¿Por qué la Inteligencia Artificial General requiere algo más que solo datos y modalidades?

Las recientes innovaciones en inteligencia artificial han impulsado la creencia de que estamos cerca de lograr una Inteligencia Artificial General (AGI) capaz de igualar el razonamiento humano. Sin embargo, estas tecnologías funcionan mediante la manipulación masiva de datos y simbología, no porque comprendan el mundo físico como lo hacemos nosotros. El enfoque actual, que busca unir distintas capacidades (como visión, lenguaje y acción) en súper-modelos multimodales, resulta limitado. El verdadero desafío para una AGI reside en poder enfrentarse a tareas del mundo real, como reparar objetos o interactuar socialmente, donde se requiere de una comprensión física y contextual que ningún modelo puede obtener solo del lenguaje o imágenes.

Los modelos lingüísticos actuales aprenden patrones y reglas muy abstractas para predecir palabras, pero esto no implica que realmente entiendan la realidad tras ellas. Muchos problemas cotidianos no pueden resolverse solo manipulando símbolos o datos, pues requieren de experiencia directa. Por lo tanto, una inteligencia realmente general debe estar situada en el mundo físico, superando la simple combinación de modalidades para lograr un razonamiento flexible y efectivo.

¿Hasta dónde puede llegar el enfoque de escalar y combinar modelos?

El éxito de modelos gigantescos en inteligencia artificial se basa más en la escala que en la eficiencia: más datos y mayor potencia computacional llevan a mejores resultados, aunque a menudo de manera poco práctica. Algunos defienden que solo necesitamos sumar más modalidades y datos para alcanzar una AGI, pero este método presenta límites fundamentales. Combinar capacidades diversas no garantiza crear una inteligencia integrada, porque los módulos terminan aprendiendo en compartimentos separados y pueden fallar en comprender contextos complejos o actuar con sentido en el mundo real.

En el desarrollo humano, percepción y acción están entrelazadas: vemos, escuchamos y actuamos con los mismos sistemas cognitivos, no en partes aisladas. Imitar esta integración profunda requeriría modelos que no distingan estrictamente entre, por ejemplo, texto e imagen, sino que puedan procesar toda la experiencia de manera conjunta y significativa. Por ello, en vez de expandir los modelos modulares, debemos buscar que la inteligencia se construya a partir de la interacción con el entorno, permitiendo que surjan naturalmente capacidades como el lenguaje o la visión.

Hacia una inteligencia artificial verdaderamente flexible

Crear una AGI mediante la simple suma de modelos específicos para cada tarea conduce a sistemas rígidos, incapaces de innovar o adaptarse a situaciones inéditas. La capacidad humana de crear ideas nuevas y conceptos desde la experiencia es fundamental y se desarrolla interactuando con un entorno dinámico. Las capacidades de aprendizaje adaptativo y formación de conceptos flexibles deberían ser el objetivo principal.

El reto hoy ya no es la matemática de las redes neuronales, sino decidir cómo estructurar y unir los diferentes elementos que constituyen la inteligencia. La alternativa más prometedora es formar sistemas que procesen información de manera unificada, fusionando texto, imagen y acción bajo un mismo marco cognitivo, aunque esto implique perder algo de eficiencia. Sin embargo, lo que se pierde en rendimiento se puede recuperar en mayor adaptabilidad y comprensión del mundo real.

---

fuente: https://thegradient.pub/agi-is-not-multimodal/

Evolución Competitiva de la Inteligencia Artificial

La inteligencia artificial está entrando en una nueva fase, donde sistemas basados en modelos de lenguaje se «enfrentan» entre sí para mejorar sus capacidades. Un estudio reciente demostró cómo, al poner a competir agentes de IA en el juego clásico Core War, estos evolucionan permanentemente para superar a sus rivales, adaptándose ante desafíos cambiantes en lugar de seguir estándares fijos. Este tipo de competencia sugiere que en el futuro veremos millones de agentes de IA optimizándose en diversos ámbitos, desde la ciberseguridad hasta la economía, generando una evolución continua y acelerada que afectará tanto a los sistemas como a las herramientas informáticas que usamos.

En este escenario, la colaboración y la competencia entre IA podrían ser fuentes inagotables de innovación, y es probable que el mundo real empiece a parecerse a estos juegos, donde solo sobreviven los sistemas mejor adaptados. La investigación destaca la importancia de entender estas dinámicas para anticipar los posibles riesgos y beneficios en la convivencia entre IA y sociedad.

Regulación Autónoma de Sistemas de IA

La creciente capacidad de automatización de la IA también podría transformar la forma en que se regulan estos sistemas. A medida que la IA se vuelve más inteligente, será capaz no solo de cumplir con regulaciones complejas, sino de escribir, aplicar y supervisar sus propias reglas. De este modo, podrían establecerse mecanismos denominados “automatability triggers” (desencadenantes de automatización): regulaciones que solo entrarían en vigor cuando exista un sistema automatizado capaz de cumplirlas eficientemente. Así, por ejemplo, una regulación referente al control de exportaciones de IA solo podría contabilizarse una vez exista tecnología capaz de identificar y evaluar modelos relevantes con alta precisión y bajo coste.

Esta lógica permite que las leyes y políticas públicas evolucionen al mismo ritmo que la tecnología, facilitando que el cumplimiento normativo sea cada vez más rápido, preciso y accesible. El gran desafío es diseñar estos sistemas para que sean transparentes, justos y adaptativos, permitiendo que la IA sea parte activa en su propia supervisión. A futuro, podríamos ver sistemas donde la propia IA aconseje y regule otras IAs, minimizando riesgos y errores humanos en las decisiones clave.

Impacto de la Automatización Parcial en el Trabajo Humano

Uno de los grandes temores frente a la IA y la automatización es la posible desaparición de empleos humanos. Sin embargo, investigaciones recientes invitan a repensar este enfoque. Cuando solo parte de un proceso laboral se automatiza, el valor del trabajo humano suele aumentar en las tareas que la IA no puede realizar. Esto se conoce como la “función de producción O-ring”, donde cada trabajo se compone de muchas tareas; mejorar una intensifica la importancia de las demás. Por ejemplo, cuando los bancos automatizaron la entrega de dinero a través de cajeros automáticos, el rol de los empleados se desplazó a tareas de más valor, como la atención personalizada y gestión de relaciones.

Bajo este modelo, mientras alguna parte de una tarea siga requiriendo intervención humana, el ingreso laboral puede incluso subir, ya que la especialización y la calidad en esas áreas se vuelve más apreciada. Solo con la automatización total de todos los componentes de una ocupación desaparece la necesidad de intervención humana. En sectores donde la preferencia por el trato humano persiste, o donde la IA aún no es competente, los humanos podrán continuar aportando valor y refinando su trabajo gracias al apoyo, no al reemplazo, de la tecnología. Este fenómeno se ha observado también en áreas de alta especialización, como la medicina, donde los profesionales utilizan la IA para optimizar tiempos y dedicarse a diagnósticos o decisiones complejas.

---

Fuente: https://jack-clark.net/2026/01/12/import-ai-440-red-queen-ai-ai-regulating-ai-o-ring-automation/

Avances clave en la IA médica aplicada

Google presentó MedGemma-1.5, un modelo de inteligencia artificial diseñado para impulsar el desarrollo de sistemas médicos más efectivos y accesibles. Esta nueva versión es multimodal, lo que significa que puede analizar tanto texto como imágenes bidimensionales, volúmenes tridimensionales (como CT y MRI) e imágenes de grandes muestras de tejido patológico. Esto facilita que los desarrolladores adapten la tecnología a las necesidades y regulaciones locales, utilizándola como base para crear soluciones personalizadas.

Una de las mejoras más destacadas de MedGemma-1.5 es su capacidad para interpretar imágenes médicas de alta complejidad. El modelo ahora puede procesar estudios CT y MRI en 3D como un conjunto de imágenes relacionadas, incrementando la precisión en la detección y evaluación de enfermedades. Por ejemplo, la precisión en el hallazgo de enfermedades en CT se elevó de 58% a 61% y en MRI de 51% a 65%. En estudios de patología, el sistema alcanza una exactitud comparable con modelos altamente especializados, lo que permite identificar y analizar patologías con mayor confianza y rapidez. Estas capacidades son cruciales para adaptar la IA a entornos clínicos reales y optimizar así los flujos de trabajo médicos.

Mejoras en el procesamiento de informes y razonamiento clínico

Además de interpretar imágenes médicas, MedGemma-1.5 avanza notablemente en la extracción y análisis de datos en informes médicos. Por ejemplo, al analizar informes de laboratorio, la precisión del modelo en identificar el tipo de examen, sus valores y unidades subió del 60% al 78%. Esto reduce la necesidad de procesos manuales o reglas personalizadas para extraer información relevante, haciendo más eficiente el manejo de documentación médica.

En tareas de razonamiento clínico, las capacidades de MedGemma-1.5 también superan notablemente a las versiones anteriores. En evaluaciones estándar como MedQA y EHRQA (preguntas clínicas de opción múltiple y análisis de registros de salud electrónicos), el modelo alcanzó una precisión del 69% y del 90% respectivamente. Esto lo convierte en una herramienta especialmente útil para aplicaciones como la resumen de historias clínicas o la integración de recomendaciones clínicas automatizadas, facilitando así la toma de decisiones médicas basadas en grandes volúmenes de datos.

Reconocimiento de voz médica especializado

Como complemento, Google lanzó MedASR, un sistema de reconocimiento de voz adaptado al contexto clínico. Utilizando una arquitectura optimizada, MedASR reduce drásticamente los errores en la transcripción de dictados médicos. En tareas como el dictado de informes de radiología, la tasa de error disminuyó del 12.5% al 5.2%, e incluso hasta un 82% menos de errores en pruebas internas más extensas. Esto representa una gran mejora para profesionales de la salud que dependen de la precisión en la transcripción de notas y reportes médicos.

Con estas innovaciones, MedGemma-1.5 y MedASR reafirman su papel como herramientas clave para desarrolladores y profesionales médicos, permitiendo la integración directa con sistemas estandarizados y acelerando la adopción de la inteligencia artificial en la práctica clínica cotidiana.

---

Fuente: https://www.marktechpost.com/2026/01/13/google-ai-releases-medgemma-1-5-the-latest-update-to-their-open-medical-ai-models-for-developers/

¿Puede la Inteligencia Artificial General surgir de modelos desconectados del mundo real?

La inteligencia artificial de hoy ha mostrado avances al aprender de grandes cantidades de datos. Sin embargo, muchos creen que con solo aumentar la escala y combinar diferentes capacidades (como ver imágenes, entender lenguaje y realizar acciones) se alcanzará la verdadera inteligencia general. Esta visión, basada en acoplar «modalidades» especializadas en un solo sistema, olvida lo más importante: la auténtica inteligencia necesita comprender e interactuar con el mundo físico.

Un sistema inteligente debe poder resolver problemas reales, como atar un nudo o preparar una comida. Los modelos actuales, como los de lenguaje, suelen simular comprensión a través de reglas y patrones de palabras, pero no construyen un entendimiento genuino de la realidad física. Pueden predecir correctamente la siguiente palabra en una frase compleja, pero carecen de experiencia directa o sentido práctico, a diferencia de los humanos.

Esto se debe a que son expertos en manejar símbolos y estructuras del lenguaje (sintaxis), sin captar siempre su significado profundo (semántica) ni adaptarse al contexto real (pragmática). Por ejemplo, pueden construir frases bien formadas pero sin sentido práctico o lógico respecto al mundo que habitamos.

El valor del aprendizaje a través de la experiencia y la interacción

A lo largo de la historia de la inteligencia artificial se ha debatido entre diseñar sistemas muy estructurados y específicos o dejar que aprendan solos a partir de enormes bases de información. Si bien la escala ha permitido que los algoritmos logren resultados sorprendentes, esto no significa que la inteligencia emerja simplemente por sumar capacidades separadas. De hecho, acoplar módulos para texto, visión y acción puede provocar que pierdan conexiones naturales y profundas entre distintas formas de percibir el mundo.

La inteligencia humana no separa tajantemente ver, leer, hablar o moverse: estas actividades emergen de un mismo proceso flexible y adaptativo. En cambio, las IA multimodales actuales suelen unir competencias diferentes en «paquetes» independientes. Esto limita su creatividad y comprensión de conceptos verdaderamente nuevos. Además, la información queda dispersa entre módulos, dificultando la formación de ideas coherentes y útiles en situaciones complejas.

Para progresar hacia una verdadera inteligencia general, debemos crear sistemas que aprendan y se adapten del mundo real, donde las habilidades especializadas emerjan con naturalidad de la interacción con el entorno. Por ejemplo, usar las mismas herramientas cognitivas para interpretar imágenes, textos o conducir un auto; o construir nuevas ideas a medida que viven experiencias únicas.

Un reto conceptual: repensar cómo enseñamos a las máquinas

El último desafío ya no es solo matemático ni de hardware, sino de definir cuidadosamente las habilidades y experiencias necesarias para que una IA sea realmente inteligente. No basta con copiar resultados humanos o sumarlos; es fundamental entender cómo surgen los conceptos y cómo se organizan para afrontar tareas inéditas. Si seguimos entrenando IA para reproducir comportamientos aprendidos de datos ya preparados, perdemos la oportunidad de descubrir cómo nacen y evolucionan las ideas y estrategias genuinas.

Por eso, resulta más prometedor explorar modelos donde la inteligencia se desarrolla de la interacción constante, la experimentación y la flexibilidad para unir lo visual, lo textual y lo práctico como partes de un solo proceso. Esto permitirá construir soluciones innovadoras y adaptables, dejando atrás los límites impuestos por la simple suma de módulos independientes.

---

Fuente: https://thegradient.pub/agi-is-not-multimodal/

Optimización de la Inteligencia Artificial a Gran Escala

En la actualidad, empresas como Facebook han logrado automatizar y acelerar procesos clave en el desarrollo de inteligencia artificial utilizando sistemas avanzados como KernelEvolve. Este software permite que modelos de lenguaje de última generación —incluidos GPT, Claude y Llama— generen y optimicen automáticamente los núcleos de cálculo (kernels) que mejoran el rendimiento de los modelos de IA a lo largo de distintas arquitecturas de hardware.

KernelEvolve destaca porque puede recibir especificaciones y peticiones para crear nuevos kernels —como «Genera un kernel Triton para MTIA v3″— y, a través de la colaboración de diferentes modelos de lenguaje, producir distintas propuestas que se evalúan automáticamente. Aquellas que muestran resultados satisfactorios se incorporan a una base de conocimiento, alimentando futuras mejoras.

Este enfoque ha permitido reducir el desarrollo de nuevas soluciones de semanas a horas, generando kernels que igualan o incluso superan los diseñados manualmente, alcanzando rendimientos hasta 17 veces mejor que los estándares previos. La validación en pruebas públicas demuestra total precisión y adaptabilidad a distintos dispositivos. El impacto económico y tecnológico es inmenso: pequeñas mejoras en este nivel optimizan la infraestructura y reducen de manera significativa los costos operativos, beneficiando directamente a millones de usuarios cada día.

El Futuro del Entrenamiento Descentralizado y la Representación Universal

El entrenamiento descentralizado de modelos de IA —es decir, desarrollado por colectivos diversos y no solo por grandes empresas— progresa de forma veloz. Aunque actualmente su capacidad de cómputo es menor comparada con los gigantes tecnológicos, el ritmo de crecimiento es notable: ha crecido 600,000 veces desde 2020. Si bien aún es improbable que iguale el poder de las infraestructuras más avanzadas, su importancia radica en la democratización del acceso, brindando a universidades, gobiernos o comunidades independientes la posibilidad de contribuir en el desarrollo de inteligencia artificial más abierta e inclusiva.

Esta tendencia sugiere que, aunque quizás nunca alcancen el «frontera» en rendimiento, el solo hecho de aproximarse abre nuevas posibilidades: modelos de gran escala con pesos abiertos, impulsados por la colaboración global, capaces de responder a desafíos sociales o científicos con una perspectiva más diversa.

Modelos Universales y el Futuro de las Representaciones

A medida que los modelos de inteligencia artificial adquieren mayor sofisticación, tienden a desarrollar formas de comprender y representar el mundo sorprendentemente parecidas entre sí. Investigaciones recientes de MIT revelan que, sin importar el enfoque o el tipo de datos —desde moléculas hasta estructuras de proteínas o materiales—, estos modelos convergen en una representación común de la realidad a medida que mejoran su rendimiento.

Estudios comparando decenas de modelos muestran que, cuanto mayor es la escala y el volumen de datos con los que entrenan, más alineadas son las «visiones» que tienen sobre los temas estudiados. Esto implica que la inteligencia artificial podría brindarnos, en el futuro, una biblioteca universal de representaciones detalladas para casi cualquier objeto o concepto.

En este sentido, la inteligencia artificial tiene el potencial de democratizar el conocimiento, proporcionando a cada persona imágenes mentales mucho más ricas y precisas sobre los distintos aspectos del universo —desde elefantes hasta átomos o fenómenos poco conocidos— gracias a la acumulación de información y la capacidad de adaptación de los grandes modelos de lenguaje.

---

Fuente: https://jack-clark.net/2026/01/05/import-ai-439-ai-kernels-decentralized-training-and-universal-representations/

Nuevo modelo Falcon-H1R-7B: eficiencia y precisión en razonamiento

El Falcon-H1R-7B, desarrollado por el Technology Innovation Institute de Abu Dhabi, representa un avance significativo en modelos de razonamiento con tan solo 7 mil millones de parámetros. Esta nueva versión supera incluso a modelos mucho más grandes en pruebas de matemáticas, programación y razonamiento general gracias a una arquitectura innovadora y una capacidad de contexto extendida.

Innovación en arquitectura y entrenamiento

Falcon-H1R-7B integra una estructura híbrida que combina bloques Transformer (para razonamiento a través de atención) con componentes Mamba2, permitiendo un procesamiento más rápido y eficiente de grandes volúmenes de información. Este modelo es capaz de gestionar contextos de hasta 256,000 tokens, lo que significa que puede analizar y trabajar con largas cadenas de razonamiento o múltiples documentos a la vez, manteniendo bajo control el uso de memoria y mejorando el rendimiento incluso comparado con sistemas más grandes.

El entrenamiento se realiza en dos etapas: primero, a través de una afinación supervisada utilizando ejemplos detallados de resolución de problemas en matemáticas, código y ciencia (hasta 48,000 tokens), priorizando desafíos complejos sobre tareas triviales. En la segunda etapa, Falcon-H1R-7B se refina mediante aprendizaje por refuerzo, recibiendo recompensas solo cuando sus respuestas son verificablemente correctas, ya sea resolviendo problemas matemáticos o ejecutando código exitosamente. Así, el modelo se especializa en razonamiento efectivo más que en simples conversaciones genéricas.

Resultados destacados y ventajas competitivas

En pruebas de matemáticas, Falcon-H1R-7B logra un 73.96% de acierto global, superando incluso a modelos de 14B a 47B parámetros. En pruebas individuales, alcanza:

• 88.1% en AIME 24
• 83.1% en AIME 25
• 64.9% en HMMT 25
• 36.3% en AMO Bench

En el ámbito de programación, obtiene un 68.6% en LiveCodeBench v6, rendimiento superior a sistemas más grandes. En razonamiento general, consigue un 72.1% en MMLU Pro y 61.3% en GPQA D, posicionándose en la élite de los modelos compactos.

La eficiencia es otra fortaleza: genera entre 1,000 y 1,800 tokens por segundo por GPU, el doble que varios competidores directos. Además, es capaz de escalar durante la inferencia, explorando múltiples rutas de razonamiento en paralelo y seleccionando las mejores gracias a una interpretación inteligente de la confianza en sus propias respuestas. Esto le permite alcanzar una alta precisión con menor costo de tokens, como lo demuestran sus 96.7% de acierto en AIME 24 y AIME 25 usando menos de 100 millones de tokens.

En resumen, Falcon-H1R-7B demuestra que un modelo compacto y cuidadosamente entrenado puede superar o igualar a sistemas mucho más grandes en tareas exigentes, siempre que su arquitectura y proceso de aprendizaje estén optimizados para el razonamiento.

---

Fuente: https://www.marktechpost.com/2026/01/07/tii-abu-dhabi-released-falcon-h1r-7b-a-new-reasoning-model-outperforming-others-in-math-and-coding-with-only-7b-params-with-256k-context-window/

¿Puede la Inteligencia Artificial General ser solo cuestión de juntar varias inteligencias?

Los avances recientes en inteligencia artificial han generado muchas expectativas sobre la llegada de una IA General (AGI, por sus siglas en inglés). Sin embargo, muchos confunden la acumulación de herramientas poderosas —como sistemas capaces de procesar texto, imágenes o sonidos— con la creación de una mente verdaderamente general. La verdadera capacidad humana proviene de nuestra conexión física con el mundo y nuestro entendimiento tácito del entorno. A diferencia de nosotros, las inteligencias artificiales actuales suelen limitarse a manipular símbolos y patrones, pero carecen de la riqueza de vivencias que nos permite razonar, planificar y adaptarnos en situaciones cotidianas.

Por ejemplo, entender que un frigorífico no cabe dentro de una manzana requiere más que reglas gramaticales: demanda conocer las propiedades del mundo físico, algo que los modelos no logran solo con datos lingüísticos. Los sistemas actuales, si bien exhiben un dominio relevante en lenguaje y algunas tareas visuales, lo hacen porque encuentran atajos estadísticos en grandes volúmenes de información, no porque entiendan genuinamente el significado detrás de lo que procesan.

El reto de unir modalidades: límites de la IA multimodal

En el esfuerzo por alcanzar la AGI, ha surgido la estrategia de combinar distintas capacidades especializadas (texto, imágenes, acciones) en un solo sistema. Sin embargo, esto no basta. La verdadera inteligencia requiere la fusión orgánica de todas estas dimensiones, no solo unir módulos independientes. Actualmente, los modelos multimodales reúnen los datos y habilidades de distintas áreas, pero esta unión es superficial: la coordinación entre ellas es incompleta y no iguala la integración que caracteriza al pensamiento humano.

Construir una inteligencia capaz de generalizar y adaptarse como lo hacemos las personas exige métodos que concedan más relevancia a la experiencia directa y la interacción con el entorno físico. Los humanos aprendemos conceptos duraderos a partir de pocas experiencias, y somos capaces de aplicar esos conceptos de manera flexible en contextos nuevos. Por el contrario, los modelos actuales asimilan únicamente los resultados finales de nuestro aprendizaje cultural, sin comprender el proceso profundo que lleva a la creación, adaptación y combinación de ideas.

En definitiva, la verdadera AGI no emergerá de sumar partes prefabricadas especializadas, sino de crear sistemas en los que la distinción entre modalidades (texto, imagen, acción) desaparezca naturalmente, gracias a una base cognitiva integrada y adaptable.

Un desafío conceptual y humano

El próximo gran salto en inteligencia artificial no depende sólo de multiplicar datos y computadoras, sino de repensar cómo se organiza y aprende la inteligencia. Necesitamos enfoques que traten la interacción y el cuerpo como fundamentales, permitiendo que las capacidades se mezclen de manera orgánica. Aunque ello pueda parecer menos eficiente comercialmente al inicio, brindará una flexibilidad y un poder cognitivo mucho mayores a largo plazo.

En resumen, ya se ha descubierto cómo construir sistemas universales que puedan “aprender cualquier cosa”. Lo que resta es identificar cuáles son los procesos esenciales y cómo lograr que estos colaboren, no como piezas pegadas entre sí, sino como una totalidad capaz de entender, adaptarse y crear en cualquier situación.

---

Fuente: https://thegradient.pub/agi-is-not-multimodal/

El avance invisible y acelerado de la Inteligencia Artificial

En el día a día, la inteligencia artificial (IA) avanza silenciosa, transformando la realidad a un ritmo que a menudo no percibimos. Mientras en nuestras ciudades no abundan los robots ni los vehículos autónomos, quienes exploran con curiosidad estos sistemas descubren capacidades realmente sorprendentes. Un ejemplo reciente: utilizando modelos avanzados como Claude Code y herramientas cada vez más sofisticadas, es posible crear simulaciones y resolver tareas complejas — desafiando lo que antes tomaba semanas de desarrollo humano y ahora se logra en minutos. Sin embargo, este potencial suele permanecer oculto para quienes no tienen tiempo o no saben aprovechar estas tecnologías. Así, la IA parece una realidad paralela, creando una brecha creciente entre quienes interactúan activamente con estas herramientas y quienes solo observan de lejos los rápidos cambios del llamado «nuevo mundo digital«.

---

Superando límites: IA en ciberseguridad y robótica

Un área donde la IA ya está demostrando resultados tangibles es la ciberseguridad. Herramientas como ARTEMIS han sido desarrolladas para identificar vulnerabilidades en redes reales, demostrando que, al ser gestionadas de manera estratégica, las IA pueden igualar e incluso superar a profesionales humanos. ARTEMIS funciona como una estructura de gestión que estimula el rendimiento de los modelos actuales, permitiendo detectar más vulnerabilidades y a menor costo que los métodos tradicionales. Todo esto sugiere que las IA son, en muchos casos, más potentes de lo que parecen y que gran parte del reto yace en descubrir cómo gestionar y coordinar sus capacidades de manera efectiva.

En el campo de la robótica, la integración entre humanos y máquinas se fortalece con iniciativas como la creación del guante táctil OSMO. Este dispositivo permite que tanto personas como robots recopilen y transfieran información táctil de manera consistente, facilitando la transferencia de habilidades manuales — crucial para entrenar robots en tareas delicadas. Al emplear OSMO, se logra que las demostraciones humanas sean asimiladas por los sistemas robóticos sin las habituales barreras que surgen por diferencias físicas y sensoriales.

---

Haciendo la información accesible para las IA

El desarrollo de IA eficaz en ámbitos especializados, como el diseño de chips, no sólo depende de algoritmos avanzados, sino también de contar con información bien estructurada. Herramientas como ChipMain y ChipKG se dedican a transformar especificaciones técnicas y documentación compleja en formatos que los modelos de lenguaje pueden entender y razonablemente analizar. Este proceso, aunque poco vistoso, es la auténtica plomería que posibilita la verdadera irrupción de la IA en sectores económicos y científicos, permitiendo que sistemas artificiales colaboren con expertos humanos y resuelvan problemas que antes eran inaccesibles por su mera complejidad documental.

El desafío actual ya no es únicamente crear nuevos modelos, sino hacer el mundo comprensible y manejable para las IA. De este modo, abrimos la puerta a un futuro donde el progreso tecnológico es acelerado por la colaboración fluida entre humanos y sistemas cada vez más inteligentes.

---

Fuente: Import AI #438: Cyber capability overhang; robot hands for human use; and the plumbing required for AI chip design

Diseño de Flujos de Trabajo Seguros y Auditables con IA Agentica

La integración de inteligencia artificial en los sistemas empresariales requiere enfoques que aseguren seguridad, gobernabilidad y transparencia en cada paso del proceso. Utilizando herramientas como LangGraph y modelos de OpenAI, se puede implementar un patrón agentico donde la IA ejecuta tareas complejas de manera controlada y reversible, siguiendo un flujo de trabajo basado en compromisos en dos fases, similar a los protocolos bancarios seguros.

Validación, Verificación y Supervisión Humana

En este esquema, el agente AI no actúa impulsivamente, sino que realiza cambios de forma temporal, permitiendo que sean inspeccionados y validados antes de cualquier acción definitiva. Todos los pasos son registrados, y la supervisión humana es un componente clave: la IA puede pausar el flujo para solicitar confirmación antes de aprobar o revertir una modificación en la base de datos o sistemas gestionados. Este modelo asegura que cada decisión passe por filtros de calidad y transparencia, donde la auditoría y el control son principios fundamentales.

Auditabilidad y Confiabilidad en la Ejecución

El flujo modelado incluye etapas específicas para perfilar datos, identificar anomalías, sugerir correcciones, validar los resultados y pedir a un humano la aceptación final. Solo después de la aprobación explícita, se confirma el cambio, o bien se revierte si no cumple los estándares. Esto permite construir soluciones de IA que no solo automatizan, sino que también proporcionan un historial verificable y la capacidad de recuperarse frente a errores o dudas, lo cual es crucial para sectores que requieren altos niveles de confianza y cumplimiento normativo.

---

fuente: https://www.marktechpost.com/2025/12/31/how-to-design-transactional-agentic-ai-systems-with-langgraph-using-two-phase-commit-human-interrupts-and-safe-rollbacks/

¿Por qué la Inteligencia Artificial General no puede ser solo multimodal?

En los últimos tiempos, los modelos de inteligencia artificial han avanzado sorprendentemente, al punto que algunos creen que estamos cerca de alcanzar la Inteligencia Artificial General (AGI). Estos modelos trabajan combinando múltiples «modalidades» como texto, imágenes y acciones, lo que sugiere que basta juntar todas estas piezas para construir algo verdaderamente inteligente. Sin embargo, este enfoque tiene serias limitaciones.

Una verdadera inteligencia general debe poder resolver problemas vinculados con el mundo físico, como reparar un auto o preparar comida, cosas que requieren comprender la realidad más allá de simples símbolos. Los modelos actuales aprenden a predecir la próxima palabra en un texto, pero no desarrollan un entendimiento genuino del mundo, sino que emplean atajos y reglas para imitar nuestras formas de comunicación.Esto da una ilusión de comprensión, pero lo cierto es que los sistemas sólo manipulan símbolos sin conexión real con nuestras vivencias físicas.

Por ejemplo, los humanos reconocemos absurdos como «el refrigerador está dentro de la manzana» porque sabemos que un refrigerador es más grande que una manzana. Los modelos, en cambio, podrían aprender miles de reglas específicas para evitar ese error sin realmente captar el sentido del mundo. La clave de la inteligencia humana está en cómo fusionamos sintaxis (estructura de frases), semántica (significado) y pragmática (contexto), capacidades que hasta ahora las IA artificiales solo pueden imitar superficialmente.

Los límites de escalar y combinar modalidades

El éxito de los modelos actuales no se basa en cómo entienden el mundo, sino en su capacidad de escalar, procesando grandes volúmenes de datos. Este método es eficiente para tareas específicas pero no para generar un entendimiento general. Pensar que solo hace falta entrenar modelos cada vez más grandes y pegar juntos módulos de visión, lenguaje y acción es, en realidad, poco realista.

La idea de unir diferentes modalidades, como visión y lenguaje, suele implicar juntar representaciones distintas en un mismo espacio, esperando que se genere sentido común entre ellas. Sin embargo, la información relevante se dispersa y depende de decodificadores específicos para cada tipo de dato. Así, la «comprensión» se vuelve superficial y fragmentada.

Además, las divisiones tradicionales que establecemos (como imágenes versus texto) no se corresponden necesariamente con la forma en que un agente realmente general debería percibir y actuar en el mundo. Nuestras propias capacidades de ver, leer y movernos surgen de procesos cognitivos profundamente entrelazados. Si seguimos diseñando inteligencias desde compartimentos estancos, seguimos limitando lo que pueden hacer.

Una alternativa sería procesar todos los datos, sin importar su fuente, de forma unificada, dejando que las especializaciones emerjan naturalmente mediante la interacción y la experimentación. En vez de sumar inteligencias estrechas, la clave es crear sistemas que aprendan de la experiencia para generar sus propios conceptos y modos de interacción, sanando la brecha entre el conocimiento humano y el artificial.

Conclusión

Esperar que la escala y la combinación de módulos estrechos produzca una AGI es ingenuo. Si queremos inteligencias realmente flexibles, debemos repensar la forma en que se integran las modalidades, inspirándonos en cómo los humanos resuelven problemas y conectan lo que ven, sienten y entienden. También podemos volver a los enfoques basados en la interacción corporal y el aprendizaje, donde las distinciones entre imágenes, texto y acción surgen como resultado del proceso intelectual, no como un punto de partida impuesto.

En resumen, ya dominamos la tecnología que permite a estas IAs aproximar cualquier función matemática. El gran reto ahora es descubrir qué funciones necesitamos y cómo organizarlas para formar una inteligencia verdaderamente general y cohesionada. Este desafío es conceptual, no solo técnico.

---

fuente: https://thegradient.pub/agi-is-not-multimodal/