Investigadores de la ITU de Copenhague y Sakana AI (con Sebastian Risi) demostraron redes neuronales que evolucionan a sí mismas sin optimizadores externos: las Self-Referential Graph HyperNetworks, publicadas en ISAL 2025 (MIT Press) y arXiv.

La idea: meter dentro de la red la maquinaria de variación y herencia. La hiperred genera los parámetros de copias de sí misma con ruido aprendido, una red determinista evalúa el desempeño como aptitud, y las tasas de mutación se vuelven rasgos seleccionables. En el benchmark Ant-v5 evolucionaron gaits coherentes afinando solas la variación.

El punto fuerte es literal: ningún update de gradiente forma parte del loop evolutivo. La evolucionabilidad misma emerge de la autorreferencia, no de un optimizador diseñado a mano.

El linaje es sólido: el quine neuronal de Chang y Lipson (2018, Columbia), los SeRANN, y la Darwin Gödel Machine (Sakana/UBC, 2026), que reescribe su propio código para ser mejor agente programador. La auto-reproducción neuronal dejó de ser curiosidad para ser programa de investigación.

El matiz honesto: son entornos controlados y tareas acotadas; de aquí a sistemas abiertos hay un abismo de seguridad (¿quién fija la función de aptitud?). Pero el paradigma cambió: entrenar puede ser opcional si heredar y mutar basta.

Si la vía escala, el próximo salto de la IA podría no venir de GPUs más grandes sino de poblaciones que se mejoran solas. Darwin, compilado.

Fuentes
Aipost (Telegram) · arXiv (paper) · MIT Press / ISAL 2025

Crédito de la imagen: Red neuronal y chip, mikemacmarketing vía Wikimedia Commons, bajo licencia CC BY 2.0.