El SSI de Ilya Sutskever podría publicar su primer modelo en agosto, según Gavin Baker
Safe Superintelligence ha pasado más de dos años revelando poco sobre lo que está construyendo. Ese silencio podría estar a punto de cambiar. Gavin Baker, socio gerente y jefe
La primera versión de SSI de Ilya Sutskever podría lanzarse en agosto, según Gavin Baker
Introducción
Safe Superintelligence Inc. ha mantenido un hermetismo absoluto sobre sus investigaciones durante más de dos años.
Ese silencio podría estar a punto de cambiar.
Gavin Baker, socio gerente y director de inversiones de Atreides Management, declaró en una reciente conversación con el inversor y presentador de podcasts Patrick O'Shaughnessy que SSI ha indicado su plan de lanzar una versión del modelo en agosto.
Esta declaración captó la atención de inmediato, porque SSI nunca antes había anunciado públicamente una fecha concreta para el lanzamiento de un modelo.
SSI fue fundada en 2024 por Ilya Sutskever, ex científico jefe de OpenAI, junto con Daniel Gross y Daniel Levy, y se construyó en torno a una misión inusualmente enfocada. Su sitio web oficial todavía describe a la empresa como un laboratorio que avanza "en línea recta", con un solo objetivo y un solo producto: la superinteligencia segura.
Esto hace que cualquier discusión sobre su primer modelo sea especialmente significativa.
Sin embargo, desde el principio hay que aclarar una distinción clave:
Hasta el 7 de agosto de 2026, SSI no ha publicado ningún anuncio oficial en su sitio web confirmando el lanzamiento de un modelo en agosto.
El cronograma de agosto proviene de los comentarios de Baker, no de un comunicado oficial de SSI.
Si la información de Baker es precisa, esta sería la primera vez que el mundo exterior podría vislumbrar los logros técnicos de uno de los laboratorios de IA fronteriza más misteriosos y vigilados.
El primer modelo público de SSI podría presentarse en agosto
Este comentario clave se hizo casi de pasada dentro de una discusión más amplia sobre infraestructura de IA, demanda de semiconductores, aprendizaje continuo y aprendizaje eficiente en cuanto a muestras.
Baker sostiene que si los modelos pudieran aprender eficientemente después de su implementación, en lugar de depender principalmente de un preentrenamiento a gran escala, el panorama económico de la IA fronteriza podría cambiar significativamente.
Al explicar esta posibilidad, indicó que SSI ha manifestado que "lanzará" un modelo en agosto.
Esta declaración deja muchas incógnitas sin resolver.
No nos dice:
- Cómo se llama el modelo
- Si estará disponible públicamente para descarga
- Si se ofrecerá acceso a través de una API
- Si es una vista previa de investigación o un producto comercial
- Si es un modelo de lenguaje en el sentido tradicional
- Si utiliza arquitectura Transformer
- Si admite aprendizaje continuo
- Si es la "superinteligencia segura" que SSI persigue
- Si el cronograma de agosto sigue
sin cambios
El artículo fuente interpreta esta declaración como el primer lanzamiento de modelo de SSI.
Es una interpretación razonable, pero el formato específico del lanzamiento sigue siendo desconocido.
SSI siempre se ha descrito de manera diferente a las empresas típicas de productos de IA
La declaración de misión oficial de SSI es inusualmente directa.
La empresa afirma que fue fundada para perseguir la superinteligencia segura, sin verse afectada por:
- Ciclos de productos
- Presiones comerciales a corto plazo
- Gastos generales de gestión
- Múltiples líneas de productos en competencia
Su hoja de ruta pública no es una serie de chatbots, herramientas de programación, productos de búsqueda o servicios empresariales.
Su hoja de ruta declarada es la propia superinteligencia segura.
Por eso la declaración de agosto ha generado tanta especulación.
Si SSI lanzara un modelo fronterizo tradicional antes de alcanzar la superinteligencia, esto podría indicar que la estrategia de producto de la empresa ha cambiado.
Si el modelo es solo una demostración de la investigación que SSI ha estado desarrollando, entonces el lanzamiento podría estar destinado a mostrar progreso, más que a presentar una plataforma comercial amplia.
Por ahora, ambas interpretaciones siguen siendo especulativas.
El aprendizaje continuo es la historia más importante detrás de los comentarios de Baker
La frase sobre el lanzamiento del modelo apareció en medio de la discusión de Baker sobre aprendizaje continuo y aprendizaje eficiente en cuanto a muestras.
Estos dos temas de investigación podrían ser más importantes para la economía de la IA que cualquier resultado de punto de referencia.
¿Qué es el aprendizaje continuo?
Los modelos fundacionales típicos se entrenan en grandes fases.
El proceso simplificado es el siguiente:
- Recopilar un corpus de entrenamiento muy grande.
- Preentrenar el modelo en ese corpus.
- Afinar o hacer postentrenamiento del modelo.
- Implementar el modelo.
- Crear periódicamente nuevas versiones del modelo mediante entrenamiento adicional.
Los modelos implementados pueden usar la información en su ventana de contexto o memoria externa, pero sus pesos subyacentes generalmente no se actualizan continuamente a partir de cada interacción.
El aprendizaje continuo persigue un objetivo mucho más ambicioso.
Un sistema de aprendizaje continuo adquiere capacidades o conocimientos útiles a lo largo del tiempo, sin necesidad de reconstruirse desde cero y sin olvidar catastróficamente el conocimiento ya existente.
Esto requiere resolver varios desafíos:
- Aprender de un flujo constante de nuevas experiencias
- Distinguir la retroalimentación útil del ruido
- Evitar el olvido catastrófico
- Prevenir que interacciones maliciosas dañen el modelo
- Mantener la alineación mientras el modelo cambia
- Evaluar sistemas cuyo comportamiento evoluciona con el tiempo
- Controlar qué experiencias se permiten para actualizar el modelo
Por lo tanto, un modelo que pueda aprender continuamente en el mundo real sería mucho más que un chatbot con memoria a largo plazo.
¿Qué es el aprendizaje eficiente en cuanto a muestras?
La eficiencia de muestras es la capacidad de aprender a partir de menos ejemplos.
Los humanos generalmente pueden entender una nueva regla después de ver una o dos demostraciones.
Los modelos fronterizos actuales a menudo requieren cantidades extremadamente grandes de datos de entrenamiento y potencia computacional para lograr mejoras amplias de capacidades.
Un modelo con mayor eficiencia de muestras podría extraer más valor de aprendizaje de cada elemento:
- Interacciones de usuario
- Resultados de herramientas
- Observaciones del entorno
- Simulaciones
- Experimentos
- Correcciones
- Demostraciones
Si el
aprendizaje continuo y la eficiencia de muestras mejoran juntos, el papel del preentrenamiento podría cambiar.
En lugar de construir casi todas las capacidades antes de la implementación, los laboratorios podrían entrenar un modelo fundacional robusto y luego permitir que mejore continuamente a través de la experiencia.
La hipótesis de Baker: las necesidades de entrenamiento podrían convertirse en una parte menor de la computación de IA
Baker relaciona esta dirección de investigación con la demanda de semiconductores.
Su idea básica es:
Preentrenamiento masivo de una sola vez
↓
Implementación del modelo
↓
El modelo aprende eficientemente de experiencias del mundo real
↓
Reducción de la necesidad de reentrenamientos masivos repetidos
En este escenario, el preentrenamiento fronterizo tradicional podría convertirse en una parte menor de la computación total de IA.
La inferencia y el aprendizaje continuo podrían volverse más importantes.
Beck describe esto como una posible brecha en las necesidades de entrenamiento.
Este es un argumento de inversión, no una conclusión técnica confirmada.
Para que este escenario se haga realidad, deben cumplirse varias condiciones:
- El aprendizaje continuo debe funcionar de manera confiable a escala de frontera.
- Los modelos deben poder aprender información útil de relativamente pocas interacciones.
- El nuevo aprendizaje no debe destruir las capacidades existentes.
- La seguridad y la alineación deben mantenerse estables a medida que los sistemas cambian.
- El aprendizaje en línea debe ser más económico que el reentrenamiento periódico.
- El sistema final aún debe beneficiarse del despliegue a gran escala.
Aun así, la demanda computacional total no necesariamente disminuiría.
Un modelo que se vuelve significativamente más útil después del despliegue podría generar más demanda de inferencia, actividad de agentes, simulaciones, generación de datos y cargas de trabajo de aprendizaje por refuerzo.
La estructura de la capacidad de cómputo podría cambiar, pero el mercado total no necesariamente se contraería.
La cantidad de tokens de entrenamiento debe considerarse como datos ilustrativos, no como puntos de referencia literales
El artículo fuente repite una comparación numérica llamativa de la discusión de Beck: los ejemplos de modelos tempranos rondaban decenas de miles de millones de tokens, mientras que la escala de entrenamiento moderna alcanza cientos de billones.
Esta comparación no debe considerarse como datos históricos verificados del entrenamiento de Llama.
La documentación oficial de Meta indica:
- LLaMA 7B utilizó aproximadamente 1 billón de tokens para su entrenamiento.
- LLaMA 33B y 65B utilizaron aproximadamente 1,4 billones de tokens para su entrenamiento.
El propio Beck indicó que las cifras más pequeñas eran información de oídas, no estadísticas formales de fichas de modelo.
Del mismo modo, los laboratorios de frontera no revelan el número completo de tokens de entrenamiento para cada modelo propietario actual.
Incluso sin depender de la comparación exacta de "20 mil millones contra 300 billones", el punto central sigue siendo válido:
El desarrollo de modelos de frontera depende cada vez más de conjuntos de datos masivos y grandes cantidades de cómputo; por lo tanto, si un avance permitiera que los sistemas desplegados aprendieran eficientemente de una cantidad mucho menor de experiencia nueva, podría alterar sustancialmente el panorama económico de la infraestructura de IA.
Qué significa esto para NVIDIA
NVIDIA
se beneficia de múltiples cargas de trabajo de inteligencia artificial diferentes:
- Preentrenamiento
- Postentrenamiento
- Aprendizaje por refuerzo
- Generación de datos sintéticos
- Inferencia
- Ejecución de agentes
- Razonamiento de contexto largo
- Simulación
- Incrustaciones y recuperación
- Generación de video y multimodal
Una reducción en una categoría no implica automáticamente una disminución en la demanda total de aceleradores.
Esto es precisamente por lo que Beck describe el aprendizaje continuo como un escenario que vale la pena someter a pruebas de estrés, no como una predicción que considera definitiva.
La caída de las acciones de IA es el trasfondo de la discusión
Beck grabó esta conversación durante un período de debilidad significativa en las acciones relacionadas con la IA.
En la publicación en redes sociales donde promocionó la entrevista, indicó que el "sector de IA" había caído aproximadamente un 35% a 40% desde su máximo de junio en el momento de la grabación.
Fuentes de BAAI compararon la velocidad de esta corrección con comprimir el mercado bajista de 2022 en un período de tiempo más corto.
El objetivo de Beck en la conversación era buscar evidencia para determinar si la lógica de inversión subyacente de la IA se había deteriorado.
Discutió los siguientes indicadores:
- Precios de GPU
- Demanda de inferencia
- Progreso de modelos de código abierto
- Demanda de semiconductores
- Gasto de capital
- Progreso tecnológico continuo
Su argumento no es que el mercado no pueda caer más.
Más bien, es que una verdadera brecha tecnológica — como el aprendizaje continuo eficiente — podría ser más importante para la lógica de cómputo a largo plazo que las fluctuaciones de precios de acciones a corto plazo.
Gavin Beck ha seguido a NVIDIA y la industria de semiconductores durante décadas
La fuente pasó una cantidad considerable de tiempo explicando por qué los comentarios de Beck sobre SSI llamaron la atención.
Beck no es empleado ni portavoz oficial de SSI.
Es un inversor de mercado público.
Actualmente se desempeña como socio gerente y director de inversiones de Atreides Management, empresa que fundó en 2019.
Anteriormente, trabajó en Fidelity Investments de 1999 a 2017.
Sus cargos allí incluyeron:
- Analista de semiconductores
- Gestor de cartera
- Gestor de cartera OTC de Fidelity
- Capital de riesgo
Su trayectoria de largo plazo en semiconductores es especialmente relevante para esta discusión porque Beck ha seguido a NVIDIA a lo largo de múltiples eras de la computación.
Estas eras incluyen:
- Gráficos para PC
- GPU para juegos
- CUDA
- Criptomonedas
- Entrenamiento de aprendizaje profundo
- Inferencia de IA
- Sistemas de centros de datos
- Fábricas de IA
En la conferencia GTC de NVIDIA en 2026, Jensen Huang presentó públicamente a Beck como el primer inversor institucional importante de NVIDIA.
Esta afirmación se puede verificar de forma independiente a través de los registros de las presentaciones magistrales del propio GTC de NVIDIA.
Por qué importan las redes de contactos
La fuente también destacó la amplia red de contactos de Beck en empresas tecnológicas, fundadores, inversores y el ecosistema de semiconductores.
Estos canales podrían explicar por qué los participantes del mercado toman en serio un comentario casual sobre SSI.
Pero esto no equivale a que dicha declaración sea tratada como un anuncio corporativo.
El nivel de evidencia correcto es:
| Fuente | Fiabilidad sobre la fecha de lanzamiento de SSI |
|---|---|
| Anuncio oficial de SSI | Máxima |
| Declaraciones directas de Ilya Sutskever o del liderazgo de SSI | Muy alta |
| Anuncio conjunto de NVIDIA que mencione el lanzamiento | Alta si es específico |
| Gavin Baker describiendo lo que dijo SSI | Declaración de segunda mano creíble |
| Reenvíos en redes sociales de los comentarios de Baker | De segunda mano |
| Especulación anónima | Baja |
Hasta el 7 de agosto, la evidencia permanece en el nivel de "declaración de segunda mano creíble".
SSI ha recaudado miles de millones de dólares pero no ha publicado un modelo público
El secretismo de SSI es una de las razones por las que las expectativas externas son inusualmente altas.
La empresa fue fundada en junio de 2024 por:
- Ilya Sutskever
- Daniel Gross
- Daniel Levy
Sutskever cofundó anteriormente OpenAI y se desempeñó como su científico jefe.
SSI recaudó inicialmente aproximadamente mil millones de dólares.
Según informes, una ronda de financiación posterior a finales de 2025 recaudó otros 2 mil millones de dólares, valorando la empresa en aproximadamente 32 mil millones.
En julio de 2026, NVIDIA y SSI anunciaron una nueva asociación estratégica.
Reuters informó posteriormente, citando fuentes, que la inversión de NVIDIA fue de aproximadamente 5 mil millones de dólares, aunque ambas compañías solo indicaron que la inversión era significativa y no revelaron la cifra financiera específica en el anuncio oficial.
Esta combinación es inusual en la industria:
- Miles de millones en financiación
- Valoración privada extremadamente alta
- Equipo de investigación relativamente pequeño
- Sin línea de modelos pública
- Investigación publicada muy escasa
- Sin hoja de ruta de producto convencional
El resultado es que el valor percibido de la empresa depende en gran medida de la confianza en su equipo de investigación y la posibilidad de que su enfoque difiera sustancialmente de la trayectoria dominante de los modelos de frontera.
NVIDIA ahora ha visto la investigación estrictamente confidencial de SSI
El anuncio NVIDIA–SSI del 27 de julio proporciona una de las señales públicas más fuertes de que SSI cree haber entrado en una nueva fase.
NVIDIA declaró que entró en esta colaboración después de obtener acceso poco común a la investigación estrictamente confidencial de SSI.
Ambas compañías anunciaron:
- NVIDIA realizó una inversión a gran escala en SSI.
- SSI tendrá acceso a la plataforma NVIDIA Vera Rubin.
- La colaboración ampliará la capacidad de cómputo de SSI en aproximadamente un orden de magnitud.
- SSI y NVIDIA colaborarán en futuras plataformas de cómputo.
Sutskever indicó que SSI posee investigaciones "que merecen ser escaladas".
El anuncio aún no revela:
- Arquitectura del modelo
- Métodos de entrenamiento
- Técnicas de seguridad
- Pruebas comparativas
- Fecha de lanzamiento
- Nombre del modelo
Pero sí confirma que SSI ha pasado de la exploración pura a escalar una dirección de investigación que considera prometedora.
Vera Rubin proporciona a SSI una mayor base computacional
La plataforma Vera Rubin de NVIDIA es la próxima arquitectura de computación de IA de la compañía.
NVIDIA afirma que Rubin mejora:
- El rendimiento de entrenamiento
- El rendimiento de inferencia de agentes
- La eficiencia energética
- El costo por token
- La red a gran escala
Específicamente en cuanto a SSI, el anuncio oficial de la colaboración señala que la combinación de inversión y acceso a Vera Rubin aumentará la capacidad computacional de la empresa en un orden de magnitud.
De ahí proviene la afirmación ampliamente difundida de "10 veces más cómputo".
Las palabras importan.
NVIDIA no dijo que SSI recibiría exactamente 10 veces más GPUs.
Dijo que la colaboración
aumentará la capacidad computacional general de SSI en un orden de magnitud.
¿Puede la colaboración con NVIDIA respaldar un lanzamiento en agosto?
El momento genera especulación natural.
La línea de tiempo es la siguiente:
| Fecha | Evento |
|---|---|
| Junio de 2024 | Se funda SSI |
| 2024–2025 | SSI recauda miles de millones de dólares |
| 27 de julio de 2026 | SSI y NVIDIA anuncian una asociación estratégica a largo plazo |
| 27 de julio de 2026 | NVIDIA indica que SSI tendrá acceso a Vera Rubin y aproximadamente 10 veces más cómputo |
| 4 de agosto de 2026 | Los comentarios de Gavin Baker sobre un modelo de agosto comienzan a difundirse ampliamente |
| 7 de agosto de 2026 | No hay anuncios públicos de lanzamiento de un modelo de SSI |
La colaboración con NVIDIA podría respaldar un próximo lanzamiento de modelo o una futura fase de expansión.
Actualmente no hay evidencia pública de que este acuerdo de hardware se haya firmado específicamente para respaldar un lanzamiento en agosto.
Una conclusión más sólida es:
La colaboración proporciona a SSI una infraestructura significativamente ampliada al mismo tiempo que un inversor influyente sugiere que la empresa podría lanzar un modelo, pero la conexión entre estos eventos aún no ha sido explicada oficialmente.
La observación de "Claude como el Walter Cronkite de Wall Street"
Luego, la fuente pasó de SSI a una observación más amplia de Baker sobre la IA y los mercados financieros.
Comparó a Claude con Walter Cronkite — el influyente periodista de televisión estadounidense asociado con un alto grado de confianza pública en la era de la transmisión televisiva.
El punto de Baker no es que Claude realmente determine la verdad del mercado.
Describe una posible pérdida de diversidad en el análisis financiero.
Antes de la IA generativa
Un informe de ganancias complejo, un documento de política de semiconductores o un anuncio regulatorio podrían ser interpretados de manera independiente por:
- Miles de analistas
- Gestores de carteras
- Operadores
- Expertos de la industria
- Periodistas
- Economistas
Estas personas generarían desacuerdos.
Diferentes supuestos producirían diferentes perspectivas de mercado.
Después de la IA generativa
Ahora, muchos participantes del mercado podrían enviar el mismo documento al mismo pequeño grupo de modelos de vanguardia.
Hacen preguntas similares:
¿Qué significa esto?
¿Es alcista o bajista?
¿Qué empresas se benefician?
¿Cuáles son los efectos de segundo orden?
¿Qué cambió en comparación con las expectativas?
Si muchas personas dependen en gran medida del mismo modelo, podrían obtener marcos analíticos similares y conclusiones similares.
Esto podría crear un consenso mediado por modelos.
Por qué importa la homogeneización del análisis
Los mercados financieros dependen del desacuerdo.
Compradores y vendedores tienen diferentes:
- Horizontes temporales
- Información
- Modelos
- Supuestos
- Tolerancias al riesgo
- Interpretaciones
Si una gran parte del análisis se estandariza a través del mismo sistema de IA, podrían ocurrir varias cosas:
- La velocidad de reacción aumenta.
- El consenso se forma antes.
- Operaciones similares se ejecutan al mismo tiempo.
- Los movimientos de precios se vuelven más volátiles.
- Las oportunidades contrarias podrían aparecer antes.
- Los errores en la interpretación de un solo modelo podrían difundirse ampliamente.
Baker describe esto como una disminución de la diversidad analítica.
Es una hipótesis interesante, no una regla empírica comprobada de los mercados modernos.
La IA también puede aumentar la diversidad
Existe otra posibilidad.
Las herramientas de IA pueden
permitir que un analista pruebe más escenarios, revise más documentos, traduzca más fuentes y cuestione el consenso más rápido.
Los usuarios también pueden comparar los resultados de modelos o herramientas como:
- Claude
- ChatGPT
- Gemini
- Modelos de pesos abiertos
- Modelos financieros especializados
- Agentes de investigación internos personalizados
Si la IA aumenta o disminuye la diversidad del mercado depende de cómo la usen las personas.
El riesgo está en delegar el juicio al mismo modelo sin verificación independiente.
Qué podría revelar un modelo de SSI
Si SSI efectivamente lanza un modelo en agosto, las preguntas más interesantes podrían no ser las estándar de los rankings.
Naturalmente, la gente comparará en términos de:
- Razonamiento
- Capacidad de programación
- Habilidad matemática
- Tareas de agentes
- Rendimiento en contexto largo
- Comprensión multimodal
Pero la misión declarada de SSI hace que varias preguntas más profundas sean más relevantes.
1. ¿Puede aprender continuamente?
Los comentarios de Baker aparecieron en una discusión sobre aprendizaje continuo.
Esto no prueba que el modelo de SSI mostrará capacidad de aprendizaje continuo.
Si lo hace, los investigadores querrían saber:
- ¿Qué cambia después del despliegue?
- ¿Se actualizan los pesos en línea?
- ¿El aprendizaje es gradual o continuo?
- ¿Cómo se controla el olvido?
- ¿Cómo se filtran los comentarios maliciosos?
- ¿Cómo se evalúan las actualizaciones?
2. ¿Es más eficiente en cuanto a muestras?
Si SSI encontró una manera de aprender más con menos ejemplos, esto podría afectar la economía del entrenamiento.
La evidencia sólida requiere evaluaciones transparentes, no anécdotas.
3. ¿Qué significa "seguridad" técnicamente?
SSI afirma que la seguridad y la capacidad deben progresar juntas.
Un lanzamiento crearía una oportunidad para mostrar qué significa esto en la práctica.
Las áreas posibles incluyen:
- Alineación
- Interpretabilidad
- Robustez
- Supervisión escalable
- Resistencia adversarial
- Auto-mejora controlada
- Uso seguro de herramientas
SSI aún no ha divulgado públicamente cuáles de estos mecanismos definen su enfoque.
4. ¿Es un producto o un hito de investigación?
Una API pública indicaría una dirección de producto.
Un artículo, una demostración, un benchmark o un lanzamiento de investigación limitado significaría algo diferente.
Hasta que SSI hable por sí misma, el término "lanzamiento de modelo" es demasiado vago para responder esta pregunta.
Por qué este rumor importa incluso antes de un lanzamiento
SSI es uno de los pocos laboratorios frontera cuya premisa fundacional es explícitamente: evitar la competencia de productos ordinaria hasta que su objetivo de investigación central esté listo.
Esto convierte un lanzamiento en algo más que una prueba de calidad del modelo.
Pondrá a prueba varias creencias que rodean a la empresa desde 2024:
- Un equipo pequeño y de élite puede competir con laboratorios más grandes
- Una organización centrada en la investigación puede evitar ciclos de productos rápidos
- La seguridad y la capacidad pueden desarrollarse juntas
- Una dirección de investigación diferente puede justificar financiamiento de miles de millones de dólares
- El progreso fronterizo no requiere simplemente recorrer más rápido el mismo camino de escala
La colaboración con NVIDIA eleva las expectativas porque NVIDIA afirma que vio los resultados de investigación de SSI antes de comprometer capital significativo y la próxima generación de cómputo.
Los comentarios de Baker añaden un posible marco temporal.
Ninguno de los dos nos dice qué es realmente este modelo.
Qué está confirmado, qué está reportado y qué sigue siendo desconocido
Confirmado
- SSI fue fundada por Ilya
Sutskever, Daniel Gross y Daniel Levy en 2024.
- SSI ha declarado públicamente que su único objetivo y producto es la superinteligencia segura.
- NVIDIA y SSI anunciaron una asociación estratégica a largo plazo el 27 de julio de 2026.
- NVIDIA afirmó que la colaboración aumentará la capacidad computacional de SSI en aproximadamente un orden de magnitud.
- NVIDIA afirmó que obtuvo acceso poco común a la investigación altamente confidencial de SSI antes de establecer la asociación.
- Gavin Baker es socio gerente y director de inversiones de Atreides Management.
- Jensen Huang describió a Baker en GTC 2026 como el primer inversor institucional importante de NVIDIA.
Reportado por Gavin Baker
- SSI ha indicado que planea lanzar un modelo en agosto.
Aún no confirmado públicamente por SSI
- Fecha de lanzamiento exacta
- Nombre del modelo
- Arquitectura
- Número de parámetros
- Cantidad de tokens de entrenamiento
- Resultados de benchmarks
- Modos de acceso
- Precios
- Licencias
- Capacidad de aprendizaje continuo
- Afirmaciones de eficiencia de muestras
- Si el lanzamiento en sí pertenece a un sistema de superinteligencia
Preguntas frecuentes
¿Lanzará Safe Superintelligence Inc. un modelo en agosto de 2026?
Gavin Baker declaró en una entrevista reciente que SSI ha indicado que lanzará un modelo en agosto. Hasta el 7 de agosto de 2026, SSI no ha publicado ningún anuncio oficial en su sitio web que confirme esa fecha.
¿Será este el primer modelo público de SSI?
Si se lanza un modelo, sería la primera aparición pública de un modelo o sistema de nivel de producto de SSI. Desde su fundación, la empresa ha operado de manera prácticamente confidencial y no ha publicado una línea regular de modelos.
¿Se confirma que el modelo de agosto de SSI es superinteligente?
No. La misión oficial de SSI es construir superinteligencia segura, pero no hay información pública que confirme que el rumoreado modelo de agosto haya alcanzado ese nivel. Las capacidades, arquitectura, puntos de referencia y formato de lanzamiento del modelo siguen siendo desconocidos.
¿Qué es el aprendizaje continuo en IA?
El aprendizaje continuo se refiere a la capacidad de un sistema para seguir aprendiendo de nuevas experiencias a lo largo del tiempo, sin necesidad de reentrenarse repetidamente desde cero y sin olvidar capacidades previas. El aprendizaje continuo fiable sigue siendo un tema de investigación activo, especialmente para modelos grandes ya desplegados.
¿Por qué el aprendizaje continuo podría afectar la demanda de GPU?
Si los modelos desplegados pudieran aprender de manera eficiente con el tiempo, parte del cómputo podría pasar de un preentrenamiento periódico a gran escala hacia inferencia, aprendizaje en línea, simulación y postentrenamiento. Esto cambiaría la composición de la demanda de aceleradores, pero no necesariamente reduciría la demanda total de cómputo en IA.
¿Ha invertido NVIDIA en Safe Superintelligence Inc.?
Sí. NVIDIA y SSI anunciaron formalmente una inversión significativa y una asociación estratégica a largo plazo en julio de 2026. Reuters informó que el monto de la inversión ronda los 5 mil millones de dólares, aunque ambas empresas no revelaron las cifras financieras en el anuncio oficial.
¿Qué aporta la colaboración con NVIDIA Vera Rubin a SSI?
NVIDIA ha indicado que SSI tendrá acceso a su plataforma de próxima generación Vera Rubin y que esta colaboración aumentará la capacidad de cómputo de SSI en aproximadamente un orden de magnitud. Ambas empresas también desarrollarán conjuntamente futuras plataformas de cómputo.
¿Quién es Gavin Baker?
Gavin Baker es socio gerente y director de inversiones de Atreides Management.
Anteriormente trabajó en Fidelity Investments durante casi dos décadas. En la conferencia GTC de NVIDIA en 2026, Jensen Huang lo describió como el primer inversor institucional importante de NVIDIA.
Herramientas relacionadas
- Safe Superintelligence Inc.: Sitio web oficial de SSI, fuente principal de su misión, descripción corporativa y futuros anuncios públicos.
- NVIDIA Vera Rubin: Plataforma de cómputo de IA de próxima generación de NVIDIA que respaldará la infraestructura ampliada de SSI.
- Atreides Management: Empresa de inversión de Gavin Baker, cuyo perfil oficial detalla su trayectoria invirtiendo en semiconductores y tecnología.
- NVIDIA On-Demand: Archivo oficial de discursos de apertura, sesiones técnicas y transcripciones de GTC.
- Meta Llama: Sitio oficial de la familia de modelos de Meta, útil para consultar información pública sobre entrenamiento y arquitectura al comparar afirmaciones sobre el tamaño de modelos históricos.
Enlaces relacionados
- Sitio web oficial de Safe Superintelligence: Declaración oficial de SSI; la empresa tiene un solo objetivo y un solo producto: superinteligencia segura.
- Colaboración estratégica entre NVIDIA y SSI: Anuncio oficial de NVIDIA del 27 de julio de 2026, que cubre su inversión en SSI, acceso a Vera Rubin y expansión de cómputo.
- Comunicado de prensa para inversores de NVIDIA sobre la colaboración con SSI: Versión para relaciones con inversores del mismo anuncio oficial de colaboración.
- Gavin Baker — Atreides Management: Perfil oficial de Baker, que cubre su cargo en Atreides y su carrera previa en Fidelity.
- Transcripción del discurso de apertura de NVIDIA GTC 2026: Transcripción oficial del discurso de apertura, en el que Jensen Huang se refirió a Baker como el primer inversor institucional importante de NVIDIA.
- OfficeChai: Gavin Baker afirma que SSI podría lanzar su modelo en agosto: Cobertura secundaria que conserva la parte de la discusión de Baker sobre aprendizaje continuo.
- Meta: Presentación de LLaMA: Registro oficial de Meta que indica que el modelo LLaMA original se entrenó con aproximadamente 1 a 1,4 billones de tokens, útil para contextualizar la discusión sobre cantidades de tokens.
Resumen
Gavin Baker ofreció la primera pista pública creíble sobre el calendario de lanzamiento de Safe Superintelligence, al afirmar que SSI planea presentar un modelo en agosto de 2026. Hasta el 7 de agosto, la propia SSI no ha confirmado públicamente ese cronograma, por lo que la fecha debe seguir considerándose una afirmación de medios, no un anuncio oficial de lanzamiento.
Este comentario es relevante en parte por su contexto. Baker hablaba sobre aprendizaje continuo y aprendizaje eficiente en cuanto a muestras, líneas de investigación que podrían desplazar parte del cómputo de IA desde grandes
Hoy en día, el ámbito de los modelos está dominado por preentrenamientos cada vez más grandes y avanza hacia sistemas que puedan seguir aprendiendo tras su despliegue.
SSI acaba de cerrar además una importante alianza estratégica con NVIDIA. Este acuerdo formal le da acceso a los sistemas Vera Rubin, lo que se espera que multiplique su capacidad de cómputo por aproximadamente un orden de magnitud, y NVIDIA ha indicado que decidió cerrar esta colaboración tras obtener acceso especial a la investigación privada de SSI.
El hecho clave de hoy no es que SSI haya confirmado el lanzamiento de una superinteligencia, sino que un inversor con contactos excepcionalmente amplios ha indicado que su primer modelo podría estar finalmente cerca — y que la empresa cuenta ahora con recursos de cómputo sustancialmente mayores para escalar lo que ha estado construyendo.