Naomi Bashkansky dejó OpenAI por la apuesta de telepatía de Conduit

Why it matters

Conduit is applying the data-and-scale strategy behind frontier AI models to neural interfaces, betting that a large cross-person dataset can turn lab-grade decoding into a wearable product.

Naomi Bashkansky (@NaomiBashkansky) renunció a OpenAI el 23 de julio y se unió a Conduit al día siguiente como investigadora fundadora, pasando del alineamiento de modelos de frontera a una startup que intenta traducir registros cerebrales no invasivos a texto.

Bashkansky dio a conocer el movimiento en un hilo del 5 de agosto en X, escribiendo que Conduit está entrenando modelos para "leer la mente humana de forma no invasiva". En un relato más extenso publicado el 4 de agosto, llamó a la meta "telepatía" y predijo que el pensamiento podría convertirse en una manera principal en que las personas se comuniquen con sistemas de IA en unos pocos años.

El movimiento coloca a una investigadora de OpenAI detrás de uno de los intentos más agresivos por aplicar la estrategia de escalado de los modelos de lenguaje a las interfaces cerebro-computadora. La apuesta de Conduit es que recopilar datos neuronales de suficientes personas y entrenar modelos lo bastante grandes puede producir un decodificador que funcione con usuarios nuevos, sin requerir cirugía cerebral ni calibración extensa para cada persona.

Bashkansky dijo que pasó aproximadamente 18 meses en el equipo de alineamiento de OpenAI. Su trabajo allí también incluyó la presentación interna de incorporación a AGI de OpenAI, su blog de investigación sobre alineamiento y asesorar a la división AI Resilience de la OpenAI Foundation, según su relato. Estudió ciencias de la computación en Harvard después de crecer en el estado de Washington y competir en ajedrez, alcanzando el rango de Woman International Master antes de dejar de jugar de manera competitiva a los 15 años.

Ese trasfondo explica parte del cambio. Bashkansky entró en la IA a través de la investigación en seguridad tras encontrarse con GPT-3 y el libro Superintelligence de Nick Bostrom como estudiante de Harvard. En Conduit, persigue una versión distinta del mismo problema de control humano: una interfaz que permita a las personas un control de mayor ancho de banda sobre modelos cada vez más capaces.

Describió la investigación en OpenAI como trabajo sobre una parte estrecha de un problema técnico mayor, constreñida por una arquitectura ya establecida. Conduit le ofrece un conjunto de preguntas en terreno virgen que abarcan codificadores neuronales, datos sintéticos, entrenamiento multimodal y eficiencia de datos. También dijo que se unió por los cofundadores Rio Popper y Clem von Stengel, quienes han construido Conduit alrededor de la premisa de que la decodificación neuronal mejorará mediante la escala.

Conduit's dataset is the core asset

Conduit dijo en una publicación técnica de diciembre de 2025 que había recopilado aproximadamente 10,000 horas de datos neuronales y de lenguaje de miles de participantes durante seis meses. Los participantes usaron cascos multimodales personalizados mientras hablaban con o tecleaban a un sistema de IA durante sesiones de dos horas en la oficina de Conduit en San Francisco.

Conduit asoció las grabaciones neuronales con el texto o el audio producido por cada participante. El objetivo es entrenar modelos que predigan el contenido semántico de lo que un participante estaba preparando para decir o teclear. Conduit dijo que la ventana neuronal relevante termina antes de que comience la respuesta física del participante, un diseño pensado para separar la idea subyacente de las pulsaciones de teclas o el habla resultante.

La cifra de 10,000 horas y la afirmación de Conduit de que la colección es el mayor conjunto de datos neuro-lenguaje del mundo son declaraciones de la empresa. Conduit publicó tres ejemplos de predicción zero-shot que involucraban participantes no vistos previamente, pero no ha publicado una evaluación completa del modelo en un artículo revisado por pares. Esos ejemplos mostraron coincidencias semánticas aproximadas en lugar de una transcripción literal del pensamiento. "The room seemed colder," por ejemplo, fue predicho como "there was a breeze even a gentle gust."

Conduit construyó sus propios cascos combinando sensores de varios proveedores con componentes impresos en 3D. El hardware de entrenamiento pesa alrededor de cuatro libras, según la empresa, y está diseñado para densidad de datos en lugar de uso cotidiano. Conduit ha dicho que un dispositivo de inferencia orientado al consumidor necesitaría menos sensores y un factor de forma mucho más ligero.

El enfoque de la startup se centra en la generalización entre personas. Conduit limitó a los participantes a 10 sesiones para evitar que las visitas repetidas dominaran el conjunto de datos, y operó su montaje de recolección hasta 20 horas por día. Para diciembre, Conduit dijo que el entrenamiento de modelos consumía más del 95% de su trabajo.

Non-invasive decoding remains a hard technical problem

La investigación académica y corporativa ha establecido que los registros no invasivos pueden recuperar porciones del lenguaje percibido, imaginado o tecleado. Un estudio de 2023 en Nature Neuroscience reconstruyó el significado de lenguaje continuo a partir de grabaciones fMRI, aunque el experimento involucró a tres sujetos y requirió cooperación de cada persona.

La investigación Brain2Qwerty de Meta decodificó oraciones a partir de grabaciones EEG o MEG mientras los participantes tecleaban texto memorizado. Una actualización de junio de 2026 entrenó un sistema más nuevo con unas 22,000 oraciones de nueve voluntarios grabados 10 horas cada uno usando MEG, un instrumento de laboratorio grande y caro.

Conduit apuesta a que una base de participantes más amplia, varios métodos de detección neuronal y los conocimientos previos de los modelos de lenguaje pueden salvar la distancia entre la investigación controlada y un producto usable. Bashkansky dijo que las mediciones internas de Conduit muestran que la calidad de predicción mejora en una línea aproximadamente recta contra el logaritmo de las horas de entrenamiento. Ese resultado sigue siendo una medición interna, y Conduit no ha identificado la configuración de sensores que espera usar en un casco práctico.

La visión a corto plazo de Bashkansky parte de una intención ruidosa en lugar de una transcripción perfecta. Un decodificador podría inferir un comando aproximado, mientras un modelo de IA usa el contexto e historial del usuario para resolver la incertidumbre. Eso haría que el primer objetivo comercial se parezca menos a la lectura literal de la mente y más al control predictivo de un agente de IA.

Su movimiento le da a Conduit una investigadora formada dentro de un laboratorio de IA de frontera e implicada personalmente en mantener a los humanos en control de sistemas avanzados. También pone una fecha límite a la tesis técnica que se unió a probar: Bashkansky espera que la interacción con IA basada en el pensamiento se vuelva práctica en los próximos años, mientras que la evidencia pública de Conduit todavía consiste en resultados internos de escalado, un gran conjunto de datos propietario y un puñado de demostraciones.