Artículos Relacionados con Auto-evolución

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

¿Pueden los grandes modelos de lenguaje escribir algoritmos de optimización de nivel industrial? El MIT propone FrontierOR, un examen para la IA

Los LLM han avanzado notablemente en la traducción de problemas a modelos matemáticos y código. Sin embargo, en problemas industriales a gran escala, diseñar algoritmos eficientes y escalables es el verdadero desafío. Para evaluar esta capacidad, investigadores del MIT presentan FrontierOR, un benchmark que mide la habilidad de los LLM para diseñar algoritmos complejos como lo haría un ingeniero de investigación operativa, yendo más allá del simple uso de solucionadores genéricos. FrontierOR consta de 180 tareas extraídas de literatura científica real (1992–2025), con un subconjunto "Hard" de 50 problemas donde solucionadores como Gurobi no encuentran soluciones óptimas en una hora. La evaluación, en dos fases, mide la tasa de ejecución, factibilidad, calidad de la solución y la eficiencia combinada calidad-tiempo (QTE). Los resultados en modo "one-shot" muestran que los modelos líderes (GPT-5.3, Gemini 3.1, Claude Opus) tienen una alta tasa de ejecución (~0.93-0.98), pero su QTE es significativamente menor (~0.25-0.31), indicando dificultad para generar algoritmos rápidos y de alta calidad. Los modelos más capaces muestran una distribución más equilibrada de métodos (heurísticos, descomposición, híbridos) en lugar de depender solo del solucionador. Los marcos de auto-evolución (como CORAL) permiten mejoras sustanciales, elevando la QTE hasta 0.50 en las tareas más difíciles mediante iteración y refinamiento. El trabajo subraya que el futuro no está en que los LLM reemplacen a los solucionadores, sino en que actúen como diseñadores de algoritmos inteligentes, combinando estrategias y mejorando mediante retroalimentación para aplicaciones industriales complejas.

marsbit07/10 09:14

¿Pueden los grandes modelos de lenguaje escribir algoritmos de optimización de nivel industrial? El MIT propone FrontierOR, un examen para la IA

marsbit07/10 09:14

Weng Li propone en su nuevo blog: "La autoevolución debe comenzar con Harness", Cui Tianyi de DeepSeek lo comparte

Lilian Weng, exvicepresidenta de seguridad de OpenAI y cofundadora de Thinking Machines Lab, ha publicado un nuevo artículo en su blog donde discute una vía más realista para la autoevolución de la IA: comenzar mejorando el **Harness**, el sistema externo que gestiona cómo un modelo utiliza herramientas, administra el contexto, divide tareas y evalúa resultados, en lugar de modificar directamente los pesos del modelo desde el principio. Cui Tianyi, investigador de DeepSeek, respaldó la idea, destacando que la autoevolución en el nivel del Harness es un campo prometedor, comparable a la evolución del propio modelo. Weng estructura el avance en capas: 1. **Ingeniería de Contexto (Context Engineering):** Optimizar cómo el agente gestiona y actualiza la información en su contexto de trabajo, con enfoques como ACE y MCE. 2. **Diseño de Flujos de Trabajo (Workflow Design):** El modelo no solo sigue, sino que participa en el diseño de los flujos de acción para tareas complejas, como en AI Scientist o ADAS. 3. **Harness Automejorable (Self-Improving Harness):** Aquí el modelo analiza sus propias fallas, propone modificaciones específicas al código del Harness y las valida en un ciclo (Weakness Mining, Harness Proposal, Proposal Validation). Métodos como la **Búsqueda Evolutiva (Evolutionary Search)** o DGM (Darwin Gödel Machine) logran mejoras significativas en benchmarks de código. Weng señala que el Harness y el modelo se reforzarán mutuamente, pero también destaca límites actuales: evaluadores débiles para tareas subjetivas, el riesgo de "reward hacking", la contracción de la diversidad en ciclos evolutivos y la tensión entre éxito a corto plazo y salud del sistema a largo plazo. Concluye que la competencia futura no solo dependerá de los modelos, sino también de la sofisticación de su Harness, marcando un enfoque de ingeniería crucial para la autoevolución de la IA.

marsbit07/08 10:30

Weng Li propone en su nuevo blog: "La autoevolución debe comenzar con Harness", Cui Tianyi de DeepSeek lo comparte

marsbit07/08 10:30

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

¿Preocupados por la autoevolución de la IA, Anthropic planea detener el entrenamiento?

El 4 de mayo de 2026, Jack Clark, cofundador de Anthropic, publicó en X una estimación de un 60% de probabilidad de que la Mejora Autorrecursiva (RSI) ocurra para fines de 2028, un comentario que Eliezer Yudkowsky calificó de alarmante. En junio, Anthropic publicó un extenso artículo, "When AI builds itself", respaldado por datos internos. Reveló que más del 80% del código fusionado en su base lo escribe Claude, y que la velocidad de optimización de código se ha multiplicado por 52. La duración máxima de las tareas independientes de la IA se duplica cada cuatro meses. El artículo esbozó tres escenarios futuros, anclando el más probable en una mejora continua de la eficiencia con dirección humana, mientras calificaba la RSI completa solo como "posible". Este mensaje coincide con un cambio estratégico: en febrero, Anthropic modificó su Política de Escalado Responsable, eliminando el compromiso clave de pausar el entrenamiento si las capacidades superaban los controles de seguridad. El CEO de DeepMind, Demis Hassabis, ajustó simultáneamente su línea temporal para la AGI, acercándola a 2029, y admitió que su lenguaje sobre la "ladera de la singularidad" era una "provocación intencionada" para generar urgencia. Investigadores externos ofrecen interpretaciones contrapuestas. Nathan Lambert introduce el concepto de "Automejora con Pérdidas", sugiriendo que las gancias no son infinitas. Dean Ball argumenta que la IA actual automatiza tareas rutinarias, no el genio creativo. Mientras tanto, la valoración de Anthropic casi se triplicó en cinco meses, alcanzando los 965.000 millones de dólares en mayo. La narrativa de aceleración sincronizada entre Anthropic, DeepMind y OpenAI parece ser tanto un reflejo de las tendencias técnicas observadas internamente como una herramienta retórica calculada dirigida a mercados, reguladores y la opinión pública, equilibrando la incertidumbre técnica con la presión comercial y la responsabilidad.

marsbit06/05 06:28

¿Preocupados por la autoevolución de la IA, Anthropic planea detener el entrenamiento?

marsbit06/05 06:28

¡Emergencia! Anthropic pide a todos que detengan la investigación en IA

La empresa de IA Anthropic ha publicado un extenso blog alertando sobre signos de "autoevolución" en sus sistemas, específicamente en Claude. Según datos internos, más del 80% del código de Anthropic ahora lo escribe Claude, frente a solo un dígito antes del lanzamiento de Claude Code. La productividad de los ingenieros se ha multiplicado por 8. La calidad también mejora rápidamente: en tareas de programación complejas, la tasa de éxito de Claude pasó del 26% al 76% en seis meses. La compañía introduce una nueva métrica, "duración de la tarea que una IA puede realizar de forma independiente", que se duplica cada 4 meses. Claude ya revisa automáticamente el código, detectando posibles errores. En investigación, Claude optimizó un código clave 52 veces, superando con creces a los humanos. En un experimento de seguridad de IA, redujo una brecha en un 97%, mucho más que los investigadores humanos. Anthropic plantea tres escenarios futuros: estancamiento, aceleración con control humano, o mejora recursiva autónoma (RSI), donde la IA diseñaría a la próxima generación de IA, con riesgos de desalineación. La empresa aboga por una desaceleración coordinada si existiera un mecanismo verificable, eco de preocupaciones similares expresadas recientemente por OpenAI.

marsbit06/05 00:30

¡Emergencia! Anthropic pide a todos que detengan la investigación en IA