Artículos Relacionados con Agentes de IA

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Agentes de IA", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

¿Las acciones de software, que colapsaron por la IA, cómo se convirtieron de repente en las estrellas del mercado estadounidense?

Los valores de software han repuntado bruscamente, pasando de ser el sector más temido por el impacto de la IA a protagonizar uno de los mayores rallies recientes en Wall Street. En mayo, el ETF IGV, que agrupa acciones de software de Norteamérica, subió un 21%, su mejor mes desde 2021, y empresas como Snowflake y Datadog registraron ganancias de más del 50%. Este giro radical se debe a dos factores clave. En primer lugar, los resultados empresariales han refutado el temor inicial de que la IA sustituiría al software. Informes como los de Snowflake y Okta muestran que, en lugar de evitarlo, la IA está incrementando la demanda de sus plataformas para gestionar flujos de trabajo y agentes autónomos. En segundo lugar, los fondos de cobertura tenían una exposición mínima al sector (alrededor del 6%, la más baja desde 2019), lo que generó una fuerte recompras cuando cambió la narrativa. El análisis actual sugiere que la IA no elimina la necesidad de software, sino que lo redefine. Los futuros agentes de IA no reemplazarán las aplicaciones empresariales, sino que se convertirán en usuarios masivos de sus API y servicios, ampliando su mercado. Además, la ventaja competitiva del software reside en su capacidad para integrar la inteligencia artificial en complejos procesos empresariales, donde el conocimiento sectorial, la gestión de costes y el cumplimiento normativo son cruciales. Así, la brecha entre un modelo de IA "inteligente" y un resultado empresarial fiable constituye la verdadera fortaleza del software moderno.

marsbitHace 6 hora(s)

¿Las acciones de software, que colapsaron por la IA, cómo se convirtieron de repente en las estrellas del mercado estadounidense?

marsbitHace 6 hora(s)

Derribando el enfoque predominante contra las alucinaciones: La metacognición es la nueva solución integral para resolver las alucinaciones en los modelos de gran tamaño

Una investigación de Google propone un enfoque revolucionario para combatir las alucinaciones en los modelos de lenguaje grandes (LLMs): desarrollar su metacognición, es decir, su capacidad para reconocer y expresar su propio nivel de incertidumbre, en lugar de intentar hacerlos omniscientes o que rechacen responder con frecuencia. El documento, titulado "Las alucinaciones socavan la confianza; la metacognición es el camino a seguir", argumenta que las estrategias actuales son insuficientes. Por un lado, aumentar los datos de entrenamiento no puede cubrir todo el conocimiento. Por otro, rechazar respuestas para reducir errores impone una pesada "tasa de utilidad", sacrificando muchas respuestas correctas y dañando la experiencia del usuario. La clave del problema es la falta de "discriminación" del modelo: su incapacidad para distinguir con precisión, pregunta por pregunta, si su respuesta es correcta o incorrecta, más allá de una buena "calibración" general. Los análisis muestran que con las capacidades actuales, para reducir la tasa de error al 5%, un modelo tendría que rechazar más del 52% de las preguntas que podría responder correctamente. La propuesta central es redefinir la alucinación. No es simplemente "decir algo incorrecto", sino "afirmar con certeza algo incorrecto cuando no se tiene la base para estar seguro". La solución es lograr una "incertidumbre fiel": que el lenguaje del modelo (ej., "creo que podría ser...") refleje fielmente su estado interno de confianza, medible mediante técnicas como el muestreo repetido. Esto permitiría a los LLMs proporcionar información útil junto con advertencias adecuadas, equilibrando utilidad y fiabilidad. Esta metacognición es aún más crucial para los Agentes de IA que usan herramientas externas, ya que necesitan juzgar cuándo buscar información y cuándo confiar en su conocimiento interno. El camino presenta desafíos como la "paradoja del arranque" para crear datos de entrenamiento dinámicos, la señal de "alineación destruida" por los procesos de ajuste humano (RLHF) que premian la seguridad, y la dificultad de evaluar si el modelo realmente tiene metacognición o solo la está simulando. En resumen, el mensaje es claro: en lugar de perseguir un modelo infalible, un objetivo más realista y valioso es desarrollar LLMs que sean honestos acerca de los límites de su conocimiento, comunicando claramente cuándo están seguros y cuándo no. Esta transparencia es fundamental para generar confianza.

marsbitHace 7 hora(s)

Derribando el enfoque predominante contra las alucinaciones: La metacognición es la nueva solución integral para resolver las alucinaciones en los modelos de gran tamaño

marsbitHace 7 hora(s)

¿Por qué más agentes de IA no equivalen a mayor productividad?

**Resumen: Por qué más agentes de IA no equivalen a mayor productividad** Cuando los agentes de IA se vuelven más baratos y fáciles de ejecutar, el desarrollo de software enfrenta un nuevo desafío: el cuello de botella ya no es lanzar más agentes, sino la capacidad humana de gestionar, evaluar e integrar sus resultados. Este artículo introduce el concepto de "impuesto de orquestación". Iniciar un agente es barato (un prompt o un clic), pero cerrar el ciclo es costoso: verificar resultados, entender su impacto arquitectónico, resolver conflictos entre agentes y decidir qué código integrar. Este trabajo no se puede paralelizar; depende de un recurso en serie: el juicio humano. El desarrollador es el "GIL" (Cerradura Global del Intérprete) del sistema de agentes: el candido de un solo hilo que limita el rendimiento final. Múltiples agentes pueden ejecutarse concurrentemente, pero las fases de juicio arquitectónico, revisión de código y fusión de cambios deben pasar por la mente del desarrollador. Más agentes no siempre significan más producción; pueden solo alargar la cola de tareas pendientes de revisión, llevando a cambios de contexto más frecuentes y fatiga cognitiva. La sensación de eficiencia no equivale a productividad real. Un panel lleno de agentes en ejecución crea una ilusión de "alta producción", pero si el desarrollador no comprende, revisa e integra esos cambios, el sistema puede acumular deuda técnica y cognitiva. La discusión clave no es "cómo usar más agentes", sino "cómo rediseñar el flujo de trabajo en torno a la atención humana". La habilidad crucial es saber qué tareas delegar a la máquina para procesamiento en paralelo y cuáles reservar para el juicio humano, cuándo revisar por lotes y cuándo detener la orquestación para concentrarse en un problema central. La IA amplía la capacidad de concurrencia en la producción de software, pero la atención humana sigue siendo el recurso más escaso e irreplicable. Un flujo de trabajo maduro con agentes no consiste en asignar todas las tareas a la máquina, sino en diseñar cuidadosamente la arquitectura de la propia atención, como se haría con cualquier sistema de producción. La verdadera habilidad es diseñar el sistema respetando ese recurso en serie que no se puede clonar: tu atención.

marsbitHace 2 días 22:48

¿Por qué más agentes de IA no equivalen a mayor productividad?

marsbitHace 2 días 22:48

¿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.

marsbit05/29 07:27

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

marsbit05/29 07:27

Hoskinson Afirma que Esta Aplicación de Cardano Podría Convertirse en la Más Usada de la Criptoesfera para 2030

Charles Hoskinson, fundador de Input Output, anunció que Midnight.city, la simulación interactiva vinculada al ecosistema de privacidad Midnight de Cardano, se prepara para una nueva fase de pruebas beta. Hoskinson predice que esta aplicación podría convertirse en la más utilizada en el mundo cripto para 2030. Midnight.city es una capa de simulación pública para Midnight, una blockchain centrada en la privacidad programable y la divulgación selectiva. A diferencia de un explorador de bloques tradicional, se presenta como un entorno vivo poblado por agentes de IA autónomos que generan actividad económica y volumen de transacciones continuos. Esto permite demostrar de forma tangible el funcionamiento de sistemas de privacidad con conocimiento cero (ZK). La plataforma permite a los usuarios inspeccionar transacciones desde diferentes perspectivas (pública, de auditor y una modalidad de simulación), mostrando cómo la divulgación selectiva puede revelar datos específicos a partes autorizadas manteniendo el resto de la información protegida. Midnight utiliza un modelo de ledger de doble estado y el lenguaje de programación Compact para facilitar el desarrollo de aplicaciones que preserven la privacidad. El modelo económico del proyecto cuenta con dos elementos: el token NIGHT (nativo y de gobernanza) y el recurso DUST (protegido y no transferible) para costes de transacciones y contratos inteligentes. Hoskinson destaca que la incorporación de miles de beta testers y ciclos de desarrollo rápidos acelerarán la evolución del producto hacia su visión de una "nueva civilización" nativa de las criptomonedas y con la privacidad en su núcleo.

bitcoinist05/26 14:34

Hoskinson Afirma que Esta Aplicación de Cardano Podría Convertirse en la Más Usada de la Criptoesfera para 2030

bitcoinist05/26 14:34

El padre de AlphaGo mete a la IA en una sociedad artificial de 23 años: aquí están los 3 retos más difíciles para los agentes inteligentes

Demis Hassabis, CEO de DeepMind y padre de AlphaGo, ha colaborado durante más de una década con videojuegos para investigar la IA. Ahora, ha llevado su trabajo a EVE Online, un MMORPG espacial en funcionamiento durante 23 años. DeepMind anunció una asociación con Fenris Creations (antes CCP Games), el desarrollador de EVE, para utilizar este complejo universo impulsado por los jugadores como un banco de pruebas seguro. El objetivo no es mejorar el juego, sino abordar tres desafíos centrales en la investigación de agentes de IA: la planificación a largo plazo, la memoria y el aprendizaje continuo. EVE Online es único por su universo único y persistente, donde miles de jugadores interactúan en una economía, política y guerra en constante evolución, sin un "final de partida" definido. Esta complejidad orgánica, desarrollada durante más de dos décadas, ofrece un entorno de prueba excepcionalmente rico que los entornos de referencia sintéticos no pueden replicar. La investigación inicial se realizará en una versión offline de EVE, permitiendo a DeepMind probar agentes de IA en un entorno controlado que replica las mecánicas complejas del juego sin interferir con el servidor activo. Este paso sigue la evolución de DeepMind, desde Atari y AlphaGo hasta AlphaStar y el agente generalista SIMA 2, avanzando hacia entornos más abiertos y similares al mundo real. La pregunta clave que plantea este proyecto es: si un agente de IA puede aprender, recordar y planificar a largo plazo en un "universo artificial" tan complejo como EVE, ¿qué le separa de poder operar de manera autónoma en el mundo real?

marsbit05/25 00:12

El padre de AlphaGo mete a la IA en una sociedad artificial de 23 años: aquí están los 3 retos más difíciles para los agentes inteligentes

marsbit05/25 00:12

Anthropic publica con gran impacto el «Manual del Fundador»: las 4 etapas del emprendimiento, completamente reestructuradas con IA

Anthropic ha publicado "The Founder's Playbook", una guía para construir startups nativas de IA que redefine el proceso empresarial en cuatro etapas, con el fundador como arquitecto que dirige agentes de IA. **Las 4 etapas y el papel de la IA:** 1. **Idea:** Validar el problema, no la solución. Usar Claude (Chat/Cowork) como "abogado del diablo" para desafiar suposiciones, investigar el mercado y analizar entrevistas con usuarios. 2. **MVP:** Buscar señales tempranas de Product-Market Fit. Usar Claude Code para desarrollar con una arquitectía clara (documentada en CLAUDE.md) y evitar deuda técnica. Automatizar la recogida de feedback. 3. **Lanzamiento:** Enfocarse en crecimiento y operaciones. Implementar un "sistema operativo" con flujos de trabajo de IA (Claude Cowork) para tareas repetitivas (CRM, informes) y usar Claude Code para auditorías de seguridad. El fundador se centra en decisiones clave. 4. **Escalado:** Lograr sostenibilidad. La IA permite que equipos pequeños (ej. 10 personas) logren una gran producción. Usar IA para marketing diferenciado, optimización de operaciones y crear mecanismos de fidelización. **Conclusión clave:** Con la IA, la capacidad de construir ya no es la ventaja clave. La ventaja competitiva vuelve a la **capacidad de juicio, la perspicacia y la comprensión profunda de un problema y sus usuarios.**

marsbit05/22 14:01

Anthropic publica con gran impacto el «Manual del Fundador»: las 4 etapas del emprendimiento, completamente reestructuradas con IA

marsbit05/22 14:01

活动图片