Wei, Tay et al. (2022) definieron así el término: una habilidad es emergente si no está presente en modelos más chicos pero sí en modelos más grandes, de modo que no puede predecirse extrapolando el desempeño de los chicos (2022, sec. 2). El gráfico típico muestra un desempeño cercano al azar durante varios órdenes de magnitud de cómputo y luego un salto: en aritmética de tres dígitos, GPT-3 despega recién hacia los 2 × 10²² FLOP, unos 13.000 millones de parámetros (2022, sec. 3). El artículo de GPT-3 ya mostraba algo parecido: el modelo de 13.000 millones suma números de dos cifras bien solo la mitad de las veces; el de 175.000 millones, siempre (Brown et al., 2020, sec. 3.9.1). Los autores enmarcan la idea en el lema de Philip Anderson (1972): «more is different».
Schaeffer et al. (2023) propusieron que se trata de un espejismo (mirage). Más del 92 % de las habilidades emergentes de BIG-Bench aparecen con métricas de todo o nada, como la coincidencia exacta; con métricas continuas, las mismas curvas se vuelven suaves y predecibles (2023, sec. 1). La aritmética lo muestra: si un modelo acierta cada token con probabilidad p, acierta una respuesta de 10 tokens con probabilidad p¹⁰.
p = 0,5 → 0,001 · p = 0,8 → 0,11 · p = 0,9 → 0,35 · p = 0,99 → 0,90
Una mejora gradual por token se ve, medida en respuestas enteras, como un salto. Los críticos del espejismo replican que a nadie le sirve una suma con el 80 % de los dígitos bien: la métrica discontinua puede ser justamente la que importa.
El debate toca un concepto filosófico cargado (emergencia). Krakauer et al. (2026) distinguen entre capacidades emergentes, que un sistema complejo manifiesta («more is different»), e inteligencia emergente, que consistiría en usar esas capacidades de manera cada vez más económica («less is more»). ¿Un salto en un gráfico es una propiedad nueva del sistema o de nuestra manera de mirarlo? La pregunta importa también para la seguridad: si las habilidades aparecen sin aviso, las leyes de escalamiento no alcanzan para anticiparlas.