El principal arquitecto de IA de Google DeepMind, Koray Kavukcuoglu, detalló el enfoque del laboratorio hacia la AGI y el progreso de Gemini 3.7 Flash en una conversación publicada en línea el 1 de septiembre.
Conclusiones clave
Google fusionó DeepMind y Google Brain en una sola organización en abril de 2023
Koray Kavukcuoglu supervisa la arquitectura del modelo para el laboratorio combinado de Google DeepMind
Un documento publicado el 1 de septiembre probó nueve modelos de código abierto mediante una técnica de cuantización
Distribuir un presupuesto fijo de precisión de manera amplia superó a concentrarlo en capas dañadas en 21 a 52 puntos
La ruta de DeepMind hacia la AGI pasa por Gemini Flash
Kilpatrick, que dirige el trabajo de producto en Google AI Studio, publicó el intercambio en X el 1 de septiembre, diciendo que abarcaba el enfoque de frontera del laboratorio y el progreso con Gemini 3.7 Flash. El director de arquitectura de IA de Google DeepMind, Koray Kavukcuoglu, coordina la estrategia de modelos detrás de ese impulso. La inteligencia general artificial describe un sistema hipotético capaz de aprender y realizar cualquier tarea intelectual que una persona pueda hacer.
Los modelos de frontera, los sistemas más grandes y capaces que un laboratorio construye, son la ruta elegida por DeepMind.
Gemini 3.7 Flash es una versión más ligera de la familia Gemini de Google, ajustada para una inferencia más rápida y barata que el modelo insignia completo. El propio resumen de agosto de Google lo incluyó entre los lanzamientos de ese mes.
De dos laboratorios rivales al plano de un solo arquitecto
Google fusionó DeepMind y su unidad interna de Google Brain en una sola organización en abril de 2023.
Kavukcuoglu se unió a DeepMind antes de esa fusión y más tarde ascendió para supervisar la arquitectura de modelos del laboratorio combinado, colocándolo en el centro de la estrategia de frontera de Google.
Lo que un nuevo estudio de cuantización revela sobre la apuesta de DeepMind
Un artículo publicado el 1 de septiembre analizó la cuantización, una técnica que reduce la precisión numérica de los pesos de un modelo para recortar los costos de cómputo. Los investigadores probaron nueve modelos de código abierto con pesos y hallaron que distribuir un presupuesto de precisión fijo de manera amplia superó a concentrarlo en las capas más dañadas, ganando entre 21 y 52 puntos en ocho de los nueve modelos.
Vale la pena preguntar: ¿qué miden realmente esos ocho puntos de referencia y si las mejoras se mantienen fuera de entornos controlados?
Ese hallazgo refleja el planteamiento de Kavukcuoglu sobre la trayectoria de DeepMind hacia la AGI.
La publicación de Kilpatrick no dio una fecha de lanzamiento para la conversación completa, y Google no ha dicho qué nuevas capacidades adquirió Gemini 3.7 Flash desde agosto. La pregunta abierta es si esta ruta centrada en la frontera supera a sus rivales que corren hacia modelos más baratos y destilados.