Palabras clave：Inferencia de IA, NVIDIA, OpenAI, Arquitectura Vera Rubin, Motor Transformer, Salida de Jerry Tworek
🔥 Focus
NVIDIA lanza la arquitectura Vera Rubin: Iniciando la era de la supercomputación AI de próxima generación : En el CES 2026, Jensen Huang presentó la nueva plataforma Vera Rubin, que incluye la Vera CPU de desarrollo propio (con núcleo Olympus personalizado) y la Rubin GPU. El sistema introduce el Transformer Engine, con un rendimiento de inferencia 5 veces superior al de Blackwell, y soporta el primer Confidential Computing a nivel de rack. El sistema Rubin NVL72, mediante un diseño 100% de refrigeración líquida y sin cables (cable-less), aumenta la eficiencia de ensamblaje y mantenimiento en 18 veces. Además, NVIDIA lanzó una plataforma de almacenamiento de memoria de contexto de inferencia, diseñada específicamente para resolver el cuello de botella del almacenamiento de KV Cache en aplicaciones de texto largo, con el objetivo de reducir el costo de Token de los modelos MoE a 1/10 de Blackwell, marcando la evolución de la infraestructura de AI desde el “poder de cómputo de punto único” hacia la “ingeniería de sistemas”. (Fuente: NVIDIA, Zhidx, TheTuringPost)
Jerry Tworek, responsable de razonamiento en OpenAI, deja la empresa: Continúa la pérdida de cerebros principales : Jerry Tworek, vicepresidente de investigación en OpenAI y pilar fundamental de los modelos de razonamiento o1/o3 y del modelo de programación Codex, ha anunciado su salida. Tras casi siete años en OpenAI, lideró desde el aprendizaje por refuerzo robótico temprano hasta los mecanismos de razonamiento de GPT-4 y GPT-5. Tworek afirmó que su salida es para “explorar investigaciones difíciles de realizar dentro de OpenAI”, lo que sugiere una tensión entre el entorno de investigación idealista y la presión de entrega de productos bajo una alta comercialización. Como líder del proyecto o1, su partida es otra pérdida importante tras las de Ilya Sutskever y John Schulman, generando una profunda preocupación en la comunidad sobre la independencia de la investigación futura de OpenAI. (Fuente: 36Kr, QbitAI, The Verge)
Google DeepMind se une a Boston Dynamics: Cerebros de AI impulsando los cuerpos más potentes : Google DeepMind anunció una asociación de investigación con Boston Dynamics. Esta colaboración integrará las capacidades de Vision-Language Model (VLM) de Gemini Robotics en el nuevo robot humanoide Atlas totalmente eléctrico. Esto significa que los algoritmos de razonamiento de AI más avanzados del mundo se combinarán con el hardware robótico más sofisticado, impulsando la Embodied AI desde el simple emparejamiento de patrones hacia una “Physical AI” capaz de poseer sentido común físico y planificar tareas complejas de forma autónoma. Esta alianza se considera un movimiento clave para competir con el ecosistema Optimus de Tesla e Isaac de NVIDIA, presagiando el verdadero “momento iPhone” para los robots humanoides. (Fuente: GoogleDeepMind, HuggingFace)
NVIDIA libera Alpamayo: El “momento ChatGPT” de la conducción autónoma : NVIDIA lanzó en el CES el primer modelo de conducción autónoma basado en razonamiento, Alpamayo (10B parámetros), como código abierto. A diferencia de la cadena tradicional de “percepción-planificación”, Alpamayo posee capacidad de Chain of Thought (CoT), permitiéndole comprender situaciones de tráfico complejas y explicar la lógica de sus decisiones (como “frenar porque un peatón podría cruzar”) al igual que un conductor humano. El modelo viene acompañado del framework de simulación AlpaSim y 1700 horas de datos de conducción real. Jensen Huang lo calificó como el “momento ChatGPT de la Physical AI”, con el objetivo de romper el monopolio de sistemas cerrados como el FSD de Tesla a través de un ecosistema de código abierto, permitiendo a las automotrices globales acelerar la implementación de la conducción autónoma L4 basada en un marco de razonamiento unificado. (Fuente: TheTuringPost, NVIDIA)
🎯 Tendencias
NVIDIA Cosmos Reason 2: El rendimiento de inferencia de Physical AI alcanza la cima : NVIDIA lanzó Cosmos Reason 2, que lidera múltiples clasificaciones como el Physical AI Bench. El modelo mejora significativamente la comprensión espaciotemporal y la precisión de las marcas de tiempo, soportando la localización de puntos 2D/3D y la salida de datos de trayectoria. Su ventana de contexto aumentó drásticamente de 16K a 256K, permitiendo proporcionar anotaciones precisas y análisis lógicos para videos largos. Salesforce ya lo ha integrado en Agentforce para el análisis de cumplimiento de seguridad de los robots Cobalt, demostrando la evolución de la AI desde la comprensión del lenguaje hacia la comprensión de las leyes del mundo físico. (Fuente: HuggingFace)
El misterioso modelo “Kiwi-do” de Kimi aparece en el Arena: Capacidad multimodal sorprendente : Un modelo misterioso con el nombre en clave “kiwi-do”, que se identifica como Kimi, apareció en el LMArena. Las pruebas de los usuarios muestran que el modelo destaca en dibujo SVG (como un pelícano en bicicleta) y en tareas de comprensión física visual (VPCT), siendo capaz de razonar combinando leyes físicas con precisión. Se cree que este es el modelo multimodal K2-VL que Moonshot AI lanzará próximamente. Yang Zhilin reveló anteriormente que la empresa cuenta con reservas de efectivo de diez mil millones y planea lanzar en 2026 una nueva generación de Agentes multimodales que soporten “pensar mientras colaboran”. (Fuente: 36Kr)
GEO: Nuevos dividendos de marketing y cadenas industriales grises en la era de la búsqueda por AI : A medida que herramientas de búsqueda por AI como ChatGPT y Perplexity desvían el tráfico de los motores de búsqueda tradicionales, la Generative Engine Optimization (GEO) se ha convertido en el nuevo campo de batalla para las marcas. Al desplegar contenido estructurado para guiar las citas de la AI, se espera que el mercado de GEO alcance los 12 mil millones de dólares en 2025. Sin embargo, este campo ha generado cadenas industriales grises como el “Data Poisoning”, utilizando tutoriales de bajo costo e información de autoridad falsa para engañar a la captura de la AI. OpenAI también ha enviado señales claras de publicidad, estudiando mostrar contenido patrocinado de manera prioritaria en las respuestas, lo que marca la claudicación de los Large Language Models ante modelos de monetización real bajo la presión de pérdidas masivas. (Fuente: 36Kr, Tech Planet)
Crisis de confiabilidad en modelos pequeños: El 50-69% de las respuestas correctas provienen de razonamientos erróneos : Una investigación compartida por DAIR.AI revela el fenómeno “Right-for-Wrong-Reasons”: modelos pequeños de 7-9B parámetros en tareas de matemáticas y preguntas y respuestas a menudo dan la respuesta correcta, pero su cadena de razonamiento está lógicamente rota. Sorprendentemente, los prompts de Self-critique tienden a perjudicar el rendimiento, ya que los modelos pequeños tienden a generar defensas que parecen razonables pero son falsas. El estudio sugiere introducir puntuaciones de verificación de procesos (RIS) y RAG para mejorar la integridad del razonamiento, en lugar de confiar ciegamente en el resultado final. (Fuente: dair_ai)
NVIDIA Cascade RL: Resolviendo problemas de entrenamiento de razonamiento en múltiples dominios : Para abordar el conflicto entre los objetivos de entrenamiento en diferentes dominios como matemáticas, código y alineación, NVIDIA propuso el framework Cascade RL. Este framework adopta un modo de aprendizaje por refuerzo secuencial, realizando primero la alineación RLHF, seguida secuencialmente por RL en seguimiento de instrucciones, matemáticas, código e ingeniería de software. Los experimentos muestran que el modelo Nemotron-Cascade de 14B superó en las listas de código a modelos 84 veces más grandes como DeepSeek-R1-0528. Este método demuestra que el entrenamiento secuencial no solo previene el Catastrophic Forgetting, sino que también eleva el límite superior del razonamiento en tareas posteriores a través de pasos previos. (Fuente: omarsar0)
Era post-Transformer: Tres nuevas arquitecturas compiten por el puesto : Uno de los inventores del Transformer señaló que esta arquitectura se está convirtiendo en un obstáculo para el progreso de la AI. En 2026, tres arquitecturas lanzarán desafíos: 1. Text Diffusion, que soporta la eliminación de ruido en frases completas para mejorar la capacidad de planificación; 2. Continuous Thought Machines, que permiten al modelo decidir autónomamente la duración del pensamiento mediante sincronización neuronal; 3. Nested Learning, que simula los circuitos de pensamiento rápido y lento del cerebro humano. Estas arquitecturas buscan resolver los cuellos de botella de acoplamiento en razonamiento, memoria y control del Transformer. (Fuente: Reddit)
🧰 Herramientas
Claude Agent SDK: Iniciando el desarrollo de agentes inteligentes avanzados : La comunidad de desarrolladores debate con entusiasmo sobre el Claude Agent SDK (anteriormente Claude Code SDK), considerándolo mucho más que un simple asistente de programación. Este SDK permite construir Agentes complejos con razonamiento de múltiples pasos, llamada a herramientas y capacidad de operación autónoma en entornos. En la conferencia AI Engineer, Thariq mostró cómo utilizar este SDK para construir orquestadores de Agentes futuristas. En comparación con IDEs como Cursor, el SDK ofrece a los desarrolladores un control de nivel más bajo, permitiendo la creación de flujos de trabajo automatizados altamente personalizados. (Fuente: omarsar0, swyx)
ik_llama.cpp: Salto en el rendimiento de inferencia local multi-GPU : La rama de alto rendimiento de llama.cpp, ik_llama.cpp, integró una actualización importante que logra un verdadero Tensor Parallelism mediante la integración de la biblioteca NVIDIA NCCL. En entornos con múltiples tarjetas gráficas, esta herramienta puede aumentar la velocidad de generación de modelos locales de 3 a 4 veces, eliminando eficazmente las esperas en el pipeline. Este avance permite a los desarrolladores ejecutar modelos con parámetros de nivel Trillion en hardware de consumo con una eficiencia extremadamente alta, reduciendo drásticamente la barrera para el despliegue local de AI. (Fuente: karminski3, Reddit)
Memvid v2: Sustituyendo stacks complejos de RAG con un solo archivo : El proyecto de código abierto viral Memvid lanzó su versión v2, introduciendo el concepto de “Smart Frames”, que almacena embeddings de texto en fotogramas de video, logrando una memoria 100% portátil. Puede comprimir 50,000 documentos en un archivo de 200MB con una latencia de recuperación inferior a 17ms. Memvid busca reemplazar por completo las complejas bases de datos vectoriales y los pipelines de RAG, permitiendo que los Agentes lleven memoria a largo plazo como si fuera una unidad USB, y soporta el intercambio fluido entre diferentes modelos como GPT, Claude y Llama. (Fuente: Reddit)
hf-mem: Estimación con un clic de los requisitos de VRAM para modelos de HuggingFace : El desarrollador Alvaro Bartolome lanzó la herramienta ligera de Python hf-mem. Esta herramienta depende únicamente de los metadatos de Safetensors, permitiendo predecir con precisión la VRAM necesaria para la inferencia sin descargar el modelo completo. Mediante el comando uvx hf-mem --model-id, los usuarios pueden determinar rápidamente si su hardware soporta un modelo específico. En un momento de explosión de parámetros de modelos, esta herramienta ofrece una gran conveniencia para el despliegue local, evitando el desperdicio de recursos por descargas ciegas. (Fuente: huggingface)
Unsloth-MLX: Herramienta de ajuste fino local para Mac : El desarrollador Abdur Rahim lanzó Unsloth-MLX, que permite a los usuarios realizar el Fine-tuning de Large Language Models en Macs con Apple Silicon utilizando el framework MLX. La herramienta mantiene una API consistente con Unsloth, permitiendo la migración fluida a GPUs en la nube después del diseño de prototipos locales. Esto es una gran noticia para los usuarios de Mac que desean entrenar con datos privados localmente pero están limitados por los costosos servicios de cómputo en la nube, impulsando aún más la democratización de la tecnología de ajuste fino. (Fuente: awnihannun)
📚 Aprendizaje
Enciclopedia de Deep Learning: Publicado el Deep Learning Book edición 2025 : La Universidad de Notre Dame publicó un manual de notas de cientos de páginas titulado “Deep Learning Book 2025”. El libro cubre desde perceptrones básicos hasta los últimos modelos de difusión, variantes de Transformer y tecnologías de vanguardia en aprendizaje por refuerzo. Con contenido detallado, numerosas derivaciones matemáticas y gráficos intuitivos, es un recurso gratuito excelente para que los profesionales de AI completen sistemáticamente sus conocimientos técnicos en 2026. (Fuente: Reddit)
Manual de ingeniería GRPO + LoRA: Construyendo ciclos de RL de grado industrial desde cero : Ante la fiebre del aprendizaje por refuerzo provocada por DeepSeek-R1, Maxime Labonne compartió el “Manual de ingeniería GRPO + LoRA con Verl”. Esta guía explica detalladamente cómo construir pipelines de RLVR estables en entornos multi-GPU, incluyendo seguimiento de experimentos, técnicas de depuración y experiencias prácticas para exprimir el poder de cómputo de las A100, siendo actualmente el mejor tutorial práctico para introducir capacidades de razonamiento tipo DeepSeek en modelos privados. (Fuente: maximelabonne)
9 libros para entender la AI: Lista de lectura obligatoria para 2025/2026 : TheTuringPost recomendó 9 libros para ayudar a comprender profundamente las tendencias de la AI, incluyendo “Apple in China” (perspectiva de la cadena de suministro), “The Thinking Machine” (biografía de Jensen Huang y NVIDIA), “The Path to AGI” y “Source Code” de Bill Gates. La lista abarca desde la competencia de chips de bajo nivel hasta el impacto social de alto nivel, ideal para lectores que deseen mantener un pensamiento lúcido en medio del frenesí tecnológico. (Fuente: TheTuringPost)
💼 Negocios
Meta adquiere Manus AI: Gran apuesta por los agentes inteligentes generales : Meta anunció la adquisición de la startup de AI Agent, Manus AI, con el objetivo de integrar sus capacidades líderes de Agentes en los productos comerciales y de consumo de Meta. Manus tenía anteriormente una valoración de unos 500 millones de dólares y una tasa de crecimiento de ingresos muy alta. Este movimiento muestra que Mark Zuckerberg, tras perder la ventaja inicial en “Physical AI”, está intentando compensar frenéticamente sus debilidades en el campo de los Agentes de operación autónoma mediante adquisiciones. (Fuente: Reddit)
RayNeo obtiene 1.000 millones de yuanes en financiación: China Mobile y China Unicom apuestan por el “teléfono de próxima generación” : RayNeo, líder en gafas de AR, completó una nueva ronda de financiación de más de 1.000 millones de yuanes, con inversión conjunta de fondos bajo China Mobile y China Unicom. Esta es la primera vez que los operadores apuestan colectivamente de forma masiva por el sector de las gafas inteligentes, con la intención de posicionarse en el mejor soporte para la implementación de Large Language Models. RayNeo presentará en el CES sus primeras gafas AR con eSIM, utilizando el poder de cómputo en el borde de los operadores para reducir la latencia del terminal y acelerar el proceso de sustitución de los smartphones por gafas inteligentes. (Fuente: 36Kr)
Zhipu AI se dirige a la IPO en Hong Kong: Rumbo a ser la “primera acción de modelos de lenguaje del mundo” : Zhipu AI inició formalmente su oferta pública en Hong Kong, con planes de cotizar el 8 de enero. Como líder de los “Seis Pequeños Tigres” de China, Zhipu completó múltiples rondas de financiación en 2025, con una valoración post-inversión de más de 20.000 millones de yuanes. Gigantes como Alibaba, Tencent y Meituan se encuentran entre sus accionistas. La salida a bolsa de Zhipu se considera la piedra de toque para la valoración de la industria de la AI y afectará directamente el rumbo comercial de las startups de modelos de lenguaje en China. (Fuente: 36Kr)
🌟 Comunidad
Vibe Coding vs. Ingeniería de Abstracción: El debate filosófico de la programación con AI : La comunidad mantiene una intensa discusión sobre el “Vibe Coding”. Andre Karpathy y otros sostienen que la AI hace que el código sea barato y que la programación está evolucionando hacia un arte similar a tocar un instrumento. Sin embargo, académicos como Omar Khattab advierten que si solo se confía en el diálogo para generar 100,000 líneas de código de bajo nivel sin abstracción de alto nivel, se producirá una proliferación de “Slop Code” (código basura) difícil de mantener. El verdadero futuro debería ser el desarrollo de lenguajes de programación de mayor nivel, donde la AI actúe como compilador y no como un simple generador de código. (Fuente: lateinteraction, gfodor)
Estudio de Harvard: Los tutores de AI duplican la eficiencia del aprendizaje : Un ensayo controlado aleatorio de la Universidad de Harvard mostró que los estudiantes que utilizan tutores de AI para aprender física obtienen el doble de beneficios de aprendizaje que en un aula tradicional, y en la mitad del tiempo. Los tutores de AI pueden lograr una “paciencia infinita” y una “retroalimentación personalizada inmediata” que son difíciles de alcanzar para los profesores humanos. La discusión en la comunidad señala que, si bien es una oportunidad para la democratización de la educación, también podría exacerbar la brecha digital: el 87% de los estudiantes en países de altos ingresos tienen internet, frente a solo el 6% en países de bajos ingresos. (Fuente: Reddit)
Milagro legal de la AI: Claude ayuda a ganar una demanda de 8.000 dólares : Un usuario en una zona remota compartió su experiencia utilizando Claude Opus 4.5 para aprender leyes por su cuenta y redactar una demanda, ganando finalmente un caso civil de 8.000 dólares en los tribunales. Afirmó que la jurisprudencia y las leyes estatutarias encontradas por Claude eran “sólidas como una roca” y sin alucinaciones. Este caso ha generado debate sobre si la AI terminará con la “hegemonía de la información” en la industria legal, permitiendo que las personas comunes obtengan justicia a bajo costo. (Fuente: Reddit)
💡 Otros
LEGO lanza “ladrillos inteligentes”: La mayor evolución en 50 años : LEGO anunció el lanzamiento de ladrillos inteligentes 2×4 con microcomputadoras integradas, que permiten que los modelos de bloques “cobren vida”. A través de sensores e impulsados por AI, los modelos de LEGO pueden emitir luz, sonido y responder a movimientos, como un sable de luz que zumba al agitarlo. Esto marca el abrazo total de la industria del juguete tradicional al hardware con AI. (Fuente: robrombach)
Baterías de ion de sodio en producción masiva para 2026: Eliminando la ansiedad por la autonomía : CATL confirmó que las baterías de ion de sodio entrarán al mercado a gran escala en 2026. Cuentan con una densidad energética de 175 Wh/kg, soportan trabajos en frío extremo de -40°C y tienen un precio extremadamente bajo. La comunidad cree que esto acelerará el colapso de la demanda de petróleo y proporcionará la energía central para las flotas de vehículos autónomos baratos impulsados por AI. (Fuente: teortaxesTex)
