La inteligencia artificial que usamos a diario, como ChatGPT, Claude o Google Gemini, suele resolver problemas complejos siguiendo una especie de razonamiento paso a paso. Para llegar a una respuesta, estos sistemas pueden generar largas cadenas de texto internamente. El método funciona, pero tiene un costo. Cuanto más razona un modelo, más tiempo y capacidad de cómputo necesita.
Por eso, un equipo de investigadores de la empresa de IA Pathway quiso probar otra posibilidad. El resultado es BDH-CQ, un modelo que intenta resolver problemas sin convertir todo su razonamiento en una larga secuencia de palabras.
BDH-CQ
El sistema tiene apenas 150 millones de parámetros, los valores internos que una IA ajusta durante su entrenamiento para aprender patrones. Los modelos más grandes de la actualidad pueden utilizar cientos de miles de millones.
En lugar de escribir una cadena de pensamientos para llegar a una conclusión, BDH-CQ incorpora la información paso a paso en una memoria interna que se actualiza constantemente. Después utiliza ese espacio de trabajo para procesar el problema y solo muestra el resultado final.
Los investigadores pusieron a prueba el modelo con ARC-AGI-1, un desafío diseñado para evaluar la capacidad de una IA para descubrir patrones. El sistema recibe algunos ejemplos representados como cuadrículas de colores y debe descubrir la regla que permite transformar una nueva cuadrícula.
BDH-CQ resolvió el 29,5 % de las tareas cuando tuvo dos oportunidades para responder cada problema. Según Pathway, cada tarea costó apenas 0,00070 dólares. Eso equivale a menos de una décima de centavo y, según el equipo, establece un récord de eficiencia entre precisión y costo en esta prueba. Un grupo independiente de Bielik AI y la Universidad de Nueva York realizó sus propias pruebas y obtuvo resultados que confirmaron los hallazgos.
El resultado sugiere que una IA no necesita ser gigantesca para incorporar información, mantenerla en una memoria interna y utilizarla para razonar.
Limitaciones
Pero el modelo todavía tiene límites. BDH-CQ resolvió con facilidad tareas visuales sencillas, como copiar figuras o prolongar líneas. Cuando los problemas exigían ordenar muchos objetos o combinar varios pasos de razonamiento visual, su rendimiento cayó.
Ahora los investigadores quieren entrenar versiones más grandes y probarlas con problemas matemáticos, lingüísticos y visuales más complejos. La apuesta consiste en comprobar hasta dónde puede llegar una IA pequeña cuando aprende a pensar sin tener que escribir todo su proceso de razonamiento.