Sakana AI's RSI Lab cree que la IA automejorable puede hacer obsoleta la construcción de centros de datos de 100.000 millones de dólares

Imagina dos caminos hacia una IA más inteligente. El primero: gastar 100.000 millones de dólares en centros de datos, comprar todas las GPU disponibles en un radio de tres continentes y escalar hasta que el modelo mejore. El segundo: enseñarle a la IA a rediseñarse a sí misma y dejar que el efecto compuesto haga el trabajo. La mayor parte de la industria corre a toda velocidad por el primer camino. Sakana AI, la startup con sede en Tokio liderada por el cofundador y CEO David Ha, acaba de comprometerse formalmente con el segundo.

Qué es realmente el Laboratorio RSI

Sakana AI ha lanzado el Laboratorio de Automejora Recursiva (RSI) de Sakana AI, un grupo de investigación dedicado con sede en Tokio cuyo mandato es rediseñar el propio proceso de desarrollo de IA utilizando IA, según el anuncio oficial en sakana.ai. La tesis del laboratorio es fácil de enunciar pero genuinamente difícil de ejecutar: en lugar de depender del escalado por fuerza bruta, construir sistemas que se mejoren a sí mismos de forma iterativa, creando un ciclo de ganancias de capacidad que se multiplica sin un aumento proporcional en el gasto computacional.

La empresa presenta esto, en su anuncio, como una restricción de diseño específica de Japón convertida en ventaja estratégica, estableciendo una analogía con el dominio japonés en la manufactura, logrado no gracias a la abundancia de recursos naturales, sino a través de la filosofía de la mejora continua y acumulativa en el piso de fábrica. Es el tipo de narrativa fundacional que parece haber sido pulida durante una cena de ramen, pero el linaje de investigación que la sustenta es real.

El laboratorio no es una idea nueva que cayó del cielo. Como informa The Decoder, Sakana ha pasado los últimos dos años construyendo las bases técnicas para el RSI, y el nuevo laboratorio formaliza ese trabajo en un único grupo enfocado. La página de empleos para el puesto de Miembro del Personal Técnico (Laboratorio RSI) describe al grupo como "encargado de rediseñar el propio proceso de desarrollo de IA con IA" y trabajando directamente con el CEO David Ha, mientras Sakana escala activamente sus recursos de investigación e ingeniería en Tokio hacia lo que denomina una "explosión de inteligencia compuesta."

La investigación detrás de la afirmación

Antes de asentir con entusiasmo o poner los ojos en blanco, vale la pena examinar en qué se basa realmente Sakana. Según el anuncio de la empresa en sakana.ai y un análisis detallado de The Decoder, el Laboratorio RSI unifica seis líneas de investigación previas.

LLM al cuadrado (LLM²) utiliza modelos de lenguaje que automatizan la investigación para inventar mejores algoritmos de optimización de preferencias. La Máquina de Darwin-Gödel tiene agentes que reescriben de forma autónoma su propia base de código, logrando supuestamente duplicar el rendimiento en ingeniería de software. ShinkaEvolve se centra en la evolución de programas con una eficiencia de muestras extremadamente alta, construyendo nuevas funciones de pérdida para modelos de Mezcla de Expertos. ALE-Agent tiene agentes de aprendizaje por refuerzo que superan a cientos de expertos humanos mediante el autoaprendizaje. Digital Red Queen explora la coevolución adversarial de extremo abierto como base para el RSI en ciberseguridad. Y El Científico de IA, el más destacado de todos, apunta a la automatización de extremo a extremo de la investigación en IA y fue publicado recientemente en Nature, según el anuncio de sakana.ai.

Cada uno de estos es un producto de investigación real, no una presentación de diapositivas. La Máquina de Darwin-Gödel en particular es el tipo de cosa que hace que los investigadores de ML hagan una doble toma: un sistema que genera, prueba e itera sobre variantes de su propia base de código, como señala The Decoder. Eso no es una metáfora de la automejora. Es literalmente un agente editando su propio código y ejecutando el resultado.

Por qué la eficiencia computacional es el argumento central

La cifra de 100.000 millones de dólares no es un adorno retórico. Refleja la trayectoria real del gasto en infraestructura de IA de frontera, y la contratesis de Sakana es que un laboratorio que opera bajo restricciones de recursos —como Sakana enmarca explícitamente su sede en Tokio— se ve obligado a encontrar rutas más inteligentes hacia la capacidad, en lugar de rutas más amplias.

El propio instituto de investigación de Anthropic ha señalado por separado que la IA ya está acelerando el desarrollo de sistemas de IA, citando datos internos que muestran que los ingenieros de Anthropic publican significativamente más código por trimestre a medida que las herramientas de IA mejoran, según el análisis del Instituto Anthropic sobre la automejora recursiva. Se trata de una organización diferente haciendo una observación estructuralmente similar: la automatización del desarrollo de IA ya está ocurriendo a escalas menores, y la trayectoria merece seguirse de cerca.

Para quienes están aprendiendo sobre leyes de escalado, la distinción conceptual importante aquí es entre escala como sustantivo (más cómputo, más parámetros, más datos) y escala como verbo (un proceso que se multiplica sobre sí mismo). El RSI es una apuesta por lo segundo. Si puede sustituir completamente a lo primero sigue siendo, para decirlo con generosidad, una pregunta de investigación abierta. La entrada de Wikipedia sobre automejora recursiva señala que el concepto tiene una larga historia teórica, y la brecha entre un sistema que mejora una capacidad estrecha y uno que mejora de forma recursiva el desarrollo general de IA es considerable.

Qué significa esto si estás aprendiendo ML ahora mismo

Si estás estudiando aprendizaje automático, este lanzamiento es un ejercicio útil para pensar en dos cosas simultáneamente.

Primero, los conceptos técnicos: la optimización de preferencias, los algoritmos evolutivos, los agentes generadores de código y los pipelines de investigación automatizada son todas áreas de investigación activa con relevancia real en el mercado laboral, y el portafolio RSI de Sakana toca todas ellas. La Máquina de Darwin-Gödel y El Científico de IA vale la pena leerlos como artículos de investigación, no solo como comunicados de prensa.

Segundo, el enfoque estratégico: el debate entre cómputo y eficiencia está moldeando hacia dónde fluyen los fondos de investigación y el talento, y entender ambos lados te convierte en un profesional más informado.

El Laboratorio RSI de Sakana está en sus primeras etapas, las afirmaciones son ambiciosas, y la distancia entre "agentes que mejoran tareas específicas" y "sistemas que impulsan de forma autónoma el progreso general de la IA" es real y no resuelta. Pero los hilos de investigación que se unifican aquí son legítimos, el laboratorio está contratando, y la pregunta central que se plantea —si la automejora compuesta puede lograr lo que el escalado por fuerza bruta logra a una fracción del costo— es uno de los problemas abiertos más interesantes del campo.

Sigue la Máquina de Darwin-Gödel y El Científico de IA para artículos posteriores. Ahí es donde se acumulará la evidencia.

El supuesto más costoso en IA ahora mismo es que la inteligencia requiere capital infinito. Sakana está construyendo una cita para el otro lado de ese argumento.