Artículos Relacionados con Ley de Escalabilidad

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

¿Ley de Escalado es la solución universal? El primer benchmark de operaciones de estructura cristalina expone las limitaciones de los grandes modelos lingüístísticos líderes

**Artículo: ¿La Ley de Escalado no es suficiente? Primer benchmark de manipulación de estructuras cristalinas, donde los principales modelos grandes fracasan colectivamente.** La famosa "Ley de Escalado" (Scaling Law), que sugiere que los modelos de IA mejoran simplemente al aumentar su tamaño y datos, encuentra un límite en tareas científicas prácticas. El benchmark **AtomWorld**, presentado en ICML 2026, evalúa la capacidad de los modelos de lenguaje grande (LLMs) para manipular estructuras atómicas siguiendo instrucciones en lenguaje natural, como reemplazar átomos, rotar grupos o crear superficies cristalinas. Los resultados son reveladores: aunque modelos más grandes como Claude Opus 4.6, GPT-5.4 o Qwen mejoran en tareas sencillas y bien definidas (p. ej., sustituir un átomo), su rendimiento es bajo e inestable en operaciones que requieren comprensión geométrica tridimensional y razonamiento espacial, como "rotar alrededor de un átomo" (solo ~12% de éxito). Ampliar el modelo no garantiza una mejora automática en estas habilidades de acción. El estudio concluye que para la IA aplicada a la ciencia (AI for Science), el enfoque debe evolucionar. No basta con escalar el conocimiento lingüístico ("Language Scaling"); es necesario un "**Action Scaling**": generar datos a gran escala que emparejen instrucciones con acciones atómicas precisas, incorporando retroalimentación y restricciones físicas durante el entrenamiento. Solo así los modelos podrán pasar de *entender* el conocimiento científico a *ejecutar* tareas de investigación de manera fiable, convirtiéndose en verdaderos asistentes de laboratorio.

marsbit07/15 04:03

¿Ley de Escalado es la solución universal? El primer benchmark de operaciones de estructura cristalina expone las limitaciones de los grandes modelos lingüístísticos líderes

marsbit07/15 04:03

Hinton elogia, el contribuidor principal de Gemini habla: habrá miles de millones de IA superhumanas al nivel de Einstein en el futuro

El físico teórico Adam Brown, principal contribuidor de Gemini, expone en una charla avalada por Geoffrey Hinton cómo la IA está transformando radicalmente la investigación científica. Partiendo de la analogía de "entrenar arena para pensar", describe la evolución de los modelos de lenguaje desde un nivel básico hasta superar exámenes de doctorado y pruebas de alto nivel como la Olimpiada Internacional de Matemáticas. Brown destaca la "Ley de Escalado" (Scaling Law) como motor clave, mostrando que al aumentar escala, datos y capacidad de cálculo, el rendimiento de la IA mejora de manera predecible. Revisa hitos recientes, como la resolución autónoma por una IA de la conjetura de la distancia unitaria de Erdős, un problema abierto durante 80 años. Comparando este progreso con la evolución de la IA en el ajedrez, Brown anticipa una era "centauro" de colaboración humano-IA, seguida de una posible era "superhumana" con sistemas autónomos. Aunque señala limitaciones actuales como la autonomía y la planificación, argumenta que incluso en su estado actual, estas herramientas actúan como tutores, asistentes de programación y colaboradores excepcionales, capaces de replicarse masivamente. Concluye que estamos al borde de una nueva edad de oro para la física y la ciencia, donde la sinergia con la IA podría desbloquear preguntas fundamentales y, en un futuro, conducir a la existencia de miles de millones de sistemas con capacidades de nivel excepcional.

marsbit07/04 06:47

Hinton elogia, el contribuidor principal de Gemini habla: habrá miles de millones de IA superhumanas al nivel de Einstein en el futuro

marsbit07/04 06:47

Ingresos de 13 mil millones, pagos a Microsoft de 17.2 mil millones: La verdad sobre el costoso desarrollo de la IA en las finanzas filtradas de OpenAI

En junio de 2026, un documento financiero filtrado de OpenAI reveló datos impactantes para el 2025: unos ingresos de 130.700 millones de dólares, pero con unas pérdidas operativas de 209.200 millones. La compañía gastaba 1,6 dólares por cada dólar ganado, un ritmo de 'quemar dinero por escala' común en el sector de IA. La estructura de costes, de 340.000 millones, estaba dominada por I+D (191.800 millones, incluyendo 105.900 millones pagados a Microsoft) y el coste de la computación de inferencia (75.000 millones), impulsado por los 900 millones de usuarios semanales de ChatGPT. OpenAI pagó a Microsoft un total de 172.000 millones de dólares en 2025, una carga estructural que supera incluso sus ingresos. Este patrón no es único. xAI perdió 64.000 millones con ingresos de 32.000 millones en 2025. Anthropic, aunque alcanzó 90.000 millones en ingresos anualizados, también enfrenta altos costes de inferencia y márgenes bajos. Juntas, las tres compañías suman más de 300.000 millones en pérdidas operativas. Con una tasa de conversión de usuarios gratuitos a de pago del 5,6%, la monetización de la enorme base de usuarios es un desafío clave. La industria depende de grandes rondas de financiación (OpenAI recaudó 122.000 millones en 2026) para seguir escalando. La sostenibilidad a largo plazo dependerá de lograr una reducción drástica en los costes marginales de computación, similar a lo logrado en otras industrias de alta tecnología.

marsbit06/18 04:02

Ingresos de 13 mil millones, pagos a Microsoft de 17.2 mil millones: La verdad sobre el costoso desarrollo de la IA en las finanzas filtradas de OpenAI

marsbit06/18 04:02

Tiemblen humanos, la IA sigue acelerando a toda velocidad

Sí, la IA sigue avanzando a toda velocidad. Aunque algunos creían que la Ley de Escalado (Scaling Law) podría estar tocando techo, expertos en la conferencia BAAI 2026 señalaron que está lejos de agotarse. Su efecto continúa impulsando modelos de lenguaje grandes (LLM) y multimodales. La IA también está aprendiendo a "auto-evolucionarse", usando IA para escribir y actualizar código, acercándose a la posibilidad de tomar el control del mundo digital. El próximo campo de batalla clave son los **Modelos Mundiales (World Models)**, que buscan que la IA comprenda e interactúe con el mundo físico. Sin embargo, aún no existe un consenso sobre la ruta técnica óptima (basada en lenguaje, píxeles, estructuras 3D o representaciones visuales) y persisten desafíos con los datos. Se estima que su desarrollo y convergencia llevarán de 3 a 5 años más. En el frente de la aplicación, los **Agentes (Agents)** son clave para llevar la IA a la vida cotidiana. Han pasado de ser "utilizables" a empezar a ser "útiles", volviéndose más proactivos y capaces de manejar tareas complejas en campos como la medicina o la investigación. Para que sean realmente "buenos", es crucial perfeccionar el **Harness**: el marco o entorno de ingeniería que gestiona la comprensión de la intención del usuario, la planificación de tareas, la ejecución y la verificación, superando las limitaciones del modelo solo. En resumen, la IA está en una carrera acelerada en dos frentes: hacia dentro, dominando y auto-evolucionando el mundo digital; y hacia fuera, buscando comprender y actuar en el mundo físico a través de Modelos Mundiales y Agentes más competentes.

marsbit06/13 02:55

Tiemblen humanos, la IA sigue acelerando a toda velocidad

marsbit06/13 02:55

Los modelos masivos superan todos los exámenes, pero se alejan cada vez más del AGI: ¿qué desnuda este artículo?

"Gran Modelos Linguísticos (LLMs) han superado numerosos exámenes de referencia, pero ¿significa esto que nos acercamos a la Inteligencia Artificial General (AGI)? Un artículo reciente argumenta que en realidad nos estamos alejando, ya que carecemos de una definición clara y medible de la AGI. Frente a un vacío conceptual donde visionarios como Musk o Huang ofrecen predicciones dispares, investigadores como Bennett proponen un nuevo estándar: la AGI debe evaluarse como un 'científico artificial'. Este criterio exige tres capacidades fundamentales más allá de la mera imitación: 1) **Experimentación activa**: capacidad de interactuar autónomamente con entornos nuevos para obtener información, no solo procesar datos pasivamente. 2) **Comprensión causal**: pasar de identificar correlaciones en los datos a entender relaciones de causa-efecto, esencial para una verdadera adaptación. 3) **Balance entre exploración y explotación**: gestionar recursos limitados para buscar nuevos conocimientos mientras aplica los existentes. El artículo critica que el camino actual dominante, el 'Scale-maxing' (maximización de escala mediante datos, parámetros y potencia de cálculo), solo produce respuestas aproximadas memorizadas en los pesos del modelo, fallando en tareas fuera de su distribución de entrenamiento (por ejemplo, errores básicos en comparación de números). La verdadera AGI, según Bennett, requerirá una convergencia de múltiples enfoques metodológicos, no solo la ampliación de modelos. En definitiva, el futuro de la AGI no debe medirse por su habilidad para aprobar exámenes humanos, sino por su capacidad para descubrir nuevo conocimiento de forma autónoma, adaptativa y bajo restricciones prácticas, como lo haría un científico."

marsbit05/28 00:27

Los modelos masivos superan todos los exámenes, pero se alejan cada vez más del AGI: ¿qué desnuda este artículo?

marsbit05/28 00:27

Encuentro en la cima con Generalist: 30.000 millones en 30 días, ¿qué hizo bien Qianxun Intelligence?

La startup china Qianxun AI ha recaudado 3.000 millones de RMB en 30 días, con una ronda reciente de 1.000 millones liderada por Shunwei Capital y Yunfeng Fund. Fundada en 2024 por expertos en robótica e IA, la empresa combina capacidades técnicas y comerciales. Su modelo de IA embodida, Spirit v1.5, ha demostrado habilidades de generalización de cero shots, superando a modelos de código abierto como Pi0.5. La empresa sigue una estrategia similar a los grandes modelos de lenguaje, enfocándose en escalar datos y modelo. Utiliza un sistema de recolección de datos multimodal, incluyendo dispositivos portátiles y operación remota, con más de 200.000 horas de datos reales. Qianxun aplica sus robots en entornos industriales y minoristas, como en JD Mall y宁德时代, para tareas como preparar café y pruebas de baterías, utilizando los datos del mundo real para mejorar continuamente el modelo.

marsbit04/07 04:16

Encuentro en la cima con Generalist: 30.000 millones en 30 días, ¿qué hizo bien Qianxun Intelligence?

marsbit04/07 04:16

Empoderando a la IA, allanando el camino para el valor: ¿Cómo se posiciona Crypto en la batalla de infraestructura previa a 2027?

Resumen: Tanto Crypto como IA buscan empoderar a los seres humanos, pero de maneras fundamentalmente diferentes. Crypto ofrece un "empoderamiento defensivo" a través de la soberanía financiera descentralizada, permitiendo a las personas controlar sus activos sin depender de instituciones centralizadas. Su crecimiento, aunque más lento y regulado, es constante. La IA, en cambio, proporciona un "empoderamiento ofensivo" al amplificar exponencialmente la productividad, siguiendo una ley de escala (Scaling Law) que garantiza un crecimiento rápido y predecible. Para no quedarse atrás y evitar convertirse en un nicho especulativo, Crypto debe integrarse con la IA antes de 2027, fecha estimada para la llegada de la AGI (Inteligencia General Artificial). Debe posicionarse como la capa de infraestructura de valor para la economía de la IA, facilitando pagos para Agentes de IA, transacciones automatizadas y protocolos como x402. Al hacerlo, Crypto podrá capturar parte del valor generado por la imparable expansión de la industria de la IA.

marsbit12/25 09:22

Empoderando a la IA, allanando el camino para el valor: ¿Cómo se posiciona Crypto en la batalla de infraestructura previa a 2027?