España Irrumpe en Silicon Valley con Promesa Atrevida: IA que Aprende con Pocos Datos

Una startup pequeña, con sede en Madrid y raíces en Silicon Valley, está intentando algo que suena casi a truco de magia: que la inteligencia artificial aprenda sin necesitar millones de datos. Se llama Algebraic AI y propone cambiar las redes neuronales por álgebra abstracta. La promesa suena enorme, pero la clave está en un detalle que aún no te hemos contado.

La empresa desarrolla una tecnología llamada Algebraic Machine Learning, un enfoque de aprendizaje automático que rompe con el modelo estadístico dominante. En lugar de apoyarse solo en grandes bases de datos, este sistema aprende también a partir de reglas e instrucciones explícitas. Hoy el campo lo dominan las redes neuronales entrenadas con cantidades gigantescas de información, pero aquí la historia va por otro camino.

Según cuenta su cofundador Fernando Martín-Maroto, puedes enseñar a este tipo de inteligencia artificial a resolver un sudoku o a encontrar un ciclo hamiltoniano simplemente explicando los pasos, sin preparar un dataset enorme. En la práctica, el Algebraic Machine Learning “escucha” tus reglas, las combina con los datos disponibles y genera su propio modelo.

Algebraic AI nació de la mano de Martín-Maroto y de Gonzalo G. de Polavieja, ambos investigadores de la Fundación Champalimaud, en Lisboa. Esta institución apoyó el proyecto desde sus primeras ideas mediante una beca de investigación, lo que les permitió probar el enfoque algebraico sin la presión inmediata de lanzar un producto comercial. Hoy trabajan desde Madrid, aunque mantienen el vínculo con el ecosistema tecnológico de Silicon Valley.

El equipo actual suma solo cinco personas, pero todas con perfiles científicos y técnicos muy marcados. Entre todos se reparten la investigación matemática, el desarrollo de los modelos y el desarrollo de software que hace falta para que otros puedan usar esta inteligencia artificial basada en álgebra. Esa mezcla es importante, porque no vale solo con que la teoría funcione, también hay que empaquetarla en herramientas que alguien pueda abrir, probar y entender.

El Algebraic Machine Learning no se ha quedado en el papel ni en los experimentos caseros. Pese a que sus productos siguen en fase experimental, la startup ya ha trabajado con instituciones como el DFKI (Centro Alemán de Inteligencia Artificial), el CERN, Inria o la Universidad Carlos III. En todos los casos han puesto sus modelos algebraicos frente a problemas reales para ver hasta qué punto compiten con las redes neuronales clásicas.

En los proyectos con el CERN han analizado datos de física de partículas, un terreno donde la precisión y la confianza en cada predicción son críticas. También han participado en experimentos de interacción humano-máquina para composición musical, en los que la inteligencia artificial colabora con compositores humanos. Y han probado su enfoque en sistemas de visión para robots que doblan ropa, un caso muy físico y cotidiano donde la máquina tiene que “ver” y actuar con cuidado.

En todas estas pruebas, la idea central se mantiene: usar machine learning basado en álgebra abstracta, no en redes neuronales. La compañía ha documentado cómo se comportan sus modelos en estos contextos reales y qué limitaciones encuentran. Esa observación directa, con datos concretos de cada experimento, les permite ajustar el Algebraic Machine Learning y no quedarse solo en promesas teóricas que luego nadie puede replicar fuera del laboratorio.

Una diferencia clave respecto al enfoque estadístico tradicional está en la confianza de las predicciones. Con sus modelos algebraicos, Algebraic AI puede calcular de forma precisa cuánta seguridad tiene el sistema en cada decisión que toma. Los algoritmos estadísticos habituales ofrecen probabilidades, sí, pero no siempre permiten saber si esa probabilidad es realmente fiable o está inflada por la forma en que se entrenó el modelo.

Esta capacidad de medir bien la confianza se vuelve muy relevante cuando tomas decisiones sensibles. Si trabajas con diagnósticos médicos, con concesión de créditos en un banco o con pólizas de seguros, no te basta con una respuesta “parece que sí”. Necesitas saber si la inteligencia artificial está dando un resultado sólido o está extrapolando a partir de pocos ejemplos. La confianza por sí sola no soluciona todo; falta entender cómo llega el sistema a cada conclusión.

Ahí entra otro punto fuerte del Algebraic Machine Learning: la explicabilidad. Mientras muchas redes neuronales actúan como “cajas negras” donde solo ves la entrada y la salida, los modelos algebraicos dejan un rastro interno de reglas comprensibles. Puedes seguir la cadena de razonamiento que lleva de los datos a la conclusión y revisar qué reglas se han aplicado en cada paso.

Ese rastro de reglas hace que esta inteligencia artificial sea más transparente y más debatible. Un médico puede revisar por qué el modelo sugiere un diagnóstico, un auditor de un banco puede ver qué criterio ha pesado más en la decisión de conceder o no un crédito, y un investigador puede cuestionar una regla concreta. Como explica uno de los fundadores, “no queremos solo una respuesta, queremos poder discutir con el modelo”.

En sectores como la salud, la banca, los seguros o la ciencia, esa capacidad de discusión marca la diferencia. No se trata únicamente de que la inteligencia artificial acierte, sino de que tú puedas defender su respuesta ante un comité ético, un regulador o un cliente. Con todo, la explicabilidad también tiene un coste: suele requerir modelos más estructurados y, a veces, más lentos de entrenar que una red neuronal gigantesca con miles de GPUs.

Otro frente donde el Algebraic Machine Learning promete mucho es cuando hay pocos datos. Martín-Maroto insiste en que, en la práctica, muchas bases de datos reales son bastante pequeñas. En un laboratorio, disponer de 200 experimentos puede ser una cantidad enorme de trabajo para los investigadores, pero sigue siendo muy poco material para entrenar una red neuronal profunda de forma estable.

En ese tipo de escenarios, donde el volumen de datos es limitado, los modelos algebraicos de Algebraic AI ya ofrecen resultados mejores que muchas técnicas estadísticas que hoy se usan por defecto. La razón está en que su enfoque no depende solo de ver miles de ejemplos, sino de combinar la estructura de las reglas con los datos disponibles. En general, la máquina no solo “memoriza”, también “razona” con la información que le das.

Algebraic Machine Learning combina datos y reglas en problemas reales

Si lo comparas con la típica red neuronal, que suele ir a ciegas aprendiendo patrones estadísticos, aquí el modelo arranca con una base matemática bien definida. Puede aprender desde datos cuando los hay, pero también absorber fórmulas, restricciones o instrucciones paso a paso. Esa mezcla es lo que permite, por ejemplo, que el sistema aprenda a resolver sudokus solo a partir de las reglas del juego.

Esta forma de trabajar enlaza con una tradición matemática distinta a la que siguen muchos expertos en machine learning. La mayoría de profesionales del sector vienen del enfoque estadístico y de la optimización numérica, no del álgebra abstracta. Eso hace que la propuesta de Algebraic AI resulte, en cierto sentido, extraña de entrada, incluso para gente con mucha experiencia en inteligencia artificial.

Esa diferencia de “idioma matemático” ha sido una de las grandes dificultades para la empresa. No basta con lanzar una librería de código y esperar adopción masiva si casi nadie se siente cómodo pensando en términos algebraicos. Para responder a ese problema, la compañía ha optado por crear cantera propia: formar perfiles que encajen con su forma de trabajar y que puedan diseñar y explicar modelos algebraicos de manera accesible.

Al mismo tiempo, están desarrollando herramientas pensadas para reducir la curva de aprendizaje necesaria para usar su tecnología. La idea es que, aunque por debajo haya álgebra abstracta, tú puedas trabajar con una interfaz razonable, con opciones claras y con documentación guiada. Según la propia empresa, la usabilidad de estas herramientas ya está por encima de muchas técnicas actuales de machine learning, que a veces exigen pelearte con configuraciones opacas y montones de parámetros.

Para qué sirve el Algebraic Machine Learning en medicina, industria y otros sectores

De cara al futuro inmediato, Algebraic AI no quiere dispersarse en mil frentes. El plan es validar el Algebraic Machine Learning en casos muy concretos donde pueda demostrar una ventaja clara: pocos datos, necesidad de explicaciones detalladas y riesgo alto si el modelo se equivoca. Medicina de precisión, control de calidad industrial o análisis científico son ejemplos naturales de este tipo de escenario.

La empresa también está en conversaciones con posibles socios para desarrollar hardware específico que saque más partido a su enfoque algebraico. Un chip diseñado con estas operaciones en mente podría ejecutar modelos de Algebraic Machine Learning con menos consumo o más velocidad que una GPU generalista pensada para redes neuronales. Ese tipo de hardware tarda años en llegar al mercado, así que la prioridad sigue siendo afinar el software.

Otra línea de trabajo son las aplicaciones verticales: soluciones muy enfocadas a problemas concretos en sectores como la medicina, la industria o las finanzas. En lugar de vender solo una plataforma genérica de machine learning, quieren entregar productos donde ya haya plantillas, reglas predefinidas y ejemplos ajustados al día a día de un hospital o de una fábrica. Es una forma de bajar una tecnología compleja a algo que tú puedas probar en unas semanas.

Curiosamente, Algebraic AI no pretende entrar en la guerra de los grandes modelos de lenguaje que dominan internet. No buscan competir con los gigantes que entrenan sistemas enormes para chatear, traducir textos o generar código. Su objetivo es más quirúrgico: convertirse en una herramienta que entra en juego justo donde el aprendizaje estadístico muestra límites claros, sobre todo cuando faltan datos y hace falta explicabilidad.

Visto en conjunto, el Algebraic Machine Learning se presenta como un contrapunto a la inteligencia artificial basada solo en datos masivos. Te ofrece modelos que pueden aprender desde reglas, trabajar bien con conjuntos pequeños, estimar con precisión su propia confianza y dejar un rastro de razonamiento legible.