NeoCognition levanta 40 millones en ronda semilla para crear agentes de IA que aprenden como humanos

Mientras la industria tecnológica debate si los grandes modelos de lenguaje representan el camino definitivo hacia la inteligencia artificial general, un laboratorio de investigación recién salido del sigsigilo acaba de apostar 40 millones de dólares a una propuesta radicalmente distinta: construir agentes de IA que no solo procesen información, sino que aprendan como lo hacemos los seres humanos. NeoCognition, fundada por un investigador de la Universidad Estatal de Ohio, emerge con una de las rondas semilla más abultadas del año en el ecosistema de IA, señalando que los inversores están dispuestos a financiar alternativas al paradigma dominante de los transformers y el aprendizaje supervisado masivo.

Una apuesta millonaria por un enfoque diferente

NeoCognition ha cerrado una ronda de financiación inicial de 40 millones de dólares, una cifra extraordinaria para una empresa en etapa semilla que refleja tanto el apetito del mercado por innovación en IA como la confianza de los inversores en su propuesta técnica diferenciadora. La startup, que emerge de años de investigación académica en la Universidad Estatal de Ohio, está desarrollando agentes de inteligencia artificial diseñados para adquirir expertise en cualquier dominio mediante mecanismos de aprendizaje que imitan los procesos cognitivos humanos, alejándose del enfoque de fuerza bruta computacional que caracteriza a los modelos actuales.

La compañía fue fundada por un investigador cuyo trabajo previo se ha centrado en arquitecturas cognitivas y sistemas de aprendizaje adaptativo, áreas que han permanecido relativamente al margen del boom de los grandes modelos de lenguaje pero que están experimentando un renovado interés. A diferencia de sistemas como GPT-4 o Claude, que aprenden patrones estadísticos de cantidades masivas de datos, los agentes de NeoCognition están diseñados para construir representaciones estructuradas del conocimiento, similar a cómo los humanos desarrollamos modelos mentales del mundo que nos rodea.

El monto de la ronda coloca a NeoCognition en una categoría exclusiva. Aunque las rondas semilla en IA han crecido significativamente en los últimos dos años, pocas superan los 20 millones de dólares. Esta inversión sugiere que los respaldadores financieros ven en el enfoque de la empresa no solo una mejora incremental, sino potencialmente un cambio de paradigma en cómo construimos sistemas inteligentes. En un momento donde las limitaciones de los modelos actuales—desde alucinaciones hasta costos computacionales insostenibles—se hacen cada vez más evidentes, alternativas que prometen eficiencia y razonamiento más robusto captan atención seria.

Aprender como humanos: más allá del reconocimiento de patrones

La propuesta central de NeoCognition radica en replicar no solo los resultados de la inteligencia humana, sino los procesos mismos. Mientras que los sistemas actuales de IA aprenden mediante la exposición a millones o miles de millones de ejemplos, identificando correlaciones estadísticas en los datos, los humanos somos capaces de aprender conceptos complejos con relativamente pocos ejemplos, generalizando de manera flexible a situaciones nuevas. Esta capacidad—conocida en la literatura científica como "few-shot learning" o aprendizaje con pocos ejemplos—ha sido un objetivo esquivo para la IA durante décadas.

Los agentes que está desarrollando NeoCognition incorporan mecanismos inspirados en la cognición humana: razonamiento causal, formación de hipótesis, aprendizaje por transferencia entre dominios, y la capacidad de explicar su propio razonamiento. Estos sistemas no solo buscan predecir la siguiente palabra en una secuencia o clasificar una imagen, sino construir modelos internos del dominio en el que operan, permitiéndoles razonar sobre relaciones causales, anticipar consecuencias y adaptar su conocimiento cuando encuentran información contradictoria.

La diferencia fundamental no está en qué pueden hacer estos agentes hoy, sino en cómo aprenden y se adaptan. Un sistema que verdaderamente aprende como los humanos no necesita reentrenamiento completo cuando el mundo cambia; actualiza su comprensión de manera continua y eficiente.

Esta aproximación tiene implicaciones profundas para aplicaciones empresariales. Un agente capaz de convertirse en experto en un dominio específico—ya sea diagnóstico médico, análisis financiero o diseño de ingeniería—sin requerir datasets masivos etiquetados podría democratizar el acceso a expertise especializada. Además, la capacidad de explicar su razonamiento aborda una de las críticas más persistentes a los sistemas de IA actuales: su naturaleza de "caja negra" que dificulta la confianza y la auditoría en aplicaciones críticas.

El momento de las arquitecturas cognitivas

NeoCognition no está sola en su exploración de alternativas al paradigma dominante. En los últimos meses, hemos visto un resurgimiento del interés en arquitecturas cognitivas, sistemas neurosimbólicos que combinan aprendizaje estadístico con razonamiento simbólico, y enfoques que priorizan la eficiencia sobre la escala bruta. Este movimiento responde a limitaciones cada vez más evidentes de los grandes modelos de lenguaje: sus costos operativos astronómicos, su dependencia de cantidades ingentes de datos, su fragilidad ante distribuciones de datos no vistas durante el entrenamiento, y su incapacidad para razonamiento causal genuino.

Empresas como Vicarious (adquirida por Alphabet) y Numenta han trabajado durante años en sistemas inspirados en neurociencia, mientras que laboratorios académicos en MIT, Stanford y otras instituciones exploran arquitecturas híbridas que combinan lo mejor del aprendizaje profundo con representaciones estructuradas del conocimiento. La ronda de NeoCognition indica que estos enfoques, antes considerados demasiado experimentales o académicos para atención comercial seria, están entrando en el radar de inversores que buscan la próxima generación de IA más allá de los transformers.

El timing es significativo. A medida que la carrera por modelos cada vez más grandes muestra rendimientos decrecientes—GPT-4 representa una mejora sobre GPT-3, pero no el salto cualitativo que muchos esperaban—la industria busca activamente nuevas direcciones. Los agentes de IA que pueden aprender continuamente, adaptarse a nuevos contextos sin reentrenamiento completo, y operar con eficiencia computacional razonable representan una propuesta de valor clara para empresas que enfrentan los costos crecientes de desplegar y mantener sistemas basados en LLMs.

Contexto clave

Arquitecturas cognitivas: Son frameworks de IA diseñados para replicar la estructura y procesos de la cognición humana, no solo sus resultados. A diferencia de las redes neuronales tradicionales que aprenden correlaciones estadísticas, las arquitecturas cognitivas incorporan componentes explícitos para memoria de trabajo, razonamiento, planificación y aprendizaje. Sistemas como SOAR y ACT-R, desarrollados desde los años 80, han demostrado capacidades impresionantes en tareas que requieren razonamiento complejo, pero históricamente han tenido dificultades con percepción y procesamiento de datos no estructurados—áreas donde el deep learning sobresale.

Aprendizaje few-shot vs. aprendizaje supervisado masivo: Los sistemas de IA actuales típicamente requieren miles o millones de ejemplos etiquetados para aprender una tarea—esto es aprendizaje supervisado masivo. En contraste, el aprendizaje few-shot busca que los sistemas aprendan conceptos nuevos con apenas unos pocos ejemplos, similar a cómo un niño puede aprender qué es un "elefante" viendo solo dos o tres imágenes. Esta capacidad requiere que el sistema tenga representaciones de conocimiento previo más estructuradas y mecanismos de generalización más sofisticados que el simple reconocimiento de patrones estadísticos.

Razonamiento causal vs. correlacional: Los modelos de lenguaje actuales son extraordinarios identificando correlaciones—patrones que tienden a aparecer juntos en los datos—pero luchan con causalidad, es decir, entender qué causa qué. Esta distinción es crítica: saber que los paraguas y la lluvia aparecen juntos (correlación) es diferente de entender que la lluvia causa que la gente use paraguas, no al revés (causalidad). El razonamiento causal permite planificación, predicción de consecuencias de acciones, y comprensión genuina de sistemas complejos, capacidades esenciales para agentes que deben operar de manera autónoma en el mundo real.

Para profundizar

• El debate sobre AGI y múltiples caminos hacia la inteligencia artificial general — Mientras algunos investigadores creen que escalar los modelos actuales eventualmente producirá AGI, otros argumentan que se necesitan innovaciones arquitectónicas fundamentales. NeoCognition representa una apuesta explícita por este segundo campo, planteando preguntas sobre qué enfoque prevalecerá en la próxima década.
• Eficiencia energética y sostenibilidad en IA — Entrenar GPT-3 consumió aproximadamente 1,287 MWh de electricidad. Si los agentes de NeoCognition pueden alcanzar capacidades comparables con órdenes de magnitud menos recursos computacionales, las implicaciones para la sostenibilidad de la IA son profundas. ¿Podría el aprendizaje inspirado en humanos ser no solo más capaz sino también más verde?
• Transferencia de conocimiento entre dominios — Los humanos aplicamos conocimiento aprendido en un contexto a problemas completamente diferentes—un físico puede usar intuiciones sobre sistemas dinámicos para entender economía. Esta transferencia entre dominios sigue siendo extremadamente limitada en IA actual. Explorar cómo NeoCognition aborda este desafío podría iluminar uno de los problemas más fundamentales en inteligencia artificial.