Por primera vez en la historia, un sistema de inteligencia artificial ha logrado cerrar el ciclo completo de investigación y desarrollo de IA sin intervención humana. ASI-Evolve, desarrollado por el GAIR (Grupo de Investigación en Inteligencia Artificial General) de la Universidad de Shanghai Jiao Tong, ha demostrado ser capaz de descubrir nuevas arquitecturas de redes neuronales, optimizar datos de preentrenamiento y diseñar algoritmos de aprendizaje por refuerzo superiores a los creados por investigadores humanos .
El anuncio, publicado en arXiv el 31 de marzo de 2026, representa un antes y después en la carrera por la inteligencia artificial general. El equipo de investigación, liderado por Weixian Xu y ocho coautores, presenta un marco de agentes autónomos que opera bajo un ciclo "aprender-diseñar-experimentar-analizar", incorporando dos innovaciones clave: una "base cognitiva" que inyecta conocimiento humano acumulado en cada ronda de exploración, y un "analizador" dedicado que destila resultados experimentales complejos en conocimientos reutilizables para futuras iteraciones .
El fin de la investigación manual
La relevancia de ASI-Evolve no puede subestimarse. Tradicionalmente, cada avance en inteligencia artificial ha dependido de investigadores humanos que dedican meses o años a diseñar arquitecturas, limpiar datos y ajustar algoritmos. Este proceso, lineal y costoso, ha sido el cuello de botella fundamental en el desarrollo de la IA. ASI-Evolve rompe esta dinámica al permitir que la propia IA asuma el rol de investigadora .
Como explica el proyecto en su documentación: "La IA se acelera a sí misma" (AI Accelerates AI). El sistema no se limita a optimizar hiperparámetros o buscar combinaciones predefinidas; es capaz de formular hipótesis originales, diseñar experimentos para probarlas, ejecutar esos experimentos en entornos computacionales reales, analizar los resultados y extraer conclusiones que alimentan la siguiente ronda de investigación .
Resultados revolucionarios en tres frentes
El equipo probó ASI-Evolve en los tres componentes fundamentales del desarrollo de IA, obteniendo resultados que los investigadores califican como "descubrimientos de nivel científico" .
En diseño de arquitecturas neuronales, el sistema partió de DeltaNet, una arquitectura de atención lineal de vanguardia, y realizó 1,773 rondas de experimentación evolutiva. Al final del proceso, había descubierto 105 arquitecturas que superaban a DeltaNet. La mejor de ellas logró una mejora de +0.97 puntos porcentuales sobre DeltaNet casi el triple de la ganancia obtenida por las mejoras diseñadas por humanos en los últimos años .
Para confirmar que estos descubrimientos no eran meros artificios estadísticos, el equipo escaló la arquitectura ganadora a 1.3 mil millones de parámetros entrenados con 100 mil millones de tokens. Los resultados se mantuvieron: 57.28% de precisión promedio en el conjunto de desarrollo frente al 55.76% de DeltaNet, y un rendimiento superior también en tareas fuera de distribución .
En curación de datos de preentrenamiento, ASI-Evolve diseñó pipelines de selección de datos que mejoraron el rendimiento promedio en benchmarks en +3.96 puntos. En la prueba MMLU (Massive Multitask Language Understanding), considerada un estándar de oro en la evaluación de modelos de lenguaje, las ganancias superaron los 18 puntos porcentuales .
En diseño de algoritmos de aprendizaje por refuerzo, el sistema partió de GRPO (Group Relative Policy Optimization), un algoritmo de última generación, y rediseñó fundamentalmente los mecanismos de asignación de ventajas y actualización de gradientes. Los algoritmos descubiertos por ASI-Evolve superaron a GRPO en múltiples benchmarks matemáticos: +12.5 puntos en AMC32, +11.67 puntos en AIME24 y +5.04 puntos en OlympiadBench .
Más allá de la IA: transferencia a biomedicina
Un aspecto especialmente significativo del trabajo es que las arquitecturas descubiertas por ASI-Evolve demostraron ser transferibles a dominios completamente diferentes. El equipo aplicó los modelos optimizados por el sistema a la tarea de predicción de interacciones fármaco-proteína, un problema central en el descubrimiento de nuevos medicamentos .
Los resultados fueron contundentes. En comparación con DrugBAN, una arquitectura de referencia en el campo, los modelos descubiertos por ASI-Evolve lograron mejoras de +1.91 en AUROC y +2.95 en F1 en el conjunto de desarrollo. Pero lo más impresionante ocurrió en los escenarios "cold-start", donde el sistema se enfrenta a fármacos o proteínas nunca antes vistos: las mejoras alcanzaron hasta +6.94 puntos en AUROC .
Esta transferencia es crucial porque demuestra que ASI-Evolve no está simplemente "sobreajustando" a los benchmarks de IA, sino descubriendo principios arquitectónicos generalizables que tienen valor en aplicaciones del mundo real .
Implicaciones para el futuro de la investigación
El equipo detrás de ASI-Evolve es claro sobre las implicaciones de su trabajo. "Los investigadores humanos, en la carrera por la autoaceleración de la IA, han perdido por primera vez en todos los frentes", señala la documentación del proyecto .
La diferencia fundamental entre ASI-Evolve y aproximaciones anteriores es su capacidad para manejar las tres dificultades centrales de la investigación autónoma: el alto costo computacional de los experimentos (cada validación puede consumir horas de cómputo), el enorme espacio de búsqueda (sin límites predefinidos), y la naturaleza multidimensional y débilmente supervisada de la retroalimentación .
El sistema aborda estos desafíos mediante una arquitectura de cinco agentes especializados: un Investigador que genera hipótesis, un Ingeniero que ejecuta experimentos, un Analizador que extrae insights de los resultados, una Base de Datos que acumula experiencia interna, y un Pool Cognitivo que proporciona conocimiento humano de partida .
Los experimentos de ablación confirman la importancia de cada componente: sin el Analizador, el sistema entra rápidamente en una meseta; sin el Pool Cognitivo, el arranque es significativamente más lento .
El futuro: hacia ciclos de aceleración autónoma
El equipo del GAIR ve ASI-Evolve como el primer paso hacia un futuro donde la investigación en IA sea impulsada principalmente por sistemas autónomos, liberando a los investigadores humanos para que se concentren en definir los problemas fundamentales y las direcciones estratégicas .
"A medida que la IA se vuelve más potente, esta autoaceleración científica no se detendrá en arquitectura, datos y algoritmos, sino que podría expandirse a la optimización de frameworks, la aceleración de inferencia y flujos de trabajo de IA más completos", señala el equipo .
La investigación ha sido publicada en arXiv con código abierto disponible en GitHub, permitiendo que la comunidad global de investigadores pueda reproducir, validar y construir sobre estos resultados .