La idea suena contraintuitiva: si seguimos aumentando datos y potencia, ¿no deberían los modelos volverse cada vez más generales? La respuesta que propone Goldfeder, Wyder, LeCun y Shwartz-Ziv en 2026 es más contundente: bajo restricciones reales, la especialización no es una opción estratégica, sino una consecuencia matemática y empírica.
La predicción matemática: No Free Lunch y recursos finitos
El teorema de No Free Lunch dice algo simple y difícil de digerir: no existe un algoritmo que gane en todos los problemas posibles. Promedio sobre todos los problemas concebibles, todos los algoritmos empatan. ¿Qué significa eso en la práctica? Que mejorar en un conjunto de tareas implica ceder rendimiento en otro.
Sumale finitud: compute, datos y tiempo son limitados. Si repartes recursos entre cien tareas, la porción por tarea se reduce. La aritmética es directa: a más cobertura, menos profundidad por tarea. Por eso la estrategia que maximiza rendimiento en condiciones reales suele ser concentrar recursos en un objetivo bien definido.
