Si tuviera 17 años, aprendería a construir LLMs desde cero
La afirmación de un destacado inversor de que, si hoy tuviera 17 años, aprendería a construir modelos de lenguaje grandes desde cero, desata un debate sobre qué tipo de habilidades deberían priorizar realmente los jóvenes. Muchos ven el conocimiento profundo de LLMs como “fundamentos” valiosos y un análogo moderno de aprender compiladores o sistemas operativos, enfatizando la curiosidad y la profundidad técnica por encima del beneficio profesional inmediato. Otros sostienen que entrenar LLMs exige mucho capital y datos, ofrece pocas oportunidades laborales directas frente al uso de modelos existentes y refleja sesgo de supervivencia y privilegio; sugieren centrarse en fundamentos más amplios de informática, oficios prácticos o simplemente en adquirir experiencia vital y equilibrio.
Reacción general al consejo
- El tuit se debate ampliamente: algunos ven “aprender a construir LLMs desde cero a los 17” como algo inspirador, otros como irrealista o desconectado de la realidad.
- Muchos sostienen que el tuit se plantea como una reflexión personal, pero se lee implícitamente como consejo prescriptivo para adolescentes.
- Varios comentaristas objetan que inversores ricos les digan a los adolescentes cómo pasar su juventud, especialmente cuando se presenta en términos de startup/riqueza.
Valor de aprendizaje frente a valor práctico
- Muchos apoyan construir un LLM de juguete como proyecto de aprendizaje:
- Profundiza la comprensión de los fundamentos de la IA, desmitifica la “caja mágica”.
- Analogías: escribir un SO diminuto, un navegador, un compilador o un motor de juegos que nunca competirá con sistemas de producción, pero te convierte en un mejor ingeniero.
- Otros dicen que la mecánica de bajo nivel “no es tan compleja” y puede aprenderse en semanas; la parte difícil es el escalado, los datos y los sistemas, a los que una persona no puede acceder de forma realista.
Cómputo, datos y accesibilidad
- Hay un fuerte desacuerdo sobre la viabilidad:
- Un bando: puedes entrenar modelos de menos de mil millones de parámetros o ajustar modelos pequeños en GPUs de consumo o con presupuestos modestos en la nube; es excelente para experimentar.
- El otro bando: cualquier cosa “interesante” o competitiva requiere muchísimo cómputo, hardware caro (por ejemplo, GPUs/TPUs de gama alta) y enormes conjuntos de datos, en su mayoría en manos de empresas.
- Varios comentaristas jóvenes señalan que incluso alquilar recursos en la nube es demasiado caro para ellos, lo que hace que la experimentación seria sea inaccesible.
Carreras, startups y mercado laboral
- Muchos dicen que muy pocas empresas hacen preentrenamiento real de LLMs; la mayor parte del trabajo es ajuste fino, infraestructura o “usar” modelos mediante APIs.
- Algunos sostienen que la demanda de verdaderos investigadores de LLMs es pequeña, con altas barreras académicas/de credenciales y una competencia intensa.
- Otros responden que:
- Entender los LLMs da ventaja para futuros modelos especializados, infraestructura y startups de IA aplicada.
- Hay cada vez más trabajo en ajuste fino, optimización, MLOps y sistemas específicos de dominio.
Sesgo de supervivencia y crítica del ecosistema
- Varios comentarios señalan el sesgo de supervivencia: el consejo de inversores muy exitosos puede no generalizar y a menudo minimiza la suerte, la riqueza y las conexiones.
- Algunos expresan una desilusión más amplia con el ecosistema startup/VC, el hype de la IA y el mensaje de que “todo el mundo debería perseguir unicornios”.
Consejos alternativos para personas de 17 años
- Alternativas sugeridas:
- Aprender matemáticas, fundamentos de informática o métodos de ML más antiguos primero.
- Centrarse en oficios, negocios locales, salud u otras carreras estables.
- Priorizar la vida social, la salud mental, la exploración y la curiosidad amplia por encima de optimizar para startups o una sola tecnología de moda.