Tenían 20 años, estaban terminando la universidad o todavía cursaban un doctorado cuando participaron en algunos de los trabajos que hoy sostienen la inteligencia artificial. Matemáticos competitivos, lingüistas, programadores e investigadores de sistemas terminaron concentrándose alrededor de un mismo campo. Aidan Gomez, Zi Lin, Shunyu Yao, Luo Fuli, Yang Zhilin, Alexandr Wang y Tri Dao forman parte de una generación difícil de definir formalmente, pero que muestra hasta qué punto la IA se convirtió en un poderoso atractor de talento joven excepcional.
Cuando Google publicó en 2017 Attention Is All You Need, el trabajo que introdujo la arquitectura Transformer sobre la que posteriormente se construirían sistemas como ChatGPT, uno de sus ocho autores todavía era estudiante universitario. Aidan Gomez tenía 20 años y realizaba una estancia en Google Brain. Según ha contado posteriormente, el equipo terminó el artículo de madrugada mientras él permanecía acostado en un sofá de las oficinas de Google. Seis años después, aquella arquitectura estaba detrás de la explosión mundial de inteligencia artificial generativa y Gomez dirigía Cohere, la compañía que había cofundado para desarrollar grandes modelos de lenguaje.
El caso parece extraordinario, pero no es único. Durante la última década, una cantidad notable de investigadores y emprendedores que apenas comenzaban sus carreras terminó involucrada en algunos de los componentes fundamentales de la nueva inteligencia artificial: arquitecturas de modelos, razonamiento, agentes, modelos abiertos, eficiencia de cómputo y datos de entrenamiento. No pertenecen exactamente a la misma generación, ni todos fueron niños prodigio en sentido estricto. Algunos provenían de competencias académicas, otros de programas universitarios extraordinariamente selectivos y otros simplemente comenzaron a producir investigación de alto nivel a edades poco habituales.
“La generación prodigio de la IA” es, por tanto, una etiqueta editorial, no una categoría científica. Pero permite observar un fenómeno real: la IA se convirtió en uno de los grandes centros de gravedad para jóvenes que probablemente, en otra época, habrían terminado dispersos entre matemáticas, lingüística, física, informática, sistemas o investigación académica.
Aidan Gomez: 20 años cuando llegó el Transformer
Aidan Gomez representa quizá el ejemplo más claro. Cuando apareció el Transformer en 2017 todavía estudiaba informática en la Universidad de Toronto y trabajaba como becario en Google Brain. Su nombre quedó incluido junto con Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Łukasz Kaiser e Illia Polosukhin en uno de los artículos científicos más influyentes de la historia reciente de la computación.
La importancia del Transformer tardaría algunos años en hacerse evidente fuera de los laboratorios. Su mecanismo de atención permitió procesar relaciones entre partes de una secuencia de una manera altamente paralelizable y terminó proporcionando la arquitectura básica de los grandes modelos de lenguaje contemporáneos. Gomez no permaneció en Google: en 2019 cofundó Cohere, compañía de la que actualmente es director ejecutivo y que se ha especializado en modelos y sistemas de IA para empresas y gobiernos. Su trayectoria resume algo que después se repetiría: un estudiante pasa casi directamente de aprender cómo funciona un campo a participar en la construcción de la siguiente etapa del campo.
Zi Lin: de la lingüística en Pekín a Vicuna
Zi Lin llegó desde otro lugar. Estudió lingüística computacional en el Departamento de Lengua y Literatura China de la Universidad de Pekín, una formación que combinaba humanidades y ciencias de la computación. Tras graduarse en 2019 pasó por Microsoft Research Asia y después ingresó como AI Resident en Google Research. Más tarde, mientras realizaba su doctorado en UC San Diego, fue investigadora estudiante en Google DeepMind y trabajó como becaria en el equipo de IA generativa de Meta.
En 2023 apareció su nombre entre los autores de Vicuna, el chatbot abierto construido por investigadores de LMSYS que sorprendió durante los primeros meses posteriores al lanzamiento de ChatGPT. El proyecto mostró que un grupo relativamente pequeño de investigadores universitarios podía adaptar modelos abiertos y construir un chatbot capaz de competir, al menos en determinadas evaluaciones, con sistemas comerciales mucho más costosos.
Zi Lin resulta especialmente importante para entender esta generación porque rompe la imagen de la IA como territorio exclusivo de matemáticos precoces. Su puerta de entrada fue el lenguaje. Su investigación posterior se ha concentrado precisamente en capacidades lingüísticas, razonamiento y alineación con valores humanos. La IA absorbió también a lingüistas.
Shunyu Yao: cuando los modelos empezaron a pensar y actuar
Otro de los perfiles más representativos apareció justo antes del boom generativo. Mientras realizaba su doctorado en Princeton, Shunyu Yao desarrolló junto con otros investigadores ReAct, un método que proponía que los modelos de lenguaje intercalaran razonamiento con acciones sobre herramientas o fuentes externas. En lugar de limitarse a producir una respuesta, el modelo podía razonar, consultar información, observar el resultado y continuar. El trabajo apareció inicialmente en 2022 y fue publicado en ICLR en 2023.
Un año después fue primer autor de Tree of Thoughts, que permitió a los modelos explorar múltiples rutas de razonamiento, evaluarlas y retroceder cuando una alternativa resultaba poco prometedora. La idea anticipó buena parte de la discusión actual sobre modelos que deliberan, utilizan herramientas y operan como agentes.
Yao pasó posteriormente por OpenAI y actualmente es chief AI scientist de Tencent, donde participa en la estrategia de agentes y modelos de la compañía. En junio de 2026 apareció junto con el vicepresidente sénior Dowson Tong presentando la nueva plataforma de agentes de Tencent.
Su trayectoria tiene algo particularmente representativo del nuevo ecosistema: ideas que hace apenas cuatro años eran artículos académicos sobre cómo combinar “razonar” y “actuar” se han convertido en una de las principales líneas de producto de las compañías tecnológicas más grandes del mundo.
Luo Fuli y un laboratorio cuya edad promedio es 25 años
En China, el fenómeno es todavía más visible. Luo Fuli, nacida en 1995 y formada en la Universidad de Pekín, trabajó en DeepSeek antes de incorporarse a Xiaomi. En marzo de 2026 apareció como responsable de MiMo, el equipo que desarrolló MiMo-V2-Pro, un modelo diseñado específicamente para cargas de trabajo de agentes. Reuters identificó a Luo como antigua investigadora de DeepSeek y responsable actual del laboratorio de modelos de Xiaomi.
Pero el dato más revelador quizá no sea su edad, sino la de quienes trabajan con ella.
Cuando Xiaomi anunció que invertiría al menos 60,000 millones de yuanes (8 mil 700 millones) en inteligencia artificial durante los siguientes tres años, su director ejecutivo, Lei Jun, informó que la edad promedio del equipo MiMo era de apenas 25 años. Más de la mitad de sus integrantes tenía doctorado o procedía de las universidades de Pekín y Tsinghua.
Aquí la “generación prodigio” deja de ser una sucesión de casos individuales y comienza a parecer una estructura de producción: una de las mayores compañías tecnológicas de China está colocando miles de millones de dólares detrás de un laboratorio cuya plantilla tiene, en promedio, la edad de estudiantes recién graduados.
Yang Zhilin: del laboratorio universitario a construir Kimi
Yang Zhilin representa otra transición: del investigador joven a fundador de un laboratorio capaz de competir directamente con las grandes tecnológicas. Durante su doctorado en Carnegie Mellon participó en dos trabajos importantes anteriores al boom actual. En 2019 fue coautor principal de Transformer-XL, una arquitectura diseñada para que los Transformers pudieran manejar dependencias más largas, y posteriormente encabezó XLNet, desarrollado con investigadores de Carnegie Mellon y Google Brain. Ese mismo año completó su doctorado en tecnologías del lenguaje.
En 2023 fundó Moonshot AI, creadora de Kimi. Tres años después, Moonshot se había convertido en uno de los laboratorios de IA más observados de China y preparaba una posible salida a bolsa en Hong Kong. En julio de 2026 tuvo incluso que suspender temporalmente nuevas suscripciones después de que la demanda por su modelo Kimi K3 excediera su capacidad de cómputo.
La trayectoria de Yang ilustra otro cambio importante: durante décadas, un investigador que producía trabajos de ese nivel podía aspirar a una carrera académica excepcional o a incorporarse a un laboratorio corporativo. En el ecosistema actual puede crear directamente su propio laboratorio, levantar miles de millones de dólares y competir con Alibaba, Tencent, Google u OpenAI.
Alexandr Wang: construir las palas de la fiebre del oro
No todos los integrantes de esta generación son investigadores. Alexandr Wang tenía 19 años cuando abandonó MIT y cofundó Scale AI en 2016. Desde adolescente había participado en competencias nacionales de matemáticas y programación y a los 17 años ya trabajaba como ingeniero de software. Scale comenzó proporcionando el trabajo necesario para etiquetar los enormes conjuntos de datos utilizados por sistemas de conducción autónoma y después se convirtió en uno de los principales proveedores de datos y evaluaciones para la industria de inteligencia artificial.
Su papel resulta conceptualmente distinto al de Gomez o Yao. Wang no inventó una arquitectura fundamental de modelos. Comprendió precozmente otra necesidad: las máquinas necesitaban cantidades gigantescas de trabajo humano organizado para aprender. En 2025, Meta pagó 14 mil 300 millones de dólares por 49% de Scale AI y llevó a Wang, entonces de 28 años, a encabezar sus esfuerzos de superinteligencia. Actualmente es director de IA de Meta.
La operación dejó una medida bastante extraordinaria del valor que la industria asigna al talento. Meta no sólo quería una empresa de datos: fuentes consultadas por Reuters señalaron que una de las principales motivaciones de la transacción era conseguir al propio Wang para dirigir su nueva organización.
Tri Dao: hacer que todo corra más rápido
La historia de Tri Dao es menos conocida fuera de la ingeniería de IA, pero ayuda a comprender por qué esta generación no está formada únicamente por quienes construyen modelos.
Durante su doctorado en Stanford desarrolló FlashAttention, una forma de calcular atención aprovechando mejor la jerarquía de memoria de los aceleradores. La idea no cambiaba lo que un Transformer podía hacer conceptualmente; hacía que pudiera hacerlo de manera considerablemente más eficiente.
FlashAttention terminó integrada en herramientas como PyTorch, Transformers y Diffusers de Hugging Face, DeepSpeed de Microsoft y Megatron-LM de Nvidia. Según el currículum académico de Dao, ha sido utilizada en sistemas de organizaciones como Meta, Microsoft, Nvidia, OpenAI y Stability AI.
Es una contribución menos visible que un chatbot, pero extraordinariamente importante: cuando millones de personas utilizan modelos Transformer, parte de la velocidad y del costo de esos sistemas depende de innovaciones desarrolladas por investigadores que todavía estaban formando su carrera académica.
Ilya Sutskever: el precursor que quería construir inteligencia desde adolescente
Ilya Sutskever pertenece a una generación ligeramente anterior a la mayoría de los protagonistas de esta historia, pero resulta difícil dejarlo fuera. Su trayectoria contiene casi todos los elementos que después se repetirían: talento detectado muy pronto, fascinación adolescente por la inteligencia, acceso temprano a investigadores excepcionales y una carrera que terminó absorbida completamente por la construcción de máquinas capaces de aprender.
Sutskever se interesó por las computadoras desde niño y, según recuerda la Universidad de Toronto, siendo adolescente ya pensaba en la posibilidad de construir sistemas con capacidades semejantes a las humanas. Entró al programa de matemáticas de la universidad directamente desde Grade 11 y comenzó a cursar materias avanzadas. Después se acercó al laboratorio de Geoffrey Hinton, quien recordaría que las primeras observaciones del joven estudiante sobre aprendizaje automático coincidían con ideas a las que investigadores experimentados habían tardado mucho más tiempo en llegar.
Como estudiante de doctorado, Sutskever trabajó junto con Hinton y Alex Krizhevsky en AlexNet, la red neuronal que en 2012 obtuvo una ventaja extraordinaria en reconocimiento de imágenes y ayudó a desencadenar la adopción moderna del deep learning. Más tarde, ya en Google Brain, participó en el desarrollo de modelos sequence-to-sequence, una arquitectura que resultaría fundamental para traducción automática y para la evolución posterior de los sistemas que procesan lenguaje.
En 2015 cofundó OpenAI y terminó convirtiéndose en su científico jefe. Allí participó en la etapa durante la cual los grandes modelos de lenguaje pasaron de ser investigación experimental a productos utilizados por cientos de millones de personas.
Su historia también muestra cuánto cambió el campo en una sola carrera profesional. El adolescente que se preguntaba si una computadora podía aprender terminó dedicando su vida a construir sistemas capaces de hacerlo y, después, a preocuparse por lo que ocurriría si aprendían demasiado bien.
Tras salir de OpenAI en 2024, Sutskever creó Safe Superintelligence (SSI) con una misión deliberadamente extrema: desarrollar una superinteligencia segura sin distraerse con productos comerciales intermedios. En julio de 2026, SSI anunció una alianza de largo plazo con Nvidia que le permitirá aumentar aproximadamente diez veces su capacidad de cómputo mediante la plataforma Vera Rubin; Nvidia también realizó una inversión en la empresa.
Sutskever funciona así como una especie de figura bisagra de la generación prodigio. Es suficientemente mayor para haber participado en el inicio del deep learning moderno y suficientemente cercano al boom actual para seguir compitiendo en su frontera. Después de él llegarían investigadores que ya entrarían al campo cuando las redes neuronales habían dejado de ser una apuesta marginal y empezaban a convertirse en la tecnología dominante de su época.
Un enorme campo gravitacional
Estos perfiles no prueban que la inteligencia artificial tenga algún monopolio sobre el talento excepcional. Tampoco justifican tratar a cada investigador joven como un “genio”. Pero juntos muestran un desplazamiento difícil de ignorar.
La matemática, la informática competitiva, los sistemas, la lingüística y la investigación académica siguen produciendo especialistas. Lo que ha cambiado es que una cantidad extraordinaria de esas trayectorias termina convergiendo en inteligencia artificial.
La explicación no es misteriosa. La IA ofrece problemas intelectuales todavía abiertos, acceso a algunas de las infraestructuras científicas más costosas jamás construidas, posibilidad de convertir trabajos académicos en productos utilizados por millones de personas y cantidades de capital que pocas áreas de investigación pueden igualar. Un investigador puede publicar un artículo y, pocos años después, ver la idea integrada en sistemas comerciales globales.
También puede recibir ofertas económicas extraordinarias. Meta, OpenAI, Google y Anthropic mantienen actualmente una competencia feroz por investigadores de élite. Reuters ha documentado paquetes de compensación valorados en cientos de millones de dólares y operaciones corporativas diseñadas, en parte, para adquirir equipos completos de investigadores sin comprar formalmente sus empresas.
El talento se ha convertido en infraestructura estratégica.
En junio de 2026, cuando John Jumper —ganador del Nobel por su trabajo en AlphaFold— dejó Google DeepMind para incorporarse a Anthropic, un analista describió a Reuters el mercado de forma sencilla: existe tanta demanda por un número limitado de investigadores de IA de frontera que los grandes laboratorios están dispuestos a hacer prácticamente lo necesario para conseguirlos.
Esa guerra incluye científicos consagrados, pero comienza mucho antes. Empieza en universidades, olimpiadas, doctorados y pequeños grupos de investigación donde personas de veintitantos años todavía están decidiendo qué problema vale la pena resolver.
La generación que llegó justo a tiempo
Hay algo particular en el momento histórico de estos investigadores. Aidan Gomez llegó a Google cuando el Transformer todavía no existía. Zi Lin comenzó sus estudios antes de que los grandes modelos de lenguaje fueran productos de consumo. Shunyu Yao empezó a trabajar en agentes antes de que “agente” se convirtiera en una de las palabras más utilizadas por las compañías tecnológicas. Luo Fuli y Yang Zhilin pertenecen a la generación que convirtió a China en un segundo gran polo de desarrollo de modelos. Tri Dao encontró un cuello de botella de infraestructura antes de que ejecutar Transformers a escala global se convirtiera en un problema económico de cientos de miles de millones de dólares.
No sabían necesariamente que estaban entrando en el sector tecnológico dominante de la década. Llegaron cuando todavía era un problema de investigación. Ese quizá sea el rasgo que mejor define a la generación prodigio de la IA: no simplemente que fueran jóvenes y talentosos, sino que una tecnología todavía en formación los encontró exactamente en el momento en que ellos también estaban formando sus carreras.
Y después ocurrió algo poco habitual en la historia de la ciencia: el campo creció casi tan rápido como ellos.
En menos de una década, artículos de doctorado se convirtieron en productos globales; estudiantes pasaron a dirigir laboratorios multimillonarios; y técnicas desarrolladas en universidades terminaron debajo de sistemas utilizados diariamente por cientos de millones de personas.
La inteligencia artificial no sólo está acumulando chips, centros de datos y capital. También está acumulando una parte desproporcionada de las personas jóvenes que alguna vez pudieron haber elegido estudiar otra cosa.
