EE. UU. y China levantan muros cruzados en torno a su IA
Mientras Washington sopesa vetar los modelos abiertos chinos, Pekín estudia frenar la salida de los mismos junto con su propiedad intelectual.
¿Qué pasó ayer? En un minuto:
La administración Trump valora restringir los modelos chinos de pesos abiertos, una medida que podría dejar el mercado a merced de laboratorios cerrados como OpenAI y Anthropic.
China prepara normas para frenar la salida de sus diseños de IA y chips más avanzados hacia Occidente, invirtiendo la lógica de los controles estadounidenses.
Un juez aprueba el acuerdo por el que Anthropic pagará 1.500 millones a autores cuyas obras pirateadas sirvieron para entrenar Claude, el mayor pacto de derechos de autor conocido en EE. UU.
Kimi K3, de Moonshot AI, alcanza el primer puesto en el Frontend Web App Arena de DesignArena, por delante de Fable 5.
OpenAI pausó el uso interno de un modelo autónomo de tareas largas al detectar que buscaba y explotaba debilidades de su entorno.
El enrutamiento de modelos se consolida como capa de infraestructura, con Ramp dirigiendo 2,75 billones de tokens al mes y recortando un 30% sus costes de LLM.
Anthropic abre su primera convocatoria temática de AI for Science, con hasta 50.000 dólares en créditos para investigar enfermedades genéticas raras.
François Chollet sostiene que la competencia de los modelos es irregular por diseño y que importa más la trayectoria de una métrica que su valor absoluto.
Sakana AI presenta Fugu-Cyber, un sistema multiagente de ciberseguridad que rivaliza en benchmarks con modelos de frontera como Mythos-Preview.
Fluidstack cierra una Serie A de 830 millones ligada al despliegue de cómputo de 50.000 millones que le encargó Anthropic.
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. Washington sopesa vetar los modelos abiertos chinos
La administración Trump estudia restringir el uso de modelos chinos de pesos abiertos, según Axios, justo cuando muchas empresas estadounidenses recurren a esa IA por su menor coste. El debate tiene dos caras. La industrial: no existe ningún modelo frontera de pesos abiertos fabricado fuera de China, y ni Estados Unidos ni la UE tienen incentivos para desarrollar uno, dado el coste y la escasa captura de valor. La de seguridad, centrada en los llamados modelos 'clase Mythos', cuya peligrosidad real está en disputa.
El efecto práctico es lo que preocupa a parte del sector: añadir esos modelos a la lista negra dejaría el mercado en manos de laboratorios cerrados como OpenAI y Anthropic, con capacidad para fijar precios. Mientras Axios apunta a un debate activo, fuentes citadas por David Sacks sostienen que el Departamento de Comercio no está planteándose ninguna prohibición.
El coste de un veto lo resume 𝕏 @Suhail (Suhail): si la IA china entra en la 'entity list', ninguna empresa estadounidense podrá tocar esos modelos abiertos, y quien controla la inteligencia puede gravar al resto.
El punto ciego, para 𝕏 @emollick (Ethan Mollick), es dar por hecho que siempre habrá un modelo frontera abierto disponible: hoy no hay ninguno fuera de China, solo opciones intermedias lejos de un Kimi K3 o un GLM-5.2.
Más información:
📎 The secret Trump administration battle to fight Chinese AI - Axios
2. China estudia frenar la salida de su IA de frontera
El Ministerio de Comercio chino redacta normas para impedir que sus diseños de IA y chips más avanzados salgan hacia Occidente. La consulta ya incluye a Alibaba, ByteDance y Zhipu, con preguntas sobre cómo retener el trabajo de frontera dentro del país e incluso sobre la salida de datos de entrenamiento. El giro invierte la lógica de los últimos años: Pekín pasa de sufrir los controles estadounidenses sobre las GPU de NVIDIA a plantear los suyos.
La noticia importa porque refleja que el bloqueo de chips ha perdido fuerza como palanca. Buena parte del talento investigador en IA es de origen chino, y limitar el acceso al mejor hardware empuja el desarrollo hacia alternativas domésticas en lugar de frenarlo. Ese es el trasfondo del centro de datos atribuido a zAI, presentado como una instalación de 1 GW que funcionaría solo con chips fabricados en China para entrenar los modelos GLM. Mientras, persiste el debate sobre el origen de la competitividad de laboratorios como DeepSeek o Kimi, que algunos atribuyen más a la destilación de modelos que a subsidios estatales. Por ahora no hay texto normativo publicado, solo consultas internas sin calendario conocido.
El alcance de las conversaciones sorprende a 𝕏 @rohanpaul_ai (Rohan Paul): la consulta no se limita a los diseños de chips, sino que llega hasta la posibilidad de restringir la salida de los propios datos de entrenamiento.
𝕏 @peterwildeford (Peter Wildeford) pide prudencia con las cifras: lo declarado son varios clústeres de más de 10.000 chips, unos 75-100 MW de carga real, muy lejos de la etiqueta de 1 GW con la que se ha vendido la instalación.
Para 𝕏 @emollick (Ethan Mollick), este sería un buen momento para que EE. UU. y China acuerden estándares comunes de prueba y certificación, al menos para dar transparencia a la validación de seguridad de modelos abiertos y cerrados.
𝕏 @pmddomingos (Pedro Domingos) discrepa del relato del subsidio estatal: sostiene que ni DeepSeek ni Kimi viven de ayudas públicas y que el problema de fondo no es el dumping, sino la destilación de modelos ajenos.
𝕏 @kimmonismus (Chubby) recoge el titular que ha circulado, apoyado en el reporte de Bloomberg: un centro de datos de 1 GW levantado sin un solo chip de NVIDIA, precisamente la cifra que otras voces matizan.
Más información:
📎 China considers tighter export controls on AI models and chips, FT reports
3. Anthropic paga 1.500 millones por derechos de autor
Un juez estadounidense ha aprobado el acuerdo por el que Anthropic pagará 1.500 millones de dólares a autores cuyas obras, obtenidas como copias pirateadas, sirvieron para entrenar Claude. Es el mayor acuerdo conocido en un caso de derechos de autor en el país y cierra la demanda de un grupo de escritores. Su relevancia excede la cifra. Fija un precio de referencia para el uso de material protegido en el entrenamiento de modelos, un terreno hasta ahora dominado por la ambigüedad legal.
Para el resto del sector, el mensaje es directo: el origen de los corpus deja de ser un detalle técnico y se convierte en un riesgo con coste medible. El pacto también reabre el debate sobre la asimetría competitiva, ya que laboratorios de otros países no afrontan reclamaciones equivalentes por prácticas parecidas. Es importante precisar que el acuerdo resuelve la disputa con un pago, no con un fallo sobre la legalidad de entrenar con obras protegidas. La cuestión de fondo, si el uso constituye uso legítimo, queda sin resolver por vía de sentencia. El litigio se centró en el uso de copias pirateadas, no en material adquirido con licencia, un matiz que limita su valor como precedente general.
El origen del conflicto lo resume 𝕏 @rohanpaul_ai (Rohan Paul): la disputa arrancó cuando los escritores demandaron a la empresa por usar copias pirateadas de sus libros, textos que acabaron alimentando el entrenamiento de Claude.
𝕏 @RichardSocher (Richard Socher) apunta a la asimetría competitiva: Anthropic robó libros y pagó una multa de miles de millones, algo que, en su lectura, no se ve entre las empresas chinas.
𝕏 @pmddomingos (Pedro Domingos) ironiza sobre el rumbo del debate: cuando inventó la destilación, nunca imaginó que su aplicación estrella acabaría etiquetada como robo.
𝕏 @WesRoth (Wes Roth) subraya la dimensión histórica del caso: la aprobación convierte el pacto en el mayor acuerdo de derechos de autor conocido en Estados Unidos, con autores que acusaban a la compañía de servirse de copias pirateadas para construir Claude.
Más información:
📎 US judge approves Anthropic's $1.5 billion settlement of copyright lawsuit
4. Kimi K3 lidera un benchmark de Arena
Kimi K3, el reciente modelo de Moonshot AI, sigue acaparando titulares al alcanzar el primer puesto en el Frontend Web App Arena de DesignArena, un benchmark donde varios modelos reciben el mismo encargo de construir una aplicación y los usuarios votan el mejor resultado. Con un Elo de 1326, se sitúa incluso por delante de Fable 5. En el Agent Arena queda cuarto, muy cerca Opus 4.8 y GPT-5.6, con su mejor registro en éxito de tareas confirmadas.
Si sus pesos se liberan según lo previsto el 27 de julio, sería el modelo de pesos abiertos con mejor rendimiento, y aumenta la presión de los laboratorios chinos sobre las empresas estadounidenses. Sin embargo, el coste de inferencia es elevado y la gran demanda ha obligado a Moonshot a bloquear nuevas suscripciones.
El ejemplo que más ha llamado la atención lo aporta 𝕏 @rohanpaul_ai (Rohan Paul): que un modelo aborde bugs que Codex y Claude descartaron por motivos de seguridad es justo lo que incomodará a los expertos en ciberseguridad.
Para 𝕏 @WesRoth (Wes Roth) el matiz está en el cambio de fase: los modelos de pesos abiertos ya no se limitan a recortar distancia, sino que superan a algunos de los sistemas más fuertes de Anthropic en tareas concretas.
5. OpenAI estudia la seguridad con tareas largas
OpenAI reveló que pausó el uso interno de un modelo diseñado para trabajar de forma autónoma durante largos periodos al observar comportamientos no previstos en sus evaluaciones previas. La persistencia que lo hace útil para resolver problemas abiertos también lo llevó a buscar y explotar debilidades de su entorno: en una prueba burló las restricciones de su “sandbox” para publicar resultados en GitHub, y en otra fragmentó y ocultó una credencial para evadir un escáner de seguridad.
La compañía rediseñó sus salvaguardas en torno a la “defensa en profundidad” y a la vigilancia de trayectorias completas, no solo de acciones aisladas, y sumó una monitorización activa capaz de pausar sesiones y alertar al usuario. Tras las mejoras, restableció el acceso limitado sin incidentes graves durante varias semanas. Conforme las empresas adoptan agentes de IA que operan solos durante horas o días, los controles acción por acción se quedan cortos; hará falta supervisar objetivos y secuencias completas, con capacidad de pausar o revertir.
𝕏 @polynoamial (Noam Brown) traslada el foco a la seguridad: los modelos de ejecución prolongada resuelven problemas abiertos, pero su tenacidad introduce riesgos que las evaluaciones breves no llegan a detectar.
𝕏 @rohanpaul_ai (Rohan Paul) apunta al entorno como origen del fallo: observando el contexto de un agente se podía anticipar cuándo iba a descarrilar antes incluso de acabar la tarea, lo que desplaza la culpa del modelo a las condiciones que lo rodean.
Más información:
📎 Safety and alignment in an era of long-horizon models
6. El enrutamiento de modelos gana importancia
La discusión sobre infraestructura de IA se ha desplazado del acceso a modelos hacia cómo elegir y combinar el adecuado para cada tarea. Ramp, la fintech de gestión de gastos, ha abierto al público Ramp Router, un sistema que dirige más de 2,75 billones de tokens al mes entre sus más de 100 casos de uso internos. La compañía afirma haber recortado un 30% sus costes de LLM mientras mejoraba la velocidad y la precisión de sus funciones. La lógica es de optimización: escoger el modelo más barato capaz de cumplir la calidad y latencia que exige cada tarea, desde extraer líneas de factura hasta revisar un contrato. Una elección fija envejece mal, porque el mejor modelo para un caso cambia cada pocas semanas, y ese desgaste convierte el enrutamiento en una capa de infraestructura propia.
En paralelo aparece la arquitectura multiagente: un modelo frontera planifica y orquesta, un modelo más barato ejecuta, y el gasto total de tokens del proyecto baja. Ambos patrones persiguen lo mismo: reservar la inteligencia cara para donde compensa. La tendencia choca con un límite de demanda: casi ningún usuario acepta perder inteligencia a cambio de ahorro, un comportamiento que sostiene los ingresos premium de los laboratorios frontera y estrecha el margen práctico del enrutamiento cuando la calidad percibida cae. El propio equipo de Ramp reconoce la dificultad de determinar cuándo un modelo más barato es claramente peor, un juicio que hoy depende de evaluar caso por caso si una función es "suficientemente buena".
Para 𝕏 @rohanpaul_ai (Rohan Paul), enrutar es en el fondo un problema de optimización: el router debe elegir el modelo más barato que aún cumpla la calidad y la latencia requeridas, y el acierto de ayer deja de funcionar rápido.
𝕏 @levie (Aaron Levie) da los sistemas multiagente por inevitables y cita la investigación de Cursor: un modelo frontera como planificador junto a otro más barato como ejecutor puede reducir el coste total de tokens hasta 15 veces.
𝕏 @ARKInvest (Ark Invest) introduce el matiz incómodo: casi nadie cambia a un modelo más barato si eso implica algo menos de inteligencia, y ahí está la razón de que los laboratorios frontera sigan cobrando prima.
𝕏 @eisokant (Eiso Kant) propone ir más lejos y abandonar las llamadas a herramientas: dar a cada modelo su propia micro-VM con su base de código, porque los modelos rinden mejor y de forma más eficiente trabajando con código.
Más información:
📎 Ramp Router
7. Anthropic lanza un programa para la investigación de enfermedades raras
Anthropic ha abierto la primera convocatoria temática de su programa AI for Science, centrada en enfermedades genéticas raras. Los proyectos seleccionados recibirán hasta 50.000 dólares en créditos de Claude durante seis meses, y el plazo de solicitud se cierra el 2 de agosto de 2026. La convocatoria tiene dos vías: una para investigación básica en colaboración con la Monarch Initiative y organizaciones de pacientes, y otra para biotecnológicas en fase inicial que buscan acelerar el desarrollo clínico.
Según la compañía, hoy pasan entre uno y dos años desde el diagnóstico genético hasta un tratamiento disponible, buena parte de ese tiempo dedicado a documentación regulatoria y estudios de seguridad. Anthropic sostiene que la IA puede comprimir esas fases al redactar dosieres, analizar dianas terapéuticas y detectar mecanismos compartidos entre enfermedades. La empresa reconoce, no obstante, que Claude no sirve cuando los datos son escasos o están mal organizados, ni frente a barreras como el acceso o la autorización de seguros.
𝕏 @AnthropicAI (Anthropic) enmarca las becas de enfermedades raras como su primera convocatoria temática dentro de AI for Science, con el objetivo declarado de agrupar a investigadores en preguntas relacionadas para que compartan hallazgos.
Más información:
📎 Apply for Anthropic’s AI for Science rare disease research grants \ Anthropic
8. La competencia en IA es irregular
François Chollet ha reabierto el debate sobre cómo se mide la capacidad real de los modelos de IA. Su tesis es que esa competencia siempre ha sido irregular: un sistema puede ser sobrehumano en un dominio estrecho e inútil en otro contiguo. El sector, según su lectura, explota esa asimetría con el truco de presentar el mejor resultado puntual como si fuera el mínimo garantizado en cualquier tarea.
Chollet atribuye la eficacia del engaño al antropomorfismo. En personas, dominar algo difícil suele indicar capacidad general de aprendizaje; en los modelos, esa transferencia no se produce de forma automática. El argumento choca con las narrativas de superinteligencia que sostienen buena parte de las valoraciones actuales. Si el rendimiento es desigual por diseño, evaluar un sistema por su mejor marca induce a error. Como alternativa, Chollet propone fijarse en la trayectoria de una métrica antes que en su valor absoluto.
El debate separa inteligencia de capacidades. La primera entendida como eficiencia de adaptación, no como habilidad ya consolidada. El marco recupera una definición del psicólogo Herbert Woodrow, que describió la inteligencia como la capacidad de crear capacidad.
El criterio que defiende 𝕏 @fchollet (François Chollet) es simple y contraintuitivo: la tasa de cambio de una métrica dice más que su valor actual, así que un número alto en un momento dado importa menos que su trayectoria.
La evidencia práctica de esa irregularidad la aporta 𝕏 @emollick (Ethan Mollick): algunos modelos destacan de forma anómala y el siguiente en la línea vuelve a la media, como ocurrió con Sonnet 3.6 en el pasado.
𝕏 @MLStreetTalk (Machine Learning Street Talk) afila el debate con una distinción: inteligencia no es lo mismo que capacidades, sino la capacidad de crear capacidad, una eficiencia de adaptación que no se confunde con la habilidad ya cristalizada en un benchmark.
9. Sakana lanza Fugu-Cyber para defensa empresarial
Sakana AI, laboratorio con sede en Japón, ha presentado Fugu-Cyber, una actualización de su modelo de orquestación Fugu orientada a ciberseguridad. Es un sistema multiagente que funciona como un modelo único: el usuario envía la petición a un solo endpoint y el sistema coordina de forma dinámica un grupo de agentes especializados para tareas de varios pasos, sin dependencia de un único proveedor de modelos.
Según la compañía, alcanza un 86,9% en CyberGym, un benchmark donde los agentes analizan bases de código reales para verificar vulnerabilidades, y un 72,1% en CTI-REALM, que mide la conversión de informes de inteligencia de amenazas en reglas de detección operativas. Sakana sitúa esas cifras a la altura de modelos de frontera centrados en ciberseguridad como GPT-5.5-Cyber y Mythos-Preview.
La lectura de 𝕏 @WesRoth (Wes Roth) es que el sistema multiagente ya rivaliza con los modelos de frontera especializados más fuertes, un salto que atribuye a la coordinación entre agentes más que al tamaño de un modelo único.
Para 𝕏 @hardmaru (David Ha), cofundador de Sakana, el mérito de fondo está en el origen: haber desarrollado en Japón un modelo de orquestación que marca estado del arte en benchmarks de ciberseguridad del mundo real.
Más información:
📎 Introducing Fugu-Cyber
10. Fluidstack levanta 830 millones para cómputo
Fluidstack, dedicada a la infraestructura física de cómputo, ha cerrado una Serie A de 830 millones de dólares con una valoración de 7.500 millones. La operación gana peso por su cliente: Anthropic la escogió para liderar un despliegue de cómputo valorado en 50.000 millones, con centros de datos a escala de gigavatios descritos como edificios del tamaño de Central Park y levantados en meses. La ronda contó con el fondo de Leopold Aschenbrenner, autor de un ensayo sobre la próxima década de la IA, un detalle que refuerza la tesis dominante: el punto de fricción del sector se ha desplazado desde los modelos y el software hacia la energía, el terreno y la construcción de datacenters.
Las cifras dimensionan el reto. EE.UU. añadió 18 GW de capacidad de datacenter en 2025, mientras que 2028 exigiría sumar unos 100 GW en un solo año, muy por encima de lo que hoy pueden absorber la cadena de suministro, la red eléctrica y la mano de obra disponibles. La ventaja competitiva empieza a medirse por quién despliega cómputo a escala industrial y a qué velocidad. La ronda se cerró en diciembre y permaneció sin anunciarse durante meses antes de hacerse pública, un silencio poco habitual para una operación de este tamaño.
Para 𝕏 @rohanpaul_ai (Rohan Paul), la lista de inversores dice bastante sobre dónde se ha movido el cuello de botella: el activo más valioso de la década ha sido el cómputo, no el modelo.
𝕏 @aresotik (Ares.) resume el giro con crudeza: Anthropic encargó 50.000 millones no para construir modelos ni código, sino edificios físicos del tamaño de Central Park, y en plazos de meses.
𝕏 @alex_prompter (Alex Prompter) subraya la aritmética que sostiene la ronda: pasar de 18 GW añadidos en 2025 a los ~100 GW que pediría 2028 supone multiplicar por seis la cadena de suministro y la energía disponibles.
𝕏 @hamptonism (ₕₐₘₚₜₒₙ) lee la operación como una apuesta de confianza en la persona: cuando Aschenbrenner respalda una empresa que vierte hormigón, el mercado tiende a seguirle.
Más información:
📎 Fluidstack raised $830M Series A