Google DeepMind y la RSI: ¿se ha cruzado la última frontera de la IA?

@haider1 escribe que tres nuevos modelos habrían llegado en seis semanas y ve en ello una «señal de una RSI temprana». Su formulación completa es significativa:

"Sin duda, Google está utilizando alguna forma de RSI para avanzar tan rápido." @haider1

Esta frase va lejos, pero no dice que Google haya «alcanzado la RSI» en el sentido de un bucle autónomo completo. Habla de «alguna forma de RSI» y de una señal temprana, es decir, de una hipótesis sobre mecanismos internos de productividad, automatización o iteración acelerada.

La lista proporcionada por @lender980 ilustra el ritmo observado, con anuncios que van desde Gemini 3.7 Flash el 13 de agosto hasta Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 y otros lanzamientos a finales de agosto y principios de septiembre. Esta frecuencia puede sugerir, efectivamente, una organización del desarrollo más rápida.

Sin embargo, también puede explicarse por varios factores más convencionales:

• variantes de productos similares publicadas en fechas diferentes;
• una mayor capacidad de cómputo dedicada al entrenamiento y las evaluaciones;
• equipos y canales de ingeniería más eficientes;
• ajustes en el razonamiento, la velocidad o el coste;
• una estrategia comercial de lanzamientos acelerados.

@JakeKAllDay propone precisamente una explicación convencional para el paso de Gemini 3.7 a 3.8:

"Me gusta Gemini, pero el salto de 3.7 a 3.8 es principalmente un aumento de potencia/esfuerzo de razonamiento. El esfuerzo de razonamiento de 3.8 en nivel medio equivale aproximadamente al de 3.7 en nivel alto. Esto queda parcialmente enmascarado por un aumento de alrededor del 10 % en la velocidad de tps." @JakeKAllDay

Su argumento no demuestra la ausencia de capacidades internas más avanzadas. Sin embargo, recuerda que un ritmo de lanzamientos o una mejora visible de los productos no basta para diagnosticar una automejora recursiva.

Una iteración más rápida es una posible señal operativa, no la demostración de una RSI autónoma y cerrada.

La paradoja de @haider1: ve una señal temprana y después duda de que ya se haya alcanzado una RSI

Uno de los aspectos más interesantes de la discusión es que @haider1 se encuentra en ambos lados del debate. El 6 de septiembre, interpreta los resultados de Gemini como una señal de «RSI temprana». El 12 de septiembre, bajo la publicación de @kimmonismus, cuestiona lógicamente la idea de que ya se haya alcanzado la RSI, a la vista de los productos públicos.

"de hecho, dije esto hace unos días, pero todavía no estoy seguro de cómo va a suceder cuando los modelos de google siguen estando bastante rezagados en programación así que, si google afirma haber alcanzado la RSI, entonces openai y anthropic probablemente alcanzaron algo similar mucho antes" @haider1

Esta objeción apunta directamente a la brecha entre una hipótesis interna espectacular y la experiencia de los usuarios con los modelos Gemini de programación. Si Google realmente hubiera cerrado un bucle de mejora recursiva de muy alto rendimiento, ¿por qué sus modelos públicos no dominarían claramente las tareas de código, razonamiento o trabajo con agentes frente a competidores que a menudo son percibidos como líderes?

@kimmonismus responde con una hipótesis estratégica:

"La cuestión es si Google podría simplemente renunciar a ofrecer tecnología de vanguardia a los consumidores e invertirlo todo en RSI." @kimmonismus

Es una posibilidad. Los laboratorios no publican necesariamente sus mejores capacidades, especialmente por motivos de seguridad, coste, fiabilidad o competencia. Pero, en este hilo, ningún dato confirma que Google haya retenido voluntariamente una tecnología de vanguardia funcional en favor de un bucle RSI interno.

La brecha entre las capacidades internas de Google y sus productos públicos es concebible, pero aquí sigue siendo una posible explicación, no un hecho demostrado.

Los productos Gemini siguen siendo el núcleo de la objeción de los escépticos

Varios participantes no rechazan la idea de que Google cuente con investigación de primer nivel. Más bien cuestionan el salto lógico que consiste en convertir esa solidez científica en una prueba de RSI.

Bajo la publicación de @lyraxana, @DeepLearn007 formula esta brecha entre investigación y producto:

"Google posee una investigación extraordinaria; al fin y al cabo, fue pionera en los Transformers con el mecanismo de autoatención y llevó a cabo gran parte de la investigación inicial sobre RL que impulsa los LLM. Pero ha tenido dificultades para convertir la investigación en productos. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli plantea una crítica similar, basada más directamente en el uso de los modelos públicos:

"Quiero creerlo, pero, conociendo sus modelos públicos, me cuesta hacerlo. :) Hemos vuelto un poco a los tiempos de Bard frente a los demás modelos de primer nivel." @VibeDevolli

@kimmonismus le responde sin aportar ningún elemento nuevo:

"Para ser justos: GDM sigue en la carrera" @kimmonismus

La respuesta es razonable, en la medida en que Google DeepMind sigue siendo un actor importante en la IA. Sin embargo, no responde a la pregunta planteada: ¿qué resultados públicos, publicaciones técnicas o pruebas operativas permitirían pasar de una empresa competitiva a una empresa que haya alcanzado la RSI?

@Politas180 condensa esta objeción en una frase especialmente clara:

"Si realmente hubieran cerrado el bucle, Gemini ya sería el modelo que dejaría funcionando durante la noche. No lo es. Escribirlo todo en mayúsculas no cambia eso." @Politas180

Se trata de la opinión de un usuario, no de un benchmark académico. Pero refleja un punto compartido por varios participantes: ninguna experiencia pública con Gemini aporta hoy una prueba evidente de una ventaja decisiva compatible con una automejora recursiva cuyo bucle ya se haya cerrado.

La distinción técnica decisiva: asistencia a la investigación frente a RSI de extremo a extremo

La respuesta más sólida del hilo proviene de @MTorygreen. No niega ni los avances de Google ni el impacto potencial de la IA en la investigación y el entrenamiento de futuros modelos. Simplemente plantea la pregunta esencial: ¿dónde sigue situándose la intervención humana?

"Tendría cuidado antes de llamar RSI a algo hasta que sepamos dónde sigue estando el cuello de botella humano. Si el modelo está generando mejores experimentos, mejorando el código y ayudando a diseñar la siguiente ejecución de entrenamiento, eso es enorme. Pero sigue habiendo una gran brecha entre eso y un sistema que se mejora recursivamente a sí mismo de extremo a extremo." @MTorygreen

Esta distinción es esencial para interpretar los rumores sobre la AGI de Google DeepMind.

Un sistema puede contribuir a:

1. generar hipótesis de investigación;
2. escribir o corregir parte del código de entrenamiento;
3. proponer arquitecturas o datos sintéticos;
4. acelerar las evaluaciones;
5. ayudar a los ingenieros a elegir el siguiente entrenamiento.

Todo ello puede acelerar considerablemente el trabajo de un laboratorio. Pero una RSI fuerte exigiría más: los resultados tendrían que seleccionarse, validarse, integrarse, entrenarse y desplegarse con una intervención humana lo suficientemente reducida como para que el sistema mejorase por sí mismo sus propias capacidades de forma acumulativa.

Habría que saber entonces dónde siguen interviniendo las validaciones, las decisiones de arquitectura, los controles de seguridad, las decisiones sobre recursos de cómputo, el acceso a los datos y la revisión de los resultados. El hilo no ofrece ninguna respuesta a estas preguntas.

Por eso, el argumento de @MTorygreen es el mejor fundamentado: la discusión sugiere una posible automatización, pero no documenta un ciclo de mejora autónomo de extremo a extremo.

Un relato estratégico no sustituye a una demostración técnica

@kimmonismus añade a su publicación referencias a Demis Hassabis, Sergey Brin, Reuters y la importancia estratégica de la RSI en la competición por la AGI. Estos elementos pueden explicar por qué una tecnología así interesaría a Google. No demuestran que se haya conseguido.

El hecho de que Google DeepMind considere la AGI, la automatización de la investigación o la mejora de los modelos como prioridades es coherente con la estrategia de todos los grandes laboratorios. Una ambición industrial no constituye una validación técnica.

@kimmonismus también indica que tratará el tema en su boletín Superintelligence. La página se presenta como un informe sobre IA destinado a «ganar el futuro» y anuncia más de 160 000 suscriptores diarios. Este posicionamiento explica el interés por el tema, pero no aporta datos independientes adicionales sobre el rumor.

Por qué, pese a todo, el rumor merece ser tomado en serio

La ausencia de pruebas públicas no significa que todo el caso se base en la nada. Dos señales estratégicas verificables explican por qué el rumor encuentra hoy un terreno especialmente fértil.

En primer lugar, Google anunció en agosto de 2026 que Demis Hassabis pasaba a ser presidente de Google DeepMind y científico jefe de Alphabet. El grupo precisa que este nuevo cargo debe permitirle dedicar toda su «atención» a dar forma al futuro de la AGI. El anuncio oficial está disponible en el blog de Google.

En segundo lugar, Reuters informó el 12 de agosto de 2026 de que Sergey Brin estaba impulsando los esfuerzos de Google hacia la mejora personal recursiva en el marco de la reorganización de sus actividades de IA. El reportaje describe la RSI como un eje lo suficientemente estratégico como para influir en la asignación de recursos y la estructura de los equipos. Esto no confirma que se haya logrado un ciclo funcional. Sin embargo, sí confirma que el tema existe a nivel estratégico dentro de Google y no solo en las especulaciones de X. El reportaje de Reuters puede consultarse aquí.

El matiz es decisivo. Tenemos indicios sólidos de que Google quiere acelerar la mejora autónoma de sus sistemas. No tenemos pruebas públicas de que haya superado el umbral que las redes sociales ya denominan “RSI”.

Si Google tiene realmente un ciclo de RSI, la carrera de la IA cambia de naturaleza

Aquí es donde esta historia adquiere más importancia que un simple rumor sobre un modelo. Un verdadero ciclo de RSI no sería solo «un Gemini más inteligente». Cambiaría el proceso que produce los próximos Gemini.

1. El ritmo de progreso se convertiría en una capacidad competitiva en sí misma

Hasta ahora, la carrera entre Google, OpenAI y Anthropic se ha interpretado principalmente a través de generaciones sucesivas de modelos, benchmarks y lanzamientos de productos. Un ciclo de mejora autónoma trasladaría la competición a un nivel superior: la velocidad a la que un laboratorio puede mejorar su propia maquinaria de investigación.

Si un sistema ayuda a identificar los experimentos útiles, escribe una proporción cada vez mayor del código, analiza automáticamente los fallos y propone el siguiente entrenamiento, el laboratorio no solo gana unos cuantos puntos en los benchmarks. Acorta el ciclo entre dos generaciones. En este escenario, comparar los modelos públicos en un momento dado resulta menos informativo que medir la pendiente del progreso interno.

Esto es también lo que hace interesante la cadencia de Gemini sin convertirla en una prueba. Tres lanzamientos en un breve periodo de tiempo no demuestran nada por sí solos. Pero si esta cadencia es el resultado de una profunda automatización de la I+D, se convierte en un indicador de una ventaja más estructural.

2. El mejor modelo de Google podría no llegar nunca a ser un producto público

La hipótesis planteada por @kimmonismus merece ser examinada: Google podría reservar sus sistemas más avanzados para la investigación interna en lugar de ponerlos inmediatamente a disposición de los consumidores.

Esta estrategia tendría una lógica económica. Un modelo interno capaz de mejorar los datos, el código de entrenamiento, las evaluaciones o las arquitecturas puede tener más valor como multiplicador de I+D que como chatbot comercializado unas semanas antes. El producto público podría entonces mostrar un retraso aparente mientras oculta una infraestructura interna mucho más avanzada.

Esto explicaría la paradoja central del hilo, pero solo si algún día aparecen elementos independientes que lo confirmen. Por ahora, es una hipótesis coherente, no una explicación demostrada.

3. El cómputo se convertiría en capital de investigación que mejora su propio rendimiento

Incluso una RSI parcial podría modificar la economía del cómputo. Hoy en día, disponer de más GPU permite principalmente realizar más experimentos, entrenar modelos más grandes o atender a más usuarios. En un bucle de mejora automatizada, una parte del cómputo también se utiliza para diseñar mejores formas de aprovechar el cómputo futuro.

En otras palabras, el cómputo ya no financia únicamente un modelo. Financia un proceso que busca hacer más eficiente el siguiente ciclo. Si este bucle funciona realmente, podría aumentar la ventaja de los grupos que disponen de los clústeres más grandes, los mejores chips, energía e integración vertical.

Google está especialmente bien posicionado en este ámbito gracias a sus TPU, sus centros de datos, sus equipos de investigación y su capacidad para desplegar los resultados en una infraestructura global. Esto no garantiza ninguna RSI. Sí explica por qué un avance de este tipo en DeepMind tendría consecuencias industriales desproporcionadas.

4. OpenAI y Anthropic se verían empujadas hacia un mayor secretismo y un mayor uso interno

Si un actor demostrara que un sistema mejora sustancialmente el proceso que construye a su sucesor, sus competidores tendrían poco interés en responder únicamente con un lanzamiento público. También intentarían convertir sus mejores modelos en investigadores, ingenieros, evaluadores y operadores internos.

La consecuencia visible podría ser paradójica: cuanto más estratégicas sean las capacidades internas, menos reflejarán los modelos públicos la totalidad de la carrera. Los benchmarks para el público general seguirían siendo importantes, pero describirían una capa de producto. La verdadera competición giraría en torno a la calidad de los agentes internos, la automatización de los experimentos, el rendimiento del cómputo y la capacidad de convertir una idea en un entrenamiento fiable.

Por eso, la objeción «Gemini público no es el número uno, por lo tanto Google no puede tener RSI» es insuficiente. Pero el argumento inverso es igual de débil: «Gemini progresa rápidamente, por lo tanto Google tiene RSI». Ambos confunden el producto observable con la infraestructura de investigación que lo produce.

5. La seguridad y la regulación deberían vigilar una capacidad, no una palabra

El término RSI es demasiado impreciso para convertirse por sí solo en un umbral regulatorio útil. La pregunta adecuada es más concreta: ¿qué tareas de investigación puede realizar un sistema sin intervención humana, con qué tasa de éxito y durante cuántos ciclos consecutivos?

Indicadores más pertinentes serían la capacidad de modificar código de entrenamiento, diseñar y seleccionar experimentos, diagnosticar los resultados, proponer una arquitectura posterior, gestionar recursos de cómputo y mantener una mejora medible durante varias iteraciones.

Un laboratorio podría poseer varios componentes de esta cadena sin disponer de una RSI autónoma de extremo a extremo. Probablemente sea esta zona intermedia la que más importe a corto plazo. Ya puede acelerar considerablemente el progreso, concentrar la ventaja en unos pocos actores y complicar las evaluaciones de seguridad, sin parecerse al «bucle exponencial» que suele imaginarse cuando el término RSI circula en X.

Lo que el lector debe retener de esta cadena de publicaciones

El rumor sobre la RSI de Google DeepMind se basa en tres niveles de información que no deben confundirse:

• @lyraxana publicó una felicitación ambigua, sin mencionar la RSI ni la AGI.
• @haider1 había visto anteriormente en la cadencia de Gemini una «señal de RSI temprana», es decir, una hipótesis limitada sobre una posible automatización acelerada.
• @kimmonismus relacionó estas señales con un rumor más concreto según el cual Google DeepMind habría alcanzado la RSI, aunque reconoció que todavía se trata de un rumor.

El hilo deja varias preguntas sin respuesta:

• ¿Qué quería decir realmente @lyraxana?
• ¿Qué elementos verificables demuestran su fiabilidad como fuente de filtraciones sobre IA?
• ¿Qué datos permitirían distinguir una cadena de desarrollo automatizada de una automejora recursiva completa?
• ¿Los modelos públicos de Google subestiman las capacidades internas reales o reflejan más directamente el estado de sus sistemas?
• ¿El ritmo de los anuncios de Gemini se debe a una IA más autónoma, a mejores equipos, a una mayor capacidad de cómputo o a una estrategia de publicación?

Por tanto, la conclusión más rigurosa es menos espectacular que el rumor inicial. Google puede perfectamente acelerar sus procesos internos, utilizar la IA para mejorar el código, los experimentos y los entrenamientos, e invertir considerablemente en la AGI. Pero ningún elemento público de este hilo demuestra que Google DeepMind haya alcanzado una RSI completa, ni siquiera que el mensaje de @lyraxana se refiriera específicamente a esta idea.