Tendencias Tecnológicas

Explora las últimas innovaciones, actualizaciones de protocolos, soluciones cross-chain y mecanismos de seguridad en el espacio blockchain. Ofrece una perspectiva enfocada en los desarrolladores para analizar las tendencias tecnológicas emergentes y los posibles avances.

Tres años después: Una revisión de mis predicciones sobre ChatGPT en 2023

Tres años después: Revisando mis predicciones sobre ChatGPT en 2023 En marzo de 2023, tras el lanzamiento de ChatGPT, Wang Jianshuo hizo 20 predicciones intuitivas sobre la IA. Ahora, en mayo de 2026, un sistema con 41 agentes de IA las ha reevaluado con datos actuales. **Resultados clave:** * **Aciertos (dirección general):** La arquitectura RAG se convirtió en estándar para integrar conocimiento. La Interfaz de Usuario de Lenguaje (LUI) creó una nueva capa de interacción (ej. protocolo MCP). Surgieron redes de agentes autónomos que se comunican. China desarrolló modelos grandes útiles (ej. DeepSeek), cerrando la brecha técnica. Los LLM no tienen conciencia; el Test de Turing solo mide la apariencia. * **Errores/Matices:** La predicción de que GPT-4 tendría 100 billones de parámetros fue incorrecta (≈1.8B). Los LLM **sí** pueden hacer matemáticas complejas sin herramientas externas (ej. medallas IMO 2025). El valor no migró solo a la capa de aplicación; NVIDIA (capa de hardware) capturó gran parte. El contenido generado por IA no evade automáticamente los derechos de autor (multas multimillonarias). La IA personalizada crea, no reduce, "cámaras de eco". Los costes de entrenamiento de modelos líderes superaron con creces la estimación de 5-10 mil millones de dólares. **Lecciones aprendidas:** 1. Predecir **mecanismos y direcciones** es más fiable que dar cifras o declaraciones absolutas. 2. Se tiende a **sobreestimar la velocidad** de cambio a corto plazo y **subestimar su magnitud** a largo plazo. 3. Los promedios generales (ej. "no habrá desempleo masivo") pueden ocultar **impactos distributivos** severos (ej. en jóvenes). 4. Las afirmaciones con **matices y limitaciones** envejecen mejor. 5. Tres años no son suficientes para resolver debates fundamentales (ej. valor final, consciencia de la IA). Este ejercicio subraya la dificultad de hacer predicciones precisas en un campo en rápida evolución y la importancia de la humildad al proyectar el futuro.

marsbitHace 6 hora(s)

Tres años después: Una revisión de mis predicciones sobre ChatGPT en 2023

marsbitHace 6 hora(s)

Tres años después: Volviendo a mis juicios sobre ChatGPT en 2023

En marzo de 2023, Wang Jianshuo hizo veinte predicciones sobre ChatGPT. Tres años después, en 2026, un análisis con múltiples agentes de IA evalúa su precisión. Aciertos clave: predijo correctamente el auge de RAG como arquitectura estándar para conocimiento y reducir alucinaciones, la LUI (interfaz de lenguaje natural) como nueva capa de interacción (aunque no reemplaza a la GUI), y la aparición de redes de agentes autónomos con nuevos protocolos de direccionamiento. También acertó en que China desarrollaría modelos de IA útiles (como DeepSeek) cerrando rápidamente la brecha, y en que ChatGPT carece de consciencia real, pasando el test de Turing por mera apariencia. Otras predicciones válidas fueron que no causaría desempleo masivo (aunque afectó a jóvenes), que 2023 sería un gran año para startups de IA, y que el momento fue similar al del navegador web en 1994. Errores notables: su estimación de que GPT-4 tendría 100 billones de parámetros fue incorrecta (tuvo ~1.8 billones). Se equivocó al declarar que era "imposible" que los LLM hicieran matemáticas complejas sin herramientas, ya que luego ganaron medallas en la Olimpiada Internacional de Matemáticas. También erró al sugerir que el valor se capturaría en la capa de aplicación y no en la base, subestimando el dominio de NVIDIA (capa de hardware), y al pensar que el contenido generado por IA "evitaría" problemas de copyright, cuando han surgido multas históricas. Además, la idea de que los LLM promoverían un "consenso mundial" al promediar opiniones se volvió incorrecta, ya que ahora priorizan la personalización y pueden crear nuevas cámaras de eco. Conclusiones: Sus predicciones sobre mecanismos y direcciones fueron mayormente acertadas, pero falló en números específicos (costes, parámetros) y en subestimar la complejidad de la distribución del impacto (ej. quién gana o pierde con la IA). Tendió a ser demasiado optimista a corto plazo pero conservador sobre los límites a largo plazo. El ejercicio subraya la importancia de predecir tendencias en lugar de cifras exactas y de dejar margen para la incertidumbre.

链捕手Hace 8 hora(s)

Tres años después: Volviendo a mis juicios sobre ChatGPT en 2023

链捕手Hace 8 hora(s)

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

**Resumen: El descenso del 99% de Xiaomi MiMo: Una victoria de la ingeniería, no del marketing** El anuncio de Xiaomi de reducir hasta un 99% el precio de las API de su modelo MiMo-V2.5 generó escepticismo, interpretado como una guerra de precios o una maniobra desesperada. Luo Fuli, responsable de MiMo, respondió con un blog técnico detallado, demostrando que la rebaja es el resultado de seis optimizaciones de ingeniería sistemáticas, no una táctica de marketing. La clave es el descuento del 99% aplicado específicamente a la entrada de tipo "Cache Hit" (contexto histórico re-leído). Para lograrlo, el equipo implementó: 1. **Arquitectura Híbrida SWA:** 60 de las 70 capas del modelo solo atienden a los 128 tokens más recientes, reduciendo el volumen de la "memoria" del modelo (KVCache) a 1/7. 2. **Gestión de Memoria en Dos Piscinas:** Asigna memoria por separado para las capas con atención completa y las de ventana deslizante (SWA), liberando realmente la capacidad ahorrada y quintuplicando los usuarios concurrentes por GPU. 3. **Cache de Prefijos Mejorado:** Un nuevo sistema garantiza que solo se reutilicen fragmentos de contexto completos y válidos, logrando una tasa de acierto en caché del 93-95% para peticiones de usuarios frecuentes. 4. **Almacenamiento en SSD Integrado (GCache):** La caché distribuida se aloja en los discos SSD de las propias máquinas con GPU, eliminando costes adicionales de almacenamiento. 5. **Sistema de Enrutamiento Inteligente (LLM-Router):** Dirige peticiones similares a la misma máquina y prioriza las que aciertan en caché, mejorando el rendimiento y la latencia. 6. **Predicción Multi-Token (MTP):** Acelera la generación de respuestas del modelo prediciendo varios tokens a la vez, reduciendo también el coste de la parte de "salida". En conjunto, estas innovaciones redujeron el tiempo de GPU por petición en más de un orden de magnitud, haciendo posible el descuento del 99% manteniendo márgenes positivos. Luo Fuli subraya que este es un logro de ingeniería sistémica, un modelo de reducción de costes verificable que trasciende la mera competencia por precios.

marsbitHace 11 hora(s)

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

marsbitHace 11 hora(s)

26 mil millones de dólares, un equipo '100% chino' sustenta la empresa de programación IA con mayor valoración global

Cognition AI, la empresa detrás del "primer ingeniero de software IA" Devin, ha alcanzado una valoración de 26.000 millones de dólares tras una nueva ronda de financiación. Fundada en 2023 por tres jóvenes chinos campeones de olimpiadas de informática, la compañía cautivó inicialmente con la promesa de un agente autónomo que podía gestionar tareas de desarrollo completas. Sin embargo, Devin enfrentó escepticismo por su alto precio inicial (500 USD/mes) y una tasa de éxito inconsistente en tareas reales. Un punto de inflexión clave fue la adquisición de los activos de Windsurf, una popular herramienta de IDE con IA, lo que permitió a Cognition ofrecer un enfoque dual: Devin para la ejecución asíncrona de tareas y Windsurf como asistente dentro del editor, similar a Cursor. Esta estrategia combinada abordó mejor las necesidades reales de los desarrolladores y las empresas. La narrativa de la compañía ha evolucionado desde reemplazar programadores hacia automatizar tareas repetitivas (como migraciones o mantenimiento) dentro de los flujos de ingeniería empresarial. Actualmente, reporta un crecimiento explosivo: un run-rate de ingresos de 492 millones de dólares y un aumento mensual del 50% en el uso empresarial de Devin durante los últimos seis meses. Su lista de clientes incluye a Goldman Sachs, NASA y el ejército estadounidense. La valoración récord refleja la apuesta de los inversores (como Lux Capital y General Catalyst) por Cognition como un futuro pilar de la infraestructura de ingeniería de software impulsada por IA, posicionada en un escenario híbrido donde los humanos y los agentes colaboran.

marsbitHace 11 hora(s)

26 mil millones de dólares, un equipo '100% chino' sustenta la empresa de programación IA con mayor valoración global

marsbitHace 11 hora(s)

La IA no está replicando a Internet, está replicando la Revolución Industrial

Los últimos veinte años, los activos más valiosos de Internet fueron el tiempo de los usuarios y los espacios publicitarios. Quien pudiera hacer que los usuarios pasaran más tiempo desplazándose y haciendo clics se llevaba la mayor parte del pastel de la economía digital. Sin embargo, una nueva señal está surgiendo: la comercialización de la IA está virando estructuralmente de servir a los consumidores a ayudar a las empresas a reducir costes laborales. La era de Internet ganaba dinero con el tráfico; la era de la IA gana dinero con los salarios. Por un lado, los productos de IA para consumidores (C) enfrentan dificultades: crecimiento lento de ChatGPT, baja conversión a suscripciones de pago (inferior al 5%), y usuarios reacios a pagar cuando existen alternativas gratuitas de calidad similar. La competencia se basa en el precio, llevando hacia modelos gratuitos. Por otro lado, el mercado empresarial (B) está en auge. Anthropic vio sus ingresos anualizados dispararse de 90.000 a 450.000 millones de dólares en cinco meses (de enero a mayo de 2026), principalmente por APIs empresariales y despliegue de agentes. Clientes como Microsoft Copilot (penetración del 55% en Fortune 500) y Salesforce integran agentes de IA para ahorrar costes. La lógica es clara: las empresas pagan por IA que ahorra más dinero en salarios del que cuesta (ROI promedio de 3,7x). El problema del lado C es estructural: herramientas de productividad luchan por capturar tiempo de ocio, la competencia es homogénea con bajísimos costes de cambio, y falta efecto de red. Los usuarios no pagan más de lo que les costaría hacer el trabajo manualmente. En cambio, el lado B prospera porque se basa en la lógica de sustitución de costes. Las empresas compran por ROI, la IA sustituye funciones completas (no solo tareas), la integración profunda crea altos costes de cambio, y tienen poder de fijación de precios basado en el valor generado. Este cambio representa una evolución fundamental: la IA ya no es solo una herramienta digital, sino una fuerza laboral digital. Los agentes ejecutan trabajos (como escribir código o atender clientes), y las personas supervisan. Este modelo recuerda más a la Revolución Industrial, donde las máquinas sustituyeron el trabajo físico, que a la era de Internet basada en el tráfico. La IA sustituye el trabajo intelectual. El mercado potencial es enorme: el coste laboral global supera los 50 billones de dólares anuales. Incluso una sustitución del 10% por IA crea un mercado de 5 billones, mucho mayor que el de la publicidad y suscripciones en Internet (alrededor de 1 billón). La comercialización exitosa en el sector B (como muestran los altos márgenes y retención de Anthropic) alimenta un ciclo virtuoso: los ingresos financian modelos más avanzados, lo que atrae más empresas. En resumen, la IA no está replicando el modelo de negocio de Internet basado en la atención y el tráfico. Está replicando el patrón de la Revolución Industrial, convirtiéndose en un nuevo factor de producción que redefine el trabajo y los costes laborales. La era de la IA gana dinero sustituyendo salarios, y ese mercado es mucho más grande.

marsbitHace 2 días 10:27

La IA no está replicando a Internet, está replicando la Revolución Industrial

marsbitHace 2 días 10:27

¿Cómo logra ERC-8257 que los AI Agent llamen a la API, compren permisos y completen pagos por sí mismos?

Autor: ShirleyLi, investigadora de Web3Caff Research. El estándar ERC-8257, propuesto por OpenSea, busca crear un directorio descentralizado y sin permisos para que los agentes de IA descubran y utilicen herramientas (como APIs) de forma autónoma. Actualmente, los agentes enfrentan dificultades para localizar, acceder y pagar por servicios dispersos en diferentes plataformas. ERC-8257 propone un registro en cadena (blockchain) donde los desarrolladores publican información básica de sus herramientas, mientras que los detalles (descripción, API, precios, reglas de acceso) se almacenan fuera de la cadena en un archivo JSON. Un hash en la cadena garantiza la integridad de esos datos. Un aspecto clave es que los permisos de acceso se definen mediante contratos inteligentes personalizables, que pueden requerir, por ejemplo, la posesión de un NFT, una suscripción activa o tokens específicos. Si un agente no cumple los requisitos, puede intentar adquirirlos (comprando un NFT, suscribiéndose) antes de intentar nuevamente. Para el pago, ERC-8257 no define su propio sistema, sino que permite integrar protocolos existentes como x402 o pagos con ERC-20. El flujo general implica: registro de la herramienta por el desarrollador, descubrimiento por el agente, verificación de permisos, posible adquisición de credenciales, pago y ejecución, todo sin intervención humana. ERC-8257 complementa a x402 (enfocado en pagos) al abordar el descubrimiento y la gestión de permisos. Sin embargo, persisten desafíos como la complejidad de integrar reglas de acceso diversas, riesgos de especulación si los permisos son activos comercializables, y la falta de garantías sobre la fiabilidad, seguridad o disponibilidad continua de las herramientas externas.

marsbitHace 2 días 07:27

¿Cómo logra ERC-8257 que los AI Agent llamen a la API, compren permisos y completen pagos por sí mismos?

marsbitHace 2 días 07:27

活动图片