Más allá de la Ley de Moore: El auge exponencial de la IA y el paradigma emergente de OpenAI

El ritmo de avance de la inteligencia artificial es casi incomprensible. Para describir este fenómeno, los expertos del sector han comenzado a hacer referencia a lo que algunos denominan «la ley de OpenAI», una contrapartida moderna de la ley de Moore, pero con una trayectoria mucho más pronunciada. Este concepto ganó mayor reconocimiento en el libro Empire of AI, que documenta el auge de OpenAI y la carrera cada vez más intensa hacia la inteligencia artificial general (AGI). En sus páginas, la «Ley de OpenAI» se utiliza para resumir la vertiginosa velocidad a la que las demandas computacionales —y, en consecuencia, las capacidades de la IA— se han multiplicado en los últimos diez años.

Aunque no es un principio científico formal, la Ley de OpenAI apunta a una tendencia concreta y medible: la rápida duplicación de la potencia computacional utilizada para entrenar modelos de IA de vanguardia, que se produce mucho más rápido que la Ley de Moore. En términos prácticos, la computación de la IA se ha duplicado aproximadamente cada tres o cuatro meses, en comparación con el ciclo de 18-24 meses de la Ley de Moore. Esta curva exponencial es el motor del auge moderno de la IA, que prepara el escenario para un futuro que está llegando más rápido de lo que la mayoría anticipa.

La Ley de Moore: el motor que impulsó la era digital

La ley de Moore fue la fuerza fundamental detrás de la proliferación de los ordenadores personales, los teléfonos inteligentes y la computación en la nube. Preveía que el número de transistores en un circuito integrado se duplicaría aproximadamente cada dos años, lo que impulsaría ganancias exponenciales en potencia de procesamiento, eficiencia energética y reducción de costes.

Durante décadas, este sencillo patrón se mantuvo, haciendo que cada generación sucesiva de hardware fuera radicalmente más potente que la anterior. Sin embargo, al acercarse los límites físicos y económicos en la década de 2010, la ley de Moore comenzó a desacelerarse. Los ingenieros se adaptaron utilizando más núcleos de procesador, apilamiento de chips 3D y aceleradores especializados para ampliar el rendimiento, pero la era de las ganancias fáciles y predecibles había terminado.

Fue en este punto de inflexión cuando la investigación en IA, impulsada por los avances en el aprendizaje profundo, comenzó a trazar un rumbo distinto al de la trayectoria tradicional de la Ley de Moore.

El nacimiento de la ley de OpenAI: la curva computacional explosiva de la IA

A principios de la década de 2010, los investigadores hicieron un descubrimiento fundamental: alimentar con más potencia computacional a las redes neuronales a gran escala conducía sistemáticamente a sistemas de IA más capaces. A partir de 2012, la cantidad de computación dedicada a las mayores ejecuciones de entrenamiento de IA comenzó a duplicarse aproximadamente cada 3 o 4 meses.

Esto supuso una aceleración asombrosa, muy superior al ritmo de la Ley de Moore. En un periodo de seis años, la computación utilizada para los modelos de IA más avanzados se multiplicó por más de 300 000. Mientras que la Ley de Moore solo habría supuesto un aumento de 7 veces en ese mismo periodo, la computación de la IA se disparó debido a una escalada agresiva e intencionada.

Esta tendencia se conoció informalmente como la Ley de OpenAI, una trayectoria autoimpuesta seguida por organizaciones como OpenAI, que apostaron por que el aumento del tamaño de los modelos y la computación era la vía más rápida hacia la inteligencia artificial general (AGI). El libro Empire of AI detalla este cambio estratégico e ilustra cómo los dirigentes de OpenAI se comprometieron con este camino a pesar del aumento de los costes, convencidos de que era la forma más directa de desbloquear capacidades transformadoras.

Es importante destacar que la Ley de OpenAI no es una inevitabilidad física, sino una elección estratégica. La convicción de que «más computación conduce a una mejor IA» se convirtió en una filosofía rectora, respaldada por enormes inversiones de capital, la construcción de infraestructuras expansivas y profundas asociaciones con proveedores de servicios en la nube.

La hipótesis de la escalabilidad y la nueva carrera armamentística

La base de la Ley de OpenAI es la hipótesis de la escalabilidad: la idea de que el simple hecho de crear modelos más grandes y entrenarlos con más datos y más capacidad de cálculo conduce a un rendimiento cualitativamente superior. Esta hipótesis ganó credibilidad a medida que cada modelo sucesivo, desde GPT-2 hasta GPT-3 y GPT-4, demostraba avances en la fluidez del lenguaje, el razonamiento y la comprensión multimodal.

En el centro de esta tendencia se encuentra una intensa competencia entre los gigantes tecnológicos por dominar la frontera de la IA. El resultado es una especie de carrera armamentística tecnológica, en la que cada nuevo hito exige recursos computacionales exponencialmente mayores que el anterior.

El entrenamiento de los modelos más grandes de la actualidad requiere ahora decenas de miles de GPU de alta gama que funcionen de forma coordinada. Las previsiones para los sistemas futuros implican presupuestos de computación que podrían acercarse o superar los 100 000 millones de dólares, acompañados de inmensas demandas de energía y refrigeración.

Esto ha dado lugar a una nueva curva exponencial, que ya no se define únicamente por la densidad de transistores, sino por la voluntad decidida de escalar la computación a prácticamente cualquier coste.

Comparación: la ley de Huang y la ley de los rendimientos acelerados de Kurzweil

Para apreciar plenamente la importancia de la ley de OpenAI, es útil examinar otros marcos fundamentales que han moldeado nuestra comprensión del progreso tecnológico más allá de la ley de Moore.

La ley de Huang, que lleva el nombre del director ejecutivo de NVIDIA, Jensen Huang, describe la observación de que el rendimiento de las GPU para las cargas de trabajo de IA ha mejorado a un ritmo significativamente más rápido que la ley de Moore. En los últimos cinco años, las GPU han experimentado un aumento de rendimiento superior a 25 veces, superando con creces las mejoras de aproximadamente 10 veces que se esperaban solo con el escalado tradicional de transistores.

Esta aceleración no solo se debe a la miniaturización de los chips, sino también a la innovación a nivel de sistema. Los avances en la arquitectura de las GPU, el aumento del ancho de banda de la memoria, las interconexiones de alta velocidad y los desarrollos en ecosistemas de software como CUDA y los marcos de aprendizaje profundo han contribuido a ello. Las optimizaciones de ingeniería en la programación de tareas, las operaciones tensoriales y el paralelismo también han sido cruciales.

El rendimiento en tareas de inferencia y entrenamiento con una sola GPU ha logrado una mejora de hasta 1000 veces en la última década, impulsado por esta combinación de innovaciones de hardware y software. En efecto, la capacidad de las GPU para tareas de IA se ha duplicado cada 6 a 12 meses, tres o cuatro veces más rápido que la curva original de Moore. Este ritmo implacable ha consolidado a las GPU como motores indispensables de la IA moderna, permitiendo las ejecuciones de entrenamiento masivamente paralelizadas que sustentan la Ley de OpenAI.

La Ley de los rendimientos acelerados de Kurzweil lleva el concepto de crecimiento exponencial un paso más allá: propone que la propia *tasa* de crecimiento exponencial se acelera con el tiempo. Según este principio, cada avance tecnológico no es un hecho aislado, sino que crea las herramientas, las plataformas y los conocimientos que permiten que el siguiente avance se produzca de forma más rápida y eficiente. Esto conduce a un efecto compuesto en el que el cambio tecnológico se alimenta de sí mismo, acelerándose tanto en escala como en frecuencia.

Kurzweil sostiene que esta dinámica comprimirá lo que habrían sido siglos de progreso en meras décadas. Si la tasa de progreso se duplica cada década, el siglo XXI podría experimentar un avance equivalente a decenas de miles de años a tasas históricas.

Esta ley es especialmente pertinente para la IA. La IA moderna ya no es solo un tema de progreso, sino que se ha convertido en un potente acelerador del progreso. Los sistemas de IA ya están ayudando a diseñar nuevos chips, optimizar redes neuronales, realizar investigaciones científicas e incluso escribir el código utilizado para construir sus sucesores. Esto crea un bucle de mejora recursivo, en el que cada generación de IA mejora el desarrollo de la siguiente, reduciendo los plazos y multiplicando las capacidades.

Este ciclo de retroalimentación comienza a parecerse a lo que algunos llaman una explosión de inteligencia: un escenario en el que los sistemas de IA son capaces de mejorarse rápidamente sin intervención humana. El resultado es una curva que no solo se eleva abruptamente, sino que se curva hacia arriba de forma espectacular, a medida que los ciclos de iteración se colapsan y los avances se suceden en cascada. Si este patrón continúa, podríamos ser testigos de una fase de progreso que se percibe casi instantánea, con industrias y campos científicos enteros evolucionando en meses en lugar de décadas.

La Ley de OpenAI encaja en esta línea como una expresión del crecimiento exponencial desde el lado de la demanda. A diferencia de las leyes de Moore o Huang, que describen el ritmo de las mejoras del hardware, la Ley de OpenAI refleja el volumen total de computación que los investigadores eligen consumir activamente en busca de resultados superiores. Demuestra que el progreso de la IA ya no está estrictamente limitado por lo que puede hacer el silicio, sino por lo que los investigadores están dispuestos —y son capaces— de escalar. Impulsada por una vasta infraestructura en la nube y miles de millones en inversiones, la Ley de OpenAI ejemplifica una nueva era en la que la capacidad crece no solo a través de la innovación, sino también a través de una fuerza deliberada y concentrada.

Juntas, estas leyes proporcionan una visión multidimensional del crecimiento exponencial. Moore y Huang definen la *oferta* de computación. Kurzweil traza la metatendencia del progreso compuesto. Y la Ley de OpenAI destaca un nuevo tipo de ambición tecnológica, en la que superar sin descanso los límites ya no es opcional, sino la estrategia central en sí misma.

La promesa: por qué es importante la IA exponencial

Las implicaciones de la Ley de OpenAI son profundas.

Desde un punto de vista optimista, la escalabilidad exponencial ha dado lugar a capacidades asombrosas. Los sistemas de IA ahora pueden escribir ensayos coherentes, generar código funcional, ayudar en investigaciones científicas innovadoras y participar en conversaciones fluidas y matizadas. Cada aumento de orden de magnitud en la escala parece desbloquear nuevas capacidades emergentes, lo que sugiere que podríamos estar acercándonos a la IGA.

La IA está llamada a transformar sectores que van desde la educación y la sanidad hasta las finanzas y la ciencia de los materiales. Si la Ley de OpenAI sigue vigente, podríamos ser testigos de avances que condensan décadas de innovación en tan solo unos pocos años.

Esta dinámica se resume en un nuevo término que hemos acuñado: «velocidad de escape de la IA», el momento hipotético en el que la IA comienza a mejorarse a sí misma de forma autónoma, impulsando el progreso hacia un aumento exponencial que se refuerza a sí mismo.

El precio: costes medioambientales, económicos y éticos

Sin embargo, el crecimiento exponencial tiene un coste significativo.

El entrenamiento de modelos de vanguardia consume ahora cantidades asombrosas de electricidad y agua. Alimentar miles de GPU durante semanas seguidas genera graves problemas medioambientales, como emisiones sustanciales de carbono y residuos térmicos. Las cadenas de suministro de chips avanzados de IA también están sometidas a una gran presión, lo que plantea problemas geopolíticos y de sostenibilidad.

Desde el punto de vista financiero, solo las mayores empresas tecnológicas del mundo o las startups con una financiación excepcional pueden permitirse mantenerse en esta curva de escalado. Esto conduce a una preocupante concentración de poder, en la que un pequeño grupo de organizaciones controla la vanguardia de la inteligencia avanzada.

Desde el punto de vista ético, la mentalidad fomentada por la Ley de OpenAI —más grande, más rápido, más pronto— puede promover una dinámica de carrera que conlleva el riesgo de un despliegue prematuro, sistemas insuficientemente probados y recortes en materia de seguridad. Existe una creciente aprensión ante la posibilidad de que algunos modelos potentes se lancen al mercado antes de que se comprenda plenamente su impacto social.

Para abordar esta cuestión, los investigadores han propuesto marcos de gobernanza que hagan un seguimiento del desarrollo de la IA no solo por los resultados de los modelos, sino también por la cantidad de recursos informáticos utilizados en el entrenamiento. Dado que los recursos informáticos son uno de los indicadores más fiables de la capacidad de los modelos, podrían servir como un indicador práctico para la evaluación de riesgos y la supervisión regulatoria.

Límites de la escalabilidad: ¿qué ocurre cuando la curva se inclina?

A pesar de los impresionantes avances, existe un intenso debate sobre cuánto tiempo puede persistir esta tendencia de escalado. Algunos expertos creen que ya estamos experimentando rendimientos decrecientes, en los que los modelos cada vez más grandes consumen mucha más computación para obtener solo mejoras marginales en el rendimiento.

Otros sostienen que los avances en la eficiencia algorítmica, las nuevas arquitecturas de modelos o las técnicas de entrenamiento podrían aplanar la curva de computación sin ralentizar necesariamente el progreso general. Los modelos más pequeños y refinados pueden acabar resultando más atractivos que los gigantes de fuerza bruta.

Además, la presión pública, la posible regulación y las limitaciones físicas de la infraestructura pueden obligar al sector a replantearse la filosofía de «escalar a toda costa». Si las redes eléctricas, los presupuestos financieros o la licencia social no pueden seguir el ritmo, el crecimiento exponencial de la IA puede encontrar un techo, o al menos un punto de inflexión significativo.

El camino por delante: trazando el futuro de la IA exponencial

Por el momento, la Ley de OpenAI sigue siendo una de las lentes más claras a través de las cuales se puede ver el futuro de la inteligencia artificial. Explica cómo hemos pasado de los chatbots rudimentarios a los sistemas generalistas multimodales en menos de una década, y sugiere que la próxima ola de progreso podría ser aún más espectacular.

Sin embargo, esta ley también conlleva importantes compensaciones: creciente desigualdad en el acceso, aumento de los costes económicos, cargas medioambientales y profundos retos de seguridad. A medida que nos adentramos en esta nueva era, la sociedad debe enfrentarse a preguntas fundamentales:

• ¿Quiénes determinarán el futuro de la IA?
• ¿Cómo equilibramos el rápido progreso con la precaución necesaria?
• ¿Qué sistemas de gobernanza se necesitan para gestionar la capacidad exponencial antes de que supere la comprensión y el control humanos?

La Ley de OpenAI no es una fuerza inmutable de la naturaleza. Al igual que la Ley de Moore antes que ella, es posible que acabe ralentizándose, estabilizándose o siendo sustituida por un nuevo paradigma. Pero, por ahora, funciona como una advertencia y una hoja de ruta, un recordatorio de que el futuro de la IA no solo avanza, sino que se acumula sobre sí mismo.

No nos limitamos a observar la historia, sino que la estamos construyendo activamente a una velocidad exponencial. Sin embargo, ese poder sin precedentes conlleva una profunda responsabilidad: garantizar que la humanidad no sufra un daño exponencial junto con el progreso exponencial.