Mirendil ha firmado un acuerdo plurianual de más de 100 millones de dólares con Google Cloud para entrenar sistemas de IA que se mejoran a sí mismos. La cifra equivale a la mitad de la ronda semilla de 200 millones que cerró a finales de junio con una valoración de 1.000 millones.
Puntos clave
- El acuerdo cubre TPUs de Google, GPUs de Nvidia y clústeres de entrenamiento gestionados.
- Mirendil persigue automejora recursiva: sistemas que aprenden dominios nuevos, acumulan experiencia y mejoran su propia capacidad de investigar.
- La cofundan Behnam Neyshabur, consejero delegado, y Harsh Mehta, los dos con paso por Anthropic.
- Los objetivos declarados son medicina, biología y ciencia de materiales.
Qué es la automejora recursiva y qué no
La idea es que un sistema de IA proponga una mejora a su propio método de investigación, la pruebe, mida el resultado y repita. Cada vuelta parte de un punto mejor que la anterior.
Es un concepto viejo en la literatura y muy nuevo como producto. Neyshabur lo describe como poder apuntar un problema a un sistema y dejarlo trabajar.
Conviene ponerle el matiz que la propia cobertura no le pone: nadie ha demostrado todavía que ese bucle se sostenga muchas vueltas sin degradarse. Lo que sí está demostrado es que los modelos actuales aceleran partes concretas del trabajo de investigación, y ahí es donde está el negocio a corto.
No es una empresa, es una categoría
Mirendil no está sola. Anthropic trabaja en lo mismo internamente, y compiten al menos Recursive Superintelligence y Ricursive Intelligence. Y hoy mismo, Jeff Dean se ha ido de Google con tres veteranos a montar Discovery Loop, con una tesis prácticamente idéntica: automatizar el bucle de experimentación científica.
Cuatro empresas persiguiendo lo mismo en el mismo trimestre, con capital semilla en el rango de los cientos de millones, dice que hay una convicción compartida en esa parte del mercado. También dice que al menos tres van a decepcionar a alguien.
Lo que compra realmente Google Cloud
Aquí hay una segunda lectura que no es sobre Mirendil. Google acaba de meter una startup de un año en su infraestructura por más de 100 millones, y en paralelo negocia más de 1.500 millones por Mechanize.
Los grandes proveedores de nube están usando el crédito de cómputo como instrumento de inversión. Le das capacidad a una startup, la startup gasta ese dinero contigo y tú te quedas con la relación, con los datos de uso y con la opción de comprar más adelante. Es la jugada que Microsoft hizo con OpenAI y que ahora repite todo el mundo.
El detalle de que el acuerdo mezcle TPUs propias con GPUs de Nvidia también dice algo. Google vende su silicio cuando puede, pero no obliga: una startup que entrena modelos grandes necesita poder mover cargas entre arquitecturas, y el proveedor que se lo impide pierde el cliente. Es el mismo motivo por el que Anthropic reparte su cómputo entre varios proveedores en vez de casarse con uno.
De dónde vienen los fundadores
Neyshabur y Mehta salen de Anthropic. Ese origen se ha convertido en un patrón: buena parte de las startups de investigación fundadas este año arrastran a gente de los tres laboratorios grandes, que se lleva el conocimiento técnico y, sobre todo, el criterio de qué líneas ya se probaron dentro y no funcionaron.
Para un inversor, eso es medio filtro de calidad hecho. Para los laboratorios de origen, es la razón por la que los paquetes de retención llevan un año subiendo.
Por qué importa
Para una empresa que no está en investigación fundamental, la utilidad de esta noticia es de calendario, no de producto.
Si cuatro equipos bien financiados trabajan en sistemas que investigan solos, en dos o tres años eso llega abaratado a herramientas normales. El sitio donde primero se va a notar es en cualquier proceso que hoy consista en probar variantes y medir: creatividades de anuncios, configuraciones de precios, pruebas A/B, formulaciones de producto.
La preparación que sí se puede hacer hoy es tener el bucle de medición montado. Un sistema que se mejora solo necesita que exista una señal fiable de si va mejor o peor. Si tus pruebas se evalúan a ojo y en una reunión, no hay nada que automatizar por mucho que llegue el modelo.
Relacionado
