Universidad de California lanza IA que evoluciona en grupo sin

Lead

Investigadores de la Universidad de California, Santa Bárbara presentaron el Group-Evolving Agents (GEA), un nuevo marco de inteligencia artificial que permite la evolución colectiva de agentes autónomos. El GEA superó sistemas diseñados por humanos en pruebas de ingeniería de software y no incrementa el costo de implementación para empresas. La innovación fue publicada en junio de 2024 y promete reducir la dependencia de ingenieros humanos para mantener y evolucionar agentes de IA.

Sección de Desarrollo

Tradicionalmente, los agentes autónomos de IA tienen arquitecturas fijas, creadas por ingenieros, que dificultan su adaptación a nuevos retos sin intervención humana. La mayoría de los sistemas autoevolutivos actuales se basan en procesos inspirados en la biología, donde los agentes evolucionan aisladamente, lo que impide compartir descubrimientos y limita el avance colectivo. Este enfoque genera “silos” de conocimiento: si un agente encuentra una solución eficiente, puede perderse si su línea no es seleccionada para la siguiente etapa evolutiva.

El GEA rompe con este modelo al considerar al grupo de agentes como la unidad básica de evolución. En lugar de que un solo “padre” genere descendientes, el marco selecciona un grupo de agentes según desempeño e innovación. Toda la experiencia acumulada—códigos modificados, herramientas descubiertas y flujos de trabajo eficientes—se comparte en un “archivo de experiencias” accesible a todos los miembros. Un módulo de reflexión, alimentado por modelos avanzados de lenguaje, analiza este historial colectivo para identificar patrones y generar directrices evolutivas que guían el siguiente ciclo de agentes.

Este mecanismo de inteligencia colectiva es especialmente eficaz en tareas objetivas, como depuración de código y generación de software, donde el éxito se mide claramente. En pruebas comparativas con el Darwin Godel Machine (DGM), referencia en autoevolución, el GEA fue significativamente superior. En promedio, el GEA corrigió fallas críticas en 1,4 iteraciones, mientras que el DGM tardó 5 iteraciones. En el benchmark SWE-bench Verified, que reúne problemas reales de GitHub, el GEA alcanzó un 71,0% de éxito, frente al 56,7% del sistema tradicional. En Polyglot, que evalúa generación de código en múltiples lenguajes, la tasa fue de 88,3% contra 68,3%.

Además del rendimiento, el GEA ofrece ventajas prácticas para empresas. El proceso de evolución colectiva ocurre antes de la implementación; luego, solo se despliega un agente evolucionado, manteniendo el costo de inferencia igual al de soluciones convencionales. Esto permite escalar la solución sin gastos adicionales en procesamiento. Otro beneficio es la resiliencia: el GEA recupera rápidamente fallas aprovechando el conocimiento de los miembros sanos para corregir agentes defectuosos.

El marco también facilita la transferencia de optimizaciones entre distintos modelos de lenguaje, como Claude, GPT-5.1 y GPT-o3-mini, sin pérdida de rendimiento. Esto brinda mayor flexibilidad para que las empresas cambien de proveedor de IA sin reiniciar la personalización desde cero. Para sectores con estrictos requisitos de cumplimiento, los autores recomiendan incluir “guard rails”—barreras como ejecución en sandbox, políticas restrictivas y capas de verificación—para evitar riesgos asociados a códigos auto-modificables.

Desarrollos y Perspectivas

El código del GEA estará disponible pronto, pero la arquitectura ya puede adaptarse a marcos existentes por desarrolladores experimentados. Se requieren tres elementos principales: un archivo de experiencias, un módulo de reflexión y un módulo de actualización de código. A futuro, los investigadores visualizan pipelines híbridos, donde modelos menores exploran soluciones y modelos más potentes consolidan aprendizajes, ampliando aún más la autonomía de los agentes de IA.

La conclusión principal es que el enfoque colectivo del GEA crea “superagentes” que acumulan las mejores prácticas de múltiples ancestros, igualando o superando marcos diseñados por expertos humanos. Así, las empresas pueden reducir equipos dedicados solo al mantenimiento de agentes, mientras ganan en velocidad, resiliencia y flexibilidad operativa.

En resumen, la evolución colectiva del GEA representa un salto en autonomía y eficiencia de los agentes de IA, permitiendo aplicaciones más robustas, escalables y económicas para el mercado corporativo.