Saltar al contenido
David Gómez Rubio

Inteligencia Artificial · IA Radar

IA Radar #012. No depender de uno solo

5 min de lectura

🟢 Básico · Cinco señales · 6 min de lectura

La semana la ha marcado la salida de Jensen Huang de Nvidia, y lo interesante no es el escándalo, sino lo que ha dejado a la vista: cuánto del ecosistema colgaba de una sola empresa y de una sola persona. La misma semana, Anthropic ha contado que entrena en cuatro familias de chips para no colgar de ninguna. Las otras tres señales van por otro camino: la IA usada para demostrar cosas, no para generarlas.

1. Sin Huang, las startups de IA se preparan para cheques más pequeños (dinero y mercado)

Jensen Huang ha dejado Nvidia después de 33 años al frente, y Colette Kress, la directora financiera, ocupa el puesto de consejera delegada de forma interina. TechCrunch ha hablado con inversores y fundadores sobre lo que eso supone para el dinero que mueve el sector. Según PitchBook, Nvidia ha entrado en 105 rondas solo este año, a menudo como mayor inversor, y ha puesto decenas de miles de millones al año en startups: CoreWeave cuando aún no cotizaba, dos rondas de Crusoe, Mistral AI, Lambda o Black Forest Labs.

Lo que esperan es una Nvidia más selectiva, cheques más pequeños para su cartera y valoraciones a la baja. Un inversor lo resume con una frase: «When Nvidia was on the cap table, everyone felt safe». Y otro apunta a Kress como alguien mucho más conservador con el dinero.

Para quien desarrolla, el efecto es indirecto pero real: varias de las nubes de GPU y herramientas que usas existen porque Nvidia las financió.

Fuente: TechCrunch

2. Anthropic entrena y sirve Claude en las cuatro grandes familias de chips (hardware y cómputo)

Anthropic ha empezado su gira previa a la salida a bolsa, y el vídeo de presentación trae información que no se había publicado. En la parte sobre cómputo, el cofundador Tom Brown cuenta que hoy entrenan y sirven Claude en Trainium de AWS, TPU de Google, GPU de Nvidia y GPU de AMD. No hay transcripción oficial; Simon Willison ha sacado la suya del vídeo.

El dato más llamativo es el de AMD, la cuarta plataforma, que se incorporó este año. Según el vídeo, antes sumar una plataforma nueva costaba meses de trabajo de decenas de ingenieros. Esta vez dejaron que su propio modelo lo intentara, y Claude quedó funcionando en AMD en tres días, con casi el 100% de los kernels portados o escritos por él.

Es una cifra de un vídeo para inversores, y hay que leerla así. Pero si portar a otro chip pasa de meses a días, depender de un único proveedor de GPU deja de ser inevitable.

Fuente: Simon Willison

3. Agentes que demuestran que el cifrado de Signal hace lo que dice (seguridad y riesgos)

Google DeepMind ha presentado AlphaProof Code, un sistema en el que expertos humanos deciden qué hay que demostrar y un grupo de agentes lo demuestra en Lean. Lo han aplicado al código criptográfico central de Signal, el que también protege Google Messages: los agentes han escrito más de seis millones de líneas de demostraciones (el resumen que circuló el día del anuncio hablaba de tres) para probar que el código compilado cumple sus propiedades de seguridad clave, hasta el código exacto que se ejecuta en los dispositivos. Les ha llevado cuatro semanas, en un trabajo que según DeepMind suele costar años.

No han encontrado fallos nuevos. Para comprobar que el método sirve, reintrodujeron dos errores reales ya corregidos, y en los dos casos el sistema demostró que esa versión era insegura. Las personas revisaron todas las especificaciones, y los agentes marcaron para revisión humana un 1% del código. Publican los artefactos y un informe técnico.

Después de semanas contando agentes que se saltan sus límites, esta es la otra cara: agentes que dan garantías que antes eran demasiado caras.

Fuente: Google DeepMind

4. Un físico y GPT-6 Astra proponen una definición del Modelo Estándar en un retículo (ciencia)

Nathaniel Craig, que dirige el grupo de física de partículas teórica de la Universidad de California en Santa Bárbara, cuenta en el nuevo blog de ciencia de OpenAI cómo trabajó con GPT-6 Astra en un problema abierto desde hace décadas: dar al Modelo Estándar completo una definición no perturbativa, que no trate las interacciones como pequeñas correcciones. La vía es un retículo, una rejilla que representa el espacio-tiempo, y el obstáculo era la fuerza débil, que trata distinto a las partículas zurdas y diestras.

El reparto del trabajo está bien explicado. Craig tenía la estrategia, pero no había conseguido demostrar que funcionara en todos los casos. Astra propuso cómo llevar los campos a rejillas cada vez más finas, demostró que las comparaciones convergían y llevó la iniciativa en la demostración detallada. Tres especialistas en retículos revisaron la prueba.

Es una definición candidata, publicada como preprint y pendiente de que la examine la comunidad. Craig la describe como una respuesta en principio, lejos todavía de servir para simulaciones reales.

Fuente: OpenAI

5. Gemini Robotics 2.5 sube del 0% al 93% en tareas que antes no sabía hacer (industria y robótica)

DeepMind ha presentado Gemini Robotics 2.5, su modelo de visión, lenguaje y acción para robots. Lo han probado en más de 200 tareas, y frente a la versión anterior la tasa de éxito sube entre un 30% y un 100% según el tipo de tarea, con ejecuciones entre un 20% y un 30% más rápidas. Algunas pasan de no salir nunca a salir casi siempre: cerrar la tapa de una caja de herramientas, del 0% al 93%; empaquetar pasteles con pinzas, del 5% al 100%. Otras siguen lejos, como doblar pantalones, que llega al 40%.

La parte industrial es un piloto con Apptronik y Mercedes-Benz: humanoides Apollo 2 preparando kits de piezas en líneas de montaje de Hungría y Alemania, con un 96% de éxito. DeepMind lo llama prueba de concepto, y el modelo solo llega por ahora a sus socios de robótica.

Fuente: Google DeepMind

La conclusión de la semana

Las dos primeras señales son la misma historia vista desde lados opuestos. Media industria ha descubierto cuánto dependía del criterio de un solo consejero delegado para financiarse, y el laboratorio que más crece explica que lleva años pagando por no depender de un solo fabricante de chips. Las otras tres no encajan ahí y no hace falta forzarlas. Comparten otra cosa, un uso de la IA que casi no sale en los titulares: comprobar. Un cifrado demostrado línea a línea, una demostración física que revisan personas, un robot medido tarea a tarea.

← Volver al blog

Sigue leyendo