Modelan la economía de la auto-mejora recursiva en IA

Un equipo de investigadores del Elasticity Institute, con afiliaciones en METR, Stanford, la Universidad de Virginia, Carnegie Mellon, Google AI, Columbia, el MIT, Epoch AI y Yale, publica un artículo que modela la economía de la auto-mejora recursiva (RSI) en inteligencia artificial y evalúa su plausibilidad e impactos. El trabajo construye una secuencia de modelos crecientemente complejos del progreso de la IA para identificar los bucles de retroalimentación que impulsarían la RSI, representándolos como grafos dirigidos en los que la aceleración neta de las capacidades depende del producto de elasticidades a lo largo de cada bucle. Los autores distinguen entre capacidades "estrechas" (optimización de benchmarks de I+D en IA) y capacidades "amplias" (tareas económicamente valiosas), señalando que la aceleración podría darse en las primeras sin traducirse en impacto real. El documento recopila estimaciones existentes de parámetros clave y propone una lista de objetos empíricos que las empresas de IA podrían medir y compartir públicamente. Una calibración preliminar con datos disponibles sugiere que los bucles de retroalimentación aún no son lo bastante fuertes para generar una aceleración autosostenida, aunque parecen estar fortaleciéndose. El artículo también define con precisión términos a menudo confundidos —automatización de I+D, aceleración autosostenida e explosión de inteligencia— y subraya que, aun cuando la IA automatice su propia investigación, una explosión de inteligencia no es inevitable si existen rendimientos decrecientes o cuellos de botella. La contribución técnica central es un marco gráfico que permite derivar condiciones de aceleración a partir de las elasticidades entre variables. El texto completo está disponible en el repositorio de Elasticity Institute.