Anandkumar rechaza $12,000M por física, no texto

Anima Anandkumar y Benedikt Jenik tuvieron sobre la mesa el treinta y cinco por ciento de participación y puestos directivos en una startup con doce mil millones de dólares de capital. Dijeron que no. Fundaron Accelerated Understanding apostando por una idea que suena casi anticuada en medio de la fiebre de los modelos de lenguaje. El mundo no se explica con texto. Se explica con física.

Un operador neuronal es un modelo que resuelve directamente las ecuaciones diferenciales que gobiernan sistemas físicos reales porque incorpora las leyes verificables de la conservación y la causalidad desde su propia estructura. Accelerated Understanding apuesta a que la próxima generación de IA no vendrá de hacer transformadores más grandes. Vendrá de operadores neuronales que modelan espacio tridimensional y tiempo. Mientras los modelos de lenguaje predicen la siguiente palabra en una secuencia, estos sistemas abordan el flujo del aire sobre una turbina, la dinámica de una tormenta o el comportamiento de materiales. La empresa afirma poder procesar cinco billones de puntos de datos en una sola ejecución. Ese volumen está pensado para chips electrónicos, pronóstico climático extremo y robótica.

La decisión de rechazar Project Prometheus marca el centro de esta historia. Esa startup de IA física, cofundada por Jeff Bezos y Vik Bajaj, levantó doce mil millones de dólares con promesas de resolver diseño de materiales y optimización industrial. Anandkumar, profesora en Caltech con trayectoria consolidada en aprendizaje automático aplicado a ciencia, prefirió competir antes que integrarse. El gesto revela cómo se fragmenta el campo. No se trata solo de arquitecturas. Se trata de quién define los términos bajo los que se construye la infraestructura cognitiva del futuro inmediato.

Yann LeCun sigue un camino paralelo. Tras su etapa en Meta desarrolló JEPA, una arquitectura que busca que los sistemas construyan modelos internos del mundo físico, parecido a como un niño aprende persistencia de objetos. Ambos coinciden en lo esencial: los transformadores entrenados con texto dominan patrones lingüísticos pero carecen de representación causal del mundo físico. Ninguno necesita que un modelo domine gramática. Necesitan que entienda por qué cae un objeto, cómo fluye un fluido y qué ocurre cuando dos superficies chocan.

¿Por qué importa esto más allá de la disputa técnica entre arquitecturas? Porque rompe el relato dominante de que más datos de texto y más parámetros equivalen a más inteligencia. Hay investigadores con credibilidad dispuestos a jugarse carrera y capital contra ese consenso. Aquí aparece la cuestión de la IA auditable, casi ausente en el debate con la urgencia que merece. Un modelo de lenguaje sigue siendo una caja negra estadística. Un operador neuronal opera sobre ecuaciones conocidas y restricciones objetivas. Si predice una turbina violando conservación de energía, el error se detecta. Esa posibilidad de verificación externa es precisamente lo que los sistemas estadísticos puros no ofrecen y lo que se necesita para infraestructura crítica.

La conversación sobre seguridad de IA ha girado casi exclusivamente alrededor de alinear comportamiento lingüístico. Mirando cómo se diseñan estos sistemas, el problema parece más bien arquitectónico. Estamos intentando auditar algo diseñado para ser opaco por naturaleza estadística. Doce mil millones. Una cifra que concentra talento y reduce autonomía al mismo tiempo.

El patrón geopolítico merece atención. Estados Unidos y China convergen hacia modelos de control estatal sobre la IA de frontera, dejando a economías emergentes en dependencia tecnológica. Project Prometheus es la versión corporativa de esa misma dinámica de concentración. Que Anandkumar y Jenik hayan elegido construir su propia estructura, aunque implicara renunciar a recursos masivos, resulta un dato revelador sobre las tensiones entre escala y autonomía. The Generosity in the Doorway analiza cómo las estructuras de gobernanza tecnológica reproducen o rompen patrones de acumulación de poder. Este caso encaja exactamente ahí.

La propuesta de Bernie Sanders sobre participación pública en empresas de IA plantea una pregunta incómoda. ¿Por qué el valor termina concentrado en estructuras privadas si el conocimiento colectivo, papers académicos, código abierto y décadas de investigación pública en física computacional sostienen estos modelos? Anandkumar viene de Caltech, institución financiada en gran medida con fondos federales. El vehículo elegido para comercializar ese conocimiento sigue siendo una startup con capital tradicional. No es una crítica individual. Es una observación sobre el sistema entero.

Lo genuinamente esperanzador no es afirmar que la física vencerá al lenguaje. No tengo forma de saber si los operadores neuronales superarán a los transformadores en la práctica. Lo esperanzador es la existencia de actores con credibilidad técnica suficiente para que la conversación no quede monopolizada por una sola arquitectura ni un solo modelo de negocio. LeCun desde su propia estructura. Anandkumar rechazando doce mil millones para conservar independencia. Sanders empujando la cuestión de propiedad pública. Son grietas. Por ellas puede entrar algo distinto a la concentración.

Todavía no está claro cómo auditar completamente un modelo cuando ni sus creadores logran explicar todas sus decisiones internas, sea LLM u operador neuronal. Esto es más complicado de lo que las notas de prensa admiten. La existencia misma de esta pluralidad de apuestas, arquitecturas distintas, estructuras de propiedad distintas, registra que hubo otras opciones. ¿Sobrevivirán esas grietas una vez que la consolidación, si llega, comience a borrarlas?

1. Anuncio de lanzamiento de Accelerated Understanding, declaraciones públicas de Anima Anandkumar y Benedikt Jenik

2. Cobertura de Project Prometheus, startup cofundada por Jeff Bezos y Vik Bajaj

3. Investigación pública de Yann LeCun sobre arquitectura JEPA

4. Propuesta legislativa de Bernie Sanders sobre participación pública en empresas de IA