El enrutamiento de chips es uno de los problemas más duros del diseño — y un modelito está ganándole a los gigantes

Tom Tunguz escribe sobre el enrutamiento de chips, el rompecabezas 3D de tender miles de cables entre pines metálicos sin que se crucen ni se dupliquen. Las empresas de chips han gastado billones en software para resolverlo. Es el tipo de problema que la gente asume que necesita un AI grande — los de escala ChatGPT — pero el experimento BFTS muestra que un modelito, de cien milésimas del tamaño, lo está haciendo mejor con la receta de entrenamiento adecuada.

La prueba está en los números. Un modelito empezó resolviendo solo 12 puzzles de 5,008. Después de 30 minutos de entrenamiento, llegó a 85 — siete veces mejor. Por primera vez, resolvió un puzzle completo, los seis cables en su lugar. Una versión más grande del mismo modelo se rompió al inicio, pero el diagnóstico es claro: un bug de configuración conocido, no un problema de capacidad. Una prueba de $15 está corriendo para confirmar el fix.

La apuesta es real. BFTS está argumentando que los modelos pequeños y enfocados, entrenados con el objetivo correcto, le ganan a los gigantes generalistas en problemas especializados. El modelo de 7M va a open-source. El de 35M está cocinando detrás de escena con un nuevo objetivo RL — ya dejó de copiar demostraciones y ahora juega Tetris 3D contra sí mismo, encontrando caminos de cable que no habría descubierto por imitación. Esta es la diferencia entre memorizar y razonar.

Por qué nos importa: la próxima ola de AI no es sobre modelos más grandes — es sobre el modelo correcto, entrenado bien, haciendo trabajo real en el mundo, y la puerta open-source a eso se está abriendo ahora.