Artículos Relacionados con Eficiencia

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

Gu Yuxian, ganador del premio especial de Tsinghua, se une a DeepSeek

Recientemente, DeepSeek ha iniciado una intensa campaña de contratación. En paralelo, se ha observado que **Yuxian Gu**, doctorando de la Universidad de Tsinghua y ganador del Premio Especial para Estudiantes de Posgrado 2025, figura entre los autores del artículo de investigación de DeepSeek V4, lo que confirma su incorporación oficial a la empresa. Gu, quien también ha recibido becas de Apple y Ant Group, es doctorando en el Departamento de Ciencias de la Computación de Tsinghua, bajo la supervisión del profesor Minlie Huang. Su investigación se centra en mejorar la eficiencia a lo largo de todo el ciclo de vida de los grandes modelos de lenguaje (LLM), abarcando tres áreas principales: 1. **Selección de datos para preentrenamiento**: Desarrollo de teorías y algoritmos para optimizar la selección de datos, con trabajos representativos como PDS e Instruction Pre-training. 2. **Destilación de conocimiento en compresión de modelos**: Diseño de métodos para transferir conocimiento de modelos grandes a otros más pequeños y desplegables, siendo MiniLLM su trabajo más destacado. 3. **Arquitecturas de modelos eficientes**: Exploración de nuevos diseños arquitectónicos que reduzcan costes computacionales, como se demuestra en Jet-Nemotron. Con casi 5000 citas en Google Scholar y múltiples publicaciones como primer autor en conferencias de primer nivel (NeurIPS, ICLR, ACL), el trabajo de Gu ha tenido un impacto significativo. Su modelo Jet-Nemotron, por ejemplo, supera en rendimiento a otros modelos de atención completa de vanguardia con un notable aumento de eficiencia. Asimismo, su método de destilación MiniLLM ha sido adoptado por empresas líderes como Google y NVIDIA. Se espera que su incorporación a DeepSeek contribuya al desarrollo de nuevos avances en el campo de la IA.

marsbitHace 11 hora(s)

Gu Yuxian, ganador del premio especial de Tsinghua, se une a DeepSeek

marsbitHace 11 hora(s)

Diálogo con Jens de la Fundación IOTA: De Kenia al Reino Unido, TWIN impulsa el comercio global hacia la era de los «5 minutos»

En el corazón del comercio global aún persisten procesos lentos y fragmentados, con documentos que tardan semanas en procesarse. Jens Munch Lund-Nielsen, líder de Comercio Global en la Fundación IOTA, explica cómo TWIN, una infraestructura digital neutral construida sobre IOTA, está revolucionando este panorama. TWIN actúa como una capa de coordinación digital que conecta gobiernos, empresas y puertos, permitiendo el intercambio de datos verificados y en tiempo real sin una autoridad central. Esto resuelve un problema histórico: la falta de una base común y confiable para todos los actores. Ejemplos tangibles demuestran su impacto: en África Oriental, el proyecto TLIP redujo el tiempo de recuperación de documentos de horas a minutos, ahorrando costes significativos. En el Reino Unido, pruebas con carnes permitieron a las aduanas obtener visibilidad con 20 horas de antelación. La elección de IOTA como base se debe a su escalabilidad, coste casi nulo y neutralidad, cruciales para la adopción global. Jens ve el futuro con optimismo: en 5-10 años, infraestructuras descentralizadas como TWIN conectarán los 'aislamientos digitales' actuales, facilitando el acceso a financiación y haciendo el comercio más ágil, transparente y accesible para todos.

marsbit06/30 02:11

Diálogo con Jens de la Fundación IOTA: De Kenia al Reino Unido, TWIN impulsa el comercio global hacia la era de los «5 minutos»

marsbit06/30 02:11

Llega Un-0, el primer modelo generativo a gran escala que usa la física como primitiva computacional. ¿Reducirá el consumo energético de la IA 1000 veces?

Unconventional AI ha presentado Un-0, el primer modelo de generación de imágenes a gran escala que utiliza sistemas físicos acoplados (osciladores) como primitivas computacionales. Desarrollado por el exdirector de IA de Databricks, Naveen Rao, el modelo busca abordar la creciente crisis energética de la IA al aprovechar la dinámica natural de los sistemas físicos para realizar cálculos, con el objetivo de reducir el consumo energético del *inference* en hasta 1000 veces en comparación con los sistemas digitales actuales basados en GPU. Un-0 funciona con un gran conjunto de osciladores acoplados, cuyas interacciones (matriz de acoplamiento) y frecuencias naturales son los parámetros principales aprendidos. Para generar una imagen, el sistema inicializa fases aleatorias, introduce una guía de categoría a través de osciladores condicionales, deja que el sistema físico evolucione hasta estabilizarse y finalmente decodifica la fase resultante en píxeles. Evaluado en ImageNet 64×64, Un-0 alcanza un FID de 6.74, un rendimiento comparable al de modelos generativos tradicionales tempranos (como BigGAN o iDDPM), aunque por debajo de los más avanzados. El modelo demuestra la viabilidad de usar sistemas dinámicos físicos para tareas modernas de IA y marca un primer paso hacia hardware no convencional que podría ofrecer ganancias masivas en eficiencia energética al integrar computación y memoria, evitando el costoso movimiento de datos de la arquitectura de von Neumann.

marsbit06/26 10:58

Llega Un-0, el primer modelo generativo a gran escala que usa la física como primitiva computacional. ¿Reducirá el consumo energético de la IA 1000 veces?

marsbit06/26 10:58

Matrixdock vuelve a aparecer en 'Crucible' de la SBMA: analizando cómo la tokenización puede mejorar la eficiencia del mercado de metales preciosos

Recientemente, el artículo de investigación de Matrixdock, la plataforma de tokenización RWA de BIT (anteriormente Matrixport), fue publicado nuevamente en la revista especializada *Crucible* de la Asociación del Mercado de Metales Preciosos de Singapur (SBMA). Eva Meng, directora de Matrixdock, publicó un artículo titulado *Why Tokenisation Matters for the Bullion Industry and How Carrying Costs Fit In*, analizando cómo la tokenización puede mejorar la disponibilidad y la eficiencia del capital de los activos de metales preciosos desde las perspectivas de la eficiencia del mercado, los costos de mantenimiento y la evolución de la infraestructura del mercado. El artículo argumenta que, similar a cómo los ETF transformaron la inversión en oro, la tokenización no redefine el valor del oro, sino que lo integra de manera más eficiente en el sistema financiero digital. Va más allá de la exposición al precio, permitiendo que el oro participe en actividades como liquidación instantánea, garantías digitales y operaciones en mercados que funcionan 24/7. Se destaca que los costos de almacenamiento y custodia para activos físicos como el oro y la plata son inherentes, siendo más significativos para la plata. Matrixdock introduce el marco Fungible Reserve Standard (FRS), basado en el "Principio de Pureza Económica", para reflejar estos costos de manera transparente en el token, en lugar de ocultarlos. La clave de la tokenización de activos del mundo real reside en representar con precisión y transparencia sus atributos económicos subyacentes. Matrixdock está ampliando su práctica en este campo con tokens como XAUm (oro) y XAGm (plata), siendo este último el primer activo tokenizado basado en el marco FRS. El artículo señala que el tamaño del mercado de oro tokenizado superó los 60 mil millones de dólares en febrero de 2026, mostrando un crecimiento significativo. A medida que el mercado madura, el enfoque de la industria está pasando de la verificación de reservas a cuestiones de eficiencia y utilización del capital. En conclusión, si los ETF integraron el oro en las carteras de inversión modernas, la tokenización está impulsando su entrada en el ecosistema financiero digital, expandiendo sus casos de uso potenciales más allá del almacenamiento de valor hacia la liquidación, las garantías y otras operaciones financieras.

marsbit06/18 09:22

Matrixdock vuelve a aparecer en 'Crucible' de la SBMA: analizando cómo la tokenización puede mejorar la eficiencia del mercado de metales preciosos

marsbit06/18 09:22

¿Cuánto de tu suscripción a Claude se destina realmente a las empresas de módulos ópticos?

Breve resumen: Un gráfico que desglosa los 20 USD mensuales de Claude Pro en costes de modelo, computación en la nube, depreciación de GPU, electricidad y cadena de suministro está impulsando un debate entre inversores sobre cómo valorar los ingresos por IA. A diferencia del SaaS tradicional, donde el coste marginal por uso adicional es casi cero, cada consulta en un modelo de IA genera costes variables de inferencia (GPU, energía, ancho de banda). Esto cuestiona si los ingresos por suscripción a IA equivalen a ingresos SaaS de alto margen. Actualmente, el crecimiento del uso de IA beneficia de forma más directa y predecible a la infraestructura (nube, GPU, HBM, electricidad) que a las empresas de aplicaciones. Los defensores argumentan que la optimización de modelos, caché, chips propios y una mejor eficiencia reducirán los costes unitarios, permitiendo márgenes similares al software. Sin embargo, el reto es si esta reducción de costes superará el aumento del volumen y la complejidad de las tareas. Para justificar valoraciones elevadas, las empresas de IA deben demostrar que pueden mantener o mejorar la rentabilidad a medida que escala el uso, no solo el número de suscriptores.

marsbit06/17 03:46

¿Cuánto de tu suscripción a Claude se destina realmente a las empresas de módulos ópticos?

marsbit06/17 03:46

¿Despidos por culpa de la IA? Los estudios muestran que la IA es más cara que las personas a las que reemplaza

Resumen: Este año se han despedido casi 50.000 empleados por la IA, pero las empresas están descubriendo que su uso real es más caro que el trabajo humano. Uber agotó su presupuesto anual de IA en cuatro meses, Microsoft recortó licencias de Claude Code por su coste, y un empleado de Anthropic gastó 150.000 dólares en un mes en API. Investigaciones muestran que el 45% de las empresas gastan más de 100.000 dólares mensuales en IA, pero solo el 8% de las compañías del S&P 500 reportan ingresos relacionados. La eficiencia anunciada a menudo no se verifica. El analista Scott Galloway predice que las empresas se volcarán hacia los modelos grandes chinos, que son de 10 a 30 veces más baratos que los estadounidenses. Los datos muestran que su uso entre desarrolladores ha pasado del 1% en 2024 a más del 60% en 2026, y el 80% de las startups de IA en EE.UU. los utilizan, lo que podría impulsar restricciones comerciales.

marsbit06/09 02:29

¿Despidos por culpa de la IA? Los estudios muestran que la IA es más cara que las personas a las que reemplaza

marsbit06/09 02:29

¿Podrá DeepSeek ahorrarle a China un billón de dólares?

El artículo analiza cómo DeepSeek podría generar un ahorro potencial de un billón de dólares en la infraestructura de IA de China, a través de optimizaciones técnicas que aumentan drásticamente la eficiencia del hardware. El punto de partida es el elevado costo de las plataformas de IA de última generación, como la futura Vera Rubin de Nvidia, donde una parte significativa del precio (unos 2 millones de dólares por sistema) corresponde a memoria costosa (HBM4, LPDDR5X), cuya precio ha aumentado un 435% en un año. Frente a esta tendencia, DeepSeek actúa en dirección opuesta. Sus modelos, especialmente la serie V4, aplican tres innovaciones clave para reducir la dependencia de los componentes de hardware más caros: 1. **Comprimir la "memoria" (contexto largo):** Su mecanismo de atención Multi-head Latent Attention (MLA) comprime radicalmente la caché KV (Key-Value Cache), reduciendo la necesidad de memoria de alta gama en hasta un 93% sin comprometer la calidad. 2. **Activar solo el "cuerpo" necesario:** Utiliza una arquitectura Mixture of Experts (MoE) extrema (ej., V4-Pro con 1.6 billones de parámetros totales pero solo 49 mil millones activos por token), permitiendo que solo una pequeña fracción de los parámetros del modelo resida en la costosa memoria HBM en cada momento. 3. **Reutilizar cálculos:** Almacena resultados intermedios (caché) para reutilizarlos en lugar de recalcular, ofreciendo precios muy bajos para las solicitudes que "aciertan en la caché". El efecto combinado es que el mismo hardware puede producir hasta 4 veces más tokens útiles, equivalente a reducir en un 75% la inversión en hardware para un rendimiento dado. Traducido a escala nacional, con un consumo diario de tokens que se proyecta en cientos o miles de billones, esta eficiencia podría evitar la construcción de decenas de miles de centros de computación inteligente, representando un ahorro acumulado del orden de un billón de dólares. Además, esta estrategia cambia el campo de batalla tecnológico: reduce la dependencia de los chips de computación más avanzados (donde China tiene desventaja) y traslada parte de la carga a la memoria y la ingeniería de sistemas, áreas donde la industria china (ej., CXMT) está ganando terreno. Así, DeepSeek no "elimina" la necesidad de hardware, sino que redefine radicalmente la ecuación de costos de la infraestructura de IA, haciendo la inteligencia artificial más accesible para las industrias chinas.

marsbit06/03 00:53

¿Podrá DeepSeek ahorrarle a China un billón de dólares?

marsbit06/03 00:53

¿Ejecutar MoE en un móvil? Meta propone MobileMoE, acelera hasta 3.8 veces en iPhone 16 Pro

El equipo de Meta presenta MobileMoE, el primer modelo de mezcla de expertos (MoE) optimizado para ejecutarse de manera eficiente en teléfonos inteligentes comerciales. Diseñado como un modelo de lenguaje Transformer decoder-only, MobileMoE reemplaza las capas densas de feed-forward por capas MoE, empleando un router que selecciona los pocos expertos más relevantes por token junto con un experto compartido. El modelo se entrena en cuatro fases: preentrenamiento, entrenamiento intermedio, ajuste fino supervisado y entrenamiento consciente de cuantización (hasta INT4/INT8). Los experimentos determinan una configuración óptima de 8 expertos con granularidad 8, enrutamiento top-4 y un experto compartido. En evaluaciones de referencia, MobileMoE-S/M logra una precisión media comparable o superior a modelos densos, utilizando entre 1/2 y 1/4 del cálculo de inferencia con memoria similar. Especialmente en iPhone 16 Pro, MobileMoE-S acelera la fase de entrada hasta 3.8 veces y la generación token por token hasta 3.4 veces respecto a líneas de base. MobileMoE establece un nuevo límite de Pareto para modelos de lenguaje grandes en dispositivos, mejorando el equilibrio entre precisión y coste computacional. Los desafíos futuros incluyen mejorar la capacidad de seguimiento de instrucciones y la gestión de memoria dinámica, así como explorar el despliegue en NPU móviles.

marsbit06/01 06:12

¿Ejecutar MoE en un móvil? Meta propone MobileMoE, acelera hasta 3.8 veces en iPhone 16 Pro

marsbit06/01 06:12

Nvidia lanza la plataforma DSX, continuando su avance hacia la infraestructura de fábricas de IA

NVIDIA ha presentado la plataforma DSX en NVIDIA GTC Taipei, extendiendo su negocio hacia la infraestructura de fábricas de IA. A diferencia de su enfoque anterior en ventas de GPU, DSX ofrece una solución completa que abarca diseño, simulación, despliegue y gestión operativa para estas fábricas. La plataforma aborda los desafíos de los centros de datos modernos, como el suministro eléctrico, la refrigeración y la eficiencia operativa, integrando chips, sistemas, software y arquitecturas de referencia. Su objetivo es mejorar la velocidad de implementación, la fiabilidad y reducir el coste por token en inferencia de IA. El software incluye DSX MaxLPS, que optimiza el consumo energético y permite desplegar hasta un 40% más de GPUs con un impacto mínimo en el rendimiento, y DSX OS, una plataforma operativa de código abierto para la gestión del ciclo de vida. DSX también incorpora capacidades de simulación (DSX Sim), ajuste dinámico de cargas (DSX Flex) e intercambio de datos (DSX Exchange). Socios como CoreWeave y Lambda ya utilizan componentes de DSX, mientras que fabricantes como Dell, HPE y Lenovo desarrollan sistemas compatibles. Esta iniciativa consolida la transición de NVIDIA de proveedor de chips a plataforma integral de infraestructura de IA, buscando establecer estándares en el sector.

marsbit06/01 04:29

Nvidia lanza la plataforma DSX, continuando su avance hacia la infraestructura de fábricas de IA

marsbit06/01 04:29

Tras gastar miles de millones de dólares en Tokens como locos, los gigantes tecnológicos de Silicon Valley comienzan a limitar el uso de Tokens por parte de sus empleados

Tras meses de "tokenmaxxing" (maximización del uso de tokens de IA), grandes tecnológicas como Microsoft, Uber y Meta están recortando o supervisando el uso interno de herramientas como Claude Code debido a costos explosivos y baja rentabilidad. Estudios revelan que por cada dólar gastado en IA, hasta 0.82$ se pierde en corregir errores, reescribir código y retrasos. Solo el 14% de los directores financieros ven un retorno claro de la inversión. El problema central es que la IA a menudo automatiza tareas tediosas para los empleados, no las que generan más valor para el negocio, sin traducir ganancias de productividad individual en crecimiento empresarial. Esto ha llevado a un cambio hacia herramientas de gestión de costos y nuevos modelos de precios basados en resultados (p.ej., conversaciones resueltas) en lugar de tokens consumidos. El reto ahora es rediseñar los flujos de trabajo con IA para crear valor real, no solo hacer lo mismo más rápido a un costo insostenible.

marsbit06/01 04:09

Tras gastar miles de millones de dólares en Tokens como locos, los gigantes tecnológicos de Silicon Valley comienzan a limitar el uso de Tokens por parte de sus empleados

marsbit06/01 04:09

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow