Resumen ejecutivo
Toda tecnología tiene límites. Los de la inteligencia artificial no son de presupuesto ni de hardware: son matemáticos, y llevan más de un siglo demostrados. Esteban Olivares los recorre en tres actos — lo incontable (hay más problemas posibles que programas capaces de resolverlos, por Cantor), lo incalculable (existen preguntas que ninguna máquina puede responder, por Turing) y lo incompresible (donde no hay estructura no hay nada que aprender, por Shannon) — y los reúne en AIXI, la definición matemática del agente perfecto formulada por Marcus Hutter: un ideal demostrablemente inalcanzable, precisamente porque choca con las tres murallas. La conclusión no es pesimista sino orientadora: AIXI funciona como estrella de navegación — nadie la alcanza, pero permite medir cuánto se acerca cada IA real. Y cierra con un antídoto contra la ansiedad tecnológica que vale por sí solo.
1. Una pregunta, tres fronteras
La charla arranca con una pregunta que suena filosófica y termina siendo profundamente técnica: ¿qué hace posible la inteligencia artificial… y qué la limita? Las tres respuestas tienen nombre y apellido:
| Frontera | Qué dice | Quién lo demostró |
|---|---|---|
| Lo incontable | Hay más problemas posibles que programas posibles. | Cantor · el infinito (1874) |
| Lo incalculable | Hay respuestas que ninguna máquina alcanza. | Turing · el problema de la parada (1936) |
| Lo incompresible | Hay señales que no se pueden predecir. | Shannon · la entropía |
2. Acto I · Lo incontable: sobran problemas sin solución
El primer acto empieza con una observación que cualquiera puede verificar: entre 0 y 1 caben infinitos números — 0,5 · 0,25 · 0,125 · 0,0625… y nunca se acaban, porque por muy cercanos que estén dos números, siempre hay otro en medio. Hasta ahí, intuitivo. Lo que viene después no lo es.
Cantor demostró en 1874 que hay infinitos más grandes que otros. Los números naturales se pueden poner en fila y contar; si les quitas la mitad quedándote solo con los pares, sigue habiendo exactamente los mismos. Pero los números con decimales infinitos no se pueden contar: forman un infinito estrictamente mayor.
Por qué esto importa para la IA. Cada programa es una lista finita de instrucciones: se pueden numerar 1º, 2º, 3º… — son infinitos, pero de los contables. Cada problema, en cambio, asigna una respuesta a cada entrada posible: hay tantos como decimales, un infinito incontable y mucho mayor. La conclusión es inevitable: hay más problemas que programas capaces de resolverlos. No es que no sepamos resolverlos — es que el programa no existe.
3. Acto II · Lo incalculable: la pregunta sin respuesta
El segundo límite es más famoso y más incómodo. El problema de la parada, formulado por Turing en 1936, pregunta: dado cualquier programa, ¿se puede saber de antemano si terminará o si quedará atrapado en un bucle para siempre?
Parece sencillo, y para muchos programas concretos se puede. El problema es tener un método único que funcione para todos. Turing demostró que ese método no puede existir, y lo probó con una idea brillante: hacer que el programa pregunte por sí mismo.
La intuición de la autorreferencia es la misma que rompe la lógica. «Esta frase es falsa»: si es verdadera, es falsa; si es falsa, es verdadera. No puede ser ninguna. O su versión conversacional: «si te digo "no me hagas caso" y tú no me haces caso, ¿me estás haciendo caso?». Trasladado a código: imagina un programa que hace exactamente lo contrario de lo que un supuesto detector de bucles predice sobre él mismo. El detector no puede acertar nunca.
Y aquí está la lección que trasciende la anécdota: todo sistema que razona sobre sí mismo hereda estos límites. Vale para la lógica (Gödel), para los programas (Turing) y para cualquier IA que intente razonar sobre su propio comportamiento — una advertencia nada menor en tiempos de agentes que se autoevalúan y sistemas que prometen auditarse solos.
4. Acto III · Lo incompresible: el azar es el techo
El tercer límite es el más contraintuitivo para quien cree que «con más datos siempre se aprende más». La entropía mide cuánta sorpresa queda tras conocer el patrón. Una secuencia constante (000000) tiene sorpresa cero: es predecible al 100%. Una estructurada tiene sorpresa media: hay un patrón aprendible. Una aleatoria tiene sorpresa máxima: es el límite de lo aprendible.
La idea clave: una señal aleatoria es incompresible — no existe resumen más corto que ella misma. Y lo incompresible es, por definición, impredecible.
Predecir y comprimir son la misma cosa. Si encuentras el patrón puedes resumirlo y puedes inferir lo que sigue. Por eso los modelos aprenden encontrando estructura para comprimir. Y por eso, ante una fuente de puro azar —una moneda justa—, un millón de lanzamientos no mejoran en nada tu predicción del siguiente: sigue siendo 50 y 50. Donde no hay estructura no hay nada que aprender, y ningún modelo, por grande que sea, puede superar ese límite.
5. Síntesis · AIXI, el agente perfecto que no puede existir
¿Y si un agente quisiera ser óptimo? Tendría que vencer los tres límites a la vez: necesitaría el infinito para considerar todas las explicaciones posibles, chocaría con lo incalculable porque no puede computar todo lo que necesita, y toparía con lo incompresible porque no puede predecir el azar puro.
Ese agente tiene una definición matemática precisa: AIXI, formulado por Marcus Hutter en el año 2000. En una frase: «elige la acción que da la mayor recompensa esperada, promediando sobre todas las explicaciones posibles y confiando en las simples». Es decir, cree como Ockham —prefiere la explicación más simple, la navaja convertida en matemática— y actúa óptimamente: demostrablemente, ningún agente puede hacerlo mejor en general.
Pero AIXI es inalcanzable, y sus tres murallas son exactamente los tres límites: sumar sobre infinitas explicaciones no cabe en ninguna máquina; medir la simplicidad exacta es literalmente incomputable; y ni el agente óptimo puede predecir una fuente de alta entropía.
La belleza del planteamiento está en el reencuadre final: inalcanzable, pero útil. Nadie llega a una estrella, pero los marineros la usan para saber hacia dónde ir. AIXI hace lo mismo: define qué sería lo óptimo, y con eso podemos medir cuánto se acerca cada IA real. De hecho, ya existen aproximaciones: los modelos actuales predicen el siguiente paso buscando patrones simples; MuZero aprende un modelo del mundo y planifica con él; MC-AIXI es una versión recortada y ejecutable del ideal.
6. El misterio abierto
La charla dedica un espacio a lo que no sabemos, y es de lo más honesto que se puede decir hoy sobre el campo. La teoría clásica sostenía que un modelo con millones de parámetros debería memorizar los datos de entrenamiento y fallar con datos nuevos. Pero las redes enormes generalizan asombrosamente bien — y todavía no hay consenso sobre por qué.
La hipótesis que sugiere Olivares conecta con todo lo anterior: quizá el entrenamiento prefiere, por sí solo, las soluciones más simples — un eco de la navaja de Ockham y de la idea de Solomonoff. En sus palabras: la teoría va por detrás de la práctica. Hay mucho por descubrir.
7. Fundamentos y accesorios: el antídoto contra la ansiedad
El cierre de la charla se aleja de las matemáticas y toca algo que casi todos los profesionales de tecnología sienten. La distinción es entre fundamento —ciencia básica y matemática: cambia despacio, en décadas o siglos; tiene alto poder explicativo; es transferible entre dominios y épocas— y accesorio —tecnología y herramientas del día: cambia en meses; menor profundidad; atado a una moda, un proveedor, una API.
La misma raíz, muchas hojas. Los frameworks, aplicaciones y modelos son hojas: brillantes y efímeras, caen cada otoño. El aprendizaje automático es el tronco, que crece por décadas. Y la raíz —infinito, cómputo, información, azar— es casi inmóvil. La ansiedad nace de creer que debes atrapar cada hoja antes de que caiga. Quien domina desde la raíz aprende cualquier hoja nueva en días: los fundamentos de hoy son los mismos de hace setenta años, y seguirán ahí.
8. Conclusiones
Cinco ideas, en los términos de la propia charla: lo incontable — sobran problemas sin solución, hay más que programas posibles; lo incalculable — hay respuestas que ninguna máquina alcanza, por teorema, no por falta de potencia; lo incompresible — el azar es el techo, y predecir y comprimir son lo mismo; AIXI los reúne — el agente óptimo, inalcanzable precisamente por esos tres límites; y los fundamentos anclan — no caducan, y por eso vale la pena entenderlos.
Quedan preguntas abiertas que la charla deja como invitación: ¿por qué generalizan las redes? ¿Puede una IA razonar sobre sí misma —seguridad y autorreferencia—? ¿Cómo se escala hacia una inteligencia general, con despegue suave o súbito? Y la más práctica de todas: ¿qué hay entre lo posible y lo práctico? — porque casi todo el trabajo real de la IA vive exactamente ahí.
Para la región, la lectura es estratégica: mientras el mercado corre detrás de la herramienta del mes, formar gente que entienda los fundamentos produce profesionales que no quedan obsoletos con el próximo lanzamiento. Es la inversión educativa con mejor retorno disponible — y la más barata.
Referencias
- Olivares, E. (2026). IA en la frontera de lo computable [presentación]. I Congreso IA-LATAM. PDF de la charla.
- Olivares, E. (2026). ¿Puede la IA resolver cualquier problema, predecir resultados y alcanzar inteligencia perfecta? [video]. Canal de Comunidad IA LATAM en YouTube. youtube.com/watch?v=W1aaEyLdfK0.
- Cantor, G. (1874). Demostración de la existencia de infinitos de distinto tamaño (argumento de diagonalización).
- Turing, A. (1936). On Computable Numbers — el problema de la parada.
- Shannon, C. Teoría de la información y entropía · Solomonoff, R. Inferencia inductiva universal.
- Hutter, M. (2000). AIXI — definición matemática del agente universalmente óptimo. Aproximaciones citadas: MuZero · MC-AIXI.
Sobre el autor
Esteban Olivares es ingeniero informático especializado en desarrollo de bajo nivel, networker certificado con experiencia en redes OT y TI, y magíster en Modelamiento Matemático. Es líder de consultoría en INNOVA-NET y lidera la mesa temática de Criptografía de la Comunidad IA LATAM. Se define como «programador para ciberseguridad» y publica bajo el alias Dev4Sec. LinkedIn
Artículo elaborado por la Comunidad IA LATAM a partir de la presentación oficial y la transcripción del video de la charla. Los resultados matemáticos citados son teoremas establecidos; las interpretaciones sobre sus consecuencias para la IA corresponden al planteamiento del autor.