan: Por supuesto. En realidad no nos vemos compitiendo con otros laboratorios porque nos centramos en un conjunto de problemas muy diferente. Fíjate en la mente humana: aprende de una forma fundamentalmente diferente a la de los transformadores. No necesariamente mejor, solo muy diferente. Por eso vemos diferentes compensaciones. Los modelos de lenguaje grande (LLM) son increíbles a la hora de memorizar y recurrir a un vasto conocimiento, pero les cuesta adquirir nuevas habilidades rápidamente; necesitan enormes cantidades de datos para adaptarse. Si nos fijamos en el interior del cerebro, los algoritmos que utiliza son fundamentalmente distintos del descenso de gradiente y otras técnicas de entrenamiento actuales. Por eso estamos formando una nueva generación de investigadores para abordar estos problemas y replantearnos el panorama de la IA.

Asher: Esta cuestión es de gran interés científico: ¿por qué los sistemas inteligentes que hemos creado son tan diferentes de lo que hacen los humanos? ¿De dónde proviene esa diferencia y cómo podemos aprovecharla para crear mejores sistemas? Al mismo tiempo, creo que esto es comercialmente viable y beneficioso para el mundo. Muchos ámbitos importantes se ven limitados por la falta de datos: la robótica, los descubrimientos científicos e incluso las aplicaciones empresariales. Un modelo que fuera un millón de veces más eficiente en el uso de datos sería un millón de veces más fácil de integrar en la economía. Por eso, para nosotros, adoptar una nueva perspectiva resultaba emocionante: si pudiéramos crear un modelo mucho más eficiente en el uso de datos, ¿qué podríamos hacer con él?

TechCrunch Founder Summit 2026: Entradas a la venta

El 23 de junio, en Boston, más de 1.100 fundadores se darán cita en la TechCrunch Founder Summit 2026 para pasar un día completo centrado en el crecimiento, la ejecución y la escalabilidad en el mundo real. Aprende de los fundadores e inversores que han marcado el rumbo del sector. Establece contactos con compañeros que se encuentran en etapas de crecimiento similares. Llévate estrategias que podrás aplicar de inmediato

Ahorra hasta 300 $ en tu pase o hasta un 30 % con las entradas de grupo para equipos de cuatro o más personas.

TechCrunch Founder Summit: Entradas a la venta

El 23 de junio, en Boston, más de 1.100 fundadores se darán cita en la TechCrunch Founder Summit 2026 para disfrutar de una jornada completa centrada en el crecimiento, la ejecución y la escalabilidad en el mundo real. Aprende de los fundadores e inversores que han marcado el rumbo del sector. Conecta con compañeros que se encuentran en etapas de crecimiento similares. Llévate estrategias que podrás aplicar de inmediato

Ahorra hasta 300 $ en tu pase o hasta un 30 % con las entradas de grupo para equipos de cuatro o más personas.

Esto me lleva a mi siguiente pregunta, que también está relacionada con el nombre «Flapping Airplanes». Existe un debate filosófico en el ámbito de la IA sobre hasta qué punto debemos intentar replicar los procesos del cerebro humano frente a la creación de una inteligencia más abstracta que siga un camino completamente diferente. Aidan viene de Neuralink, donde todo gira en torno al cerebro humano. ¿Consideráis que estáis adoptando una visión más neuromórfica de la IA?

Aidan: Veo el cerebro como una prueba de existencia —la evidencia de que hay otros algoritmos ahí fuera, no solo una ortodoxia. El cerebro funciona bajo restricciones increíbles. Disparar un potencial de acción lleva un milisegundo; en ese mismo tiempo, un ordenador puede realizar innumerables operaciones. Así que probablemente haya un enfoque que sea, de hecho, mucho mejor que el del cerebro, y muy diferente del transformador. Nos inspiramos en algunas cosas que hace el cerebro, pero no nos sentimos atados a él.

Ben: Para añadir algo más, lo llevamos en nuestro propio nombre: Flapping Airplanes. Piensa en los sistemas actuales como grandes Boeing 787. No estamos intentando construir pájaros; eso es ir demasiado lejos. Intentamos construir algo parecido a un avión que bate las alas. Desde la perspectiva de los sistemas informáticos, las limitaciones del cerebro y del silicio son lo suficientemente diferentes como para que no debamos esperar que estos sistemas acaben teniendo el mismo aspecto. Con sustratos tan distintos y compensaciones muy diferentes en cuanto a coste de cálculo, localidad y movimiento de datos, es natural que estos sistemas tengan un aspecto un poco diferente. Pero eso no significa que no debamos inspirarnos en el cerebro y utilizar los aspectos que nos parecen interesantes para mejorar nuestros propios sistemas.

Parece que ahora los laboratorios tienen más libertad para centrarse en la investigación en lugar de limitarse a desarrollar productos. Eso parece un gran cambio para esta generación de laboratorios. Algunos están muy centrados en la investigación; otros están «centrados en la investigación por ahora». ¿Cómo se desarrolla ese debate dentro de Flapping Airplanes?

Asher: Ojalá pudiera darte un plazo. Ojalá pudiera decir: «Dentro de tres años habremos resuelto el problema de investigación y así es como lo comercializaremos». Pero no puedo. No sabemos las respuestas. Estamos buscando la verdad. Dicho esto, sí que tenemos experiencia en el ámbito comercial. Yo dediqué tiempo a desarrollar tecnología para empresas que generaban unos ingresos razonables. Ben ha incubado startups con raíces comerciales, y estamos realmente ilusionados con la comercialización: creemos que es bueno para el mundo poner el valor creado en manos de quienes pueden aprovecharlo. Así que no nos oponemos. Simplemente tenemos que empezar por la investigación, porque si comenzamos firmando grandes contratos con empresas, nos distraeremos y no llevaremos a cabo esa valiosa investigación.

Aidan: Exacto: queremos probar cosas radicalmente diferentes, y a veces las ideas radicales son simplemente peores que el paradigma actual. Estamos explorando una serie de compensaciones diferentes, con la esperanza de que den sus frutos a largo plazo.

Ben: Las empresas dan lo mejor de sí mismas cuando se centran de verdad en hacer bien una sola cosa, ¿verdad? Las grandes empresas pueden permitirse hacer muchas cosas a la vez. Como startup, tienes que elegir lo más valioso y dedicarte a ello por completo. Generamos el máximo valor cuando nos comprometemos plenamente a resolver problemas fundamentales, por ahora.

De hecho, soy optimista y creo que muy pronto habremos avanzado lo suficiente como para empezar a dar nuestros primeros pasos en el mundo real. Se aprende mucho de la retroalimentación del mundo real. Lo increíble del mundo es que te enseña constantemente: es un enorme pozo de verdad al que puedes recurrir en cualquier momento. Creo que el reciente cambio en la economía y la financiación de estas estructuras ha permitido a las empresas centrarse durante más tiempo en aquello en lo que destacan. Ese enfoque —lo que más me entusiasma— nos permitirá realizar un trabajo verdaderamente diferenciado.

Para explicarlo con claridad, creo que te refieres a lo siguiente: hay tanto entusiasmo en torno a la IA que los inversores están dispuestos a aportar 180 millones de dólares en financiación inicial a una empresa recién creada, llena de gente muy inteligente y muy joven que no se ha limitado a vender sus acciones de PayPal. ¿Cómo fue participar en ese proceso? ¿Sabías de antemano que existía ese interés, o descubriste que podías convertir esto en algo más grande de lo que esperabas?

Ben: Fue una mezcla de ambas cosas. El mercado lleva meses en ebullición, así que no era ningún secreto que se estaban cerrando rondas de financiación importantes. Pero nunca sabes cómo responderá el entorno de captación de fondos a tus ideas concretas. Una vez más, tienes que dejar que el mundo te dé su opinión. Incluso durante nuestra ronda de financiación, aprendimos mucho y modificamos nuestras ideas: refinamos nuestras prioridades y plazos de comercialización.

Nos sorprendió un poco lo bien que caló nuestro mensaje. Para nosotros estaba claro, pero nunca sabes si los demás pensarán lo mismo o creerán que estás loco. Tuvimos muchísima suerte de encontrar un grupo de inversores increíbles que realmente conectaron con nuestro mensaje y dijeron: «Sí, esto es exactamente lo que hemos estado buscando». Fue increíble: sorprendente y maravilloso.

Aidan: Sí, hace tiempo que se respira en el ambiente un gran interés por la era de la investigación. Cada vez más, nos vemos posicionados como los protagonistas que persiguen esa era y ponen a prueba estas ideas radicales.

Al menos para las empresas orientadas a la escala, el coste de entrada de los modelos base es enorme: construir un modelo a esa escala requiere una cantidad increíble de recursos computacionales. La investigación se sitúa en algún punto intermedio: es de suponer que estás construyendo modelos base, pero si lo haces con menos datos y sin centrarte tanto en la escala, quizá te resulte más llevadero. ¿En qué medida esperas que los costes de computación limiten tu margen de maniobra?

Ben: Una ventaja de la investigación profunda y fundamental es que, paradójicamente, resulta mucho más barato probar ideas realmente descabelladas y radicales que realizar un trabajo incremental. Con el trabajo incremental, para ver si funciona hay que subir mucho en la escala de ampliación; muchas intervenciones a pequeña escala no se mantienen a gran escala. Eso es caro. Pero si tienes una idea nueva y descabellada sobre un optimizador de arquitectura, probablemente fracasará en la primera prueba de todos modos, así que no hace falta escalarla. Ya ha fallado: eso es genial.

Eso no significa que la escala no sea relevante para nosotros. La escala es una herramienta importante en nuestra caja de herramientas. Ser capaces de ampliar nuestras ideas es, sin duda, relevante. Así que no nos definiría como la antítesis de la escala. Pero es un aspecto maravilloso de nuestro trabajo que podamos probar muchas ideas a muy pequeña escala antes incluso de pensar en la gran escala.

Asher: Sí , deberías poder utilizar todo Internet, pero no deberías necesitarlo. Nos parece realmente desconcertante que se necesite utilizar todo Internet para alcanzar una inteligencia de nivel humano.

Entonces, ¿qué se hace posible si se puede entrenar de forma más eficiente con los datos? Es de suponer que el modelo será más potente e inteligente. ¿Tienes alguna idea concreta sobre adónde nos lleva eso? ¿Estamos hablando de una mayor generalización fuera de la distribución, o de modelos que mejoran en una tarea concreta con menos experiencia?

Asher: En primer lugar , nos dedicamos a la ciencia, así que no sé la respuesta, pero puedo plantear tres hipótesis. Mi primera hipótesis es que existe un amplio espectro entre limitarse a buscar patrones estadísticos y tener una comprensión profunda. Los modelos actuales se sitúan en algún punto de ese espectro: no llegan a la comprensión profunda, pero claramente no se limitan a la simple correspondencia de patrones. Es posible que el entrenamiento con menos datos obligue al modelo a desarrollar una comprensión increíblemente profunda de todo lo que ha visto. Eso podría hacer que el modelo fuera más inteligente de formas interesantes: quizá conozca menos datos, pero razone mejor. Esa es una hipótesis.

Otra hipótesis es similar a lo que has dicho: actualmente resulta caro —tanto desde el punto de vista operativo como económico— enseñar nuevas capacidades a los modelos porque se necesitan muchísimos datos. Uno de los resultados de nuestro trabajo podría ser un post-entrenamiento mucho más eficiente, de modo que con solo unos pocos ejemplos se pudiera aplicar un modelo a un nuevo ámbito.

Y también es posible que esto abra nuevas vías de aplicación para la IA. Por ejemplo, en robótica, por la razón que sea, no conseguimos que sea comercialmente viable. Creo que se trata de un problema de datos limitados, no de un problema de hardware: el hecho de que se puedan manejar robots a distancia demuestra que el hardware es lo suficientemente bueno. Hay muchos ámbitos de este tipo, como el descubrimiento científico.

Ben: Hay una cosa en la que me gustaría insistir: cuando pensamos en el impacto de la IA, una opinión es que se trata de una tecnología deflacionaria —automatiza puestos de trabajo, abarata la mano de obra y elimina empleo de la economía—. Eso sucederá. Pero, en mi opinión, esa no es la visión más emocionante. La visión más emocionante es aquella en la que la IA nos ayuda a construir nuevas ciencias y tecnologías que los humanos no somos lo suficientemente inteligentes como para idear, pero que otros sistemas sí pueden.

En ese sentido, el eje que ha mencionado Asher —entre la verdadera generalización frente a la memorización o la interpolación— es extremadamente importante para obtener conocimientos profundos que conduzcan a avances en medicina y ciencia. Es fundamental que los modelos se sitúen en el lado de la creatividad de ese espectro. Parte del motivo por el que me entusiasma tanto nuestro trabajo es que, más allá de los impactos económicos individuales, estoy genuinamente centrado en la misión de conseguir que la IA haga cosas que los humanos, en esencia, no podían hacer antes. Eso es mucho más que simplemente «despidamos a un montón de gente».

Por supuesto. ¿Eso te sitúa en un bando concreto en el debate sobre la IA general (AGI), en lo que respecta a la generalización fuera de la distribución?

Asher: La verdades que no sé exactamente qué significa la IGA. Las capacidades avanzan rápidamente y se está creando un enorme valor económico. Pero no creo que estemos cerca de un «Dios en una caja». No espero que en dos meses, ni siquiera en dos años, se produzca una singularidad en la que los humanos queden obsoletos. Básicamente estoy de acuerdo con lo que ha dicho Ben: el mundo es muy grande, hay mucho trabajo por hacer y estamos deseando contribuir.

Bueno, la idea sobre el cerebro y la parte neuromórfica sí que parece relevante. Estás diciendo que lo que hay que comparar con los modelos de lenguaje grande (LLM) es el cerebro humano, más que el Mechanical Turk o los ordenadores determinísticos que vinieron antes.

Aidan: Quiero destacar: el cerebro no es el techo; en muchos sentidos, es el suelo. No veo ninguna prueba de que el cerebro no sea un sistema cognoscible que siga las leyes físicas. Está sujeto a muchas limitaciones. Por lo tanto, deberíamos esperar crear capacidades que sean mucho más interesantes, diferentes y, potencialmente, mejores que el cerebro a largo plazo. Estamos deseando contribuir a ese futuro, ya se llame IGA o de otra forma.

Asher: Y sí creo que el cerebro es la comparación pertinente, porque nos ayuda a comprender lo amplio que es el campo. Es fácil ver todo el progreso y pensar: «Vaya, tenemos la respuesta, ya casi lo hemos conseguido». Pero si das un paso atrás y adquieres perspectiva, hay muchas cosas que no sabemos.

Ben: Nointentamos ser mejores, per se. Intentamos ser diferentes; esa es la idea clave en la que quiero insistir. Es casi seguro que todos estos sistemas tendrán diferentes compensaciones. Se ganará en un aspecto y se perderá en otro. El mundo es muy amplio, con muchos ámbitos que presentan diferentes compensaciones. Contar con más sistemas y tecnologías fundamentales que aborden estos distintos ámbitos probablemente permitirá que la IA se difunda de forma más eficaz y rápida por todo el mundo.

Una forma en la que os habéis distinguido es en vuestro enfoque de contratación: fichar a gente muy joven, en algunos casos aún en la universidad o en el instituto. ¿Qué es lo que os llama la atención cuando habláis con alguien y os hace pensar: «Quiero que esta persona trabaje en estos problemas de investigación»?

Aidan: Es cuando hablas con alguien y te deslumbra: tiene tantas ideas nuevas y piensa de formas que muchos investigadores consolidados no pueden, porque no se han visto contaminados por miles de artículos. Lo primero que buscamos es la creatividad. Nuestro equipo es excepcionalmente creativo, y cada día me siento afortunado de poder acudir al trabajo y debatir soluciones radicales a los grandes problemas de la IA con personas que imaginan un futuro muy diferente.

Ben: Probablemente, lo primero que busco es: ¿me enseñan algo nuevo cuando paso tiempo con ellos? Si me enseñan algo nuevo, hay muchas posibilidades de que nos enseñen algo nuevo sobre nuestro trabajo. A la hora de investigar, las ideas creativas y novedosas son la prioridad.

Parte de mi trayectoria —durante la carrera y el doctorado— consistió en ayudar a poner en marcha una incubadora llamada Prod que colaboraba con empresas que acabaron teniendo éxito. Una cosa que observamos fue que los jóvenes pueden competir sin duda alguna en las más altas esferas de la industria. Gran parte del avance consiste simplemente en darse cuenta de que «Sí, puedo hacer esto». Sin duda, puedes aportar mucho al más alto nivel.

Por supuesto, reconocemos el valor de la experiencia. Las personas que han trabajado en sistemas a gran escala son fantásticas; hemos contratado a algunas de ellas y estamos encantados de trabajar con todo tipo de personas. Creo que nuestra misión también ha calado entre las personas con experiencia. La clave es que buscamos a personas que no tengan miedo de cambiar el paradigma y que sean capaces de imaginar un nuevo sistema de cómo podrían funcionar las cosas.

Hay algo que me ha estado dando vueltas en la cabeza: ¿hasta qué punto crees que serán diferentes los sistemas de IA resultantes? Es fácil imaginar algo como Claude Opus que simplemente funcione un 20 % mejor y pueda hacer un 20 % más. Pero si es algo completamente nuevo, cuesta imaginar hacia dónde se dirige o cómo será el resultado final.

Asher: No sé si alguna vez has tenido el privilegio de hablar con el modelo base de GPT-4, pero tenía un montón de capacidades emergentes muy extrañas. Por ejemplo, podías coger un fragmento de una entrada de blog sin publicar y preguntarle quién la había escrito, y era capaz de identificarlo.

Hay muchas capacidades de este tipo en las que los modelos son inteligentes de formas que no podemos comprender. Los modelos del futuro serán aún más inteligentes de formas aún más extrañas. Creo que debemos esperar que el futuro sea realmente extraño, y las arquitecturas aún más extrañas. Buscamos mejoras de 1000 veces en la eficiencia de los datos, no un cambio incremental. Así que debemos esperar cambios y capacidades igualmente desconocidos y ajenos a nuestra comprensión en el límite.

Ben: En líneas generales, estoy de acuerdo. Probablemente soy un poco más moderado en cuanto a cómo el mundo acabará experimentando estas cosas —al igual que OpenAI moderó el modelo base de GPT-4—. Hay que presentar las cosas de tal forma que los consumidores no se vean abocados al abismo. Eso es importante. Pero, en líneas generales, estoy de acuerdo en que nuestra agenda de investigación consiste en desarrollar capacidades que sean bastante diferentes, en lo fundamental, de lo que se puede hacer ahora.

¡Fantástico! ¿Hay alguna forma de que la gente pueda interactuar con Flapping Airplanes? ¿Es demasiado pronto para eso, o deberían simplemente estar atentos a cuando salgan la investigación y los modelos?

Asher: Tenemos [email protected] si solo quieres saludarnos. También tenemos [email protected] si quieres discrepar con nosotros. Hemos tenido conversaciones realmente interesantes en las que la gente nos envía largos ensayos sobre por qué creen que lo que estamos haciendo es imposible, y estamos encantados de debatir al respecto.

Ben: Pero aún no nos han convencido. Nadie nos ha convencido todavía.

Asher: En segundo lugar, buscamos personas excepcionales que quieran cambiar el sector y el mundo. Si te interesa, ponte en contacto con nosotros.

Ben: Y si tienes una trayectoria poco convencional, no pasa nada. No hace falta que tengas dos doctorados. Lo que realmente buscamos es gente que piense de forma diferente.