La IA ya no solo escribe programas. Investigadores del MIT lograron que reescriba las tripas de otra IA

Hasta ahora, una forma habitual de mejorar una inteligencia artificial era entrenarla con ejemplos, ajustar sus parámetros y repetir el procedimiento hasta que dejara de equivocarse tanto. Investigadores de MIT CSAIL mostraron una posibilidad bastante más extraña: pedirle a un modelo que examine directamente los números que componen otra red neuronal y los modifique.

El trabajo se llama Sparks of Weight-Space Programming, publicado el 2 de noviembre de 2026 por Rikiya Takehi, Jayden Teoh, Alex Zhang y Omar Khattab.

Antes de anunciar que las máquinas están fabricando a sus sucesoras, conviene leer exactamente qué hicieron. Porque el resultado es interesante por sus límites tanto como por sus posibilidades.

Programar los pesos, no el código

Los pesos de una red neuronal son valores numéricos que el entrenamiento modifica para ajustar su comportamiento. Normalmente se optimizan mediante procedimientos matemáticos iterativos. No son líneas de código que un programador puede leer con facilidad para encontrar un error tipográfico.

Los investigadores exploraron si un modelo avanzado podía trabajar directamente con esos pesos. Le plantearon tareas que incluían inferir la función de redes pequeñas sin ejecutarlas, construir comportamientos y modificar una red existente.

Según su informe, GPT-6 Astra pudo examinar estructuras de pesos y, en ciertos experimentos, escribir o corregir redes de manera directa.

La prueba más llamativa involucró a Qwen3.5-0.8B, un modelo abierto relativamente pequeño que mostraba dificultades con bucles de razonamiento repetitivos.

El sistema encontró una intervención para reducir esos bucles mediante cambios en una fracción diminuta de sus parámetros.

El numerito que merece atención

En la medición reportada por el equipo, la puntuación del modelo en MATH-500 pasó de 7,9% a 48,1% después de modificar aproximadamente el 0,016% de sus pesos.

Son los resultados de ese experimento, no una promesa de que cualquier modelo puede multiplicar su inteligencia tocando una perilla invisible.

La intervención no consistió en ejecutar el procedimiento tradicional de entrenamiento por gradientes sobre una nueva colección de ejemplos. Fue una modificación de pesos derivada de la inspección del modelo y la tarea propuesta.

Es importante que los resultados se hayan acompañado de material de investigación y evaluaciones. También es importante no confundir una demostración controlada con una herramienta industrial generalizada.

Cambiar muy pocos números puede alterar mucho el comportamiento de una red. Saber cuáles cambiar es la parte difícil.

Lo que no demuestra el experimento

No significa que la IA entienda de manera exhaustiva cómo funcionan todas las redes neuronales. No significa que pueda garantizar mejoras sin efectos secundarios. Tampoco demuestra que corregir un fallo concreto mejore la seguridad, la precisión y la eficiencia al mismo tiempo.

Los investigadores hablan de indicios prometedores, no de una revolución ya comercializada. El método requiere evaluación independiente, replicaciones y pruebas sobre clases de modelos diferentes.

También hay un asunto de escala. Analizar y modificar modelos pequeños o redes específicas no es lo mismo que alterar sistemas gigantescos y complejos utilizados por millones de personas.

Aun así, el concepto abre una puerta interesante: en lugar de limitarse a generar código que otro programa ejecuta, un modelo podría intervenir directamente en las representaciones numéricas de otro.

Para optimización, interpretabilidad y reparación de fallos, eso podría cambiar algunos flujos de investigación.

La pregunta que verdaderamente importa

Hoy confiamos en buena parte en procedimientos que ajustan millones o miles de millones de parámetros y luego medimos qué salió. La programación directa de pesos promete explorar intervenciones más específicas.

Pero una intervención específica no se vuelve segura por ser pequeña. Un cambio localizado puede mejorar una prueba y perjudicar otra.

La industria necesitará mejores técnicas para comprender, justificar y auditar estas modificaciones. De lo contrario, simplemente habremos inventado una manera más rápida de cambiar cosas que todavía no entendemos completamente.

Durante años pedimos a la IA que escribiera código. Ahora empezamos a pedirle que abra el cerebro numérico de otra IA y encuentre dónde está el problema. Lo extraordinario es que, a veces, parece encontrarlo. Lo prudente es seguir preguntando qué más cambió.