CORE (CORE) Caída

Los contratos iniciales entre Core Scientific y AMD por 530 MW podrían generar más de 14,000 millones de dólares en ingresos durante 15 años, según analistas de Bernstein. AMD actuará esencialmente como garante crediticio para parte de la infraestructura del minero de Bitcoin. El acuerdo, anunciado el 28 de julio, tiene el potencial de expandirse hasta 2.5 GW en centros de datos para IA. De los 530 MW, 377 MW son para AMD bajo un arrendamiento triple neto directo y 152 MW para un proveedor de nube no nombrado con respaldo crediticio de AMD. Esta estructura reduce el costo de financiamiento y el riesgo frente a modelos con garantías externas. AMD también recibió warrants para comprar 30 millones de acciones de Core Scientific a 23.47 dólares cada una, sujetos a alcanzar el objetivo de 2.5 GW. El ingreso anual promedio se estima en unos 900 millones de dólares, aproximadamente 1.8 millones por MW, entre un 5% y un 25% menos que acuerdos recientes similares. Se estima que el margen EBITDA mixto del acuerdo es de alrededor del 96%. Core Scientific anticipa gastos de capital de entre 11 y 12 millones de dólares por MW, con un total de unos 6,000 millones de dólares. Bernstein ve este acuerdo como un paso más en la transformación de antiguos mineros de Bitcoin en operadores de infraestructura para IA, donde ahora los propios fabricantes de chips, como AMD, actúan como arrendatarios principales. Otros ejemplos recientes incluyen a Hut 8 con un presunto acuerdo con Nvidia por 704 MW y a AMD reservando 200 MW con Riot Platforms. Core Scientific pagó 41.9 millones de dólares a Block para rescindir un contrato de suministro de chips de minería y acelerar su diversificación hacia la IA.

El entrenamiento de modelos generativos siempre ha sido un reto debido a la "desviación por exposición" (exposure bias): durante el entrenamiento solo se aprenden pequeños pasos, mientras que la generación requiere cientos de iteraciones, lo que causa acumulación de errores. Esto ha impedido que los modelos generativos sean entrenados de extremo a extremo (end-to-end), a diferencia de otras tareas de aprendizaje profundo. Un reciente artículo de la Universidad de Illinois y Harvard introduce "Explorative Modeling (XM)", un nuevo paradigma que resuelve este problema mediante un bucle simple (for). La idea clave es que, en cada paso de entrenamiento, el modelo genera K candidatos y solo retropropaga el gradiente a partir del candidato más cercano a los datos reales. Este enfoque evita que el modelo converja a un promedio borroso entre múltiples modos (mode blurring), un problema inherente a las funciones de pérdida de reconstrucción típicas. XM identifica una tercera dimensión escalable, además de los parámetros y los datos: la "expresividad generativa". Los experimentos en imágenes, video y lenguaje muestran que aumentar la exploración (K) mejora monótonamente el rendimiento, con ganancias de eficiencia en FLOPs, muestras y parámetros. En tareas de control robótico, una política exploratoria XM iguala o supera a políticas de difusión que requieren 100 veces más cómputo en inferencia. El trabajo sugiere que, a gran escala, la expresividad generativa se convierte en el cuello de botella principal, y XM ofrece un camino para modelos generativos verdaderamente end-to-end, generando muestras de alta calidad en una sola pasada hacia adelante.

Resumen: El socio de Goldman Sachs, John Flood, sostiene que las sólidas ganancias empresariales son el principal motor para que el S&P 500 alcance nuevos máximos históricos este año. Los datos del banco muestran que la tasa de crecimiento interanual del EPS del S&P 500 para el segundo trimestre alcanzó un 45%, muy por encima de las expectativas iniciales, y aún un 26% tras excluir partidas no recurrentes, lo que representa el ritmo de crecimiento más rápido desde 2021. Los analistas han comenzado a revisar al alza las previsiones de ganancias para 2027. Mientras tanto, el indicador de sentimiento y posicionamiento de Goldman Sachs ha retrocedido desde máximos anteriores, con una desapalancamiento significativo de los fondos de cobertura y un enfriamiento del apalancamiento minorista, creando un entorno de posicionamiento "más limpio" para futuras subidas. A pesar de los riesgos estacionales, el ciclo de la IA y la relativa baratura de la valoración de las acciones estadounidenses ofrecen un apoyo a largo plazo. La conclusión es que el panorama de beneficios respalda a los alcistas, aunque su sostenibilidad sigue siendo la variable clave.

El indicador Bull & Bear de BofA sube a 9.7, el más alto desde 2021 y cerca de una señal de "vender". Los flujos muestran entradas récord a acciones y bonos. La intervención cambiaria conjunta reciente confirma la voluntad de los responsables políticos de apuntalar las condiciones financieras, denominada por BofA como el "evento LTCM de los pobres". Sin embargo, la subida extrema del indicador, la ampliación de los diferenciales crediticios de los grandes proveedores de IA y la incertidumbre de las elecciones de mitad de mandato crean la contradicción central del mercado. La estrategia de BofA es "retirarse o rotar": salir de activos de riesgo o rotar hacia sectores defensivos, activos de duración y el dólar. Las elecciones de mitad de mandato son la mayor variable macroeconómica, donde un resultado republicano favorable podría apoyar al mercado. El apuntalamiento de la liquidez ofrece protección a la baja, pero el indicador Bull & Bear sugiere que el alza ya está descontada.

El mundo de las matemáticas ha quedado asombrado tras la resolución de la Conjetura de Crouzeix, un problema abierto durante 22 años. Quien la resolvió no fue un matemático profesional, sino Shanmu Jin, médico residente de neurocirugía en un hospital de Pekín. Con formación en geología y medicina, y sin educación matemática formal avanzada, Jin utilizó ChatGPT-5.6 como su única herramienta. Tras configurar un prompt de ingeniería avanzado que aislaba al modelo de fuentes externas y fomentaba un pensamiento divergente y una auditoría adversarial, dejó que la IA funcionara de forma autónoma durante aproximadamente 16 horas. El resultado fue una prueba elegante y novedosa que simplificó el problema de manera inesperada. La prueba fue verificada por expertos, incluido el propio Michel Crouzeix, quien propuso la conjetura en 2004. Ocho días después, otros dos matemáticos publicaron una prueba independiente y más corta, también desarrollada con ayuda de ChatGPT-5.6. Este caso marca un hito: muestra cómo la IA puede democratizar el descubrimiento científico, permitiendo que expertos de otros campos aborden y resuelvan problemas matemáticos profundos. Se ha liberado todo el proceso, incluyendo el código y el prompt, en un repositorio público de GitHub. El evento anuncia un cambio de paradigma en la investigación, donde la IA actúa como un potente telescopio para explorar nuevas fronteras del conocimiento.