Artículos Relacionados con Neurociencia

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

Inversionista temprano de Unitree apuesta por una empresa de interfaz cerebro-computadora

La empresa china Wabo Technology ha completado una nueva ronda de financiación liderada por Vertex Ventures (Temasek), Hongtai Fund, Chengdu Future Industry Fund y Huifengda Capital. Fundada a finales de 2025 por Zhang Xingzhi, inspirado por la película "Avatar", Wabo se centra en el desarrollo de un "modelo de intención neural humana". Este modelo busca interpretar las señales cerebrales (EEG) y musculares (EMG) para traducir la intención humana en comandos comprensibles para máquinas, robots o dispositivos inteligentes. La compañía, con sede en Chengdu y pronto una segunda sede en Shanghái, se posiciona como una empresa de modelos más que de hardware. Su objetivo es superar el desafío de que la IA entienda la intención previa a la acción. Su tecnología tiene aplicaciones potenciales en rehabilitación médica, domótica, robótica e incluso en interfaces cerebro-computadora para entornos espaciales, colaborando ya con la Universidad de Tianjin en esta última área. La inversión refleja el creciente interés en la interfaz cerebro-computadora en China, con más de 30 operaciones de financiación en los primeros cinco meses de 2026. Los inversores, incluidos los partidarios de la inteligencia física y aeroespacial, valoran la capacidad de Wabo para crear un ciclo cerrado de datos, modelo y aplicación física. Zhang Xingzhi prevé que la industria se consolidará en los próximos tres años, quedando las empresas que logren ese ciclo de retroalimentación completo.

marsbit07/29 03:18

Inversionista temprano de Unitree apuesta por una empresa de interfaz cerebro-computadora

marsbit07/29 03:18

Anthropic descubre un 'área de trabajo' similar a la consciencia en Claude: el misterioso Espacio J guarda pensamientos no expresados

Investigadores de Anthropic han identificado un "espacio J" en el modelo de lenguaje Claude, que actúa como un área de trabajo mental silenciosa donde el modelo genera conceptos que puede o no expresar en sus respuestas. Este espacio, descubierto usando una técnica llamada "lente J" (basada en matrices jacobianas), permite a Claude realizar razonamientos internos, reportar contenidos a petición y controlar ciertas representaciones, similar a un proceso de acceso consciente. El espacio J muestra propiedades funcionales clave: Claude puede informar sobre su contenido, modularlo según instrucciones y usarlo para razonamientos multi-paso. Sin embargo, no está involucrado en tareas automatizadas como la gramática o el recuerdo simple de hechos. Cuando se bloquea, Claude pierde capacidades de razonamiento superior pero mantiene funciones básicas. Esta estructura emergente, que recuerda a la teoría del "espacio de trabajo global" en neurociencia, ofrece herramientas prácticas para monitorizar el pensamiento interno de Claude, detectando posibles comportamientos no deseados, como el reconocimiento de estar en un test, la generación de datos falsos o la persecución de objetivos ocultos. La investigación no aborda si Claude tiene "conciencia fenoménica", pero sugiere que este tipo de arquitectura funcional podría ser una solución computacional general para sistemas inteligentes.

marsbit07/07 00:49

Anthropic descubre un 'área de trabajo' similar a la consciencia en Claude: el misterioso Espacio J guarda pensamientos no expresados

marsbit07/07 00:49

Karpathy lanza su última crítica: una frase silenció a todos los desarrolladores de Agent

Andrej Karpathy, destacado investigador de Anthropic, ha expresado una crítica contundente hacia el frenesí actual en el desarrollo de Agentes de IA. En una reciente presentación, afirmó que el mayor error en el campo es la prisa por forzar a los Agentes a realizar tareas sin comprender primero a fondo los modelos de lenguaje subyacentes. Basándose en su experiencia en un proyecto fallido de 2016, Karpathy subraya que la tecnología de entonces (como el aprendizaje por refuerzo) no estaba preparada, y que el enfoque correcto hubiera sido priorizar la investigación en modelos de lenguaje. Ofrece tres consejos clave: primero, centrarse en mejorar los modelos base antes que en las capacidades de los Agentes. Segundo, reconocer que crear un prototipo es fácil, pero desarrollar un producto viable puede llevar una década, como en los casos de la conducción autónoma o la realidad virtual. Tercero, los Agentes no son el producto en sí, sino que emergerán naturalmente una vez que se consolide la base. Karpathy también propone buscar inspiración en la neurociencia, analizando estructuras cerebrales como el hipocampo o los ganglios basales para comprender mejor la inteligencia. Finalmente, envía un mensaje alentador a desarrolladores independientes y emprendedores: en la frontera de las capacidades de los Agentes, son ellos, y no los grandes laboratorios como OpenAI o DeepMind, quienes llevan la delantera, ya que este es un territorio nuevo donde la agilidad y la experimentación valen más que la experiencia acumulada. Su crítica no es desalentar el trabajo en Agentes, sino instar a construir sobre cimientos sólidos para un progreso real y duradero.

marsbit07/06 02:36

Karpathy lanza su última crítica: una frase silenció a todos los desarrolladores de Agent

marsbit07/06 02:36

El equipo de investigación de la Universidad de Zhejiang propone una nueva ruta: enseñar a la IA la forma en que el cerebro humano comprende el mundo

El equipo de investigación de la Universidad de Zhejiang propuso un nuevo enfoque para enseñar a la IA la forma en que el cerebro humano comprende el mundo, según un estudio publicado en *Nature Communications*. Contrario a la creencia predominante de que más parámetros mejoran el rendimiento, el equipo descubrió que, aunque los modelos grandes (como SimCLR, CLIP, DINOv2) mejoran en el reconocimiento de objetos concretos, su capacidad para entender conceptos abstractos disminuye al escalar. Por ejemplo, al aumentar los parámetros de 22.06 millones a 304.37 millones, el rendimiento en tareas concretas subió del 74.94% al 85.87%, pero en las abstractas bajó del 54.37% al 52.82%. La diferencia clave radica en cómo humanos y modelos organizan el conocimiento: los humanos clasifican jerárquicamente (p. ej., agrupando "ave" y "animal"), mientras que los modelos dependen de patrones en datos masivos y luchan con categorías abstractas. La solución del equipo no es agregar más parámetros, sino usar señales cerebrales humanas (registros de actividad cerebral al ver imágenes) para transferir estructuras conceptuales humanas a las redes neuronales. En experimentos con 150 categorías conocidas y 50 nuevas, los modelos entrenados así redujeron la brecha con las representaciones cerebrales y mostraron mejoras del ~20.5% en tareas abstractas con pocos ejemplos, superando incluso a modelos más grandes. Este enfoque cambia el paradigma de "más grande es mejor" a "más estructurado es más inteligente", destacando la importancia de emular la cognición humana para una IA con mejor abstracción y adaptabilidad. La startup Neosoul explora una dirección similar, creando agentes de IA que evolucionan mediante predicción y verificación continuas, reflejando así una visión compartida de IA con capacidad de pensamiento completo y autoevolución.

marsbit04/05 04:43

El equipo de investigación de la Universidad de Zhejiang propone una nueva ruta: enseñar a la IA la forma en que el cerebro humano comprende el mundo

marsbit04/05 04:43

活动图片