Anthropic abre una ventana a la "mente" de Claude
Describe el J-space, el espacio interno donde su modelo procesa ideas sin verbalizarlas.
¿Qué pasó ayer? En un minuto:
Anthropic ha descrito el “J-space”, un espacio interno de representaciones que Claude procesa sin verbalizar, presentándolo como una herramienta de interpretabilidad para leer, auditar e intervenir en el estado interno del modelo.
General Intuition ha presentado MIRA, un modelo de mundo jugable en multijugador que simula en tiempo real un juego de cuatro jugadores a 20 fotogramas por segundo, entrenado con 10.000 horas de gameplay.
Nvidia se posiciona como garante financiero del boom de la IA ofreciendo soporte crediticio y participación en ingresos para que los “neoclouds” puedan comprar su infraestructura.
Yann LeCun reitera que los LLM son un callejón sin salida hacia la inteligencia humana porque solo manejan símbolos discretos sin comprender el mundo físico.
Un estudio de Microsoft publicado en Nature Health, basado en más de 500.000 conversaciones de Copilot, muestra que la IA se está convirtiendo en la primera puerta de entrada para consultas de salud.
Un informe de Stanford HAI defiende que, con modelos cada vez más parecidos en capacidad, la ventaja competitiva pasará por la experiencia de uso, la estrategia de datos y la colaboración humano-IA.
Anthropic ha contado el origen de Claude Code, nacido de su investigación en seguridad y lanzado como vista previa en febrero de 2025, cuya adopción despegó meses después con la llegada de modelos más potentes.
François Chollet propone que los benchmarks dejen de reportarse como cifras aisladas y se acompañen siempre del coste (y tiempo) por tarea.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. Anthropic describe un espacio interno en Claude
Anthropic ha publicado un artículo en el que describe lo que llama el J-space: representaciones internas que el modelo procesa, retiene y usa para razonar sin expresarlas en su respuesta. La compañía traza un paralelismo con la cognición humana, donde solo una parte de la actividad cerebral resulta conscientemente accesible, y afirma haber detectado una división similar dentro de Claude. El trabajo se apoya en una técnica de interpretabilidad que identifica los conceptos que el modelo está a punto de verbalizar en cada punto de su procesamiento. Eso permite leer, auditar e intervenir sobre ese estado interno.
Entender y moldear qué procesa un modelo importa para la fiabilidad y la seguridad conforme ganan capacidad, un terreno cada vez más vigilado por reguladores y clientes. La investigación se enmarca en la teoría del espacio de trabajo global (Global Workspace), influyente en neurociencia, pero Anthropic no sostiene que Claude implemente esa teoría ni que sea consciente. Para abrir los métodos, Anthropic se alió con Neuronpedia en una demo interactiva, Jacobian Lens, aplicada sobre modelos de pesos abiertos como Qwen3.6-27B.
Para 𝕏 @AnthropicAI (Anthropic), el valor del J-space es operativo, no teórico: permite leer, auditar y moldear en qué está pensando Claude, algo que presentan como herramienta para sostener la confianza en modelos cada vez más capaces.
𝕏 @emollick (Ethan Mollick) apunta a la visualización interactiva de Neuronpedia como lo más interesante del anuncio, porque deja toquetear el estado interno de un modelo abierto en lugar de quedarse solo en el paper.
𝕏 @WesRoth (Wes Roth) sitúa el hallazgo en el debate sobre la conciencia y subraya que solo algunos conceptos se vuelven accesibles para el razonamiento, aunque reconoce que la ausencia de una afirmación explícita de conciencia rebaja esa lectura.
Más información:
📎 Verbalizable Representations Form a Global Workspace in Language Models
📎 Jacobian Lens – Qwen3.6-27B ｜ Neuronpedia
2. MIRA lleva los modelos de mundo al multijugador
General Intuition ha presentado MIRA, un modelo de mundo jugable en multijugador desarrollado con Kyutai Labs y en colaboración con Epic Games. A diferencia de los generadores de imagen o vídeo, MIRA simula un entorno interactivo en tiempo real: aprende la dinámica de un juego para cuatro jugadores al estilo Rocket League y permite jugar dentro de esa simulación. Se ha entrenado con 10.000 horas de datos recogidos de bots disponibles públicamente.
El planteamiento se aparta del enfoque dominante en OpenAI o Anthropic, centrados en el lenguaje, y busca una IA que perciba, prediga y actúe en espacio y tiempo, usando clips de gameplay como material de entrenamiento. General Intuition levantó una Serie A de 320 millones de dólares para esta línea, que también apunta a robótica además de videojuegos. El interés técnico está en el rendimiento: parte de las demostraciones corre en multijugador a 20 fotogramas por segundo, una cifra modesta para un juego comercial pero notable para un entorno generado íntegramente por un modelo. La colaboración con Kyutai contempla compartir datos y talento entre ambos laboratorios.
El anuncio lo difunde 𝕏 @WesRoth (Wes Roth), que encuadra MIRA como la apuesta de General Intuition por actuar en el espacio y el tiempo, un laboratorio de frontera orientado a mundos jugables en lugar de a texto.
𝕏 @emollick (Ethan Mollick) sigue estos sistemas desde el primer DOOM generado por difusión y valora que ya funcione un modo multijugador a 20 fotogramas por segundo, algo impensable en las primeras demostraciones.
Para 𝕏 @c_valenzuelab (Cristóbal Valenzuela), los modelos de vídeo son la vía hacia los modelos de mundo, y dominar esa frontera será una ventaja competitiva no solo para empresas, sino para países y continentes enteros.
Más información:
📎 Play MIRA
3. Nvidia respalda la deuda que sostiene la IA
El cuello de botella de la inteligencia artificial es conseguir financiación para la infraestructura. Según SemiAnalysis, el despliegue global de infraestructura de IA podría requerir más de 7 trillones de dólares de deuda acumulada hacia 2029, impulsado por la compra de GPUs, redes, almacenamiento y centros de datos. Es una cifra enorme: convertiría este mercado en uno de los mayores segmentos de financiación respaldada por activos, solo por detrás de las hipotecas en EE. UU.
El problema es que los bancos todavía no saben valorar bien el riesgo de financiar “neoclouds”: nuevos proveedores de nube especializados en alquilar capacidad de IA. Hasta ahora, muchos préstamos solo salían adelante si detrás había un gran cliente como Microsoft, Google, Amazon, Meta u Oracle firmando contratos largos y garantizados. Nvidia está intentando cambiar esa dinámica. La compañía ha presentado un modelo en el que ofrece soporte crediticio y participación en ingresos para que estos neoclouds puedan comprar infraestructura Nvidia y alquilarla a startups, empresas, laboratorios y proveedores de IA con contratos más flexibles. Nvidia confirmó que Sharon AI y Firmus están entre los primeros socios de este esquema, con planes de despliegue de hasta 40.000 GPUs GB300 en el caso de Sharon AI y hasta 170.000 GPUs en el campus de Firmus en Indonesia. (NVIDIA Blog)
La jugada es estratégica. Nvidia no solo vende chips: ayuda a que haya más compradores capaces de financiarlos. A cambio, captura una parte del negocio recurrente del alquiler de computación. Para el mercado, esto puede abrir el acceso a capacidad de IA más allá de los gigantes tecnológicos. Para Nvidia, reduce la dependencia de unos pocos clientes y refuerza su papel como infraestructura crítica del sector. La pregunta de fondo es si este nuevo mercado de deuda crecerá de forma ordenada o si el entusiasmo por la IA terminará creando una burbuja financiera alrededor de los centros de datos y las GPUs.
El giro que subraya 𝕏 @SemiAnalysis_ (Semianalysis) es que Nvidia deja de ser solo proveedor de chips para actuar como facilitador financiero del ecosistema, con el objetivo declarado de ampliar el acceso al cómputo.
𝕏 @giffmana (Lucas Beyer (Bl16)) recomienda sin reservas el artículo 'A Stargate for Data', con el que dice coincidir frase por frase, señal de que el cuello de botella del sector empieza a leerse tanto en clave de datos como de infraestructura física.
Más información:
📎 Nvidia GPU Debt Backstop Unleashes the AI Project Trinity: Capital, Offtake and Datacenters
4. LeCun descarta los LLM como vía a la inteligencia
Yann LeCun, premio Turing y una de las figuras fundacionales del aprendizaje profundo, ha vuelto a sostener en la BBC y en Bloomberg que los grandes modelos de lenguaje (LLM) no llevan a una inteligencia comparable a la humana. Su argumento es conocido, pero conviene precisarlo: el lenguaje es una descripción aproximada y simplificada del mundo, y los LLM solo operan sobre símbolos discretos. Faltaría lo esencial: comprender el entorno físico, anticipar cómo evoluciona y planificar acciones en él. Los humanos aplican el sentido común para completar la información que el texto no captura.
La objeción no es nueva. LeCun lleva años defendiendo que el avance pasa por arquitecturas de modelos de mundo, no por escalar predictores de texto. Lo nuevo es el momento: la postura coincide con su salida de Meta y con la puesta en marcha de AMI Labs, el laboratorio que cofunda para trabajar en arquitecturas que podrían suceder a la IA generativa actual. La tecnología que él considera un callejón sin salida sostiene hoy los productos comerciales de todo el sector, incluidos los de su antigua empresa.
El núcleo del argumento lo resume 𝕏 @rohanpaul_ai (Rohan Paul), que recoge la frase de la entrevista en Bloomberg: el lenguaje es una descripción simplificada del mundo y los LLM solo manejan símbolos discretos, lo que limita su comprensión de la realidad física.
El contraste práctico lo aporta 𝕏 @smratitiwa86867 (Smrati Tiwari), que señala la ironía de usar un LLM como Claude Opus 4.8 para aprender a construir IA al estilo que defiende LeCun, precisamente el tipo de modelo que él considera incapaz de entender el mundo.
Para 𝕏 @slash1sol (Slash1S), lo llamativo es la naturaleza de la apuesta: uno de los tres premios Turing por la IA moderna afirma que los LLM son un callejón sin salida, un desmarque desde dentro y no una crítica externa.
5. Microsoft mide la IA para consultas sanitarias
Un nuevo estudio publicado en Nature Health ofrece una de las miradas más amplias hasta ahora sobre cómo el público utiliza los chatbots de IA para temas de salud. Microsoft analizó más de 500.000 conversaciones anonimizadas de Copilot realizadas en enero de 2026 y encontró que la IA se está convirtiendo para muchos usuarios en una primera puerta de entrada para entender síntomas, tratamientos, trámites médicos o problemas emocionales.
El dato más relevante para el negocio es la diversidad de usos. El 40,8% de las conversaciones se centró en información general sobre salud, pero casi una de cada cinco trataba sobre síntomas, resultados médicos o condiciones personales. Además, las consultas de bienestar emocional y síntomas aumentan por la noche, justo cuando el acceso a servicios sanitarios tradicionales suele ser más limitado. En móvil, las preguntas son más personales; en escritorio predominan tareas profesionales, investigación académica y papeleo médico.
El estudio también muestra una oportunidad clara en el cuidado familiar: alrededor de una de cada siete consultas sobre síntomas o condiciones se hace en nombre de otra persona, como hijos, padres mayores o parejas. Esto amplía el mercado potencial de la IA sanitaria hacia cuidadores informales, no solo pacientes individuales.
La IA puede reducir fricción en acceso, orientación y administración sanitaria, pero en asuntos personales exige un diseño responsable: debe saber cuándo informar, cuándo acompañar y cuándo derivar a atención profesional.
La sanidad es la aplicación más importante de la IA para 𝕏 @mustafasuleyman (Mustafa Suleyman), que aprovecha la portada de Nature Health para situar a Microsoft en el debate sobre IA sanitaria responsable.
Más información:
📎 Public use of a generalist LLM chatbot for health queries
6. Diseñar la IA para las personas y no para las métricas de rendimiento
Un informe de Stanford HAI sostiene que, a medida que los grandes modelos de lenguaje se parecen cada vez más en capacidad, la ventaja competitiva se desplazará hacia la experiencia real de uso: cómo estas herramientas encajan en los flujos de trabajo, generan confianza y producen valor medible para empresas, empleados y clientes. Las compañías deberán tratar la IA como una disciplina operativa, con responsables claros sobre los datos, la calidad de la interacción, la evaluación en entornos reales y los riesgos que aparecen con el uso continuado.
Stanford subraya que la estrategia de datos se ha convertido en estrategia de mercado. La forma en que una empresa obtiene, filtra y etiqueta datos determina qué clientes serán bien atendidos, qué idiomas o culturas quedarán fuera y qué riesgos escalarán con la adopción. También advierte de que los benchmarks técnicos no garantizan valor empresarial: un modelo puede puntuar bien en pruebas estándar y fracasar cuando se integra en procesos reales.
El informe recomienda priorizar la colaboración entre humanos e IA antes que la automatización por defecto. Los mejores sistemas serán los que sepan cuándo actuar, cuándo ceder el control a una persona y cómo comunicar incertidumbre. Además, pide ampliar la idea de seguridad, no solo para evitar respuestas dañinas, sino también para vigilar riesgos acumulativos como la dependencia excesiva, la pérdida de habilidades cognitivas, la complacencia del modelo o el deterioro del juicio profesional.
𝕏 @StanfordHAI (Stanford Hai) advierte de una brecha entre el despliegue acelerado de estos modelos y el bienestar real del usuario, y pide criterios de diseño que vayan más allá del rendimiento técnico.
Más información:
📎 Human-Centered Large Language Models
7. Claude Code nació de la investigación en seguridad
Anthropic ha relatado por primera vez el origen de Claude Code, el entorno de programación asistida de la compañía. Si la IA podía automatizar partes relevantes del desarrollo de software, también podía acelerar cualquier empresa que dependa de tecnología. Pero el camino fue más lento de lo que parece. Anthropic tuvo que resolver problemas que hoy siguen siendo centrales en los “agentes”: cómo darles acceso seguro a herramientas, cómo permitirles ejecutar código, cómo manejar permisos y cómo evitar que se rompan en tareas largas.
Claude Code se lanzó como research preview en febrero de 2025 junto a Claude 3.7 Sonnet. Sin embargo, la adopción despegó meses después, Anthropic presentó Claude 4.5 Opus en noviembre de 2025 con foco fuerte en tareas largas de programación y el resto ya es historia.
El creador de Claude Code, 𝕏 @bcherny (Boris Cherny), presenta el anuncio como recorrido largo más que como logro cerrado: insiste en que el proyecto está al 1% y sitúa su raíz en la investigación en seguridad de Anthropic.
Más información:
📎 THE MAKING OF CLAUDE CODE
8. El coste por tarea entra en los benchmarks
François Chollet ha planteado que reportar un benchmark como cifra suelta, del tipo '75% en XYZ', ya no aporta nada útil. Su propuesta es directa: acompañar siempre la puntuación con una métrica de eficiencia, como el coste por tarea, para que la comparación tenga sentido. El mismo porcentaje de acierto puede lograrse con gastos muy distintos, así que dos modelos aparentemente equivalentes pueden diferir por completo en viabilidad económica. Chollet suma una segunda dimensión: el tiempo. El coste marginal, gasto y latencia por tarea resuelta, es el núcleo de la evaluación, no un añadido. Lo ilustra con una aerolínea que promete llegar al 75% de los destinos principales sin aclarar precio ni duración de cada trayecto: la cobertura, por sí sola, no informa de nada.
El punto de partida lo fija 𝕏 @fchollet (François Chollet): una puntuación aislada carece de valor sin su coste por tarea, y propone '75% a 10$ por tarea' como formato por defecto. Para él, el coste marginal no es un detalle, sino el conjunto del problema.