AGI/Singularidad: 10.000 Predicciones Analizadas
La inteligencia artificial general (AGI) se da cuando un sistema de IA iguala las capacidades cognitivas humanas en todas las tareas. Analizamos las predicciones de 10.000 investigadores de IA, destacados emprendedores y la comunidad sobre el cronograma de la AGI:
¿Ocurrirá la AGI/singularidad? La AGI es inevitable según la mayoría de los expertos en IA.
¿Cuándo alcanzaremos la AGI? Entre finales de la década de 2020 y principios de la de 2030. El cronograma de la AGI se acortó tras el lanzamiento de ChatGPT.
Cronograma de la Inteligencia Artificial General
El cronograma anterior describe el año previsto de la singularidad, basado en información recopilada de 10 encuestas con más de 6.000 participantes, respuestas de 18 investigadores de IA e información comunitaria de los mercados de predicción Manifold, Kalshi y Metaculus.
Como puede ver arriba, los encuestados esperan cada vez más que la singularidad ocurra antes de lo previsto anteriormente. Conozca los métodos que utilizamos para crear este gráfico.
Predicciones de AGI de los mercados de predicción
Para los mercados de predicción y las predicciones de información comunitaria, utilizamos:
3.900 predicciones de Manifold, Kalshi y Metaculus, que son mercados de predicción en línea donde los participantes negocian con la probabilidad y el momento de eventos futuros con fines de lucro o reputación. También incluimos la fecha de predicción promedio obtenida de estos mercados de predicción.
Otras preguntas clave sobre la AGI
¿Cuál es nuestro estado actual respecto a la AGI?
Aunque la IA estrecha supera a los humanos en tareas específicas, no existe una máquina inteligente. Algunos investigadores afirman que los LLMs demuestran capacidades generalistas emergentes.1
¿Cómo podemos alcanzar la AGI?
Ya sea poniendo más cómputo y datos detrás de arquitecturas actuales como los transformadores, o inventando nuevos enfoques. Aún no hay consenso científico sobre el método para lograr la AGI o para validarla.
A continuación puede ver un resumen de las predicciones que componen este cronograma, o consulte la tabla completa.
Resultados de las principales encuestas a investigadores de IA
Examinamos los resultados de 10 encuestas en las que participaron más de 6.000 investigadores y expertos en IA, en las que estimaron cuándo podría ocurrir la AGI/singularidad.
Aunque las predicciones varían, la mayoría de las encuestas indican una probabilidad del 50 % de lograr la AGI entre 2040 y 2061, y algunos estiman que la superinteligencia podría llegar en unas pocas décadas.
Encuesta de expertos sobre el progreso en la IA
En octubre de 2023, IA Impacts encuestó a 2.778 investigadores de IA sobre cuándo podría lograrse la AGI. Esta encuesta incluía preguntas casi idénticas a la encuesta de 2022. Según los resultados de la Encuesta de expertos sobre el progreso en la IA, se estima que la inteligencia de máquina de alto nivel se alcance para 2040.2
Encuesta de expertos sobre el progreso en la IA
La encuesta se realizó con 738 expertos que publicaron en las conferencias NIPS e ICML de 2021. Según los resultados de la Encuesta de expertos sobre el progreso en la IA, los expertos estiman que hay una probabilidad del 50 % de que la inteligencia de máquina de alto nivel ocurra para 2059.3
Los expertos también predijeron que el costo del hardware, el progreso algorítmico y el trabajo en conjuntos de entrenamiento serían los mayores factores en el progreso de la IA.
Encuesta de pronóstico del progreso de la IA
Baobao Zhang encuestó a 296 expertos en IA en 2019, pidiéndoles que predijeran cuándo las máquinas superarían al trabajador humano mediano en la realización de más del 90 % de las tareas económicamente relevantes. Según los resultados de la Encuesta de pronóstico del progreso de la IA, la mitad de los encuestados estimó que esto ocurriría antes de 2060.4
Encuesta de expertos en IA sobre el momento de la AGI
Las predicciones de la Encuesta de expertos en IA sobre el momento de la AGI de 20195 son:
- 45 % de los encuestados predicen una fecha antes de 2060.
- 34 % de todos los participantes predijeron una fecha después de 2060.
- 21 % de los participantes predijeron que la singularidad nunca ocurriría.
Encuesta sobre el posible impacto de la IA en el desplazamiento laboral
Ross Gruetzemacher encuestó a 165 expertos en IA en 2018 para evaluar el posible impacto de la IA en el desplazamiento laboral. Se pidió a los expertos que estimaran cuándo los sistemas de IA serían capaces de realizar el 99 % de las tareas por las que actualmente se paga a los humanos, a un nivel igual o superior al de un humano promedio.
Según los resultados de la encuesta sobre el posible impacto de la IA en el desplazamiento laboral, la mitad de los encuestados predijo que este hito se alcanzaría antes de 2068, mientras que el 75 % anticipó que ocurriría en los próximos 100 años.6
Encuesta a expertos en IA de las conferencias NIPS e ICML
En mayo de 2017, se encuestó a 352 expertos en IA que publicaron en las conferencias NIPS e ICML de 2015.7
Según los resultados de las encuestas de las conferencias NIPS e ICML, los expertos estiman una probabilidad del 50 % de que la AGI ocurra para 2060. Dicho esto, existe una diferencia de opinión significativa según la geografía:
- Los encuestados asiáticos esperan la AGI en 30 años,
- Los norteamericanos la esperan en 74 años.
Algunas funciones laborales importantes que se espera que se automaticen para 2030 incluyen los representantes de centros de llamadas, la conducción de camiones y las ventas minoristas.
Encuesta sobre el progreso futuro en la inteligencia artificial
Vincent C. Muller, presidente de la Asociación Europea de Sistemas Cognitivos, y Nick Bostrom, de la Universidad de Oxford, quien ha publicado más de 200 artículos sobre superinteligencia e inteligencia artificial general (AGI), llevaron a cabo la encuesta sobre el progreso futuro en la inteligencia artificial en 2012 y 2013. 550 participantes respondieron a la pregunta: ¿Cuándo es probable que ocurra la AGI?8
Según los resultados de la encuesta sobre el progreso futuro en la inteligencia artificial:
- Los expertos en IA encuestados estiman que la AGI probablemente (más del 50 % de probabilidad) surja entre 2040 y 2050 y es muy probable (probabilidad del 90 %) que aparezca para 2075.
- Una vez alcanzada la AGI, la mayoría de los expertos afirma que progresará a la superinteligencia con relativa rapidez, con un marco temporal que va desde tan solo 2 años (improbable, probabilidad del 10 %) hasta unos 30 años (alta probabilidad, 75 %).
Encuesta con expertos en IA participantes en la conferencia AGI-09
Según los resultados de la encuesta de 21 expertos en IA participantes en la conferencia AGI-09 de 2009, la AGI ocurrirá alrededor de 2050, y posiblemente antes.9Puede ver a continuación sus estimaciones sobre logros específicos de la IA: superar el test de Turing, aprobar el tercer grado, lograr avances científicos dignos del Nobel y alcanzar una inteligencia sobrehumana.
Figura 1: Resultados de la encuesta distribuida a los asistentes a la conferencia de Inteligencia Artificial General 2009 (AGI-09).
Perspectivas de la comunidad
También evaluamos las predicciones de Samotsvety Forecasting y de la comunidad de Metaculus sobre la AGI, y los resultados de los mercados de predicción de Manifold, Kalshi y Polymarket:
Samotsvety Forecasting
Samotsvety Forecasting es un equipo de pronosticadores que hace predicciones probabilísticas sobre eventos del mundo real, especialmente en geopolítica, tecnología y riesgos globales, utilizando razonamiento estructurado y métodos cuantitativos. Demuestran un sólido historial competitivo en las principales plataformas y torneos de pronóstico (por ejemplo, INFER/CSET-Foretell), donde su precisión se mide mediante métricas formales de puntuación como la puntuación de Brier.10
En enero de 2026, el equipo actualizó sus predicciones sobre la AGI con 8 pronosticadores.11Estos son los resultados agregados:
- 10 % de probabilidad de que alcancemos la AGI en 2026
- 50 % de probabilidad de que alcancemos la AGI para 2041
- 90 % de probabilidad de que alcancemos la AGI para 2164
En un pronóstico anterior de 2022, el equipo estimó una probabilidad del 32 % de AGI en 20 años (para ~2042) y un 73 % para 2100, ambas inferiores a sus proyecciones actuales.12
Manifold Market
A partir de agosto de 2026, más de 1.100 colaboradores de Manifold Market predijeron que el año en que una IA pase por primera vez un "test de Turing adversario de alta calidad" sería 2034.13
Mercado de predicción Kalshi
A partir de agosto de 2026, los colaboradores del mercado de predicción Kalshi afirman que hay una probabilidad del 45 % de que OpenAI logre la AGI para 2030.14
Polymarket
Los resultados de las predicciones de Polymarket en agosto de 2026 indicaron que hay una probabilidad del 9 % de que OpenAI logre la AGI para 2027.15
Predicciones de la comunidad de Metaculus
A partir de agosto de 2026:
- 1.800 participantes respondieron a la pregunta "¿Cuándo se ideará, probará y anunciará públicamente el primer sistema de IA débilmente general?" y la predicción es 2028.16
- 180 participantes respondieron a la pregunta "¿Cuándo pasará una IA por primera vez un test de Turing largo, informado y adversario?" y su predicción es 2029.17
- 1.900 participantes respondieron a la pregunta "¿Cuándo se ideará, probará y anunciará públicamente el primer sistema de IA general?" y su predicción es 2033.18
En 2022, 81 participantes respondieron a la pregunta "¿Cuándo esperarán los principales pronosticadores que se desarrolle y demuestre la primera Inteligencia Artificial General?" y su predicción fue 2035.19
Perspectivas de emprendedores de IA e investigadores individuales
Los emprendedores de IA también están haciendo estimaciones sobre cuándo alcanzaremos la singularidad, y son más optimistas que los investigadores. Esto es de esperar, ya que se benefician del creciente interés en la IA.
Sus opiniones difieren sobre su velocidad y vía de desarrollo. Amodei de Anthropic espera que la AGI llegue a corto plazo debido al rápido progreso autorreforzante, mientras que Hassabis de DeepMind lo ve plausible pero se mantiene cauteloso, citando desafíos no resueltos en creatividad científica y automejora autónoma.
Estas son las predicciones de 15 de los emprendedores e investigadores de IA más destacados:
- Shane Legg, cofundador de DeepMind Technologies, define AGI mínima como un agente artificial que puede realizar de manera confiable toda la gama de tareas cognitivas que un humano promedio puede hacer, sin fallar de maneras que nos sorprenderían si a una persona se le diera la misma tarea. Su predicción en enero de 2026 es que hay una probabilidad del 50 % de que la AGI mínima ocurra para 2028.
- Según Legg, alcanzar la AGI mínima no significa que comprendamos completamente o podamos reproducir las formas más altas de inteligencia humana, como los grandes avances científicos o los logros artísticos. La AGI completa se lograría una vez que la IA pueda igualar todo el espectro de la cognición humana.20
- Dario Amodei, director ejecutivo de Anthropic, expresó una gran confianza en que los sistemas a nivel de AGI se están acercando a corto plazo en el Foro Económico Mundial de 2026 en Davos. Afirmó que es probable que la AGI ocurra dentro de unos pocos años (2027), posiblemente antes de lo que se espera ampliamente.
- Sostiene que los rápidos avances en codificación y automatización de la investigación en IA son fundamentales, lo que permite a los sistemas de IA manejar la mayoría de las tareas de ingeniería de software de principio a fin y acelerar su propio desarrollo a través de bucles de retroalimentación.
- Aunque reconoce limitaciones como la disponibilidad de hardware y el tiempo de entrenamiento, considera poco probable un cronograma más largo y anticipa una rápida aceleración una vez que estos bucles maduren.21
- En el mismo evento de 2026, Demis Hassabis, fundador de DeepMind, mantuvo una perspectiva más cautelosa, reiterando una estimación de aproximadamente un 50 % de probabilidad de lograr la AGI para finales de la década (2030).
- Hassabis está de acuerdo en que el progreso es rápido en dominios verificables como la codificación y las matemáticas, pero enfatiza que el descubrimiento científico y el razonamiento creativo siguen siendo más difíciles.
- Destaca limitaciones no resueltas en la generación de nuevas preguntas y teorías y expresa incertidumbre sobre la automejora totalmente autónoma, particularmente en dominios complejos del mundo real, lo que, según cree, hace que los cronogramas de la AGI sean menos seguros.
- Combinando el progreso de la IA en razonamiento, programación y matemáticas, Eric Schmidt, ex director ejecutivo de Google, afirma que nos dirigimos hacia la Inteligencia Artificial General en 3 a 5 años (según declaró en abril de 2025).22
- Elon Musk espera el desarrollo de una inteligencia artificial más inteligente que el más inteligente de los humanos para 2026.23
- En febrero de 2025, el emprendedor e inversor Masayoshi Son lo predijo en 2-3 años (es decir, 2027 o 2028).
- En marzo de 2024, el director ejecutivo de Nvidia, Jensen Huang, predijo que en cinco años, la IA igualaría o superaría el rendimiento humano en cualquier prueba: 2029.24
- Louis Rosenberg, científico informático, emprendedor y escritor, para 2030.
- Ray Kurzweil, científico informático, emprendedor y autor de 5 superventas nacionales, incluido The Singularity Is Near: anteriormente 2045, en 2024, 2032.25
- En 2023, Hinton consideró que la AGI podría tardar de 5 a 20 años.26
- Sam Altman, director ejecutivo de OpenAI, para 2035. Mencionó "unos pocos miles de días" en 2024 en su blog "The Intelligence Age".
- Ajeya Cotra, investigadora de IA, analizó el crecimiento del cómputo de entrenamiento y estimó una probabilidad del 50 % de que emerja una IA con capacidades similares a las humanas para 2040.27
- Patrick Winston, profesor del MIT y director del Laboratorio de Inteligencia Artificial del MIT de 1972 a 1997, mencionó 2040, enfatizando que, aunque es una fecha que ocurriría, es difícil de estimar.
- Jürgen Schmidhuber, cofundador de la empresa de IA NNAISENSE y director del laboratorio suizo de IA IDSIA, para 2050.26
Otros comentarios y novedades sobre la AGI
Panel presidencial de AAAI sobre el futuro de la investigación en IA
Se preguntó a 475 encuestados, principalmente del ámbito académico (67 %) y de América del Norte (53 %), sobre el progreso en la IA. Aunque la encuesta del Panel presidencial de AAAI 2025 sobre el futuro de la investigación en IA no pidió un cronograma para la AGI, el 76 % de los encuestados compartió que escalar los enfoques actuales de IA probablemente no conduciría a la AGI.28
OpenAI expande sus ambiciones en robótica
OpenAI está aumentando su enfoque en la robótica como parte de su objetivo de avanzar en la inteligencia artificial general. La empresa está contratando especialistas en sistemas de robots humanoides y formando un equipo para diseñar algoritmos que ayuden a los robots a aprender y actuar de forma independiente en el mundo físico.
Esto marca un cambio con respecto al enfoque anterior de OpenAI en los sistemas de lenguaje e imagen. La empresa ahora pretende conectar el razonamiento avanzado con la interacción física, lo que sugiere que considera la robótica como un paso esencial hacia la prueba y el logro de la AGI.
Contexto e implicaciones
Después de disolver su primer equipo de robótica alrededor de 2020, OpenAI está volviendo al desarrollo activo en este campo. Las contrataciones recientes y las posibles asociaciones apuntan a un esfuerzo renovado por construir robots capaces de aprender y manipular en el mundo real.
Al combinar sistemas de IA a gran escala con datos sensoriales, OpenAI pretende crear sistemas que puedan razonar y operar fuera de los entornos digitales. La contratación de expertos en robótica humanoide también indica objetivos a largo plazo que van más allá de la automatización y hacia robots que puedan trabajar de forma segura junto a las personas.29
Informe de Microsoft sobre los primeros experimentos con GPT-4
Microsoft Research estudió una versión temprana de GPT-4 de OpenAI en 2023. El informe afirmaba que mostraba una mayor inteligencia general que los sistemas de IA anteriores, rindiendo a nivel humano en áreas como las matemáticas, la codificación y el derecho. Esto provocó un debate sobre si GPT-4 era una forma preliminar de inteligencia artificial general. 30
El informe "El camino hacia la inteligencia artificial general" del MIT
El informe "El camino hacia la inteligencia artificial general" de agosto de 2025 anticipa que los primeros sistemas similares a la AGI podrían comenzar a surgir entre 2026 y 2028, mostrando razonamiento a nivel humano en dominios específicos, capacidades multimodales en texto, audio e interfaces físicas, y una autonomía limitada dirigida a objetivos.
El informe combina pronósticos agregados y sugiere una probabilidad del 50 % de que varios hitos generalizados, como la transferencia de conocimiento y el razonamiento amplio, se alcancen para 2028.
Las proyecciones a más largo plazo estiman que las máquinas podrían superar el rendimiento humano en todas las tareas económicamente valiosas alrededor de 2047, condicionado a avances en eficiencia computacional, avances algorítmicos y aprendizaje autónomo.31
IA Frontiers sobre las probabilidades de la AGI
Adam Khoja y Laura Hiscott, de IA Frontiers, una plataforma para debates y diálogos sobre IA, estiman una probabilidad del 50 % de alcanzar la AGI para 2028 y una probabilidad del 80 % para 2030, utilizando su definición cuantitativa de AGI.32
Khoja y Hiscott evalúan el progreso hacia la inteligencia artificial general utilizando una definición desarrollada por Khoja, Dan Hendrycks y sus coautores.33Su marco mide diez capacidades cognitivas y asigna a GPT-4 una puntuación del 27 % y a GPT-5 una puntuación del 57 %. Esto indica que los sistemas actuales están aproximadamente a medio camino del umbral de AGI definido.
Khoja y Hiscott sostienen que las discusiones tradicionales sobre los cronogramas de la AGI carecen de precisión porque se basan en definiciones inconsistentes. Su marco estandarizado pretende aportar claridad al identificar fortalezas y debilidades específicas en los sistemas actuales. Señalan que la lectura, la escritura, las matemáticas y el conocimiento general cumplen o superan los niveles de referencia humanos y ya no son factores limitantes.
Los autores destacan las brechas restantes en razonamiento visual, física intuitiva, procesamiento auditivo, velocidad dependiente de la percepción y memoria de trabajo visual y auditiva. Informan de una rápida mejora en benchmarks como SPACE y MindCube y sugieren que estas brechas probablemente puedan abordarse mediante una investigación incremental continua. También observan que las alucinaciones siguen siendo una preocupación, pero son abordables dadas las diferencias de rendimiento entre los principales sistemas.
Según Khoja, Hiscott y Hendrycks, el obstáculo restante más importante es el aprendizaje continuo y el almacenamiento de memoria a largo plazo. Los sistemas actuales no pueden retener información entre sesiones, y resolver esta limitación requerirá al menos un avance significativo. Sin embargo, los autores enfatizan que los principales laboratorios de IA están priorizando ahora esta área.
Aprendiendo del exceso de optimismo pasado en las predicciones de IA
Tenga en cuenta que los investigadores de IA ya fueron demasiado optimistas antes. Los ejemplos incluyen:
- Geoff Hinton afirmó en 2016 que no necesitaríamos radiólogos para 2021 o 2026. Hasta ahora, la radiología no se ha automatizado por completo y los hospitales necesitan miles de ellos.34
- El pionero de la IA Herbert A. Simon en 1965: "las máquinas serán capaces, en veinte años, de hacer cualquier trabajo que un hombre pueda hacer".35
- La computadora de quinta generación de Japón en 1980 tenía un cronograma de diez años con objetivos como "mantener conversaciones informales".36
Esta experiencia histórica contribuyó a que la mayoría de los científicos actuales se mostraran reacios a predecir la AGI en plazos audaces como 10-20 años, pero esto ha cambiado con el auge de la IA generativa.
Entienda qué es la singularidad
La inteligencia artificial nos asusta y nos intriga. Casi todas las semanas aparece una nueva noticia alarmante sobre la IA, como desarrolladores que temen lo que han creado o apagan bots porque se volvieron demasiado inteligentes.37
La mayoría de estos mitos resultan de investigaciones malinterpretadas por personas ajenas a los campos de la IA y la IA generativa. Algunas partes interesadas afirman temer a la IA porque pueden beneficiarse de una mayor regulación, o porque puede atraerles más atención.
El mayor temor sobre la IA es la singularidad (también llamada Inteligencia Artificial General o AGI), un evento que se espera que provoque un rápido aumento de la inteligencia de las máquinas. Esto se espera cuando un sistema combina el pensamiento a nivel humano con una velocidad sobrehumana y una memoria casi perfecta y rápidamente accesible. Según algunos expertos, la singularidad también implica la conciencia de las máquinas.
Una máquina así podría automejorarse y superar las capacidades humanas. Incluso antes de que la inteligencia artificial fuera un tema de investigación en informática, escritores de ciencia ficción como Asimov ya se preocupaban por esto. Estaban ideando mecanismos (es decir, las Leyes de la Robótica de Asimov) para asegurar la benevolencia de las máquinas inteligentes, lo que hoy se conoce más comúnmente como investigación en alineación.
Por qué los expertos creen que la AGI es inevitable: argumentos y evidencia clave
Alcanzar la AGI parece una predicción descabellada, pero parece un objetivo bastante razonable si se considera que la inteligencia humana es fija y la inteligencia de las máquinas está creciendo. Es cuestión de tiempo que las máquinas nos superen, a menos que exista algún límite estricto para su inteligencia. Aún no hemos encontrado tal límite.
La inteligencia humana es fija, a menos que de alguna manera fusionemos nuestras capacidades cognitivas con las máquinas. La startup de encaje neuronal de Elon Musk pretende hacer esto, pero la investigación sobre interfaces cerebro-computadora está en sus primeras etapas.38
La inteligencia de las máquinas depende de algoritmos, potencia de procesamiento y datos.
- La potencia de procesamiento ha crecido a un ritmo exponencial a medida que la inversión fluye hacia I+D y centros de datos.
- Hasta ahora, hemos sido buenos suministrando a las máquinas los algoritmos necesarios para utilizar su potencia de procesamiento y memoria de manera efectiva.
- Finalmente, las empresas y los individuos están creando datos digitales a un ritmo creciente. Los datos sintéticos pueden corromper los sistemas o aumentarlos. Incluso si los corrompen, es un problema solucionable gracias a la curación de datos.
Logros recientes
Opus 4.6
En febrero de 2026, Claude lanzó Opus 4.6 con una ventana de contexto de 1M y resultados impresionantes en benchmarks.
Anthropic también se está centrando en casos de uso lanzando complementos como Claude legal, que son archivos markdown para ayudar a los sistemas a navegar por dominios específicos. Aunque fue una adición menor a Claude, provocó una liquidación en el mercado de valores que incluyó SaaS y software legal.39
Gemini Deep Think
Otro ejemplo es el modo deep think de Gemini de DeepMind, que logró un rendimiento de medalla de oro en la Olimpiada Internacional de Matemáticas de 2025, marcando un paso significativo en la capacidad de la IA para razonar sobre problemas complejos.
Operando totalmente en lenguaje natural, Gemini resolvió cinco de seis problemas dentro de la ventana oficial del concurso de 4.5 horas, produciendo pruebas claras y legibles para humanos sin depender de herramientas simbólicas formales.
Sus capacidades provienen de varias innovaciones: el modo Deep Think permite la exploración paralela de rutas de solución, el entrenamiento incorpora demostraciones matemáticas de nivel experto y el aprendizaje por refuerzo refina su enfoque estratégico.
Este progreso demuestra que la IA avanzada ya puede participar en un razonamiento sofisticado e interpretable a un nivel que antes estaba reservado a los mejores solucionadores de problemas humanos.40
Opencrawl
Opencrawl es un proyecto de código abierto para convertir LLMs en agentes. Se convirtió en uno de los proyectos más populares en GitHub e inició el ecosistema opencrawl.
Crecimiento exponencial
La siguiente es una analogía útil para entender el crecimiento exponencial. Aunque las máquinas pueden no parecer muy inteligentes ahora, pueden volverse bastante inteligentes en un futuro cercano.
Crecimiento reciente de las capacidades de cómputo de la IA
Figura 2: La figura muestra un resumen de los patrones de crecimiento del cómputo observados en varias categorías: sistemas notables en general (arriba a la izquierda), sistemas frontera (arriba a la derecha), principales sistemas de lenguaje (abajo a la izquierda) y los mejores sistemas de las empresas líderes (abajo a la derecha).
Los recursos computacionales para entrenar sistemas de IA han aumentado significativamente, y aproximadamente dos tercios del rendimiento de los sistemas de lenguaje se atribuye a mejoras en la escala de los sistemas.
Según un artículo de 2024,41el crecimiento del uso de cómputo en el entrenamiento de sistemas de IA ha aumentado de manera constante alrededor de 4-5x por año, reflejando tendencias en sistemas notables, sistemas frontera y empresas líderes como OpenAI, Google DeepMind y Meta IA (véase la Figura 2).
Sin embargo, la tasa de crecimiento se ha ralentizado un poco desde 2018, especialmente en los sistemas frontera, pero los sistemas de lenguaje han experimentado un crecimiento más rápido de hasta 9x/año hasta mediados de 2020, después de lo cual el ritmo se redujo a 4-5x/año.
La tendencia general del crecimiento del cómputo de IA sigue siendo fuerte, y las proyecciones sugieren que la tasa de crecimiento de 4-5x/año continuará a menos que surjan nuevos desafíos o avances. Este crecimiento también se observa en las estrategias de escalado de las principales empresas de IA, aunque existen ligeras variaciones entre ellas.
A pesar de una desaceleración en el crecimiento de los sistemas frontera, los sistemas más grandes lanzados hoy, como GPT-4 y Gemini Ultra, se alinean estrechamente con la trayectoria de crecimiento prevista.
Si la computación clásica se ralentiza, la computación cuántica puede llenar el vacío
La computación clásica nos ha llevado bastante lejos. Los algoritmos de IA en computadoras clásicas pueden superar el rendimiento humano en tareas específicas como jugar al ajedrez o al Go. Por ejemplo, AlphaGo Zero venció a AlphaGo por 100-0. AlphaGo había vencido a los mejores jugadores del mundo.42Sin embargo, nos estamos acercando a los límites de la velocidad de las computadoras clásicas.
La ley de Moore, que se basa en la observación de que el número de transistores en un circuito integrado denso se duplica aproximadamente cada dos años, implica que el costo de la computación se reduce a la mitad aproximadamente cada 2 años.
Por otro lado, la mayoría de los expertos cree que la ley de Moore está llegando a su fin durante esta década.43 Sin embargo, hay esfuerzos para seguir mejorando la eficiencia de la computación.
Por ejemplo, DeepSeek sorprendió a los mercados globales con su sistema R1 al ofrecer un sistema de razonamiento a una fracción del costo de sus competidores, como OpenAI.
La computación cuántica, que todavía es una tecnología emergente, puede contribuir a reducir los costes de computación después de que la ley de Moore llegue a su fin. La computación cuántica se basa en la evaluación de diferentes estados al mismo tiempo, mientras que las computadoras clásicas calculan un estado a la vez.
La naturaleza única de la computación cuántica puede utilizarse para entrenar eficientemente redes neuronales, actualmente la arquitectura de IA más popular en aplicaciones comerciales. Los algoritmos de IA que se ejecutan en computadoras cuánticas estables tienen la oportunidad de desbloquear la singularidad.
¿Por qué algunos expertos creen que no alcanzaremos la AGI?
Hay 3 argumentos principales en contra de la importancia o existencia de la AGI. Los examinamos junto con sus refutaciones comunes:
1- La inteligencia es multidimensional
Por lo tanto, la AGI será diferente, no necesariamente superior a la inteligencia humana.
Esto es cierto, y la inteligencia humana también es diferente de la inteligencia animal. Algunos animales son capaces de hazañas mentales, como las ardillas que recuerdan dónde escondieron cientos de nueces durante meses.
Yann LeCun, uno de los pioneros del aprendizaje profundo, cree que deberíamos retirar la palabra AGI y centrarnos en lograr "inteligencia de máquina avanzada".44Sostiene que la mente humana es especializada y la inteligencia es un conjunto de habilidades y la capacidad de aprender nuevas habilidades. Cada humano puede realizar un subconjunto de tareas de inteligencia humana.45
También es difícil entender el nivel de especialización de la mente humana, como humanos, ya que no conocemos ni podemos experimentar todo el espectro de la inteligencia.
En áreas donde las máquinas exhibieron una inteligencia sobrehumana, los humanos pudieron vencerlas aprovechando debilidades específicas de las máquinas. Por ejemplo, un aficionado pudo vencer a un programa de Go que está a la par de los programas de Go que vencen a campeones mundiales estudiando y aprovechando las debilidades del programa.46
2- La inteligencia no es la solución a todos los problemas
Ciencia
Incluso la mejor máquina que analice los datos existentes puede no ser capaz de encontrar una cura para el cáncer. Es posible que necesite realizar experimentos en el mundo real y analizar los resultados para descubrir nuevos conocimientos en la mayoría de las áreas.
Más inteligencia puede conducir a experimentos mejor diseñados y gestionados, permitiendo más descubrimientos por experimento. La historia de la productividad de la investigación debería demostrarlo, pero los datos son bastante ruidosos y hay rendimientos decrecientes en la investigación. Nos encontramos con problemas más difíciles como la física cuántica a medida que resolvemos problemas más simples como el movimiento newtoniano.
Finalmente, las predicciones perfectas pueden no ser posibles en algunos dominios debido a la aleatoriedad inherente o a la inconmensurabilidad de ese dominio. Por ejemplo, incluso con una gran cantidad de datos, no podemos predecir ciertos resultados de la vida con un alto nivel de precisión.47
Economía
La inteligencia no es el ingrediente para la generación de valor económico.
- El CI, la medida más comúnmente aceptada de la inteligencia humana, no está correlacionado con el patrimonio neto para valores superiores a ~$40k (véase la imagen a continuación):
Figura 3: El CI está correlacionado con la riqueza en niveles bajos de riqueza.48
Figura 4: El CI no está correlacionado con la riqueza si nos centramos en niveles altos de riqueza. Este gráfico es el mismo que el anterior, excepto que los niveles de ingresos netos por debajo de $40k se han ocultado.
- En el mundo de la inversión, la inteligencia del equipo de una empresa no se considera un factor de competitividad. Se asume implícitamente que otras empresas también pueden identificar estrategias inteligentes. Los inversores prefieren negocios con ventajas injustas que incluyen propiedad intelectual, escala, acceso exclusivo a recursos, etc. La mayoría de estas ventajas injustas no pueden replicarse únicamente con inteligencia.
3- La AGI no es posible porque no es posible modelar el cerebro humano
En teoría, es posible modelar cualquier máquina computacional, incluido el cerebro humano, con una máquina relativamente simple que pueda realizar cálculos básicos y acceder a memoria y tiempo infinitos. Esta es la hipótesis de Church-Turing universalmente aceptada, formulada en 1950. Sin embargo, como se ha dicho, requiere ciertas condiciones difíciles: tiempo y memoria infinitos.
La mayoría de los informáticos cree que modelar el cerebro humano requerirá menos de tiempo y memoria infinitos. No obstante, no hay una forma matemáticamente sólida de demostrar esta creencia, porque todavía no entendemos el cerebro lo suficiente como para caracterizar con precisión su poder computacional. ¡Tendremos que construir una máquina así!
¿Cómo podemos alcanzar la AGI?
Figura 5: El horizonte temporal de los sistemas de IA frontera muestra las tareas más largas (en tiempo equivalente humano) que cada sistema puede completar con una fiabilidad del 50 %.49
La figura anterior muestra cómo han mejorado las capacidades de los agentes de IA midiendo las tareas más largas que pueden completar con una fiabilidad del 50 %.
El hallazgo clave es que la longitud de las tareas que pueden manejar los sistemas frontera ha crecido exponencialmente, duplicándose aproximadamente cada siete meses. Esto significa que los sistemas más nuevos, como Claude Opus 5 y GPT-5.6, ahora pueden completar tareas que a un humano le llevarían casi una hora, mientras que los sistemas más antiguos como GPT-2 apenas podían manejar tareas de más de unos segundos.
La región sombreada refleja incertidumbre estadística, pero la tendencia general es fiable. Si este patrón continúa, los sistemas de IA podrían pronto manejar tareas complejas que llevan a los humanos días o incluso semanas, marcando un paso significativo hacia una autonomía más amplia y capacidades similares a la AGI.
El escalado como vía hacia la AGI
Los líderes de los laboratorios de IA frontera creen que escalar los enfoques actuales basados en transformadores puede producir la AGI, lo que alimenta sus predicciones sobre lograr la AGI en unos pocos años.
Una vía propuesta hacia la AGI es escalar arquitecturas existentes como los transformadores aumentando el cómputo y los datos, mientras que otra es desarrollar enfoques completamente nuevos.
En apoyo de la hipótesis del escalado, un informe de 2024 de Epoch IA analizó si el crecimiento del cómputo de la IA puede continuar hasta 2030.
Identificaron cuatro limitaciones principales: disponibilidad de energía, capacidad de fabricación de chips, escasez de datos y latencia de procesamiento (véase la Figura 6).
A pesar de estos desafíos, sostienen que es factible entrenar sistemas que requieran hasta 2e29 FLOPs para finales de la década, asumiendo inversiones significativas en infraestructura.
Dichos avances podrían producir sistemas de IA mucho más capaces que los sistemas de vanguardia actuales como GPT-4, acercándonos a la AGI.50
Figura 6: El gráfico ilustra los límites superiores estimados del cómputo de entrenamiento de IA para 2030 bajo limitaciones clave: energía, producción de chips, datos y latencia, con medianas que van de 2e29 a 3e31 FLOP.
Más allá del escalado: el caso de las nuevas arquitecturas
Sin embargo, científicos de IA influyentes como Yann LeCun y Richard Sutton creen que escalar los large language models no conducirá a una inteligencia de nivel humano.51 52 Creen que son necesarias nuevas arquitecturas o enfoques para la AGI.
¿Cómo podemos medir si hemos alcanzado la AGI?
Los large language models están superando nuevos benchmarks cada semana, pero evaluar LLMs es difícil debido a problemas como el envenenamiento de datos y la falta de una definición científica aceptada para la inteligencia de nivel humano.
Estas preocupaciones se ven amplificadas por los conocimientos de una investigación reciente53que destacan que escalar LLMs no es un camino sostenible hacia un mejor rendimiento, especialmente en dominios científicos y de alto riesgo. Los autores muestran que:
- LLMs exhiben exponentes de escalado muy bajos (~0.1), lo que significa que incluso aumentos masivos de datos o cómputo producen ganancias de precisión minúsculas.
- El poder de aprendizaje de los LLMs proviene de su capacidad para producir salidas no gaussianas, pero esto también conduce a acumulaciones de errores y predicciones frágiles.
- Las métricas tradicionales como las funciones de pérdida son pseudométricas que no se alinean con la verdadera convergencia o precisión.
- Puede surgir un régimen de IA degenerativa (DAI) cuando los sistemas, entrenados con datos sintéticos o repetitivos, acumulan errores más rápido de lo que pueden corregirse.
Estos hallazgos ponen en duda la fiabilidad de los benchmarks estándar y subrayan la necesidad de estrategias de evaluación más diversas y en evolución.
Las métricas antiguas como el test de Turing no son rival para las máquinas actuales, y las nuevas métricas como ARC-AGI pueden carecer de las capacidades de generalización de benchmarks más amplios.
Las métricas emergentes como ARC-AGI pretenden evaluar la abstracción y la generalización, pero aún pueden carecer de resiliencia a la contaminación de datos o al sobreajuste.
Además, como destaca el artículo, incluso las puntuaciones de pérdida "buenas" pueden enmascarar catástrofes de información subyacentes debido a fluctuaciones no gaussianas e inestabilidades de entrenamiento.53
¿Cómo podemos seguir el progreso de los LLMs?
Existen algunos enfoques de benchmarking para superar estos desafíos:
- Actualizar con frecuencia las preguntas de los benchmarks. Ejemplo real: LiveBench
- Utilizar conjuntos de reserva para prevenir el envenenamiento de datos: Benchmarks como ARC-AGI.
¿Qué enfoques existen más allá del benchmarking para determinar la AGI?
Existen indicadores potencialmente sólidos pero rezagados del impacto de la IA, que pueden ayudar a identificar la AGI.
Crecimiento económico
El director ejecutivo de Microsoft, Satya Nadella, afirma que un crecimiento del 10 % en el mundo desarrollado indicaría la AGI.54. Sin embargo, su incentivo es tener una definición retrasada de la AGI, ya que la AGI pondría fin a la asociación exclusiva de OpenAI y Microsoft.55
Desempleo
Esperamos que la AGI
- Reduzca el empleo de cuello blanco al 10 % de su pico mundial, medido como proporción de personas en la fuerza laboral. Esto debería ocurrir si la participación del trabajo en los ingresos disminuye drásticamente debido a la IA.
- Mientras continúa el crecimiento del PIB
En un mundo donde las máquinas son más inteligentes y eficientes que los humanos, no sería racional pagar a un humano para sentarse frente a una computadora. Por lo tanto, esperamos que el empleo de cuello blanco se desplome mientras los humanos continúan prosperando en trabajos del mundo físico.
Las agencias gubernamentales que recopilan estadísticas laborales clasifican los trabajos en categorías detalladas, lo que convierte al empleo de cuello blanco en una métrica fácil de seguir.
Recopilamos datos de la Oficina de Estadísticas Laborales de EE. UU. sobre el empleo de cuello blanco de 2019 a 2024.56Para mayor claridad y coherencia, categorizamos a los trabajadores de cuello blanco en los siguientes grupos ocupacionales:
- Ocupaciones de arquitectura e ingeniería
- Ocupaciones de operaciones comerciales y financieras
- Ocupaciones de informática y matemáticas
- Ocupaciones de profesionales de la salud y técnicas
- Ocupaciones legales
- Ocupaciones de ciencias de la vida, físicas y sociales
- Ocupaciones de gestión
- Ocupaciones de apoyo administrativo y de oficina
- Ocupaciones de ventas y afines
Según nuestro análisis, la proporción de trabajadores de cuello blanco sobre el empleo total ha fluctuado entre el 45 % y el 48 % durante este período.
Si bien este rango sugiere una estabilidad relativa en la proporción de empleo de cuello blanco hasta ahora, no es indicativo de una tendencia a largo plazo, y esperamos cambios más pronunciados en los próximos años a medida que la automatización y la adopción de la IA se aceleren. Para obtener más predicciones sobre cómo la IA cambiará el empleo de cuello blanco y de nivel inicial, lea pérdida de empleos por la IA.
¿Deberíamos siquiera aspirar a la AGI?
Hay informáticos que advierten que centrarse en la AGI como objetivo final puede distorsionar la investigación en IA.57 Las críticas incluyen: crear una ilusión de consenso, sobreajustar benchmarks, ignorar valores sociales integrados, dejar que el hype dicte las prioridades, acumular "deuda de generalidad" (posponer preguntas clave de diseño) y excluir a comunidades marginadas y a investigadores con pocos recursos.
Unos objetivos específicos, medibles y transparentes serían mejores para el progreso de la IA que un objetivo vagamente definido como la AGI.
Añadir como fuente preferidaRazonamiento matemático detrás de las predicciones sobre la AGI
El razonamiento matemático es fundamental para comprender y pronosticar los cronogramas de la AGI. Muchas proyecciones se basan en tendencias cuantificables y enfoques formales que guían las expectativas sobre cuándo podría surgir la inteligencia artificial general.
Leyes de escalado y crecimiento del cómputo
Un componente clave del razonamiento matemático implica analizar las leyes de escalado. Estas muestran que el rendimiento de los sistemas mejora de manera predecible con más datos, parámetros y cómputo.
El crecimiento anual constante de 4 a 5× en el cómputo de entrenamiento de IA respalda los pronósticos de que la AGI podría alcanzarse en una o dos décadas, suponiendo que las tendencias actuales continúen.
Estas proyecciones se basan en ajustes empíricos a las curvas de rendimiento y en extrapolaciones, respaldadas por relaciones de ley de potencia, un concepto central en el modelado matemático.
Pronóstico probabilístico
Los investigadores también aplican métodos probabilísticos a las predicciones sobre la AGI. Las encuestas a menudo piden a los expertos que estimen la probabilidad de que la AGI se desarrolle para años específicos, produciendo distribuciones de probabilidad acumuladas.
Por ejemplo, una probabilidad del 50 % para 2040 refleja consenso bajo incertidumbre, impulsado por una actualización de estilo bayesiano basada en el progreso observado de la IA.
Este enfoque de razonamiento matemático captura la incertidumbre de los expertos sin exigir fechas precisas, permitiendo una revisión continua a medida que hay nuevos datos disponibles.
Fundamentos teóricos
Estos pronósticos se basan en elementos teóricos del razonamiento matemático, incluida la tesis de Church-Turing, que implica que la cognición humana puede ser simulada por máquinas, y conceptos como la complejidad de Kolmogorov, que relacionan la inteligencia con la compresibilidad de la información.
Aunque tales teorías no garantizan la AGI, proporcionan un marco para pensar sobre su posibilidad y los requisitos computacionales implicados.
Más sobre la Inteligencia Artificial General
David Silver, científico investigador principal en Google DeepMind
Explica que la Inteligencia Artificial General (AGI) se refiere a sistemas de IA capaces de aprender y sobresalir en una amplia gama de tareas, como los humanos que pueden convertirse en expertos en campos diversos como la ciencia, la música o los deportes.
A diferencia de la IA estrecha limitada a una sola función, la AGI aspira a reflejar la adaptabilidad humana y la capacidad general de resolución de problemas.
Señala que, si bien la AGI es un objetivo a largo plazo, alcanzar una verdadera inteligencia de nivel humano probablemente requerirá varios avances y se desarrollará gradualmente (véase el video a continuación).
Ilya Sutskever, cofundador y científico jefe de OpenAI
En la charla TED "The Exciting, Perilous Journey Toward AGI", explora el rápido progreso hacia la Inteligencia Artificial General (AGI).
Predice que la AGI podría surgir en los próximos 5 a 10 años, aunque reconoce incertidumbre en este cronograma.
Sutskever destaca tanto el inmenso potencial como los profundos riesgos de la AGI, subrayando la necesidad de alinear su desarrollo con los valores humanos. A pesar de los desafíos, es optimista en que la humanidad puede guiar de manera segura esta poderosa tecnología (véase el video a continuación).
Ray Kurzweil, científico informático y emprendedor
Reflexiona sobre más de seis décadas de progreso en IA, rastreando la capacidad de la humanidad para construir herramientas que mejoran la inteligencia, desde implementos primitivos hasta los large language models.
También predice que la Inteligencia Artificial General llegará para 2029, conduciendo a la singularidad tecnológica para 2045. Destaca avances exponenciales en potencia de cómputo, medicina y biotecnología.
También pronostica avances como curas generadas por IA, ensayos clínicos digitales y la velocidad de escape de la longevidad, donde el progreso científico podría prolongar la vida indefinidamente (véase el video a continuación).
Yann LeCun, ganador del premio Turing
Vea por qué los LLMs no pueden darnos una inteligencia de nivel humano y los últimos enfoques de IA para lograrlo:
Predicciones sobre la inteligencia artificial general
Metodología del gráfico de la singularidad
Para trazar el año esperado del desarrollo de la AGI en el gráfico, utilizamos el promedio ponderado de las predicciones de cada año dentro de cada categoría. Por ejemplo, si hubo múltiples pronósticos del mercado de predicción en 2022, calculamos su promedio ponderado y trazamos ese valor.
- Para las predicciones individuales, incluimos pronósticos de 18 expertos en IA.
- Para las predicciones científicas, recopilamos resultados de encuestas de 10 artículos revisados por pares que proporcionan cronogramas para la AGI.
- Para los resultados del mercado de predicción, incluimos pronósticos de 3 mercados de predicción (Manifold, Kalshi y Metaculus).
Conclusión
Las predicciones sobre la AGI han cambiado notablemente en los últimos años. Mientras que encuestas anteriores situaban su llegada más cerca de 2060, los pronósticos recientes, especialmente de emprendedores, sugieren que podría surgir tan pronto como 2026-2035.
Este cambio está impulsado por rápidos avances en los large language models y la creciente potencia de cómputo. Sin embargo, a pesar de estos avances, la IA actual todavía carece de la flexibilidad y autonomía general asociadas con la inteligencia de nivel humano.
Los expertos siguen divididos sobre cómo se logrará la AGI; algunos creen que escalar las arquitecturas actuales será suficiente, mientras que otros sostienen que se necesitan nuevos métodos.
Los desafíos clave incluyen altas demandas de recursos, benchmarks poco claros y preocupaciones éticas no resueltas. La AGI puede estar más cerca, pero su llegada aún depende tanto de avances técnicos como de una supervisión cuidadosa.
Preguntas frecuentes
La singularidad es un evento hipotético que se espera que provoque un rápido aumento de la inteligencia de las máquinas.
Para la singularidad, necesitamos un sistema que combine el pensamiento a nivel humano con una velocidad sobrehumana y una memoria casi perfecta y rápidamente accesible.
La singularidad también debería dar lugar a la conciencia de las máquinas, pero como la conciencia no está bien definida, no podemos ser precisos al respecto. Un sistema así podría automejorarse y superar las capacidades humanas.
Aunque singularidad es un término relativamente antiguo, AGI y especialmente superinteligencia se utilizan con más frecuencia para describir el mismo evento.
La Inteligencia Artificial General (AGI) se refiere a un tipo de IA que puede comprender, aprender y aplicar conocimientos en una amplia gama de tareas intelectuales a un nivel igual o superior al de los humanos.
A diferencia de la IA estrecha, que está diseñada para tareas específicas como la traducción de idiomas o el reconocimiento de imágenes, la AGI poseería capacidades cognitivas generalizadas, lo que le permitiría razonar, planificar y adaptarse en situaciones desconocidas.
El desarrollo de la AGI sigue siendo un objetivo de investigación importante y un tema de debate ético y filosófico.
La superinteligencia denota un intelecto que supera significativamente a las mejores mentes humanas en prácticamente todos los dominios, incluida la creatividad, la resolución de problemas y la comprensión social.
Representa una etapa más allá de la AGI, en la que un sistema artificial podría superar a los humanos en todas las actividades intelectuales significativas.
El concepto plantea consideraciones críticas sobre el control, la seguridad y las implicaciones a largo plazo para el papel de la humanidad en un mundo dominado por una inteligencia superior.
La Inteligencia de Máquina Avanzada (AMI) implica sistemas de IA competentes que se acercan o logran una inteligencia casi general.
Aunque es posible que aún no posean la flexibilidad y la autoconciencia completas asociadas con la AGI, los sistemas AMI demuestran razonamiento, aprendizaje y adaptabilidad avanzados en diversas tareas.
El término se utiliza a menudo para denotar sistemas de IA que superan las capacidades actuales de la IA estrecha pero permanecen por debajo del umbral de la inteligencia general completa.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularidad: 10.000 Predicciones Analizadas}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Recuperado el 13 de Agosto de 2026}
}Resultados y marcas de tiempo de 254 puntos de datos. Descargue los datos utilizados en este artículo como un archivo ZIP que contiene 4 archivos CSV y un README.
Registro de cambios
31 actualizaciones- 2026
Actualizada la introducción de la sección de la línea de tiempo AGI/singularidad.
Se reemplazó el número de expertos en IA y artículos científicos en la sección de predicciones individuales.
Actualizado el número de predicciones analizadas en la introducción.
Se añadieron las predicciones de Dario Amodei y Demis Hassabis a la sección "Perspectivas de emprendedores e investigadores individuales de IA".
Eliminada la sección "Cronología de la Inteligencia Artificial General".
- 2025
Se añadieron las ambiciones robóticas de OpenAI a la sección después de la Figura 1.
Se añadió un nuevo informe a la sección 'Perspectivas de la comunidad'.
Se añadió una sección que define singularidad, IAG, superinteligencia y AMI.
Se amplió la sección "Logros recientes" con nueva información sobre GPT-5.
Se añadió la predicción de Eric Schmidt a la sección de empresarios e investigadores de IA prominentes.
Se añadieron el crecimiento económico y el desempleo como indicadores de la IAG en la sección "¿Qué enfoques existen más allá de la evaluación comparativa para determinar la IAG?".
Se añadió el razonamiento matemático detrás de las predicciones de AGI al artículo.
Se actualizó la declaración sobre la superioridad de la IAG en la sección 'La inteligencia es multidimensional'.
Se añadió una crítica más amplia de la investigación de AGI a la sección AGI/Singularidad.
Se añadió la sección "Si la computación clásica ralentiza su crecimiento, la computación cuántica podría complementarla" a la sección "Tendencias recientes de crecimiento de la computación de IA".
Se añadió una vía propuesta hacia la IAG en la sección IAG/Singularidad.
Se actualizó la respuesta a si la IAG/singularidad ocurrirá alguna vez.
Añadido una sección, "¿Cómo podemos alcanzar la IAG?", a la sección "¿Cuál es nuestro estado actual?".
Se añadió la predicción de Geoff Hinton de 2016 a los ejemplos de predicciones de IA pasadas.
Actualizado el número de predicciones analizadas en la introducción.
Se añadió una cronología del año previsto de la singularidad a la introducción.
Se añadió Inteligencia Económica a la sección 2- La inteligencia no es la solución a todos los problemas.
Se añadió una encuesta sobre el impacto potencial de la IA en el desplazamiento laboral en la sección de resultados de las principales encuestas de investigadores de IA.
Se añadió la Encuesta a Expertos sobre el Progreso de la IA en 2023 a la sección Encuesta a Expertos sobre el Progreso de la IA en 2022.
Se amplió la introducción de la sección "AGI/Singularidad: 10.000 predicciones analizadas".
- 2024
Se añadió a Dario Amodei y Demis Hassabis a la lista de predicciones de IA.
Actualizada la predicción de Elon Musk en la sección 'Emprendedores de IA'.
Se actualizó la sección de respuestas rápidas con nuevas predicciones y referencias.
- 2023
Se amplió la sección de respuestas rápidas con una nueva visión de consenso sobre el momento de la IAG.
Actualizado el número de encuestas y participantes en la introducción.
- 2022
Se añadieron datos a la sección sobre cuándo ocurrirá la singularidad.
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.
Siguiente para leer
Los 6 mejores creadores de aplicaciones con IA: Lovable, Base44 y Glide
Soluciones de seguridad de correo electrónico: Acronis, Sophos & Barracuda
Los 10 mejores programas de descubrimiento de fármacos
Comentarios 12
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!