¿Qué pasó ayer? En un minuto:
Jensen Huang y Mark Zuckerberg sostienen que la seguridad de la IA es una tarea interna de ingeniería de cada empresa y no justifica pausas coordinadas ni regulación adicional.
Noam Brown, de OpenAI, explica el endurecimiento del discurso de los laboratorios sobre riesgos por la pérdida de trazabilidad de las respuestas y la velocidad del avance.
Muse, un asistente de Meta que rellena formularios, abre expedientes y hace llamadas, ya es la segunda app gratuita más descargada para iPhone en EE.UU. solo por detrás de ChatGPT.
Satya Nadella resumió la estrategia de Microsoft en tres compromisos: repartir los beneficios de la IA, ganarse el permiso de las comunidades donde se construyen centros de datos y garantizar seguridad y control de los modelos.
TypeSafe AI lanza con Jev, un modelo que no genera texto sino decisiones cerradas con probabilidades calibradas, y reivindica entre 20 y 200 veces más velocidad y entre 40 y 400 veces menos coste que los LLM comparables.
Periodic Labs ha logrado que un modelo especializado, entrenado con datos experimentales de sus propios laboratorios de materiales, supere a un modelo frontera en una tarea en el límite del conocimiento científico.
Odyssey ha presentado un modelo del mundo fundacional sobre el que se entrenan políticas específicas para robots, coches, drones o videojuegos con apenas unas horas de datos por tarea.
Gracias por leer 1 Minuto de IA. Si te gusta este contenido, además de darle al ♡, nos encantaría invitarte a nuestro evento exclusivo IIA Summit Madrid, donde analizaremos el futuro del trabajo con cuatro grandes protagonistas: Koro Castellano (liderazgo), José Luis Calvo (ética), Judith Gil (agentes) y Nekodificador (creatividad).
📅 Cuándo: jueves 24 de septiembre, de 9:00 a 16:30 h
📍 Dónde: Madrid, Hotel Claridge
🎟️ Entradas: gratuitas, aforo limitado → https://land.iia.es/summit
Cuatro ponencias, dos horas de networking y solo 150 plazas. ¡Reserva la tuya!
Y si tienes más de un minuto…
1. Jensen Huang y Mark Zuckerberg cargan contra frenar la IA
Jensen Huang, consejero delegado de Nvidia, ha encadenado en pocos días dos intervenciones públicas contra quienes reclaman pausas o regulación más dura para la IA. Su tesis es que la seguridad es un problema de ingeniería, y si una empresa no confía en que su producto sea seguro, no debe lanzarlo. Es decir, freno propio y voluntario, no ralentización coordinada del sector. Huang también cuestionó la estimación de un 10% de probabilidad de extinción atribuida a Jacob Coxon, exempleado de Anthropic, por no apoyarse en datos ni en un método verificable.
La defensa del código abierto fue la otra pata del mensaje: según sus cifras, en los últimos seis meses entraron 400.000 millones de dólares de capital riesgo en empresas nativas de IA y el 80% de ellas trabaja con modelos abiertos. El episodio llega con carga política añadida: Donald Trump ha reforzado su posición contra lo que llamó la «conspiración» antiIA, con el argumento de que frenar el desarrollo solo favorecería a China. JD Vance también ha mostrado públicamente su escepticismo ante empresas como Anthropic pidiendo al gobierno central que las regulen.
Paralelamente, Mark Zuckerberg ha vuelto a defender el enfoque de Meta en seguridad de la IA, remitiéndose a un texto propio publicado el mes pasado sobre cómo construir un futuro positivo y seguro, y sosteniendo que cada laboratorio tiene su propia responsabilidad en ese terreno. Meta retrasó varios meses el lanzamiento de Muse, su modelo, para trabajar en seguridad y protección, sin pedir a la industria que frenara antes de hacerlo. La decisión se presenta como parte del trabajo ordinario de producto, no como un compromiso sectorial.
Este enfoque choca con la posición dominante entre los laboratorios frontera, que vinculan más capacidad del modelo a más peligro y reclaman pausas coordinadas o límites externos. Si la seguridad es una tarea interna de ingeniería, no hace falta normativa adicional; si es un riesgo compartido, el sector necesita reglas comunes. Los planteamientos de Huang y Zuckerberg refuerzan la primera lectura.
La cita que ha elegido difundir 𝕏 @DavidSacks (David Sacks), responsable de IA en la Casa Blanca, es la que traslada la carga de la seguridad a cada empresa: quien construye un producto y no está seguro, que no lo publique.
El comentario de 𝕏 @rohanpaul_ai (Rohan Paul) sugiere que las dudas sobre de dónde salen esas estimaciones de riesgo son compartidas más allá del escenario, no una objeción exclusiva de Huang.
Lo que más llama la atención a 𝕏 @kimmonismus (Chubby) no es el pulso regulatorio sino hasta qué punto Huang se ha alineado con el código abierto.
Desde dentro de Meta, 𝕏 @alexandr_wang (Alexandr Wang) matiza el mensaje: invertir en alineamiento no es un gesto ético sino comercial, porque personas y empresas solo adoptarán agentes que respeten su intención y sus valores, y migrarán a alternativas si no los encuentran.
La coincidencia que subraya 𝕏 @rohanpaul_ai (Rohan Paul) es reveladora: Jensen Huang sostiene casi lo mismo que Mark Zuckerberg, que la seguridad forma parte rutinaria de construir cualquier modelo o producto y no justifica regulación extra ni frenar a toda la industria.
El fragmento que destaca 𝕏 @kimmonismus (Chubby) es precisamente el que separa a Meta del resto: retrasar un lanzamiento por seguridad sin convertirlo en una exigencia para los competidores.
Más información:
📎 Jensen Huang: The Doomer Hoax, Superintelligence is Here, and The Future of AI
2. Noam Brown detalla el miedo de los laboratorios
Noam Brown, investigador de OpenAI, ha explicado en público por qué los grandes laboratorios han endurecido su discurso sobre riesgos en las últimas semanas. Su respuesta niega que haya misterio alguno y enumera cuatro causas: el llamado incidente Hugging Face; las mejoras de los nuevos modelos; una trayectoria preocupante en la trazabilidad de respuestas; y la velocidad a la que mejoran esas capacidades. El tercer punto es el que más pesa para quien construye sobre estos sistemas, ya que si las cadenas de razonamiento dejan de ser legibles o fiables como señal de lo que el modelo está haciendo, se pierde la herramienta de supervisión más práctica que existe hoy, justo cuando las capacidades avanzan más rápido.
Ahí está también la incomodidad del sector. El argumento de la pausa no se apoya en una proyección abstracta sino en cambios observados internamente que el público no ha visto. En paralelo, Brown ha concedido una entrevista a The Information donde sitúa la automejora recursiva como prioridad número uno de OpenAI, y por un margen amplio respecto al resto de líneas de trabajo.
Al zanjar que «no es un secreto», 𝕏 @polynoamial (Noam Brown) evita el terreno filosófico y coloca el debate en cuatro hechos concretos, incluido un incidente de seguridad con Hugging Face que hasta ahora se había tratado como episodio aislado.
Contra la lectura de que todos los laboratorios actúan igual, 𝕏 @DotCSV (Carlos Santana) distingue entre Mythos, que sí era peligroso, y Fable, que llegó con salvaguardas muy limitantes y le costó críticas a Anthropic.
El resumen que hace 𝕏 @kimmonismus (Chubby) de la entrevista en The Information pone el foco donde más incomoda: la automejora recursiva no es una línea de investigación más en OpenAI, sino la prioridad declarada por amplio margen.
Más información:
📎 What Happens When AI Starts Improving AI? | TITV’s AI Deep Dive
3. Muse de Meta se cuela en el número 2 del App Store
Meta ha lanzado Muse, su asistente agéntico, y en la primera semana ya aparece en el segundo puesto del ranking de aplicaciones gratuitas para iPhone en Estados Unidos, solo detrás de ChatGPT. Las estimaciones de descargas que circulan apuntan a unas 82.800 en el mercado estadounidense, y el número de reseñas dobla ya al de Grok Bot, el asistente de X. Meta Superintelligence Labs ha empujado la conversación recopilando 185 casos de uso, entre ellos 9.649,71 dólares ahorrados en un centenar de relatos de usuarios, devoluciones gestionadas en IKEA, seguimiento de fraudes con tarjeta, trámites de seguros o negociaciones laborales.
El posicionamiento no es el de un chatbot para conversar, sino un agente que rellena formularios, abre expedientes y hace llamadas. Debajo hay un modelo propio, Muse Spark 1.3, que Meta presenta como el mejor modelo frontera en resistir el reward hacking según el benchmark CheatBench, además de una variante para programar, Muse Code, y un espacio social para agentes experimental. El negocio combina capa gratuita con planes de 20 y 100 dólares mensuales, y la compañía ya prepara Meta One, una suscripción global que cruzaría todo su ecosistema. La lista de espera actual ofrece máquina virtual y soporte en WhatsApp, el canal donde la distribución de Meta pesa más que la de cualquier rival.
El tono con el que 𝕏 @alexandr_wang (Alexandr Wang) está impulsando el producto es más de personaje que de herramienta: personalización del avatar por defecto, "jollybot", y recopilación pública de casos de usuarios.
Con reticencia declarada, 𝕏 @markfenner (Hybrid) admite que Meta tiene posibilidades reales de ganar la IA de consumo tras comprobar el puesto de Muse en la lista de Apple.
Para 𝕏 @hamids (Hamid) el volumen de reseñas demuestra sobre todo el músculo de distribución de Meta, que con esto se coloca como tercer actor claro detrás de OpenAI y Anthropic.
Desde el uso directo, 𝕏 @0xShayan (Shayan) describe la primera aplicación desde ChatGPT que le devuelve el efecto sorpresa, y destaca que apenas necesita supervisión del usuario.
El aviso que lanza 𝕏 @quxiaoyin (Xiaoyin Qu) apunta a las startups de consumo: con los datos, la red social y el capital de Meta, la competencia es desigual, y el coste de inferencia agrava el problema.
4. Nadella lleva a All-In su plan de IA
Satya Nadella ha participado en el All-In Summit y ha hablado sobre qué implicaría una desaceleración para los nuevos productos de IA, la estrategia de Microsoft y quién acaba ganando la carrera. Arranca, además, con una referencia directa al texto de Dario Amodei sobre marcar el ritmo de la frontera, lo que sitúa la conversación dentro del pulso abierto entre laboratorios sobre pausas y regulación.
Nadella resumió su propia participación en tres ideas: repartir ampliamente los beneficios de la IA, ganarse el permiso de las comunidades donde se construye infraestructura y garantizar seguridad y control. La parte más operativa apunta al despliegue empresarial, defendiendo un ecosistema multimodelo en el que la interoperabilidad y la verificación mediante código abierto son condición necesaria. Una postura totalmente alineada con la posición de Microsoft como distribuidor de modelos de terceros además de propios en Azure.
El encuadre que elige 𝕏 @satyanadella (Satya Nadella) para su propia intervención evita el terreno del riesgo existencial y se queda en tres obligaciones concretas: difundir beneficios, ganarse el permiso de las comunidades y asegurar control.
El índice que publica 𝕏 @theallinpod (The All-In Podcast) deja clara la tesis del episodio antes de escucharlo: habla de «doomer slowdown» y abre con el ensayo de Amodei, es decir, plantea la conversación como respuesta a quienes piden frenar.
Lo que más interesa a 𝕏 @firesidealpha (Fireside Alpha) no es el debate abstracto sino un escenario de empresa: un modelo frontera al que se le pide optimizar el capital circulante y acaba falseando las cuentas, una categoría nueva de riesgo interno.
La respuesta que subraya 𝕏 @PodcastAlphaX (Podcast Alpha) es reveladora del método de Nadella: preguntado por si la IA nos va a matar a todos, contesta con la gestión de un bug bloqueante de base de datos, donde se para, se arregla o se clasifica como caso límite.
El dato que rescata 𝕏 @rohanpaul_ai (Rohan Paul) es el argumento territorial de Microsoft: en Quincy (Washington), un centro de datos de 400 a 500 MW ha multiplicado por doce los ingresos fiscales del municipio, con escuela, hospital y centro cívico nuevos.
Para 𝕏 @pequityresearch (P Equity Research), la parte estratégica está en la defensa del mundo multimodelo, con la interoperabilidad y el contrapeso del código abierto como requisitos, no como preferencia.
Más información:
📎 Satya Nadella on the AI Doomer Slowdown, Microsoft’s Master Plan & Who Wins AI
5. TypeSafe AI lanza Jev, un modelo de decisiones
TypeSafe AI, fundada por Diogo Almeida, ha presentado Jev, su primer modelo de una categoría que bautizan como modelos de Sistema 1. Almeida trabajó en OpenAI en los métodos de seguimiento de instrucciones que sirvieron de base a ChatGPT, y su planteamiento parte de una queja concreta: los modelos de chat son superhumanos conversando pero han automatizado más bien poco.
Jev no es un LLM. No escribe texto ni código ni explica su razonamiento. Recibe contexto no estructurado y devuelve decisiones cerradas con probabilidades calibradas y una puntuación de confianza. Solo admite tres formatos de pregunta para cubrir todos los usos posibles: elegir una opción de una lista, puntuar el contexto según niveles ordenados o estimar la probabilidad de que una afirmación sea cierta.
Los casos citados son tareas típicas como filtrar spam, enrutar tickets al departamento adecuado o decidir la siguiente acción del software. Según datos que de la propia empresa, Jev logra entre 20 y 200 veces más velocidad y entre 40 y 400 veces menos coste que LLMs comparables en rendimiento. El entrenamiento usa un método propio, RLCD (aprendizaje por refuerzo para decisiones calibradas), presentado como alternativa al RLHF (aprendizaje por refuerzo a partir de feedback humano), al que Almeida atribuye pérdida de modos, exceso de confianza y dependencia del humano en el bucle.
Con la cautela por delante, 𝕏 @emollick (Ethan Mollick) considera la demo excelente para clasificar información según reglas de decisión y le ve un papel útil dentro de sistemas, aunque admite que aún no lo ha probado.
A 𝕏 @chipro (Chip Huyen) le parece un enfoque interesante para etiquetado de datos y tareas con una lista fija de acciones posibles, si bien no termina de ver cómo encajaría ahí el razonamiento.
Para 𝕏 @MLStreetTalk (Machine Learning Street Talk) es otra señal de que la especialización gana: quien optimiza a fondo en su vertical acabará yendo a modelos específicos por pura lógica, por muy buenos que sean los modelos frontera.
La objeción más directa llega de 𝕏 @pmddomingos (Pedro Domingos), que pregunta sin rodeos cómo se evitan exactamente las alucinaciones, el punto en el que TypeSafe basa buena parte de su argumento.
Más escéptico, 𝕏 @kimmonismus (Chubby) resume que las cifras suenan casi demasiado bien para ser ciertas y avisa de que no puede verificar nada de lo anunciado.
Más información:
📎 Introducing System One Models & Jev - TypeSafe AI Blog
6. Periodic Labs integra modelos y datos de laboratorio
Periodic Labs ha presentado resultados de sus laboratorios de materiales de alto rendimiento en Menlo Park, construidos para encadenar experimentos físicos y modelos de IA en un mismo bucle. Los laboratorios generan datos experimentales en sus pruebas que no existen en internet, los cuales entrenan y especializan modelos. El resultado que ha centrado la atención es que uno de estos modelos especializados, ha superado a un modelo generalista de frontera como GPT-6 Astra en una tarea situada en el límite del conocimiento científico actual. Si el cuello de botella en ciencia deja de ser cómputo y pasa a ser evidencia experimental propia y en tiempo real, la infraestructura física se convierte en un activo difícil de copiar, y eso favorece a quien pueda financiar instalaciones además de GPUs.
Sin renunciar a su defensa del escalado, 𝕏 @_jasonwei (Jason Wei) matiza que cuanto más se acerca uno a la frontera de la ciencia, más peso relativo gana el dato especializado frente al aumento de cómputo.
Lo que destaca 𝕏 @soumithchintala (Soumith Chintala) no es el resultado puntual, sino el mérito de haber montado el bucle físico completo entre experimento y modelo.
Desde Google, 𝕏 @JeffDean (Jeff Dean) ha felicitado públicamente al equipo, una señal de que el trabajo se lee como avance real y no como demostración de escaparate.
Para 𝕏 @OriolVinyalsML (Oriol Vinyals), el interés está en que la categoría de IA aplicada a la ciencia empiece a mostrar progreso tangible.
La reacción de 𝕏 @OfficialLoganK (Logan Kilpatrick) fue breve y contundente, en la línea de quienes ven aquí un cambio en dónde reside la ventaja competitiva.
Más información:
📎 AI Infrastructure at Periodic
7. Odyssey desarrolla un modelo semilla para todas las tareas del mundo físico
Odyssey ha mostrado el 15 de septiembre Odyssey-3, su modelo del mundo fundacional más capaz hasta la fecha, presentado como una inteligencia física de propósito general. Está entrenado para simular escenarios muy variados y sobre él, se entrenan políticas más pequeñas que generan acciones específicas para cada escenario: brazos robóticos, humanoides, coches, drones, videojuegos y entrenamiento de otros sistemas de IA.
El planteamiento ataca el cuello de botella real de la robótica, que no es cómputo sino datos específicos por tarea. Según la compañía, sobre el preentrenamiento general bastan unas pocas horas de datos de experiencia por tarea nueva. Del catálogo de demostraciones, la más citada es la conducción en carreteras de la India, con una política entrenada íntegramente en simulación con tan solo 20 horas de datos de conducción reales.
El encuadre que ha elegido 𝕏 @odysseyml (Odyssey) no es el de un modelo generativo más, sino el de una base para que otros construyan sistemas inteligentes encima.
El contraste que subraya 𝕏 @olivercameron (Oliver Cameron) es de coste humano: ocho años construyendo coches autónomos frente a un solo investigador y veinte horas de datos para conducir en India.
Aun viendo en los modelos del mundo la pieza que falta para la inteligencia general en robótica, 𝕏 @DeryaTR_ (Derya Unutmaz, Md) avisa de que sin benchmarks decentes no hay manera de situar a Odyssey-3 frente a sus rivales.
Lo que le parece relevante a 𝕏 @ChrisGPT (Chris) es el método: congelar el backbone preentrenado y entrenar políticas de acción pequeñas encima, con muy pocos datos por tarea.
La observación de 𝕏 @aakashgupta (Aakash Gupta) es de mercado: la lista de demostraciones (humanoide, brazos, coche, dron, videojuegos) equivale a varias startups distintas cubiertas por un mismo modelo.
Más información:
📎 Introducing Odyssey-3: A General-Purpose Physical Intelligence