La inteligencia artificial avanza a un ritmo vertiginoso, pero aún enfrenta obstáculos fundamentales. Uno de los más relevantes es que los modelos de IA desarrollan sus propios lenguajes internos, lo que impide que los sistemas de diferentes empresas puedan colaborar entre sí. Esta fragmentación, comparada con una Torre de Babel informática, limita el potencial conjunto de estas herramientas tecnológicas.
Para abordar este problema, un grupo de investigadores de Intel Labs en Israel, el Instituto Weizmann de Ciencias y la Universidad Hebrea de Jerusalén ha presentado una solución que podría marcar un antes y un después. Han desarrollado un conjunto de algoritmos que permite a los modelos de IA comunicarse entre ellos aunque no hayan sido entrenados con los mismos datos o estructuras internas. El avance fue anunciado el 16 de julio de 2025 y ha sido reconocido por la International Conference on Machine Learning (ICML), donde fue seleccionado entre el 1% de más de 15.000 propuestas para su presentación pública.
Una mejora clave: decodificación especulativa dinámica
Este avance se basa en la optimización de la decodificación especulativa, una técnica que acelera la generación de texto en modelos grandes dividiendo la tarea entre un modelo rápido que propone una respuesta inicial y uno más potente que la verifica. Hasta ahora, ambos modelos debían ser del mismo ecosistema, lo que limitaba su utilidad.
El nuevo enfoque, denominado “Dynamic Speculation Lookahead Accelerates Speculative Decoding of Large Language Models”, introduce un método llamado DISCO (Dynamic Speculation Lookahead Optimization) que selecciona dinámicamente cuántos tokens debe generar el modelo rápido en cada iteración. Esta técnica logra un 10% de mejora de velocidad media frente a la mejor configuración estática y un 31% frente a métodos heurísticos anteriores, sin modificar la calidad del texto generado.
De la teoría a la práctica
Los resultados del estudio, firmados por Jonathan Mamou, Oren Pereg, Daniel Korat, Moshe Berchansky (Intel Labs Israel), Nadav Timor (Instituto Weizmann) y Roy Schwartz (Universidad Hebrea), muestran mejoras consistentes en tareas como generación de código, resumen de texto e instrucciones complejas. El modelo se entrenó y validó con conjuntos como MBPP, CNN-DailyMail y Alpaca.
Además de los avances técnicos, el equipo destaca la capacidad de DISCO para adaptarse a distintas tareas sin necesidad de reentrenar el clasificador. Esto lo convierte en una herramienta versátil y de bajo coste computacional, ideal para contextos con recursos limitados.
Aplicaciones inmediatas y consecuencias
Según Timor, este avance es especialmente relevante para dispositivos periféricos como teléfonos móviles, drones o vehículos autónomos, que deben funcionar con recursos limitados fuera de la nube. En estos entornos, un modelo rápido que actúe de forma preliminar puede marcar la diferencia entre una decisión segura y una potencial catástrofe.
«Logramos solucionar una ineficiencia fundamental de la IA generativa», apuntó Oren Pereg, investigador de Intel Labs y coautor del estudio. «No se trata solo de una mejora teórica: son herramientas prácticas que ya ayudan a crear aplicaciones más rápidas e inteligentes», concluyó.
Con este avance, el ecosistema de la inteligencia artificial se abre a nuevas formas de cooperación. La interoperabilidad entre modelos de distintos orígenes promete una IA más eficiente, colaborativa y accesible para empresas de todos los tamaños. Si bien todavía queda camino por recorrer, Israel se posiciona así como un actor clave en la transformación de esta tecnología clave del siglo XXI.
La imagen de representación de esta noticia pertenece a Brett Jordan y ha sido publicada en Unsplash
