Lecciones aladas
Diario de Innovación #254
Hay ideas que llegan desde laboratorios de élite, centros de datos con el zumbido de miles de GPUs o papers imposibles de leer sin un buen café doble. Y luego están las que llegan desde un animal que la mayoría evita, ignora o considera un estorbo urbano.
La historia de hoy pertenece a este segundo tipo.
Y lo más desconcertante es que cambia por completo la narrativa habitual del progreso tecnológico.
Las maestras invisibles de la visión artificial
Durante décadas, asumimos que la inteligencia sólo podía estudiarse mirando hacia arriba: al cerebro humano, a la cognición “superior”, al lenguaje elaborado, a la abstracción pura.
Pero la ciencia, cuando se despista, a veces tropieza con la realidad en los lugares más improbables: un palomar.
Investigadores del MIT descubrieron que las palomas tenían una capacidad absurda para reconocer patrones visuales. No patrones simples, sino complejos:
Distinguir palabras reales de palabras inventadas.
Diferenciar estilos artísticos.
Identificar tumores en radiografías con una precisión que avergonzó a más de un radiólogo.
Clasificar estímulos visuales que, en teoría, requerían “capacidad conceptual”.
Esto obligó a revisar un supuesto básico: quizá la inteligencia no emerge solo del pensamiento simbólico, sino de cómputos distribuidos, paralelos, repetitivos… justo como las arquitecturas de redes neuronales que hoy sostienen la IA moderna.
No fue un salto directo, no hay un paper titulado “Gracias a esta paloma inventamos el deep learning”, pero sí hubo una intuición compartida: cuando algo tan simple en apariencia resuelve algo tan complejo, la arquitectura importa… y mucho.
La visión por computador aprendió de ahí una lección que tendemos a olvidar: la naturaleza lleva millones de años haciendo lo que nosotros llevamos apenas una década intentando replicar.
De los tejados a los chips
El paralelismo es casi poético:
Las palomas procesan miles de estímulos visuales por segundo.
Las GPU procesan miles de operaciones paralelas por ciclo.
Ambas funcionan con una lógica parecida: muchas unidades simples trabajando juntas, sin grandilocuencia, sin “conciencia” y sin necesidad de pose, pero resolviendo problemas de enorme complejidad.
A veces parecemos obsesionados con reinventarlo todo desde cero, como si el mundo natural no fuera un gigantesco laboratorio en ejecución continua.
Y sin embargo, desde las alas anónimas de una paloma hasta el zumbido de un servidor en un data center, hay una línea evolutiva que conduce al machine learning que hoy damos por hecho.
Mirar más al mundo y menos al hype
Quizá esta sea la lección profunda que nos deja esta historia: La inteligencia artificial no nació en un laboratorio aislado ni en el PowerPoint de un CEO visionario.
Nació observando cómo el mundo resuelve problemas: la biología, la evolución, el caos, el azar… y sí, también los animales que picotean migas en la plaza.
En un momento en el que la conversación tecnológica parece secuestrada por valoraciones, burbujas, predicciones de trillions y discursos mesiánicos, conviene frenar un segundo.
Volver a lo sencillo.
A lo vivo.
A lo que funciona.
Las palomas no especulan.
No levantan rondas.
No prometen AGI antes de fin de año.
Solo… resuelven.
Y quizás por eso, sin saberlo, nos han ayudado a construir la infraestructura cognitiva del siglo XXI.
Food for thought
En un mundo dominado por grandes modelos, centros de datos gigantescos y carreras geopolíticas, es fácil olvidar que algunos de los mejores insights aparecen fuera de los focos.
La naturaleza sigue siendo una fuente inagotable de soluciones.
Mirar a una paloma no nos hará mejores ingenieros, pero recordar cómo procesa el mundo puede ayudarnos a poner los pies en la tierra.
A veces, los verdaderos maestros no vuelan muy alto.
Lo hacen a ras de suelo.
⚡️ Pulso Digital
La factura real de la IA (en GPUs, empleos y neuronas)
💓 Latido del día
OpenAI necesita dinero como si no hubiera mañana, DeepMind sigue defendiendo que escalar modelos da resultados “al menos un año más”, y HP anuncia hasta 6.000 despidos ligados a la adopción de IA.
La narrativa habla de disrupción, productividad y AGI; las hojas de cálculo hablan de capex, energía y gente que se queda fuera.
La IA ya no es solo un reto tecnológico: es una nueva política industrial donde la pregunta clave es quién paga la factura… y quién se queda sin silla cuando pare la música.
Mientras tanto, Andrej Karpathy levanta en un fin de semana un “comité de AIs” capaz de leer un libro, debatirlo y entregar una síntesis. Una demostración mínima, pero clarísima, de los workflows de conocimiento que vienen: menos “yo leo todo”, más “yo orquesto expertos sintéticos que leen por mí”.
La novedad no es el código, sino el cambio de rol: pasamos de ser ejecutores a convertirnos en directores de orquesta.
🌍 El eco del mercado
China abarata la electricidad para sus campeones de IA. Pekín ha lanzado subvenciones que pueden reducir a la mitad la factura eléctrica de algunos de los mayores data centers del país, convirtiendo el coste de la energía en ventaja competitiva directa frente a Estados Unidos y Europa en la carrera de chips y modelos propios.
España se desengancha de las OPVs tecnológicas. Menos salidas a bolsa y más preferencia por deuda o mercados externos. Sin un parqué competitivo, la economía digital pierde una vía natural de liquidez.
Android tiene una función prodigiosa… que casi nadie activa. El historial de notificaciones es oro en un mundo de infoxicación. La productividad, a veces, está en explotar lo que ya tienes.
Apps que responden por ti: tú editas, no escribes. La mensajería se automatiza por debajo. La pregunta es cuánto de lo que enviamos sigue siendo realmente “nuestro”.
Flux.2 entra en la guerra del arte sintético. Black Forest Labs quiere competir con Midjourney, pero la batalla real se juega en la integración con pipelines creativos y de producto.
GM pierde a su jefe de IA en plena travesía eléctrica. El talento se mueve hacia la “IA física”: robots, fábricas, vehículos. Justo cuando el coche eléctrico pasa de hype a problema operativo.
Privacidad: queremos privacidad… pero no tanto. Seguimos entregando datos a cambio de comodidad. El problema no es el usuario, son los incentivos: qué hacen las plataformas con nuestra atención y qué coste real tiene decir “no”.
Starlink vs China: drones contra satélites. Un estudio chino habla de un enjambre de ~1.000 drones para intentar bloquear Starlink sobre Taiwán. El plan parece imposible, pero muestra el miedo real a perder el control de la conectividad.
China mira al espacio… y el mundo mira a China. Cohetes reutilizables como el Zhuque-3 y startups espaciales propias marcan el paso hacia una soberanía orbital que no dependa del “modelo SpaceX”.
💭 Pulso Final
Satélites que pueden inclinar una guerra, proveedores SaaS capaces de dejar a un país sin alertas, hyperscalers que exigen capital de escala estatal y cerebros que se reconfiguran por etapas…
La sensación al cerrar el día es de orquesta oculta: dependemos cada vez más de infraestructuras invisibles que no controlamos, pero que controlan todo lo demás.
Quizá la tarea de la década no sea elegir la “app” correcta, sino entender qué piezas no vemos en capas como las tecnológicas, políticas, biológicas, y cómo afectan a todo lo que damos por garantizado.
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.
Aquí te dejo unas lecturas para seguir tirando del hilo:
Como Mirar de Thich Nhat Hanh. Un pequeño manual para entrenar el acto más difícil en la era digital: observar de verdad.
The Surprising Complexity of Bird Brains de Scientific American. Una revisión magnífica sobre cómo la inteligencia animal desafía nuestras categorías.
Y como decía el gran, Paco Umbral, yo he venido aquí a hablar de mi libro. Así que como no, De la EGB a la AI del thin tank, Mundos Posibles. Una reflexión accesible y culturalmente cercana sobre cómo entender el salto generacional entre las tecnologías simples de nuestra infancia y la complejidad de la IA moderna.