Palabras clave：Agente de IA inteligente, Adquisición de Meta, Inversión de OpenAI, Planificación de tareas de agente de inteligencia general, Infraestructura de IA Stargate, Codificación autónoma Claude Code
🔥 Enfoque
Meta adquiere la startup de AI Agents, Manus, por miles de millones de dólares: A finales de 2025, Meta completó su tercera mayor adquisición desde su fundación, absorbiendo a Manus, la “revelación” en el sector de AI Agents, por más de 2.000 millones de dólares. La transacción fue gestionada personalmente por Mark Zuckerberg y se cerró en apenas diez días. Manus, posicionada como un “agente inteligente de propósito general”, alcanzó los 100 millones de dólares en ARR en menos de un año, destacando por su potente framework de planificación y ejecución de tareas. Este movimiento marca un cambio de paradigma en la industria de la AI, pasando de los “modelos de diálogo” a los “agentes de acción” (Action Agents). Meta busca remodelar su ecosistema interno de aplicaciones de AI introduciendo este “catalizador” y cubrir sus deficiencias en la capa de ejecución de Agent frente a OpenAI y Anthropic (Fuente: 36氪, ZhihuFrontier, TheRundownAI)
SoftBank completa una inversión masiva de 40.000 millones de dólares en OpenAI: SoftBank ha desembolsado la totalidad de los fondos prometidos a OpenAI, con un último tramo de 22.500 millones de dólares recibido la semana pasada, elevando su participación a aproximadamente el 11%. Esta financiación es una premisa clave para que OpenAI complete su reestructuración hacia una organización con fines de lucro. Masayoshi Son recaudó los fondos mediante préstamos respaldados por acciones de Arm y la liquidación de acciones de NVIDIA, con el objetivo de apoyar plenamente el proyecto de infraestructura de AI “Stargate” en colaboración con Oracle. Esto señala que la carrera armamentista global de la AI ha entrado en una era de infraestructuras de nivel billonario, alcanzando un pico histórico en intensidad de capital (Fuente: 36氪)
Zhipu y MiniMax llaman a las puertas de la Bolsa de Hong Kong: Zhipu ha superado oficialmente la audiencia de la HKEX y ha iniciado su oferta pública, con planes de salir a bolsa el 8 de enero de 2026; se espera que su valoración en la IPO supere los 51.100 millones de HKD. MiniMax le sigue de cerca tras presentar su prospecto. Como representantes de los “seis líderes” de los grandes modelos en China, la salida a bolsa de ambas compañías marca la transición de la industria de una “carrera de parámetros” a una fase de “calibración de capital”. El prospecto revela una realidad de alto crecimiento coexistiendo con altas pérdidas: Zhipu registró una pérdida neta de 820 millones de yuanes en la primera mitad de 2025. El mercado examinará, a través de datos financieros públicos, la rentabilidad real de las rutas comerciales de los grandes modelos y el punto de inflexión en los costes de computación (Fuente: 36氪, andrew_n_carr)
Claude Code logra una contribución de código 100% autónoma por AI: El ingeniero de Anthropic, Boris Cherry, reveló que en los últimos 30 días, el 100% de los cientos de PR y decenas de miles de líneas de código aportadas al proyecto Claude Code fueron realizadas por AI; los humanos solo se encargaron de “activar” el stop hook para mantenerlo en funcionamiento. Claude Opus 4.5 demostró una capacidad de codificación autónoma de hasta 5 horas en las pruebas de METR, superando con creces al GPT-5.1-Codex de OpenAI. Este avance anticipa que la ingeniería de software está entrando en la era del “AI Operator”, donde el rol del programador evoluciona de escritor a auditor y orquestador de sistemas (Fuente: ylecun, imjaredz)
🎯 Tendencias
Revisión del roadmap de lanzamiento de modelos de OpenAI para 2025: En 2025, OpenAI logró la convergencia en capacidades de razonamiento y avances en multimodalidad en tiempo real a través de la serie GPT-5.2. Las nuevas Responses API, Agents SDK y el protocolo MCP han construido los módulos de desarrollo nativos para Agents. En cuanto a rendimiento, GPT-5.2 alcanzó una precisión del 100% en la competición matemática AIME, y la puntuación en SWE-bench Verified subió a 80.0. Al mismo tiempo, OpenAI comenzó a lanzar modelos de pesos abiertos como gpt-oss, intentando competir con el ecosistema de código abierto mientras mantiene su liderazgo en el código cerrado (Fuente: reach_vb)
Las redes neuronales almacenan hechos como estructuras geométricas en lugar de tablas de consulta: Un reciente artículo de Google y la Universidad Carnegie Mellon revela que los modelos Transformer y Mamba tienden a organizar los hechos como relaciones en un espacio geométrico durante el entrenamiento. En esta memoria geométrica, el razonamiento de múltiples pasos puede transformarse en una simple comprobación de distancia, permitiendo que el modelo alcance un 100% de precisión en consultas de rutas de grafos con 50.000 nodos. Este hallazgo explica por qué los modelos de secuencias profundas pueden desarrollar una capacidad de comprensión lógica global que trasciende las conexiones locales (Fuente: jpt401)
NVIDIA lanza NitroGen, un modelo base de AI universal para videojuegos: Entrenado mediante clonación de comportamiento a gran escala con 40.000 horas de vídeo de juegos, este modelo cubre más de 1.000 títulos y sirve como base para agentes inteligentes universales en juegos. El CEO de NVIDIA, Jensen Huang, destacó en una entrevista que NVIDIA está creando una “máquina del tiempo” mediante la fusión de Omniverse con el mundo físico para predecir la evolución de los sistemas futuros. Además, NVIDIA ha logrado una mejora de 10.000 veces en eficiencia computacional en 8 años, considerando las limitaciones energéticas como la frontera física central del desarrollo de la AI (Fuente: Reddit, 36氪)
El modelo Self-E desbloquea la generación de imágenes a partir de texto con pasos arbitrarios: Investigadores han introducido el modelo de autoevaluación (Self-E), un framework de generación de imágenes que admite razonamientos desde un solo paso hasta múltiples pasos. A diferencia de los métodos de destilación que dependen de un “maestro” preentrenado, Self-E realiza un emparejamiento global autoimpulsado mediante un mecanismo de autoevaluación dinámica. Los experimentos muestran que el modelo destaca en configuraciones de pocos pasos y su rendimiento mejora monótonamente a medida que aumentan los pasos de inferencia, proporcionando un framework unificado para una generación de imágenes eficiente y escalable (Fuente: HuggingFace)
🧰 Herramientas
Manus lanza las funciones Design View y Mark Tool: Para reducir la brecha entre la concepción del diseño y la imagen final generada, Manus ha lanzado nuevas herramientas de edición visual. Los usuarios pueden usar Mark Tool para marcar directamente en la imagen las áreas que necesitan modificación, en lugar de ajustar repetidamente los prompts. Este modo de interacción ofrece un control granular sobre la generación de imágenes, transformando el dibujo por AI de un “modo caja ciega” a una “edición de precisión” (Fuente: Reddit)
HelloBoss lanza una aplicación de “Cazatalentos AI” basada en AI Agents: Dirigida a los puntos críticos del mercado de contratación en Japón y global, esta plataforma completa de forma autónoma el 90% del proceso de selección, incluyendo la publicación de vacantes, el emparejamiento inteligente de currículums y el intercambio de registros de entrevistas. HelloBoss utiliza un modelo de pago por resultados, reduciendo los costes de contratación en un 20% y acortando el ciclo a más de la mitad. Actualmente, la plataforma cuenta con más de 500.000 puestos online y ha recibido financiación de serie A de BAI Capital del Grupo Bertelsmann (Fuente: 36氪)
LangChain lanza la herramienta de análisis AI Wrapped 2025: Esta herramienta utiliza agentes de LangSmith Insights para analizar el historial de conversaciones de los usuarios en ChatGPT y Claude, identificando patrones de uso, tendencias y grupos de anomalías del último año. Basada en el paper CLIO de Anthropic, su objetivo es ayudar a los usuarios a revisar mediante datos cómo colaboran con la AI, revelando hábitos de interacción ocultos (Fuente: LangChainAI)
Typeless lanza un teclado de voz con AI para iOS: La aplicación afirma convertir la voz en texto pulido a una velocidad cuatro veces superior a la escritura manual. Soporta más de 100 idiomas y puede invocarse directamente en aplicaciones como WhatsApp, Slack y correo electrónico. Esto refleja que la interacción de AI en dispositivos móviles está pasando de un simple reconocimiento de voz a un modo de comunicación nativo con comprensión de contexto y refinamiento de estilo (Fuente: Reddit)
📚 Aprendizaje
Google lanza Google Skills, una plataforma gratuita de educación en AI: Este centro contiene 3.000 módulos técnicos que abarcan desde la arquitectura básica de Transformer hasta los flujos de trabajo de investigación de DeepMind. A diferencia de los “tutoriales de prompts” que abundan en el mercado, Google Skills se centra en los principios técnicos subyacentes y las rutas de investigación de vanguardia, con el fin de abrir al público los cursos de formación interna de los laboratorios de élite (Fuente: JeffDean)
BrennerBot: Un recurso de metodología científica basado en entrevistas a Sydney Brenner: Desarrolladores utilizaron GPT-5.2 Pro y Opus 4.5 para procesar y sintetizar 236 registros de entrevistas del biólogo Sydney Brenner, creando brennerbot.org. El proyecto demuestra cómo utilizar modelos de contexto largo para extraer “hilos de pensamiento” de enormes cantidades de datos no estructurados, explorando cómo Brenner formaba hipótesis científicas rápidamente mediante inferencia bayesiana y deducción lógica en situaciones de escasez de recursos (Fuente: doodlestein)
23 papers clave que anticipan el futuro de la AI en 2025: TheTuringPost recopiló los artículos más influyentes del año, incluyendo LeJEPA, Absolute Zero (autorrefuerzo con datos cero) y el framework de pensamiento System 3. System 3 se define como una capa de automejora por encima de la percepción y el razonamiento, responsable del comportamiento a largo plazo y la construcción de la identidad de los AI Agents, sugiriendo que en 2026 los Agents pasarán de ser herramientas estáticas a entidades de crecimiento dinámico (Fuente: TheTuringPost)
💼 Negocios
SoftBank adquiere DigitalBridge por 4.000 millones de dólares para expandir su infraestructura de AI: Con esta adquisición, SoftBank obtiene una gran cantidad de activos en centros de datos, torres de telefonía móvil y redes de fibra óptica. Masayoshi Son está concentrando capital en los eslabones centrales de la cadena de valor de la AI mediante la reestructuración de activos y financiación, preparando el camino para la comercialización de OpenAI y el centro de computación “Stargate” (Fuente: 36氪)
Adobe y Runway alcanzan una asociación estratégica plurianual: Los modelos y la tecnología de Runway se integrarán directamente en las herramientas creativas de Adobe. Ambas partes desarrollarán conjuntamente funciones avanzadas de AI específicas para flujos de trabajo profesionales, disponibles exclusivamente en las aplicaciones de Adobe. Esto marca la integración profunda de la tecnología de generación de vídeo desde aplicaciones independientes hacia ecosistemas creativos maduros (Fuente: c_valenzuelab)
UBTECH planea adquirir la empresa de acciones A, Fenglong, por 1.665 millones de yuanes: Esta adquisición transfronteriza busca completar el rompecabezas de la fabricación y la cadena de suministro de robots humanoides. UBTECH intenta integrar la capacidad de fabricación de precisión de Fenglong para respaldar la producción en masa de robots humanoides industriales como el Walker S2, respondiendo a la creciente presión de pedidos comerciales (Fuente: 36氪)
🌟 Comunidad
Desarrolladores profesionales rechazan el “Vibe Coding” y enfatizan el control: La comunidad debate intensamente una encuesta a desarrolladores experimentados, donde el 100% de los profesionales insiste en mantener el control sobre el diseño de la arquitectura al usar AI. El llamado “programación por vibras” suele fallar al manejar lógica de negocios compleja e integración de código legado. Los desarrolladores sostienen que la AI debe ser un socio colaborativo controlable, no una máquina automática sin supervisión humana; la competitividad central reside en “definir el problema” y no en “ajustar la herramienta” (Fuente: omarsar0, random_walker)
Los productos de AI entran en un periodo de fatiga estética por “adaptación hedónica”: Usuarios de Reddit discuten el fenómeno de la “fatiga de AI”, argumentando que con la disminución de los efectos marginales de la Scaling Law y el agotamiento de los datos de Internet, el impacto de los nuevos productos está desapareciendo. Los usuarios se han vuelto insensibles al simple “diálogo” y “generación de imágenes”; la comunidad está pasando de buscar “modelos más inteligentes” a buscar “quién puede realmente terminar el trabajo”, donde una barra de progreso es más atractiva que un cuadro de diálogo (Fuente: Reddit, dotey)
El mundo físico es el “maestro honesto” para el aprendizaje de la AI: La comunidad debate el valor de la inteligencia encarnada (Embodied AI), sosteniendo que los entornos de simulación pueden mentir, pero las leyes de la física son honestas. El feedback del suelo que recibe un robot es un valor real inalterable; este ciclo de retroalimentación inmediato y real es el camino necesario para que la AI avance hacia una inteligencia de nivel superior. El robot de pequeño tamaño Q1 lanzado por Zhihui Jun es visto como un intento importante para reducir las barreras de investigación y permitir que más equipos accedan al “feedback físico” (Fuente: ziran_pu, 机器之心)
💡 Otros
Computadoras cuánticas simulan con éxito física compleja superando a las supercomputadoras: La computación cuántica ha demostrado supremacía cuántica al simular sistemas físicos específicos, procesando volúmenes de cálculo inalcanzables para las computadoras tradicionales. Esto anticipa que la potencia de cómputo de la AI podría experimentar un crecimiento exponencial mediante la aceleración cuántica, especialmente en ciencia de materiales y desarrollo de fármacos (Fuente: Ronald_vanLoon)
Herramientas médicas de AI enfrentan críticas por “vincular astrología con física”: Respecto a aplicaciones como psicólogos de AI, algunos sostienen que aunque el análisis de fenotipos digitales sea preciso como una medición física, si se vincula a marcos psiquiátricos con hipótesis inestables, puede llevar a intervenciones erróneas. La comunidad alerta sobre el riesgo de que la AI simplifique las emociones humanas complejas en meros patrones predictivos (Fuente: MIT Technology Review)
Plataformas de vídeo corto inundadas de “AI Slop”: Investigaciones muestran que el 21% de las recomendaciones para nuevos usuarios en YouTube es contenido generado por AI. Estos vídeos de bajo coste, alta repetición y fuerte estímulo sensorial logran engañar a los algoritmos para obtener recomendaciones y publicidad, pero diluyen el valor del ecosistema de contenido. Las recompensas de los algoritmos a las señales de comportamiento están fomentando involuntariamente una industria de contenido de baja densidad informativa a gran escala (Fuente: 36氪)
