{"id":133456,"date":"2026-04-05T23:09:20","date_gmt":"2026-04-06T05:09:20","guid":{"rendered":"https:\/\/pongara.net\/news\/asi-evolve-sistema-de-ia-descubre-arquitecturas-datos-y-algoritmos-que-superan-disenos-humanos\/"},"modified":"2026-04-05T23:09:20","modified_gmt":"2026-04-06T05:09:20","slug":"asi-evolve-sistema-de-ia-descubre-arquitecturas-datos-y-algoritmos-que-superan-disenos-humanos","status":"publish","type":"post","link":"https:\/\/pongara.net\/news\/asi-evolve-sistema-de-ia-descubre-arquitecturas-datos-y-algoritmos-que-superan-disenos-humanos\/","title":{"rendered":"ASI-Evolve: sistema de IA descubre arquitecturas, datos y algoritmos que superan dise\u00f1os humanos"},"content":{"rendered":"<div>\n<div><img width=\"640\" height=\"384\" src=\"https:\/\/pongara.net\/news\/wp-content\/uploads\/2026\/04\/canuto-imagine-1775452150-840x504-1.jpg\" class=\"attachment-large size-large wp-post-image\" alt=\"\" style=\"margin-bottom: 15px;\" loading=\"lazy\" decoding=\"async\" srcset=\"https:\/\/pongara.net\/news\/wp-content\/uploads\/2026\/04\/canuto-imagine-1775452150-840x504-1.jpg 840w, https:\/\/diariobitcoin.b-cdn.net\/wp-content\/uploads\/2026\/04\/canuto-imagine-1775452150-608x365.jpg 608w, https:\/\/diariobitcoin.b-cdn.net\/wp-content\/uploads\/2026\/04\/canuto-imagine-1775452150-768x461.jpg 768w, https:\/\/diariobitcoin.b-cdn.net\/wp-content\/uploads\/2026\/04\/canuto-imagine-1775452150.jpg 1226w\" sizes=\"auto, (max-width: 640px) 100vw, 640px\"><\/div>\n<p><strong>Un nuevo trabajo acad\u00e9mico plantea una idea ambiciosa y cada vez m\u00e1s concreta: que la inteligencia artificial pueda acelerar el desarrollo de la propia inteligencia artificial. Bajo el nombre ASI-Evolve, un equipo de investigadores presenta un marco ag\u00e9ntico que automatiza ciclos de dise\u00f1o, experimentaci\u00f3n y an\u00e1lisis en \u00e1reas tan cr\u00edticas como arquitecturas neuronales, curaci\u00f3n de datos y algoritmos de aprendizaje por refuerzo.<br \/>\n***<\/strong><strong><\/strong><\/p>\n<ul>\n<li><strong>ASI-Evolve propone un ciclo de aprender, dise\u00f1ar, experimentar y analizar para automatizar investigaci\u00f3n en IA.<\/strong><\/li>\n<li><strong>El sistema report\u00f3 105 arquitecturas SOTA de atenci\u00f3n lineal y mejoras de hasta +18 puntos en MMLU.<\/strong><\/li>\n<li><strong>Los autores sostienen que el enfoque podr\u00eda transferirse m\u00e1s all\u00e1 de la IA, con pruebas iniciales en matem\u00e1ticas y biomedicina.<\/strong><\/li>\n<\/ul>\n<hr>\n<blockquote class=\"twitter-tweet\">\n<p lang=\"es\" dir=\"ltr\"><img decoding=\"async\" src=\"https:\/\/pongara.net\/news\/wp-content\/uploads\/2026\/04\/1f916-2.png\" alt=\"\ud83e\udd16\" class=\"wp-smiley\" style=\"height: 1em; max-height: 1em;\"><img decoding=\"async\" src=\"https:\/\/pongara.net\/news\/wp-content\/uploads\/2026\/04\/1f50d-1.png\" alt=\"\ud83d\udd0d\" class=\"wp-smiley\" style=\"height: 1em; max-height: 1em;\"> ASI-Evolve: La IA que crea IA<\/p>\n<p>Un nuevo sistema de IA automatiza el dise\u00f1o y an\u00e1lisis de arquitecturas neuronales.<\/p>\n<p>Descubri\u00f3 105 arquitecturas SOTA, mejorando el rendimiento hasta en 18 puntos en benchmarks.<\/p>\n<p>Integrando conocimiento previo y an\u00e1lisis reutilizable, este\u2026 <a href=\"https:\/\/t.co\/8nRTtVzrHR\">pic.twitter.com\/8nRTtVzrHR<\/a><\/p>\n<p>\u2014 Diario\u0e3fitcoin\uea00 (@DiarioBitcoin) <a href=\"https:\/\/twitter.com\/DiarioBitcoin\/status\/2041056846920700109?ref_src=twsrc%5Etfw\">April 6, 2026<\/a><\/p>\n<\/blockquote>\n<p>La idea de que una inteligencia artificial pueda ayudar a crear mejores sistemas de inteligencia artificial ha sido discutida durante a\u00f1os. Sin embargo, llevar ese concepto m\u00e1s all\u00e1 de tareas puntuales y convertirlo en un proceso de investigaci\u00f3n \u00fatil, sostenido y con resultados medibles sigue siendo uno de los grandes retos del sector.<\/p>\n<p>En ese contexto, un grupo de investigadores present\u00f3 <a href=\"https:\/\/arxiv.org\/abs\/2603.29640\">ASI-Evolve: AI Accelerates AI<\/a>, trabajo firmado por Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao y Pengfei Liu. El estudio describe un marco ag\u00e9ntico dise\u00f1ado para cerrar el ciclo de investigaci\u00f3n de IA mediante una secuencia de aprender, dise\u00f1ar, experimentar y analizar.<\/p>\n<p>Seg\u00fan los autores, la motivaci\u00f3n central parte de una limitaci\u00f3n conocida. Aunque los sistemas ag\u00e9nticos recientes han mostrado buen desempe\u00f1o en tareas bien acotadas y con retroalimentaci\u00f3n r\u00e1pida, todav\u00eda no estaba claro si pod\u00edan enfrentar bucles de investigaci\u00f3n costosos, de largo horizonte y con supervisi\u00f3n d\u00e9bil, que son precisamente los que impulsan el progreso real en inteligencia artificial.<\/p>\n<p>El trabajo propone que s\u00ed es posible avanzar en esa direcci\u00f3n. Para ello, ASI-Evolve extiende los agentes evolutivos convencionales con dos piezas adicionales que buscan dar m\u00e1s memoria y mayor capacidad de aprendizaje acumulativo al sistema entre una iteraci\u00f3n y otra.<\/p>\n<h3>C\u00f3mo funciona ASI-Evolve<\/h3>\n<p>La primera de esas piezas es una base de cognici\u00f3n. Su funci\u00f3n es inyectar conocimiento previo acumulado por humanos en cada ronda de exploraci\u00f3n. En otras palabras, el sistema no parte de cero en cada ciclo, sino que incorpora experiencia previa como punto de apoyo para orientar nuevas b\u00fasquedas.<\/p>\n<p>La segunda pieza es un analizador dedicado. Ese m\u00f3dulo toma resultados experimentales complejos y los destila en ideas reutilizables para futuras iteraciones. El objetivo es que la IA no solo pruebe variantes, sino que tambi\u00e9n extraiga lecciones concretas de lo que funcion\u00f3 y de lo que no funcion\u00f3.<\/p>\n<p>Esta l\u00f3gica de circuito cerrado es importante porque se parece m\u00e1s al trabajo de un equipo de investigaci\u00f3n que al de una herramienta aislada. En lugar de limitarse a ejecutar instrucciones fijas, el marco busca sostener un proceso continuo de hip\u00f3tesis, prueba, evaluaci\u00f3n y refinamiento.<\/p>\n<p>De acuerdo con el estudio, este ser\u00eda el primer marco unificado que demuestra descubrimiento impulsado por IA en tres componentes centrales del desarrollo de la IA: datos, arquitecturas y algoritmos de aprendizaje. Esa afirmaci\u00f3n sit\u00faa el aporte del trabajo en un terreno especialmente ambicioso, porque cubre varias capas cr\u00edticas del stack tecnol\u00f3gico.<\/p>\n<h3>Resultados en dise\u00f1o de arquitecturas neuronales<\/h3>\n<p>Uno de los frentes en los que ASI-Evolve fue evaluado es el dise\u00f1o de arquitecturas neuronales. All\u00ed, el sistema descubri\u00f3 105 arquitecturas SOTA de atenci\u00f3n lineal, una cifra que destaca por volumen y por la diversidad impl\u00edcita de configuraciones encontradas durante el proceso de exploraci\u00f3n.<\/p>\n<p>El mejor modelo descubierto super\u00f3 a DeltaNet por +0,97 puntos. Los autores subrayan que esta mejora equivale a casi 3 veces el avance logrado por progresos recientes dise\u00f1ados por humanos. Ese contraste es relevante porque sugiere que la automatizaci\u00f3n no solo acelera pruebas, sino que tambi\u00e9n podr\u00eda producir saltos m\u00e1s agresivos en rendimiento.<\/p>\n<p>Para lectores menos familiarizados con el tema, la atenci\u00f3n lineal es un \u00e1rea muy observada dentro de la investigaci\u00f3n en modelos de IA. Mejorar estas arquitecturas puede tener impacto directo sobre eficiencia, escalabilidad y desempe\u00f1o en tareas complejas, factores que hoy condicionan tanto el costo como la utilidad pr\u00e1ctica de los modelos.<\/p>\n<p>En ese sentido, el resultado no implica que la investigaci\u00f3n humana deje de ser importante. M\u00e1s bien apunta a un escenario en el que los equipos de desarrollo podr\u00edan apoyarse en sistemas automatizados para ampliar el espacio de b\u00fasqueda, explorar combinaciones que ser\u00edan dif\u00edciles de revisar manualmente y detectar configuraciones prometedoras con m\u00e1s rapidez.<\/p>\n<div class=\"diari-in-content-middle diari-entity-placement\" id=\"diari-795999051\">\n<div id=\"diari-315059299\" data-diari-trackid=\"221185\" data-diari-trackbid=\"1\" class=\"diari-target diari-target\"><a data-no-instant=\"1\" href=\"https:\/\/youhodler.onelink.me\/IPBU\/lciii2ua\" rel=\"noopener\" class=\"a2t-link\" target=\"_blank\" aria-label=\"20stable - 1200x250_1\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/pongara.net\/news\/wp-content\/uploads\/2026\/04\/20stable-1200x250_1-9.gif\" alt=\"20stable - 1200x250_1\" width=\"1200\" height=\"250\" style=\" max-width: 100%; height: auto;\"><\/a><\/div>\n<\/div>\n<h3>Mejoras en datos de preentrenamiento y aprendizaje por refuerzo<\/h3>\n<p>El segundo eje del trabajo se centr\u00f3 en la curaci\u00f3n de datos de preentrenamiento. Seg\u00fan los resultados reportados, la canalizaci\u00f3n evolucionada mejor\u00f3 el rendimiento promedio en benchmarks en +3,96 puntos. En el caso de MMLU, las ganancias superaron los +18 puntos.<\/p>\n<p>Ese dato es especialmente significativo porque la calidad y la composici\u00f3n de los datos de preentrenamiento afectan de forma directa el comportamiento final de los modelos. En la pr\u00e1ctica, no basta con tener m\u00e1s datos. Tambi\u00e9n importa mucho qu\u00e9 datos se usan, c\u00f3mo se filtran y qu\u00e9 se\u00f1ales ofrecen para que el sistema aprenda patrones \u00fatiles.<\/p>\n<p>El tercer componente evaluado fue el dise\u00f1o de algoritmos de aprendizaje por refuerzo. En este apartado, los algoritmos descubiertos por ASI-Evolve superaron a GRPO por hasta +12,5 puntos en AMC32, +11,67 puntos en AIME24 y +5,04 puntos en OlympiadBench.<\/p>\n<p>Estos benchmarks est\u00e1n ligados a tareas exigentes, en especial aquellas que demandan razonamiento y resoluci\u00f3n estructurada de problemas. Por eso, mejoras de ese tama\u00f1o tienden a llamar la atenci\u00f3n en la comunidad t\u00e9cnica. Tambi\u00e9n refuerzan la hip\u00f3tesis de que una IA bien organizada puede contribuir a dise\u00f1ar mejores m\u00e9todos para entrenar otras IAs.<\/p>\n<h3>M\u00e1s all\u00e1 del stack de IA<\/h3>\n<p>El estudio no se limita a mostrar resultados dentro del ecosistema de desarrollo de modelos. Los autores tambi\u00e9n presentaron evidencia inicial de que este paradigma de IA-para-IA podr\u00eda transferirse fuera del stack tradicional de inteligencia artificial.<\/p>\n<p>En particular, mencionan experimentos en matem\u00e1ticas y biomedicina. El trabajo no presenta esa extensi\u00f3n como una validaci\u00f3n definitiva, sino como una se\u00f1al temprana de que el mismo enfoque de ciclo cerrado podr\u00eda adaptarse a dominios donde tambi\u00e9n existe investigaci\u00f3n iterativa, alto costo experimental y necesidad de extraer conocimiento reutilizable.<\/p>\n<p>Si esa l\u00ednea prospera, el impacto potencial ser\u00eda amplio. Herramientas de este tipo podr\u00edan asistir en tareas de descubrimiento cient\u00edfico, dise\u00f1o de hip\u00f3tesis o evaluaci\u00f3n sistem\u00e1tica de alternativas. Aun as\u00ed, el propio estudio se mueve con cautela y habla de evidencia inicial, no de una soluci\u00f3n general ya demostrada.<\/p>\n<p>Esa precisi\u00f3n importa. En \u00e1reas como matem\u00e1ticas o biomedicina, la validaci\u00f3n experimental, la interpretaci\u00f3n y la seguridad siguen siendo factores decisivos. Un sistema ag\u00e9ntico puede acelerar etapas del proceso, pero eso no elimina la necesidad de verificaci\u00f3n rigurosa por parte de especialistas humanos.<\/p>\n<h3>Qu\u00e9 significa este avance<\/h3>\n<p>En conjunto, los resultados sugieren que ASI-Evolve representa un paso prometedor hacia sistemas capaces de acelerar etapas fundamentales del desarrollo de la IA. La principal tesis del trabajo es que la investigaci\u00f3n de ciclo cerrado, asistida por agentes y enriquecida con memoria cognitiva y an\u00e1lisis reutilizable, ya muestra se\u00f1ales de viabilidad pr\u00e1ctica.<\/p>\n<p>Para la industria tecnol\u00f3gica, este tipo de avances podr\u00eda traducirse en ciclos de innovaci\u00f3n m\u00e1s r\u00e1pidos. Tambi\u00e9n podr\u00eda elevar la competitividad entre laboratorios y empresas que buscan mejores modelos con menos tiempo de ensayo manual. En un sector donde peque\u00f1as mejoras de eficiencia o precisi\u00f3n tienen gran valor, automatizar investigaci\u00f3n puede convertirse en una ventaja estrat\u00e9gica.<\/p>\n<p>Al mismo tiempo, el trabajo abre preguntas importantes. Entre ellas, c\u00f3mo evaluar la robustez de los hallazgos, c\u00f3mo evitar sesgos acumulados en los ciclos automatizados y c\u00f3mo garantizar que los resultados sean reproducibles en otros contextos. La disponibilidad de c\u00f3digo, mencionada por los autores, puede ayudar a que la comunidad t\u00e9cnica contraste y replique los experimentos.<\/p>\n<p>Por ahora, la principal conclusi\u00f3n es menos futurista de lo que parece. No se trata de una IA que inventa ciencia sin supervisi\u00f3n, sino de un marco que intenta sistematizar y acelerar partes dif\u00edciles del proceso de investigaci\u00f3n. Si sus resultados se sostienen en futuras validaciones, ASI-Evolve podr\u00eda marcar una etapa temprana pero relevante en la transici\u00f3n hacia herramientas que ayuden a construir la pr\u00f3xima generaci\u00f3n de inteligencia artificial.<\/p>\n<div class=\"footer-entry-meta\"><\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Un nuevo trabajo acad\u00e9mico plantea una idea ambiciosa y cada vez m\u00e1s concreta: que la inteligencia artificial pueda acelerar el desarrollo de la propia inteligencia [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":133457,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,1],"tags":[14426,23130,31600,285,611,5713,599,1268,118,1050],"class_list":["post-133456","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-crypto","category-noticias","tag-algoritmos","tag-arquitecturas","tag-asi-evolve","tag-crypto","tag-descubre","tag-disenos","tag-humanos","tag-noticias","tag-sistema","tag-superan"],"_links":{"self":[{"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/posts\/133456","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/comments?post=133456"}],"version-history":[{"count":0,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/posts\/133456\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/media\/133457"}],"wp:attachment":[{"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/media?parent=133456"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/categories?post=133456"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pongara.net\/news\/wp-json\/wp\/v2\/tags?post=133456"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}