Según un investigador de Google DeepMind, la IA es incapaz de producir nada nuevo

La IA no sabe cómo “saltar”.

La inteligencia artificial genera imágenes, escribe código y resuelve problemas complejos. Pero, ¿produce realmente algo nuevo? Para Tom Zahavy, investigador de Google DeepMind, los modelos actuales siguen siendo incapaces de dar el ” salto ” intelectual que les permita formular una idea sin precedentes.

Pídele a una inteligencia artificial que dibuje a un astronauta medieval montado en una medusa en el metro de París. La imagen resultante probablemente no existía en ningún otro lugar.

Que componga una canción, un cuento o cientos de líneas de código: de nuevo, el resultado será, al menos técnicamente, nuevo. Y, sin embargo, estas máquinas no producirían nada verdaderamente nuevo.

Esta es la tesis deliberadamente provocadora que defiende Tom Zahavy, investigador de Google DeepMind, en un artículo publicado a finales de enero de 2026 titulado “Los LLMs no pueden saltar”. El salto en cuestión no es una metáfora ni un nuevo desafío para los robots. Se refiere al misterioso momento en que una mente deja de aplicar las reglas existentes e imagina las que aún faltan.

En otras palabras, una IA puede producir una combinación de palabras o píxeles que nunca antes había existido. Lo que aún no puede hacer, según él, es inventar una nueva forma de comprender el mundo.

Una imagen novedosa no es necesariamente una idea novedosa

La distinción parece, en principio, contraintuitiva. Al fin y al cabo, si una imagen nunca se ha visto antes o si un programa resuelve un problema novedoso, ¿por qué negarse a hablar de creación?

Porque no toda novedad es igual. Un modelo generativo puede recorrer un vasto espacio de posibilidades y encontrar una combinación original dentro de él. Puede reunir conceptos dispares, adaptar una solución conocida a un nuevo contexto o descubrir un resultado que ningún ser humano haya documentado aún. Estas capacidades son innegables.

Pero generalmente se mantienen dentro de un marco predefinido: un lenguaje, las reglas de un juego, una función a optimizar, un conjunto de axiomas matemáticos o un problema formulado por un ser humano. La IA busca entonces una nueva respuesta dentro de un espacio cuyos límites le han sido establecidos.

La invención radical comienza cuando el marco conceptual mismo se convierte en el problema. Para ilustrar esta limitación, Tom Zahavy distingue tres formas de razonamiento. La deducción consiste en partir de una regla y un caso para llegar a una conclusión: todos los humanos son mortales, Sócrates es humano, por lo tanto, Sócrates es mortal. La inducción adopta el enfoque opuesto: observa una sucesión de casos e intenta derivar una regla general. Este es, esquemáticamente, el ámbito en el que sobresale el aprendizaje automático.

La distinción parece, en principio, contraintuitiva. Al fin y al cabo, si una imagen nunca se ha visto antes o si un programa resuelve un problema novedoso, ¿por qué negarse a hablar de creación?

Porque no toda novedad es igual. Un modelo generativo puede recorrer un vasto espacio de posibilidades y encontrar una combinación original dentro de él. Puede reunir conceptos dispares, adaptar una solución conocida a un nuevo contexto o descubrir un resultado que ningún ser humano haya documentado aún. Estas capacidades son innegables.

Pero generalmente se mantienen dentro de un marco predefinido: un lenguaje , las reglas de un juego , una función a optimizar, un conjunto de axiomas matemáticos o un problema formulado por un ser humano. La IA busca entonces una nueva respuesta dentro de un espacio cuyos límites le han sido establecidos.

La tercera operación es la abducción. Ante un resultado sorprendente, consiste en imaginar la causa o explicación que podría darle sentido. Esta hipótesis no se deduce mecánicamente de los datos y no se garantiza su veracidad. Debe proponerse y luego comprobarse.

Para Tom Zahavy, aquí es donde fallan los LLMs: saben aplicar las reglas, identificar regularidades y recombinar conceptos existentes. Pero carecen del mecanismo que les permitiría crear las premisas adecuadas cuando aún no existen.

Einstein no tenía un conjunto de datos para inventar la relatividad

El investigador toma como caso de estudio el de la relatividad general. En 1905, Einstein ya había revolucionado la física con la relatividad especial, que, si bien abandonó notablemente la idea del tiempo absoluto, aún no lograba describir la gravedad. Le tomaría otros diez años llegar, en 1915, a las ecuaciones de la relatividad general. ¿Se podría haber proporcionado a una IA el conocimiento disponible en aquel momento y haberle pedido que siguiera el mismo camino? Para Zahavy, la respuesta es no.

Esta elección es importante porque la relatividad general no surgió del evidente colapso de la física newtoniana. La física newtoniana funcionaba extraordinariamente bien. Se conocía una anomalía en la órbita de Mercurio, pero podía explicarse por la supuesta existencia de un planeta aún no detectado, llamado Vulcano. Las observaciones decisivas que confirmarían la teoría de Einstein llegaron más tarde.

Por lo tanto, una máquina diseñada para minimizar sus errores no habría recibido ninguna señal potente que le ordenara reconstruir por completo la gravedad, el espacio y el tiempo. Incluso podría haber preferido una solución menos costosa —añadir un planeta al modelo existente— en lugar de explorar la geometría no euclidiana.

Einstein, por su parte, empleó experimentos mentales. En particular, imaginó a un observador en caída libre, una situación que suele representarse con el experimento del ascensor. En este ascensor, el observador dejaría de sentir su propio peso: localmente, la gravedad parecería haber desaparecido. Por el contrario, una aceleración constante en el espacio podría producir efectos indistinguibles de los de la gravedad.

Esta simulación mental lo condujo al principio de equivalencia entre aceleración y gravitación, uno de los pilares de la relatividad general. El principio no estaba simplemente oculto en una gran tabla de datos que pudiera comprimirse fácilmente.

Einstein imaginó una situación, manipuló mentalmente el mundo físico y luego formuló una explicación que pudiera dar cuenta de esa experiencia. Es este paso de la experiencia – incluso una imaginaria – a nuevos axiomas lo que Tom Zahavy llama el “salto“.

¿Puede la IA aprender a pensar de forma innovadora?

Esta tesis no niega el progreso de la IA en matemáticas o informática. La IA puede explorar innumerables caminos, escribir demostraciones y descubrir soluciones desconocidas. Pero estos éxitos se producen una vez que se han establecido los conceptos, las reglas y el objetivo.

Una IA podría redescubrir las ecuaciones de Einstein si se le proporcionaran sus postulados principales. Probablemente no podría explicar por qué se eligieron esos postulados, ni por qué se abandonó una teoría que aún parecía funcionar.

Esta es también la limitación de los sistemas presentados como “científicos de IA“. Pueden generar hipótesis y organizar experimentos, pero siempre dentro del lenguaje científico existente y de acuerdo con un objetivo predefinido. La máquina explora eficientemente un mapa trazado por otros; aún no decide que necesita cambiar de mapa.

Sin embargo, el artículo debe interpretarse como lo que es: una postura filosófica, no una prueba experimental de incapacidad. Zahavy no somete varios modelos a un protocolo que mida su aptitud para la invención. La línea divisoria entre recombinación e invención sigue siendo, en cualquier caso, difícil de trazar. Los seres humanos también crean a partir de ideas heredadas: Einstein se basó en décadas de física y en las matemáticas de Marcel Grossmann.

Tom Zahavy sugiere un posible enfoque: “modelos del mundo” capaces de simular un entorno coherente en el que una IA podría intervenir, inventar sus propios experimentos y observar las consecuencias.

Esta propuesta coincide con la que Yann LeCun ha defendido durante varios años. Según él, para alcanzar una mayor inteligencia general, las máquinas deberían aprender un modelo predictivo del mundo en lugar de simplemente manipular el lenguaje. En un documento publicado en 2022, el investigador describe arquitecturas que permitirían a las máquinas predecir, razonar y planificar en múltiples niveles de abstracción.

Observar millones de manzanas caer tal vez no sea suficiente para comprender la gravedad. También es necesario poder atrapar la manzana, lanzarla o cortar mentalmente el cable del ascensor. Una IA capaz de ” pensar haciendo ” ya no se limitaría a extrapolar los patrones aprendidos a partir de sus datos.

Por ahora, los modelos generativos pueden producir miles de millones de objetos que nunca han existido e incluso encontrar soluciones que nadie había considerado. Pero mientras un ser humano tenga que elegir el problema, definir las reglas y decidir qué merece ser explicado, su novedad seguirá confinada a un mundo intelectual concebido por otros.