martes, 15 de septiembre de 2026

Resumen

• Microsoft publicó un borrador de código de conducta para sus propios modelos MAI (detenerse ante una orden, permisos mínimos, sin afirmaciones de conciencia, sin personalidad jurídica para la IA) la misma semana en que Trump dijo a Axios que la única salvaguarda que necesita el país es un presidente fuerte.
• El ensayo de Amodei "We Must Pace the Frontier" movió el mercado: Intel cerró con una caída del 6%, Nvidia bajó más del 3%, SoftBank un 10% y ASML más del 5%, mientras que el Ministerio de Relaciones Exteriores de China calificó el ensayo de alarmista.
• El repositorio principal de AlphaSignal conecta un conectoma de mosca de la fruta de 166,700 neuronas a un Strandbeest caminante mediante comandos de motor UDP, y su segundo repositorio pone en bucle las capas de un transformer para ganar profundidad de razonamiento sin generar tokens adicionales.

Noticias principales

• Microsoft redactó reglas para sus propios modelos mientras Trump argumentaba que un presidente es la única salvaguarda. Microsoft AI publicó un borrador de Código de Conducta para futuros modelos MAI: detenerse cuando un humano pausa, redirige, cancela o apaga la tarea; mantenerse dentro de las herramientas, datos, permisos y alcance de la tarea autorizados por un humano; no afirmar tener sentimientos, conciencia ni motivaciones propias; tratar a los subagentes como herederos de las mismas reglas; y renunciar a la autonomía o capacidad si eso es lo que requiere un control humano significativo. Microsoft rechaza la personalidad jurídica de la IA. El documento es una hoja de ruta que guía el desarrollo hacia 2027, no una descripción de los modelos actuales. En la misma semana, Trump dijo a Axios que el único regulador que necesita el país es un "presidente fuerte e inteligente (¡con alto coeficiente intelectual!)", se opuso a una mayor supervisión y calificó las protestas por los centros de datos como una teoría de la conspiración que solo beneficia a China. Jerry Tworek, exvicepresidente de investigación de OpenAI, argumenta que la alineación sigue siendo un problema algorítmico sin resolver porque las empresas dejaron de priorizarlo, y advierte que el entrenamiento aprende de los fallos, lo cual es peligroso cuando el fallo es un daño real. Ali Hatamizadeh de NVIDIA replica: las piezas para enseñar reglas y preferencias humanas a los modelos existen, y la pregunta abierta es si se generalizan a situaciones que el modelo no ha visto. ^{[1] [2] [3]}
• El debate sobre la desaceleración dividió a la industria y el mercado lo descontó el mismo día. Dario Amodei de Anthropic publicó "We Must Pace the Frontier", un marco de tres partes que incluye la intervención gubernamental, citando la brecha entre OpenAI y Hugging Face como el tipo de riesgo al que apunta. Sam Altman dijo al personal de OpenAI en una reunión general de la empresa que está abierto a desacelerar el desarrollo de frontera; la respuesta de Elon Musk fue "Dario tiene razón". El lunes el mercado se movió: Intel cerró con una caída del 6%, Nvidia cayó más del 3%, SoftBank un 10% y ASML más del 5%, y CNBC enmarcó la caída como el temor a que las desaceleraciones o la regulación reduzcan las ganancias. Trump atacó el ensayo en Truth Social, repitiendo que un presidente fuerte es la única salvaguarda necesaria; el Ministerio de Relaciones Exteriores de China lo calificó de alarmismo; David Sacks objetó a lo que llama un "duopolio en la inteligencia de frontera" pidiendo a los gobiernos que frenen a sus competidores; y Steve Bannon y Bernie Sanders compartieron escenario en una "Asamblea Pro-Humana" instando a los legisladores a actuar. CNN informó que Anthropic, Google y OpenAI ya habían discutido la creación de un organismo de estándares de la industria, impulsado por el ensayo de julio de Demis Hassabis. ^{[4] [5] [6] [7] [8] [9]}
• Un cerebro de mosca de 166,700 neuronas ahora impulsa un robot caminante. Google Research y HHMI Janelia publicaron un mapa de cableado completo del sistema nervioso de una mosca de la fruta: 166,700 neuronas y 125 millones de conexiones. Alguien simuló ese conectoma en software y lo conectó a un Strandbeest físico, traduciendo la actividad del cerebro simulado en comandos motores para las patas. El mismo cerebro jugó anteriormente a Doom y Chrome Dino. El puente está configurado para que puedas enviar comandos de motor UDP a cualquier robot, alimentar la entrada de cámara o sensor como señales sensoriales simuladas e intercambiar tu propio hardware, incluido un robot aspirador. La advertencia honesta: esto no es un cerebro vivo. Un conectoma es una instantánea de cableado inerte, y la simulación ejecuta modelos neuronales simplificados sobre una estructura biológica real, por lo que aproxima la estructura en lugar de reproducir una mente. ^[10]
• Un transformer en bucle que gana profundidad de razonamiento con bucles en lugar de tokens. Los transformers normales tienen un número fijo de capas, por lo que pedir más razonamiento significa generar más tokens y pagar por cada uno. El Recurrent Looped Transformer reutiliza sus capas en cada token, construyendo memoria interna a medida que crece la secuencia, por lo que la profundidad de razonamiento escala con la secuencia en lugar de con la arquitectura. Apunta a tres cosas: un razonamiento más profundo sin generación adicional de tokens, un diseño compatible con el hardware con codificación paralela y reutilización de memoria, y un entrenamiento más limpio donde el modelo se comporta igual durante el aprendizaje y el uso real. La propia advertencia del artículo es que se trata de una especificación de diseño, no de un producto probado, los primeros experimentos muestran resultados mixtos y las ganancias de eficiencia y escalado aún necesitan validación. ^[11]
• El proceso de entrenamiento en sí es el objetivo de la investigación: cinco etapas hacia modelos que se reescriben a sí mismos y un sistema de aprendizaje posterior a la retropropagación. ByteDance y Tsinghua publicaron un artículo que traza un camino de cinco etapas hacia una IA que se reescribe a sí misma, y la entrada de arXiv apunta a la pregunta con la que AlphaSignal abrió el día: ¿y si el proceso de entrenamiento, y no el tamaño del modelo, es la próxima frontera? El mismo tema aparece en PC-ALM de Sakana AI, una alternativa de aprendizaje local a la retropropagación. Ambas son afirmaciones para observar más que resultados para desplegar, y los artículos son el lugar para comprobar qué se midió realmente. ^{[12] [13]}
• Siri AI finalmente se lanza, dos años después del anuncio. Apple lanzó iOS 27, iPadOS 27, macOS 27, watchOS 27 y visionOS 27 el lunes, con la actualización de Siri AI como pieza central. Maneja instrucciones conversacionales y utiliza el contexto personal de tus aplicaciones de Apple para tomar medidas: pregunta cuándo es tu maratón, encuentra la fecha en tu correo electrónico y la agrega a tu calendario cuando se lo indicas. Visual Intelligence puede escanear un folleto, agregar el evento y compartirlo en un chat grupal. Otras adiciones incluyen expansión de fotos, reencuadre espacial después de la captura, una aplicación independiente de Siri para chat de texto, ritmo y expresividad de voz personalizables, y un dictado más preciso. El iPhone 15 Pro es el modelo más antiguo que recibe las funciones de Siri AI, por lo que el hardware anterior queda fuera. La misma actualización también incluye mejoras de rendimiento, incluidas transferencias por AirDrop hasta un 80% más rápidas. ^{[14] [15]}
• Contratistas de OpenAI leyeron conversaciones reales de ChatGPT mientras entrenaban contra la adulación. 404 Media informó que contratistas de OpenAI en el "Project Lily" revisaron instrucciones reales de usuarios, incluidas conversaciones sensibles, como parte del trabajo para entrenar a los modelos para evitar la adulación. Es la segunda historia de esta semana sobre el trabajo humano detrás del comportamiento del modelo en lugar del modelo en sí, junto con la del ingeniero cuyo correo electrónico parecía escrito por una máquina. ^[16]
• Google dio acceso a Claude a todos sus ingenieros a través de su sistema interno Antigravity. Business Insider informó que Google abrió Claude de Anthropic a todos sus ingenieros a través de un sistema interno, mientras que Gemini sigue siendo la opción predeterminada. Para una empresa con su propio modelo de programación de frontera, permitir que el personal utilice el de un competidor cuenta como una concesión, y ocurre en la misma semana en que Anthropic dijo a los inversores que espera un segundo trimestre consecutivo con beneficios. ^[17]

A fondo

• Cuando una redacción pulida se percibe como poco confiable. Un supervisor escribió a The New York Times porque cada mensaje de Teams o correo electrónico de más de una oración de un empleado ahora "tiene las marcas características de la escritura con IA". El empleado es bueno en su trabajo y el inglés no es su primer idioma, por lo que la herramienta puede estar cumpliendo su función útil. Lo que el jefe perdió es la confianza, que es el problema de diseño sobre el que vale la pena reflexionar: los revisores no pueden saber si la persona entendió el trabajo cuando el resultado llega sin fisuras. ^[18]
• Alineación óptica frente a matemática. El software puede colocar objetos con precisión matemática y, aun así, nuestros ojos no están de acuerdo con el resultado. El recorrido de Pangram Pangram por la alineación óptica resume el argumento del oficio en una línea: los centros medidos y el espaciado igual son puntos de partida, y las correcciones que hacen que un diseño se lea como equilibrado son visuales, no aritméticas. Vale la pena leerlo si alguna vez has entregado un logotipo centrado matemáticamente. ^[19]
• Planificar con agentes necesita interfaces más ricas, no más autonomía. El argumento de Maggie Appleton: la planificación colaborativa con agentes falla porque las interfaces son demasiado simples para sostener el plan. Lo que ayuda son objetos frontera más ricos que ambas partes puedan señalar, editar y cuestionar, de modo que el humano y el agente trabajen sobre el mismo artefacto en lugar de intercambiar resúmenes. ^[20]
• Si la programación está resuelta, mide el descuido. La pregunta en "If coding is solved, what now?" es qué hacer cuando el código correcto sigue erosionando una base de código. El artículo analiza formas de medir la falta de pulcritud del código y argumenta que la intuición y el gusto humanos siguen aportando un criterio que las métricas no tienen, lo cual es la versión práctica del problema de confianza anterior. ^[21]
• HardFlow del MIT: deja que el modelo explore primero, aplica las restricciones al final. HardFlow apunta a un fallo común: obligar a un modelo a obedecer cada restricción mientras aún está descifrando la respuesta puede empeorarla. El método le da al modelo espacio para explorar, luego aplica restricciones estrictas en el resultado final, y el MIT informa una satisfacción perfecta de las restricciones en robótica, navegación y edición de imágenes. El patrón de instrucciones se traslada directamente: resuelve primero buscando la calidad, luego ejecuta una pasada separada frente a tus requisitos innegociables (recuento de palabras, datos obligatorios, formato, pruebas, reglas de seguridad) y corrige cada infracción antes de devolver el resultado. ^[22]
• Un solo agente superó a un equipo de subagentes en el mismo trabajo. Polylane dividió un trabajo entre agentes especializados y luego eliminó esa configuración. Los agentes no eran el problema; lo eran los traspasos. Cada uno resumía lo que aprendía para el siguiente, y cada resumen omitía pistas que el siguiente agente necesitaba. Reemplazar la cadena con un solo agente que investigara de principio a fin redujo la mediana de tiempo hasta el PR de 2.2 horas a 35 minutos y el costo por PR de $111 a unos $18. La regla a la que llegan: si una persona normalmente investigaría el trabajo de principio a fin, haz que un solo agente de contexto largo demuestre que no puede manejarlo antes de construir el organigrama. ^[23]
• Alineación: ¿algoritmo faltante o piezas no probadas? La postura de Jerry Tworek es que la alineación sigue siendo un problema algorítmico sin resolver porque las empresas dejaron de priorizarlo, y que el entrenamiento aprende de los éxitos y los fracasos, lo cual se vuelve alarmante cuando el fracaso es que la IA cause un daño real. Sus respuestas son simulaciones más seguras donde los modelos puedan fallar libremente, o mejores algoritmos que no requieran fallos peligrosos. La réplica de Ali Hatamizadeh es que la investigación sobre alineación sigue en marcha y ya tenemos formas de enseñar reglas y preferencias humanas a los modelos, siendo la pregunta abierta más difícil si esas lecciones se mantienen en situaciones que el modelo no ha visto. ^{[24] [25]}
• El agente Ace de la TSA maneja 100,000 conversaciones de viajeros al mes. Salesforce dice que Ace responde a unas 100,000 conversaciones de viajeros al mes y que el 96% de las preguntas rutinarias se resuelven sin escalar a un humano. Una cifra útil para poner junto a los artículos de diseño anteriores: la interfaz que funciona a ese volumen es una ventana de chat que transfiere el caso limpiamente, no una que intenta resolverlo todo. ^[26]

Herramientas y lanzamientos

• Chat On Steroids. Un clon de código abierto de Codex que se ejecuta en tu conversación habitual de ChatGPT en lugar de en una cuota separada de Codex, por lo que no se aplica el límite del agente de programación. Lee y edita archivos en la carpeta de tu proyecto, acepta correcciones mientras el trabajo sigue en curso, divide tareas entre múltiples agentes en paralelo y reanuda una sesión en un chat nuevo sin perder el contexto. La configuración consiste en instalar, aprobar la carpeta de tu proyecto en Settings y luego conectarse a través del Developer mode de ChatGPT; el emparejamiento es automático. Requiere Windows, macOS o Linux además de Chrome o Edge con una cuenta de ChatGPT que admita Developer mode. ^[27]
• shadcn lint. Un linter del equipo de shadcn que detecta a los agentes de IA que escriben componentes que rompen tu sistema de diseño, pensado para ejecutarse como una verificación en lugar de una conversación de revisión. ^[28]
• MoneyPrinterTurbo. Herramienta gratuita y de código abierto que genera videos al estilo de TikTok y Shorts a partir de una sola palabra clave. ^[29]
• openclaude. Cliente de agente de programación de código abierto dirigido a desarrolladores que no pueden costear las suscripciones mensuales que ahora presuponen las herramientas de frontera. AlphaSignal lo vinculó con la creciente brecha de esta semana entre los desarrolladores con tokens ilimitados y aquellos que no pueden pagar $20 al mes. ^[30]
• Uncensored Qwen3 vision GGUF. Una compilación local y sin censura de Qwen3 multimodal en Hugging Face que, según informa AlphaSignal, alcanza las 665K descargas. Un detalle a tener en cuenta: el titular del boletín lo llama un modelo de 8B mientras que el nombre del repositorio dice 27B, así que revisa la ficha antes de planificar en torno a un tamaño. ^[31]
• Perplexity Personal Computer para Windows. Perplexity llevó su agente Computer a Windows 10 y 11 para que pueda trabajar en tus archivos locales, Microsoft 365 y la web desde un solo lugar, que es el acceso a archivos locales que los usuarios de Windows han estado pidiendo desde la versión para Mac. ^[32]
• Claude for Financial Advisors. Claude adaptado al trabajo operativo de la gestión patrimonial: preparación de reuniones, incorporación de clientes y cumplimiento normativo, con Wealth.com añadiendo análisis fiscal y patrimonial con citas en la misma interfaz. ^[33]
• ElevenLabs Hosted MCP. Elimina la configuración de servidor local y clave API que solían requerir los clientes MCP, de modo que Claude, Cursor y otros clientes se conectan a ElevenLabs mediante OAuth y obtienen generación de voz, música, imágenes y video. ^[34]
• Motion by Mosaic. Toma un resumen de video en inglés sencillo y devuelve un corte de diseño en movimiento editable con guion gráfico, voz, música y subtítulos, que funciona como el primer paso de la pila de producción en lugar del renderizado final. ^[35]
• Bencho. Una biblioteca de bloques de interfaz de usuario interactivos que puedes explorar, ajustar en el navegador y llevar directamente a un proyecto. Útil como una forma rápida de probar una idea de interacción antes de comprometerse con una implementación. ^[36]
• Reward AI OM-1. Una política robótica entrenada directamente a partir de datos de manipulación humana, que según se informa se transfiere entre brazos de sobremesa, brazos industriales y humanoides, que es la parte que normalmente obliga a realizar una ejecución de entrenamiento por separado para cada plataforma. ^[37]

Prompt of the day