¿Qué pasó ayer? En un minuto:
OpenAI afirma que un modelo interno más capaz que GPT-6 Astra ha resuelto el problema de Navier-Stokes, uno de los Problemas del Milenio, aunque la demostración aún debe ser validada por la comunidad matemática.
Meta despliega en Estados Unidos Muse, un agente personal que sigue trabajando con la aplicación cerrada desde una máquina virtual propia y foco en seguridad.
OpenAI lanza ChatGPT Images 2.5 para todos los usuarios, con generación más rápida, mayor consistencia entre imágenes y la herramienta de dibujo Sketch.
Mistral AI cierra una Serie D de 3.000 millones de euros liderada por Samsung, la mayor ronda de una tecnológica europea privada.
El informe PISA 2025 confirma una caída internacional de las puntuaciones, sobre todo en comprensión lectora, y la atribuye al cambio de hábitos por las pantallas.
Tesla muestra la línea de ensamblaje del Cybercab, que rompe con la cadena de montaje de Ford y aspira a producir un vehículo cada 10 segundos.
OpenAI podría pausar temporalmente las nuevas suscripciones a ChatGPT Pro por una demanda sin precedentes de GPT-6 Astra.
Inception presenta Mercury 2.5, el mayor modelo de lenguaje hasta la fecha con el paradigma de difusión, que promete generar texto a mayor velocidad.
Menos ruido. Más criterio para aplicar la IA.
En el Instituto de Inteligencia Artificial te formamos para el futuro del trabajo. Hoy termina el descuento por inscripción anticipada en todos nuestros programas. Elige el tuyo:
🎓 Máster Ejecutivo en IA
🛡️ IA Aplicada a la Ciberseguridad
💻 Desarrollador 10x con IA
📣 IA para Marketing: de la generación a los agentes
🎬 Producción Audiovisual con IA
Y si tienes más de un minuto…
1. OpenAI afirma haber resuelto el problema de Navier-Stokes
OpenAI ha anunciado que un modelo interno, más capaz que GPT-6 Astra, ha resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute dotados con un millón de dólares. Según la compañía, la demostración prueba que estas ecuaciones, usadas para diseñar aviones, predecir el tiempo o estudiar el flujo sanguíneo, pueden “romperse”: un fluido que arranca en calma alcanza velocidad infinita en tiempo finito, algo imposible en la realidad. La demostración está formalizada y verificada en el lenguaje Lean.
La produjo un sistema de unos 10.000 agentes coordinados que trabajaron 88 horas, 4,9 millones de mensajes y 300.000 millones de tokens, un coste que TechCrunch estima en 22,5 millones de dólares a tarifas de Astra. OpenAI dice que no reclamará el premio, que todavía exige revisión independiente.
El anuncio llega con polémica: el matemático Tristan Buckmaster (NYU), que junto a Levent Alpöge (Anthropic) resolvió un caso simplificado con ayuda de Claude y Codex, acusa a OpenAI de aprovechar rumores sobre su método, algo que la empresa niega. El presidente del Clay Mathematics Institute, Martin Bridson, calificó la jornada de “emocionante”, aunque el resultado aún debe ser examinado por la comunidad matemática.
Más allá de la validación aún pendiente, esta noticia es la señal más clara hasta la fecha de que la IA puede abordar problemas de investigación de frontera, lo que anticipa la llegada de una época de grandes avances en los campos de la ciencia y la ingeniería.
El detalle que subraya 𝕏 @testingcatalog (Ai News | Testingcatalog) es que el propio anuncio sitúa el logro en el nivel 4 de la escala de OpenAI, el de los "innovadores", y que la prueba salió de un grupo de agentes, no de un único modelo.
Para 𝕏 @kimmonismus (Chubby) esto es la "era dorada del descubrimiento científico" que anticipaba Demis Hassabis, y lo que más le llama la atención es la distancia entre el modelo interno y lo que hay disponible al público.
Más interesante es el razonamiento de 𝕏 @cuenca (Joaquín Cuenca Abela): si las matemáticas caen por categorías enteras, los cuellos de botella se desplazan a las ciencias que dependen de datos experimentales, y dentro de ellas las de iteración lenta, como la biología, serán las más resistentes.
El escepticismo llega en forma de broma con 𝕏 @tunguz (Bojan Tunguz), que apunta que solo es Navier-Stokes de verdad si viene de la región Navier-Stokes de Courant; si no, son "ecuaciones de Euler espumosas".
En clave de ajuste de cuentas, 𝕏 @javilopen (Javi Lopez) dedica el hilo a Gary Marcus, el crítico más visible de los límites del aprendizaje profundo en tareas de razonamiento.
Más información:
📎 On the Navier–Stokes Millennium Prize Problem
📎 OpenAI fought dirty on career-making math problem, says NYU mathematician
2. Meta lanza Muse, su agente personal
Meta ha empezado a desplegar Muse, un agente personal de IA construido sobre Muse Spark 1.3, su modelo orientado a tareas agénticas de horizonte largo. El lanzamiento arranca en Estados Unidos, en iOS, Android y web, con acceso adicional a través de WhatsApp. La diferencia respecto a un asistente conversacional está en la ejecución de tareas.
Muse funciona de forma continua, sigue trabajando con la aplicación cerrada, dispone de su propia máquina virtual en el cloud, aislada y persistente para cada usuario, con un navegador propio, sistema de ficheros y terminal para escribir código y fabricarse herramientas. Se conecta a Gmail y Google Calendar, y de forma exclusiva a Instagram y Facebook, con permisos de solo lectura o de lectura y escritura que el usuario puede controlar.
Meta ha publicado un documento técnico donde explica que el diseño asume que el agente será atacado a través de los datos que lee. El entorno corre en una celda aislada, el modelo no ve credenciales reales y toda interacción con el exterior pasa por un módulo llamado Sentinel. Pide aprobación explícita antes de enviar correos o gastar dinero. Los pagos van por Stripe Link, con reembolso si el agente se equivoca, e integración con Shopify prevista. Hay también acuerdo con 1Password para reutilizar inicios de sesión existentes.
El propio 𝕏 @alexandr_wang (Alexandr Wang) coloca la seguridad por delante de las capacidades al presentar el producto, y remite al informe técnico como el trabajo del que se siente más satisfecho, algo poco habitual en un lanzamiento de consumo.
Desde 𝕏 @AIatMeta (Ai At Meta) se admite abiertamente la tensión de fondo: un agente que te conoce con el tiempo acumula mucho contexto sobre ti, y esa misma acumulación es a la vez su utilidad y su principal riesgo.
Para 𝕏 @rohanpaul_ai (Rohan Paul) lo relevante no es el chat sino la persistencia: correo, calendario, compras y pagos conectados a un proceso que sigue ejecutándose cuando el usuario ya ha cerrado la aplicación.
Recuerda 𝕏 @testingcatalog (Ai News | Testingcatalog) que Muse venía rodándose como alfa cerrada con códigos de invitación bajo el nombre Hatch, y que el despliegue actual sigue restringido por región, lo que limita bastante la lectura de las primeras impresiones.
La lectura de 𝕏 @giffmana (Lucas Beyer (Bl16)) es de formato: llevamos un año largo explorando alternativas porque la interfaz de chat, después de varios años de uso, no acaba de ser la correcta.
Más información:
📎 How We Designed Muse
📎 How We Built Safety Into Muse
3. OpenAI actualiza su generador de imágenes
OpenAI ha desplegado ChatGPT Images 2.5, la nueva versión de su sistema de generación de imágenes dentro de ChatGPT, disponible desde hoy para todos los usuarios de ChatGPT. La compañía apunta a tres mejoras concretas: generación más rápida, mayor fidelidad en las imágenes y consistencia entre generaciones sucesivas, un punto históricamente débil cuando se trata de mantener personajes, objetos o estilos estables. En la API llegan dos modelos nuevos, GPT-Image-2.5 Flare y GPT-Image-2.5 Sunburst, que trasladan las mismas mejoras de calidad, edición y velocidad a los desarrolladores.
Además del nuevo modelo, la nueva versión del producto ofrece tres añadidos con intención clara de uso cotidiano: plantillas para formatos habituales como pósters o merchandising, una herramienta de edición puntual que permite señalar el punto exacto que se quiere cambiar y describir el cambio, y Sketch, un comando invocable escribiendo "@ Sketch", para dibujar directamente dentro de ChatGPT y mostrar la idea en vez de describirla. La medición externa acompaña: en las clasificaciones publicadas por Arena, Sunburst y Flare ocupan las dos primeras posiciones en Text-to-Image, Image Edit y Multi-Image Edit, por delante de Microsoft AI, Google, Meta, Bytedance y Alibaba, y con mejora clara sobre GPT-Image-2 que sigue ocupando el tercer puesto de esa tabla.
El argumento de producto que más subraya 𝕏 @OpenAI (Openai) es el de reducir fricción: hay ideas más fáciles de dibujar que de explicar, y Sketch existe precisamente para saltarse la descripción textual.
Con cierta sorna, 𝕏 @sama (Sam Altman) admite que el modelo no resuelve problemas matemáticos difíciles, un guiño evidente al anuncio de Navier-Stokes que se ha comido la atención del día.
Para 𝕏 @kimmonismus (Chubby) el lanzamiento ha pasado casi de puntillas, publicado sin ceremonia y eclipsado por completo por el avance en el problema del milenio.
El matiz crítico lo pone 𝕏 @DotCSV (Carlos Santana), que sigue detectando el tramado granular característico del modelo 2.0, algo más sutil pero todavía presente, aunque reconoce un salto real en la comprensión de las peticiones.
Más información:
📎 openai.com: Introducing ChatGPT images 2 5
4. Mistral capta 3.000 millones con Samsung al frente
Mistral AI, fundada en París en 2023 por Arthur Mensch, Guillaume Lample y Timothée Lacroix, ha cerrado una Serie D de 3.000 millones de euros con una valoración post-money superior a los 21.000 millones de euros. Es la mayor ronda de capital de una tecnológica europea privada y casi duplica los 11.700 millones que la compañía valía hace un año. La lidera Samsung Electronics, con una aportación aproximada de 1.000 millones, y como co-líderes figuran el Scaleup Europe Fund, gestionado por EQT y con dinero público de la Unión Europea, junto al inversor existente PSG Equity. El accionariado ya incluía a ASML, Nvidia y Salesforce Ventures.
Mensch ha explicado a CNBC y a Bloomberg TV que el destino del dinero es investigación en IA de frontera, cómputo para entrenamiento, infraestructura propia (centros de datos incluidos) y expansión internacional. Mistral es la única apuesta europea con escala real en modelos de frontera y su diferencial ha sido la publicación de pesos abiertos, una posición intermedia entre el modelo cerrado estadounidense y la oferta china. La ronda sigue siendo pequeña frente a los importes que manejan OpenAI o Anthropic. Entre sus clientes citados están Airbus, ASML y HSBC.
El matiz que destaca 𝕏 @antonello (Antonio Ortiz) es la presencia de capital público europeo en la operación, vía un vehículo mixto, algo poco habitual en rondas de este tamaño.
Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el titular es de récord continental: la mayor ronda cerrada nunca en la Unión Europea, con Samsung liderando y EQT y PSG Equity como acompañantes.
La lectura menos complaciente la firma 𝕏 @OzakAGI (Ozak Ai), que recuerda que, siendo la mayor ronda europea de la historia, sigue siendo un error de redondeo comparada con lo que se mueve al otro lado del Atlántico.
Frente al relato habitual de Estados Unidos contra China, 𝕏 @jurlycat (Jurly) interpreta la operación como la apuesta europea por una tercera vía propia.
Desde la comunidad francesa de IA, 𝕏 @ylecun (Yann Lecun) se limitó a felicitar públicamente a Mensch y a su equipo, un gesto significativo viniendo de la voz más visible del ecosistema.
Más información:
📎 Mistral raises €3B to make sovereign, open-weight AI the technology frontier
5. Informe PISA 2025 y el debate sobre pantallas
Los resultados de PISA 2025, el informe trienal de la OCDE que mide las competencias de alumnos de 15 y 16 años, muestran una caída internacional de las puntuaciones que no se ha recuperado tras la pandemia. La comprensión lectora es el área más castigada, con niveles bajos incluso en países de renta alta.
El debate público ha señalado rápido a dos culpables: el móvil y la inteligencia artificial. Sin embargo, el informe, de más de cuatrocientas páginas, no atribuye la caída a la IA generativa. Sí apunta al cambio en los hábitos de lectura y en la capacidad de atención asociado al uso de pantallas y tecnología.
Además, hay un matiz de cronología que suele pasarse por alto: los alumnos evaluados nacieron en 2009 y se examinaron hace aproximadamente año y medio, antes de que el uso escolar de asistentes conversacionales se generalizara. El Reino Unido, que volvió a métodos de enseñanza tradicionales, se cita como posible referencia de contraste ante sus buenos resultados.
El matiz que introduce 𝕏 @Afinetheorem (Kevin A. Bryan) es incómodo: Estados Unidos y Canadá aguantan bien, pero solo en comparación con un desplome global, con resultados de lectura que siguen bajando y cifras que califica de alarmantes incluso en países acomodados.
Frente a la atribución rápida a la tecnología, 𝕏 @jlhortelano (Juan Luis Hortelano) insiste en leerse el informe completo y recuerda dos condicionantes que cambian la lectura: el giro británico hacia metodologías tradicionales y la exclusión en España de la muestra de alumnos que no dominan la lengua de la prueba.
Con una autocrítica explícita sobre su propio conservadurismo educativo, 𝕏 @antonello (Antonio Ortiz) sostiene que las innovaciones metodológicas de las últimas décadas no han jugado a favor cuando la evaluación es del tipo que aplica PISA.
Más información:
📎 elpais.com: Los alumnos espanoles se hunden en matematicas y lectura en el informe pisa y obtienen el peor resultado de su historia
6. Tesla enseña la línea "unboxed" del Cybercab
Tesla ha publicado el vídeo completo del proceso con el que fabricará el Cybercab en su fábrica de Texas, mostrado por primera vez en el evento de lanzamiento de la semana pasada. El planteamiento se aparta de la cadena de montaje móvil que Ford introdujo en 1913: en vez de mover la carrocería mientras se le añaden piezas, los módulos del vehículo se ensamblan en paralelo y el coche se enmarca en un único paso al final. La compañía sostiene que así se simplifica la automatización, se reduce a la mitad el tamaño de la línea y de la huella de fábrica, y se libera capacidad.
El objetivo declarado es un Cybercab cada 10 segundos, con una meta a largo plazo de unos 5 segundos. Al ser un vehículo pensado solo para conducción autónoma, sin volante ni pedales, se eliminan muchos componentes lo cual simplifica el ensamblaje respecto a un coche convencional. El interés económico está en el coste por milla. Goldman Sachs calcula que Tesla podría operar el Cybercab hasta 30 céntimos por milla por debajo de rivales como Waymo, siempre que cumpla su objetivo de coste de producción de 20.000 a 30.000 dólares por unidad. El vehículo ya circula con pasajeros en pruebas en Austin, Texas.
La cuenta 𝕏 @robotaxi (Robotaxi) presenta el sistema como la primera revolución real en fabricación de automóviles en más de un siglo, un encuadre deliberadamente histórico para lo que es, de momento, una línea piloto.
El argumento técnico lo desarrolla 𝕏 @pbeisel (Phil Beisel) al recordar que incluso el sistema lean de Toyota mantuvo intacta la premisa de Ford: la carrocería como pieza que se desplaza mientras se le añaden componentes.
Frente al duelo simplificado entre Tesla y Uber, 𝕏 @davelee (Dave Lee) sostiene que ambos bandos ignoran lo que cambia cuando desaparece el conductor: el negocio de Uber se construyó sobre un recurso escaso, personas dispuestas a conducir.
Con la experiencia de usuario como argumento, 𝕏 @niccruzpatane (Nic Cruz Patane) invita a los escépticos a probar el servicio en Austin antes de opinar, algo que conviene leer como impresión personal y no como dato de rendimiento.
La lectura financiera de 𝕏 @tslaming (Ming) ata la ventaja de coste al diseño barato del vehículo, con la condición explícita de que Tesla alcance sus objetivos de producción.
7. OpenAI plantea pausar nuevas suscripciones Pro
OpenAI ha reconocido que podría dejar de aceptar temporalmente nuevas suscripciones a ChatGPT Pro, su plan de pago más caro. Lo ha avanzado un directivo de la compañía desde su cuenta personal, no mediante un comunicado oficial, atribuyéndolo a una demanda que califica de sin precedentes. Según sus palabras, la empresa está usando todos los recursos disponibles para sostener la carga y prioriza mantener el servicio a los clientes actuales antes que captar nuevos.
El origen del problema sería Astra, el modelo vinculado a GPT-6 lanzado a principios de septiembre, cuyo consumo estaría llevando al límite la capacidad de cómputo disponible, es decir, los chips (GPUs) y los centros de datos que hacen funcionar el servicio. La lectura para el sector es clara: si una compañía con el acceso a infraestructura de OpenAI tiene que racionar su producto premium, la escasez de capacidad ya no es un problema de arranque, sino lo que marcará el ritmo comercial de todo el negocio.
El aviso lo lanza 𝕏 @thsottiaux (Tibo) desde dentro de OpenAI, y su matiz es el que importa: ya han pasado por fases de crecimiento muy pronunciado y esto no se parece a nada anterior.
Para 𝕏 @kimmonismus (Chubby) es la definición de sufrir de éxito, y de paso el mejor mensaje posible de cara a la salida a bolsa que OpenAI prepararía, según su lectura, para principios de 2027.
La lectura de 𝕏 @rohanpaul_ai (Rohan Paul) va directa al origen del cuello de botella: es el consumo de GPT-6 Astra el que se está desbordando, no una subida genérica de tráfico en ChatGPT.
Desde 𝕏 @wallstengine (Wall St Engine) se insiste en el condicional: la pausa solo llegaría si la demanda de Astra sigue escalando, un detalle que buena parte de la conversación ha convertido ya en hecho consumado.
8. Inception lanza Mercury 2.5, un modelo de lenguaje que apuesta por la velocidad
Inception, la empresa fundada por el investigador de Stanford Stefano Ermon, ha presentado Mercury 2.5, un modelo de lenguaje basado en difusión que la compañía describe como el mayor entrenado hasta ahora con esa técnica. La diferencia con un modelo convencional está en cómo escribe: en lugar de generar palabra a palabra, produce y refina el texto en paralelo, un método ya habitual en la generación de imágenes y vídeo. De ahí que su principal argumento comercial sea una respuesta más rápida.
Según Inception, la calidad se sitúa al nivel de los modelos punteros optimizados en coste, como GPT-5.6 Luna en su versión Low, Gemini 3.5 Flash-Lite y Claude Haiku 4.5. Es decir, compite en la franja económica del mercado, no en la de máxima capacidad. El modelo incorpora razonamiento ajustable, uso simultáneo de varias herramientas y respuestas en formato estructurado JSON.
Se trata, por ahora, de una arquitectura nueva que todavía debe demostrar si puede igualar en prestaciones y coste al enfoque dominante.
El encuadre que elige 𝕏 @_inception_ai (Inception) es de liderazgo dentro de una categoría propia: el modelo de difusión más capaz del mercado, con la velocidad sobre hardware corriente de NVIDIA como principal reclamo.
Para 𝕏 @testingcatalog (Ai News | Testingcatalog) la lectura interesante es competitiva: rendimiento equiparable al de Gemini 3.5 Flash y GPT-5.6 Luna Low, pero a una velocidad muy superior, señal de que la difusión está madurando.
Desde 𝕏 @TeksEdge (David Hendrickson) se recuerda la trayectoria previa del modelo, que ya había roto la barrera de los 1.000 tokens por segundo, y se insiste en el mecanismo: generar y refinar en bloque en vez de encadenar tokens.
La felicitación pública de 𝕏 @NVIDIAAI (Nvidia Ai) al equipo tiene lectura de negocio: el argumento de velocidad se apoya en GPUs suyas de disponibilidad general, no en configuraciones exóticas.
Más información:
📎 Introducing Mercury 2.5 – Inception
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.