Medallista Field se une a OpenAI, ByteDance lanza el programa de científicos STEM

La medalla Fields de este año se considera la "última edición de sangre pura": es posible que los avances futuros se logren siempre combinando la IA.

Este proceso de transición podría ser más rápido de lo que imaginamos: durante la conferencia de prensa del Premio Fields, se preguntó a uno de los ganadores, el matemático canadiense Jacob Tsimerman, qué trabajo tenía planeado a continuación, y él indicó que ya había comenzado a enfocarse en la investigación de seguridad de IA y pronto comenzaría a trabajar en el departamento de seguridad de OpenAI.

Por otro lado, el jefe de investigación de OpenAI, Mark Chen, expresó inmediatamente su bienvenida.

Los académicos más avanzados ya consideran a las empresas de IA de vanguardia como plataformas para expresar sus ambiciones. Recientemente, un número creciente de científicos de primer nivel, incluidos matemáticos, físicos y biólogos, están migrando hacia las empresas líderes en modelos grandes. Solo en la primera mitad de este año, figuras como el premio Nobel de Química John Jumper, el economista Chad Jones y el filósofo Harvey Lederman se unieron a Anthropic.

Detrás de esto, las principales empresas de IA también han dirigido su atención hacia la misma dirección: todas están trayendo a científicos al lugar de desarrollo de IA. La profunda integración de la IA con la ciencia de vanguardia está pasando de ser una opción a ser una necesidad.

Las grandes empresas de IA en China también están siguiendo el ejemplo: este jueves, el equipo Seed Edge de ByteDance lanzó el Plan Seed STEM, abriendo 100 plazas de colaboración para científicos y estudiantes de doctorado en campos científicos avanzados como matemáticas, física, química y biología, invitándolos a explorar con Seed problemas desconocidos en la ciencia básica. Según la información pública, este es el primer plan en China que invierte a gran escala en IA para acelerar el descubrimiento científico前沿.

En el ritmo acelerado, de competencia diaria, del ámbito actual de la IA, invertir en investigación básica a largo plazo en IA puede parecer mucho menos directo que mejorar las habilidades de programación o aumentar los puntajes en evaluaciones: el aumento de capacidad en estos últimos se traduce rápidamente en una mejor experiencia del producto y ingresos comerciales, mientras que la investigación básica y el impulso de la IA al descubrimiento científico tienen ciclos de retroalimentación mucho más largos y rutas de exploración llenas de incertidumbre.

But conversely, once a true breakthrough is achieved on this path, the paradigm-shifting value it brings will far exceed that of ordinary product iterations.

Yao Shunyu mencionó anteriormente con su equipo una idea: el entrenamiento de modelos grandes no tiene magia. El verdadero desafío consiste en hacer correctamente las cosas más básicas y seguras. Esta evaluación coincide con la visión mantenida durante mucho tiempo por Dario, CEO de Anthropic: los elementos centrales que impulsan el progreso de la IA son siempre la capacidad de cómputo, la calidad y escala de los datos, la duración del entrenamiento y las funciones objetivo escalables; «todos los métodos y técnicas inteligentes en realidad no son tan importantes».

Al revisar modelos verdaderamente SOTA como Claude y Seedance, no hay atajos; en su núcleo, todos realizaron un gran trabajo fundamental en la calidad de los datos y la arquitectura subyacente tras fijar una dirección clara desde el principio.

Anthropic centra sus recursos intensamente en mejorar la capacidad de codificación del modelo, entrenándolo mediante aprendizaje por refuerzo para que, a través de ensayo y error, comprenda y genere código de alta calidad de forma autónoma, creando un ciclo de autoaceleración basado en la retroalimentación del usuario.

En un campo como la generación de video, donde muchas grandes empresas tienen dificultades para avanzar de forma sostenible, Seedance ha transformado la generación de video con IA de una experiencia de "extracción aleatoria" en una herramienta industrial más controlable y creativa, gracias a una arquitectura de modelo innovadora y un trabajo de datos meticuloso.

Como se puede ver, lo que realmente determina el límite de capacidad del modelo nunca es la acumulación de técnicas, sino consolidar los datos, fortalecer la estructura básica y mantener una visión a largo plazo, con firmeza estratégica y paciencia suficiente.

No es fácil en el entorno actual, pero podemos ver que cada vez más empresas en la carrera de modelos grandes en el país están dispuestas a tomarse el tiempo para seguir este camino difícil pero correcto.

Este año, DeepSeek La arquitectura mHC (manifold-constrained hyperconnection), considerada un avance en el campo de las arquitecturas base de grandes modelos, también es DeepSeek Una de las importantes actualizaciones arquitectónicas de V4 reemplaza las conexiones residuales tradicionales y se integra en todo el diseño del modelo. Cabe destacar que la investigación de mHC cita las Hyper-Connections (HC) propuestas por el equipo Seed de ByteDance.

Antes de esto, las conexiones residuales, como la estructura básica de Transformer, eran consideradas por la industria como la configuración predeterminada; HC fue el primero en romper este paradigma de flujo único, mejorando significativamente la capacidad de expresión de características del modelo sin aumentar prácticamente la carga de cálculo. Desde la propuesta innovadora de HC hasta la implementación práctica de mHC, se ha convertido en un reflejo de la innovación tecnológica de los equipos de IA chinos en el campo de la arquitectura subyacente, algo poco común en el desarrollo previo de modelos de gran tamaño.

A principios del año pasado, Byte Seed creó específicamente un equipo llamado Edge con el objetivo de abordar temas de investigación con menor certeza y cuyos resultados no necesariamente se verían a corto plazo. Para brindar a los investigadores un entorno estable, incluso ajustaron el ciclo de evaluación de desempeño: no se establecieron evaluaciones intermedias, y se realizó una evaluación única una vez que se obtuvieran resultados.

Después de su fundación, el equipo ha mantenido un perfil bajo, pero recientemente se vio que publicaron en X el conjunto de evaluación de largo alcance EdgeBench, que por primera vez en la industria definió sistemáticamente los patrones de aprendizaje de los Agentes en entornos reales, descubrió una nueva ley de escalado en las dimensiones de aprendizaje del entorno y generó una gran discusión entre importantes figuras del sector.

Se dice que OpenAI también está integrando este conjunto de evaluaciones para probar la capacidad de largo plazo de sus propios modelos.

En el campo de la IA, la atención suele centrarse en los modelos grandes; sin embargo, construir benchmarks requiere un período prolongado y una gran cantidad de recursos humanos. Diseñar y abrir al público benchmarks para capacidades de IA avanzadas no solo sirve para medir el propio progreso, sino también para guiar todo el campo hacia una dirección más transparente y confiable, estableciendo estándares industriales y revelando las debilidades de los modelos. Los laboratorios de IA de primer nivel invierten enormemente en la creación de benchmarks.

OpenAI lanzó de código abierto el marco Evals, convirtiéndolo en la herramienta estandarizada de la industria para evaluar modelos de lenguaje grandes y sistemas basados en LLM. Para capacidades específicas de vanguardia, OpenAI diseñó una serie de benchmarks especializados, incluyendo SimpleQA, BrowseComp y MLE-bench.

Anthropic ha realizado un gran trabajo en torno a SWE-bench, destacando claramente la capacidad de Claude en programación; además, han lanzado Terminal-Bench para medir la capacidad de los Agentes para completar tareas de larga cadena en entornos de línea de comandos reales.

Estas evaluaciones no son coincidencia con las fortalezas de cada modelo.

Se puede ver que el juicio del equipo de IA de vanguardia sobre la trayectoria del desarrollo de la IA ya está cambiando; la evolución de la capacidad de los modelos grandes ha salido de la fase de beneficios de preentrenamiento basada únicamente en el acúmulo de parámetros y datos, y el próximo motor de crecimiento fundamental provendrá necesariamente de la interacción continua, el feedback y la evolución autónoma del modelo en entornos abiertos y reales.

La vanguardia de las ciencias básicas es la forma más elevada de abrir escenarios desconocidos. El recién lanzado programa Seed STEM de ByteDance busca trabajar junto a científicos para identificar y superar problemas de nivel investigativo, explorando la posibilidad de acelerar el descubrimiento científico con IA. Los científicos no solo aportan temas, sino también conciencia de problemas, criterios de evaluación y formas de retroalimentación.

¿Por qué colaborar con científicos? La respuesta es que los problemas que quedan ya no son lo suficientemente difíciles para los modelos grandes.

Los sistemas actuales de evaluación de modelos se centran principalmente en tareas cerradas con respuestas estándar: los problemas tienen soluciones definidas, la evaluación sigue criterios fijos y la trayectoria para mejorar la capacidad del modelo es clara. Sin embargo, la investigación científica real sigue una lógica completamente diferente: no tiene una ruta de solución clara, requiere que los investigadores propongan hipótesis por sí mismos, diseñen esquemas de validación, manejen datos anómalos y ruidosos, y deduzcan los mecanismos subyacentes, todo ello lleno de ensayo y error, repetición e incertidumbre.

Las tareas del mundo real son el estándar final para evaluar la capacidad de los modelos de IA. Tras el scaling en preentrenamiento y el scaling durante la prueba, la industria está buscando en general el siguiente rumbo de scaling, y "el aprendizaje continuo mediante interacción en entornos abiertos y reales" es una de las vías más prometedoras.

Por lo tanto, los mejores equipos de IA a nivel mundial ya no desarrollan modelos avanzados solo con sus propios equipos de IA, sino que incorporan a investigadores líderes de diversas disciplinas para que problemas reales del campo impulsen el desarrollo de las capacidades del modelo.

En Norteamérica, recientemente muchos investigadores universitarios han ido incorporándose a empresas de modelos de gran tamaño. A principios de julio, el jefe del departamento de EECS de Berkeley, Jelani Nelson, anunció su licencia académica y se unió a Anthropic. Este año, al menos 22 profesores e investigadores han suspendido temporalmente o reducido su trabajo en universidades como Stanford, Berkeley y Harvard para unirse a OpenAI, Anthropic, DeepMind y Meta. Estas cuatro empresas actualmente reúnen al menos 80 profesores universitarios actuales o anteriores.

Detrás de la entrada progresiva de grandes inversores, hay proyectos sistemáticos.

En OpenAI, el programa Residency se ha convertido en un canal anual establecido para atraer a talento de alto nivel, dirigido específicamente a profesionales cuya investigación principal actualmente no se centra en la IA. Los participantes se integran desde el primer día en equipos de aplicación e investigación de vanguardia de OpenAI para colaborar en proyectos prácticos. Este programa equivale a una "formación de doctorado acelerada", que ayuda a expertos de diversas disciplinas a completar rápidamente la integración interdisciplinaria. Investigadores residentes participaron profundamente en múltiples proyectos hito, como ImageGPT y Codex. Los avances científicos de los modelos de la serie GPT en razonamiento matemático y deducción de mecanismos biológicos también dependen del aporte continuo de este tipo de talento interdisciplinario.

En Anthropic, el programa STEM Fellows, diseñado para expertos en ciencia, tecnología, ingeniería y matemáticas, se expandió de forma sistemática y a gran escala en 2026. Este programa, que dura varios meses, invita a expertos de primer nivel fuera del campo de la IA, como físicos, biólogos, matemáticos y economistas, a integrarse en Anthropic. Pueden llevar sus problemas no resueltos o flujos de trabajo complejos de sus respectivos campos y utilizar directamente modelos de Claude aún no publicados y herramientas internas de evaluación.

En estos proyectos, los científicos de materiales desarrollan procesos de evaluación especializados para la inferencia de estabilidad de fases en Claude, mientras que los científicos climáticos integran profundamente herramientas profesionales de modelado atmosférico con el modelo. Durante el período de residencia, más del 80 % de los investigadores produjeron resultados académicos de alta calidad; estos comentarios provenientes de disciplinas reales se convirtieron directamente en señales de entrenamiento para la iteración del modelo, impulsando así el avance de Claude en razonamiento científico y el uso de herramientas complejas.

El valor de estos proyectos ya ha superado el ámbito de la investigación misma; las empresas de IA de primer nivel colocan la competencia por científicos del campo al mismo nivel que la competencia por capacidad de cómputo.

Of course, collaboration is equally invaluable to the scientific community. Large models are becoming the new scientific infrastructure: from formula derivation and numerical simulations to the analysis of vast amounts of literature and experimental data, AI is reshaping the paradigm of scientific research, making previously human- and compute-limited topics possible.

Ser invitado a unirte al equipo de modelos grandes para participar en investigación en sitio es tan significativo como que un astrónomo obtenga el uso exclusivo del próximo telescopio espacial de última generación. Estos proyectos brindan a los científicos numerosas ventajas, no solo acceso a una gran cantidad de capacidad de IA y experiencia con modelos de vanguardia, sino también la posibilidad de utilizar la IA como un “cerebro externo” para concentrar sus esfuerzos en definir el problema mismo.

Para los científicos que ingresan a Anthropic y OpenAI, esta colaboración profunda es tanto un multiplicador de la eficiencia científica como una palanca para generar nuevos descubrimientos. En este momento, al volver la mirada hacia el interior del país, descubrimos que el vacío en el campo de intersección entre la IA y la investigación básica está siendo llenado en primer lugar por ByteDance Seed.

Cuando los ganadores de la Medalla Fields deciden unirse a OpenAI, y cada vez más científicos de STEM comienzan a unirse a los equipos de modelos, la próxima fase de la competencia en IA está pasando de la iteración de productos a corto plazo, los puntajes en listas y los avances en tareas individuales, hacia problemas fundamentales más a largo plazo, más complejos y más avanzados.

La investigación científica es fundamental porque se encuentra en la vanguardia del conocimiento humano. Si se puede establecer una presencia sólida en este tipo de entornos abiertos de alta complejidad, significa que la próxima generación de IA realmente tendrá la capacidad de participar en tareas complejas reales.

Este camino es difícil de mostrar resultados destacados rápidamente y difícil de establecer un ciclo comercial claro a corto plazo. Es lento, pesado y lleno de incertidumbre. Pero precisamente por eso, es el que mejor prueba si un equipo está dispuesto a comprometerse realmente con lo básico y con lo más avanzado.

La prueba final que el modelo grande debe entregar es si puede avanzar junto con los humanos en los problemas aún no resueltos.

El progreso científico requiere un enfoque a largo plazo, al igual que la implementación de la AGI.

Este artículo proviene del número de WeChat "Machine Heart" (ID: almosthuman2014), autor: Zé Nán