Si tu coche falla, puedes comprar otro.
O abrir el capó y buscar qué demonios le pasa.
Con la inteligencia artificial nos hemos acostumbrado a pedir modelos más grandes, más datos y más entrenamiento.
Pero unos investigadores del MIT han probado algo que merece atención:
Pedirle a una IA que abra el capó de otra.
En su trabajo preliminar sobre Weight-Space Programming, un modelo de lenguaje analiza y modifica los pesos de otras redes: los números que determinan cómo funcionan.
Uno de los experimentos resulta especialmente interesante.
Un modelo pequeño se atascaba en bucles de razonamiento. Daba vueltas y vueltas sin terminar.
La IA modificó el 0,016 % de sus parámetros. Según los autores, sus aciertos en una prueba matemática pasaron del 7,9 % al 48,1 %.
La tentación es anunciar que una IA acaba de fabricar inteligencia.
Conviene pisar el freno.
Lo que hizo fue corregir un atasco que impedía aprovechar capacidades que el modelo ya tenía. Y cuando probaron con otro modelo sin ese problema, las mejoras matemáticas no llegaron.
Es un resultado preliminar. Falta comprobar cuánto escala, cuánto cuesta y qué efectos secundarios puede provocar.
Pero deja una pregunta estupenda para cualquier empresa:
¿Y si parte de tu problema no fuera la capacidad que te falta, sino el atasco que no has identificado?
Más herramientas. Más presupuesto. Más formación.
Todo eso puede ayudar.
También puede salir carísimo si lo que necesitabas era abrir el capó.
La innovación empieza muchas veces ahí.
En entender qué falla antes de comprar lo siguiente.
🌍 El Eco del Mercado
🏗️ Los centros de datos pierden en las urnas. En 33 de las 45 consultas locales estadounidenses relacionadas con estas instalaciones, los resultados favorecieron restricciones, moratorias o candidatos críticos. La infraestructura de la IA empieza a encontrar en la oposición ciudadana un límite tan importante como la energía, los chips o el capital.
⚡ Microsoft renuncia a duplicar su capacidad con Nscale. La compañía no ejercerá una opción para añadir unos 500 megavatios al campus que Nscale construye en Texas, aunque mantiene el contrato original. La demanda de computación continúa creciendo, pero los grandes compradores empiezan a seleccionar con más cuidado qué promesas de capacidad convierten en contratos.
📉 Wall Street empieza a descontar el rechazo a los centros de datos. Las cotizadas del sector retrocedieron después de los resultados electorales estadounidenses. UBS estima que cerca del 30 % de la capacidad prevista para 2028 podría verse amenazada por pausas y restricciones: financiar la infraestructura ya no basta si las comunidades no permiten construirla.
⚖️ El Pentágono prepara un mapa legal para los laboratorios de IA. La nueva Super Intelligence Task Force publicará en una o dos semanas una recopilación de las leyes y regulaciones que ya se aplican a los desarrolladores estadounidenses. Antes de crear nuevas reglas, Washington quiere aclarar cuáles de las existentes puede exigir.
🗳️ Los comités políticos de la IA descubren los límites del dinero. Los grupos favorables y críticos con una regulación estricta gastaron millones en las elecciones legislativas estadounidenses con resultados desiguales. La industria puede financiar candidatos, pero todavía no ha convertido su agenda sobre IA en votos seguros.
🏛️ OpenAI ya prepara la batalla política de 2028. Su responsable global de políticas, Chris Lehane, considera que las próximas presidenciales determinarán la orientación estadounidense sobre IA. Los laboratorios ya no esperan a que llegue la regulación: intentan definir el lenguaje con el que se debatirá.
💸 Apple recorta el presupuesto interno para utilizar IA. Según Bloomberg, la compañía habría reducido de 300 a 200 dólares el límite diario de algunos ingenieros, con topes inferiores en otros equipos. La adopción empresarial entra en una fase más exigente: cada petición al modelo tendrá que justificar su coste con productividad real.
🌍 Sequoia repliega dos décadas de expansión. La firma cerrará su oficina de Londres, la aceleradora Arc y el programa Scouts, además de integrar sus equipos de inversión inicial y crecimiento. Sequoia dispone de más capital, pero quiere desplegarlo desde una organización más pequeña y concentrada.
🤖 Meta compra Conductor para reforzar la programación con agentes. La startup desarrolla espacios de trabajo capaces de coordinar varios agentes de programación; no se han comunicado las condiciones de la operación. Su servicio en la nube cerrará el 20 de noviembre, trasladando talento y tecnología desde una herramienta independiente hacia una gran plataforma.
🚕 Los agentes apenas consiguen reservar un Uber. Durante la semana de Halloween, Uber registró solo cuatro viajes y alrededor de 500 pedidos de comida iniciados mediante agentes, frente a unos 320 millones de operaciones totales. Poder automatizar una tarea no basta: el agente debe mejorar una experiencia que ya resulta rápida y sencilla.
🏫 DuckDuckGo aprovecha el rechazo escolar a la IA de Google. La compañía ofrece a los centros educativos un buscador sin respuestas generativas y ayuda para abandonar Google. En determinados mercados, la próxima ventaja competitiva puede no consistir en añadir más IA, sino en permitir eliminarla por completo.
🎞️ ChatGPT convierte imágenes estáticas en GIF. OpenAI despliega Images 2.6, con generación de animaciones, edición por fotogramas y mejoras de velocidad. La compañía asegura que sus usuarios crean más de 4.000 millones de imágenes semanales, mientras la competencia visual se desplaza de la imagen estática hacia el movimiento.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD1. Si te ha picado la curiosidad por saber qué ocurre bajo el capó, apunta:
Inteligencia artificial, de Ramón López de Mántaras y Pedro Meseguer.
Inteligencia artificial: guía para seres pensantes, de Melanie Mitchell.
How AI Works, de Ronald T. Kneusel.
Para entender cómo aprenden, dónde tropiezan y por qué conviene pensárselo antes de atribuirles superpoderes.
Y si además quieres sacar la caja de herramientas:
Inside Deep Learning, de Edward Raff: matemáticas y código para estudiar las piezas del motor.
PD2: Entender cómo funciona una máquina tiene su interés. Pero, antes de entender sus redes neuronales, a mí me vale con que me quite trabajo de casa. Por ejemplo, este planchador automático de camisas. Tú le colocas la camisa. Él pone el aire caliente.