Huang: AGI lograda, pero no para NVIDIA

Jensen Huang: La AGI ya está aquí, pero no tiene ninguna oportunidad contra NVIDIA

Jensen Huang lo dijo sin rodeos en el podcast de Lex Fridman (#494): la AGI ya se ha logrado. «Creo que es ahora. Creo que hemos alcanzado la AGI». Sin embargo, aclaró que los sistemas actuales no podrían gestionar una corporación del tamaño de NVIDIA. Lex Fridman definió la AGI como la capacidad de la IA para lanzar de forma autónoma y hacer crecer una empresa valorada en más de mil millones de dólares. Huang estuvo de acuerdo, pero resaltó la diferencia entre el éxito a corto plazo y el crecimiento sostenible.

Por ejemplo, modelos como Claude pueden crear un servicio web viral, atraer una audiencia y monetizarlo rápidamente hasta alcanzar mil millones de dólares. Pero un proyecto así está condenado al declive sin una gestión a largo plazo de las cadenas de suministro, equipos y estrategias en medio de la incertidumbre.

Sistemas agentivos como base del progreso

Huang enfatizó el desarrollo de marcos agentivos como OpenClaw. Los agentes modernos:

• Planifican tareas de varios pasos;
• Integran herramientas;
• Lanzan subagentes;
• Ejecutan cadenas complejas de acciones.

El cambio clave está en la etapa de inferencia. Esta genera la mayor parte de la carga computacional: los agentes razonan, interactúan y producen datos para el entrenamiento posterior. Esto cierra el ciclo: inferencia → nuevos datos → mejoras en el modelo.

Huang calculó las probabilidades de un escenario con 100.000 agentes de IA coordinados gestionando una empresa como NVIDIA en un 0%. Las barreras técnicas se combinan con las organizativas: la planificación estratégica y la gestión bajo incertidumbre siguen siendo dominios humanos.

Redefiniendo la AGI en la industria

La declaración de Huang señala un cambio de paradigma. La inteligencia como herramienta para resolver tareas ya es mainstream, pero como capacidad para el crecimiento corporativo sostenible... aún no. Esto contrasta con las estimaciones de Andrew Ng (Google Brain): décadas de distancia de la AGI clásica. No hay consenso sobre la definición de AGI, lo que permite nuevas interpretaciones del progreso.

Huang subraya: NVIDIA se beneficia del auge de la IA gracias a las cargas de inferencia. Las computaciones masivas para agentes son el principal motor de la demanda de GPU.

Lo que importa

• La AGI según la definición de Huang significa que los sistemas actuales son capaces de proyectos empresariales a corto plazo, pero no de dirigir corporaciones;
• La inferencia domina el entrenamiento en costos computacionales debido a las cadenas agentivas;
• OpenClaw y marcos similares muestran planificación y agentes jerárquicos;
• Coordinar miles de agentes para sistemas complejos es inalcanzable con los niveles actuales;
• La falta de consenso sobre la definición de AGI impulsa nuevas interpretaciones.

Implicaciones técnicas para desarrolladores

Para especialistas de nivel medio y senior, esto significa enfocarse en la optimización de la inferencia. Los sistemas agentivos requieren:

• Uso eficiente de herramientas (integración de API, servicios externos);
• Planificación jerárquica (subagentes para subtareas);
• Almacenamiento escalable de datos de inferencia para RAG y fine-tuning;
• Monitoreo de cadenas de razonamiento (trazas de razonamiento).

Al implementar, prueba la robustez: un solo agente maneja prototipos, pero escalar a 100+ requiere humanos en el bucle. Prueba en escenarios empresariales reales: desde servicios web hasta simulaciones de cadenas de suministro.

— Editorial Team