14:34

Ep. 22 Jan 21, 2026

E022_Instruct GPT: Alinear la Ia es mejor que escalarla

“¿Sabías que hacer más grandes a los modelos de lenguaje no los hace necesariamente mejores siguiendo instrucciones? 🤖 En este episodio desgranamos el paper fundamental que cambió el rumbo de la inteligencia artificial moderna: “Training language models to follow instructions with human feedback”. Analizamos por qué los modelos masivos, como el GPT-3 original, a menudo fallaban al generar respuestas veraces o útiles, llegando incluso a ser tóxicos si no estaban correctamente alineados con la intención del usuario. 🛡️ Exploraremos la paradoja de cómo el simple aumento de parámetros no garantiza una IA más servicial y segura. Descubre la metodología detrás de InstructGPT y cómo el uso de feedback humano mediante aprendizaje supervisado y por refuerzo marcó un antes y un después. 🚀 Profundizaremos en un dato revelador: cómo un modelo 100 veces más pequeño (1.3B de parámetros) logró superar al gigante GPT-3 (175B) en las preferencias de los usuarios, ofreciendo respuestas más certeras y menos tóxicas. ¡Dale al play ▶️ para entender cómo pasamos de máquinas que solo predicen texto a asistentes que realmente comprenden lo que les pedimos! 🧠✨ Fuentes: • Training language models to follow instructions with human feedback (ArXiv)”

13:45

Ep. 21 Jan 20, 2026

E021_Cadena de pensamiento. Desbloqueando el razonamiento de la IA

¿Alguna vez te has preguntado cómo lograr que una Inteligencia Artificial no solo responda, sino que realmente razone ante problemas complejos? 🧠✨ En este episodio desglosamos el influyente paper “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”. Exploraremos cómo una técnica sorprendentemente sencilla —generar una ““cadena de pensamiento”” o una serie de pasos intermedios de razonamiento 🔗— permite que los modelos de lenguaje grandes (LLMs) desbloqueen habilidades cognitivas que parecían fuera de su alcance, mejorando drásticamente su rendimiento en tareas de lógica, aritmética y sentido común. Los resultados son impactantes: descubre cómo un modelo de 540B parámetros, utilizando tan solo 8 ejemplos de esta técnica, logró superar el rendimiento del state-of-the-art (incluso a un GPT-3 con finetuning) en el desafiante benchmark de problemas matemáticos GSM8K 📊. Analizaremos por qué mostrar el ““proceso mental”” marca la diferencia entre una alucinación y el éxito absoluto en tareas simbólicas. ¡Dale al play ▶️ para entender la estrategia esencial que cambió la forma en que hacemos prompt engineering! 🚀 Fuentes: • Paper Original: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., 2022)

15:55

Ep. 20 Jan 19, 2026

E020_Generar imágenes mediante ¿principios termodinámicos?

🎨 ¿Te imaginas generar imágenes de alta calidad utilizando principios de la termodinámica? En este episodio, desglosamos el paper fundamental de Jonathan Ho, Ajay Jain y Pieter Abbeel que ha impulsado una revolución en la síntesis de imágenes. Exploramos los Modelos Probabilísticos de Difusión de Eliminación de Ruido (Denoising Diffusion Probabilistic Models), una clase fascinante de modelos de variables latentes que, inspirados en la termodinámica del no equilibrio, aprenden a revertir el ruido para reconstruir datos visuales complejos con una fidelidad asombrosa. 🌪️ 🚀 Descubre cómo estos modelos logran una calidad de muestra que rivaliza con las potentes ProgressiveGAN en LSUN y obtienen puntuaciones FID de vanguardia (3.17) en CIFAR10. Analizaremos su novedosa conexión con la dinámica de Langevin y el emparejamiento de puntuación de eliminación de ruido, además de explicar su esquema de descompresión progresiva que generaliza la decodificación autorregresiva. ¡Dale al play para entender la ciencia exacta detrás de la magia de la generación de imágenes! 🎧✨ Fuentes: Denoising Diffusion Probabilistic Models (arXiv:2006.11239)

14:32

Ep. 19 Jan 18, 2026

E019_El aprendizaje con pocos ejemplos (Few-shot learners)

🧠 ¿Te has preguntado por qué a los humanos nos basta con un par de ejemplos para aprender algo nuevo, mientras que la IA tradicional necesitaba miles de datos? En este episodio exploramos el paper fundacional que transformó para siempre el Procesamiento del Lenguaje Natural: “Language Models are Few-Shot Learners”. Descubre la arquitectura detrás de GPT-3, el modelo que, con sus colosales 175 mil millones de parámetros (10 veces más que sus predecesores), rompió todos los esquemas demostrando que una inteligencia artificial puede ser generalista y competente sin necesidad de costosos reentrenamientos específicos (fine-tuning). 🚀 🎙️ Acompáñanos a analizar cómo este modelo logra hazañas sorprendentes simplemente recibiendo instrucciones de texto: desde traducción y corrección gramatical, hasta resolver aritmética de tres cifras 🧮 y generar artículos de noticias que los evaluadores humanos apenas pueden distinguir de la realidad. Desglosamos qué significa realmente el aprendizaje few-shot (de pocos intentos) y por qué la capacidad de GPT-3 para adaptarse “al vuelo” a nuevas tareas marcó el inicio de la era moderna de la IA Generativa. ¡Dale al play para entender los cimientos de la revolución tecnológica actual! 🌐✨ Fuentes y enlaces: • Paper original en arXiv: Language Models are Few-Shot Learners

17:39

Ep. 18 Jan 17, 2026

E018_AlphaGo: Anatomía de una Victoria (para la IA)

¿Te imaginas una máquina capaz de desarrollar algo parecido a la intuición humana? 🧠 Durante décadas, el antiguo juego del Go ⚫⚪ fue considerado el “Everest” de la inteligencia artificial, un desafío que se creía imposible de vencer mediante la fuerza bruta debido a su inmensidad matemática (¡más posiciones posibles que átomos en el universo!). En este episodio, exploramos la historia de AlphaGo, el programa que rompió todos los pronósticos al derrotar al campeón europeo Fan Hui por 5 a 0 🏆, logrando un hito que los expertos situaban al menos a una década de distancia. Descubre la fascinante arquitectura técnica que lo hizo posible: una combinación híbrida de Redes Neuronales Profundas (que seleccionan movimientos y evalúan posiciones como un experto) 🕸️ y el algoritmo de Árbol de Búsqueda Monte Carlo (MCTS) 🌲. Analizaremos cómo este sistema no se limitó a calcular, sino que aprendió jugando millones de partidas contra sí mismo mediante aprendizaje por refuerzo 🔄, alcanzando una tasa de victoria del 99.8% contra otros programas de vanguardia. ¡Dale al play ▶️ y acompáñanos a entender el momento exacto en que la IA dejó de simplemente procesar datos para empezar a “entender” el juego! 🚀 Fuentes: • Paper original en Nature: Mastering the game of Go with deep neural networks and tree search • Artículo sobre el Árbol de búsqueda Monte Carlo (Wikipedia)

14:27

Ep. 17 Jan 16, 2026

E017_Redes Generativas Antagónicas (GANs)

🎙️ ¿Qué ocurre cuando enfrentas a dos inteligencias artificiales entre sí? En este episodio, analizamos el paper seminal que transformó el aprendizaje automático: ““Generative Adversarial Networks”” (2014). Descubre el fascinante marco propuesto por Ian Goodfellow y sus colaboradores, donde se entrena simultáneamente a dos modelos en un juego minimax de dos jugadores 🎮. Por un lado, un modelo generativo (G) intenta capturar la distribución de los datos para crear imitaciones perfectas 🎨; por el otro, un modelo discriminativo (D) actúa como un juez severo 🕵️‍♂️, calculando la probabilidad de que una muestra provenga de los datos reales o sea una falsificación creada por su rival. 💡 Acompáñanos a desgranar cómo este proceso adversarial entrena al sistema para que el generador aprenda a maximizar los errores del discriminador, utilizando perceptrones multicapa y backpropagation 🧠 sin necesidad de complejas cadenas de Markov. Si quieres entender la arquitectura matemática donde el equilibrio se alcanza cuando la IA ya no puede diferenciar la realidad de la ficción (llevando al discriminador a una probabilidad del 50%), ¡no te pierdas este episodio! 👇 Dale al play para comprender el origen teórico de las IAs generativas. Fuentes: • Generative Adversarial Networks (arXiv:1406.2661)

16:29

Ep. 16 Jan 15, 2026

E016_AlexNet e ImageNet: El nacimiento del DeepLearning

“🗓️ 30 de septiembre de 2012: una fecha que marcó el verdadero inicio de la revolución del Deep Learning. En este episodio, viajamos a los orígenes para descubrir cómo AlexNet y el colosal dataset ImageNet rompieron todos los esquemas de la visión por computadora. Exploraremos la audaz visión de pioneros como Fei-Fei Li, quien entendió antes que nadie que la clave para una mejor IA no estaba solo en los modelos, sino en reflejar la diversidad del mundo real a través de datos masivos 📊. Te contaremos cómo, inspirados por WordNet y utilizando el poder del crowdsourcing con Amazon Mechanical Turk, lograron etiquetar millones de imágenes cuando el resto de la comunidad científica lo consideraba una locura imposible. 🚀 Descubre cómo el equipo formado por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton aprovechó por primera vez la potencia de las GPUs para entrenar una red neuronal de 60 millones de parámetros, superando las limitaciones de hardware de la época. Analizaremos las innovaciones técnicas clave, como las Convolutional Neural Networks (CNNs) profundas y la función ReLU, que permitieron a AlexNet aplastar a la competencia en el desafío ILSVRC 2012 con una ventaja abismal de casi 10 puntos porcentuales 🏆. Dale al play ▶️ para entender cómo este ““Big Bang”” tecnológico transformó la inteligencia artificial de una curiosidad académica poco práctica a la fuerza dominante que hoy impulsa el mundo. Fuentes y enlaces relevantes: • AlexNet and ImageNet: The Birth of Deep Learning - Pinecone • Paper original: ImageNet Classification with Deep Convolutional Neural Networks (NeurIPS 2012)”

17:12

Ep. 15 Jan 14, 2026

E015_Inicio de la serie "Los Papers que Cambiaron la Historia de la IA"

🎙️ ¡Estrenamos serie! Bienvenidos al primer episodio de “Los Papers que Cambiaron la Historia de la IA”, nuestro viaje especial a lo largo de este enero de 2026. ⏳ Retrocedemos hasta 1986, al corazón del “Invierno de la IA”, un momento oscuro donde la financiación había desaparecido y las redes neuronales se consideraban juguetes inútiles incapaces de aprender. En este capítulo, desenterramos la fascinante historia detrás del artículo de apenas cuatro páginas publicado en Nature que demostró que los críticos estaban equivocados, resucitando una disciplina entera y plantando la semilla de la revolución tecnológica actual. ❄️🔥 🧠 En este episodio te explicamos de forma sencilla qué es la Retropropagación (Backpropagation), el motor matemático que permitió el nacimiento del Deep Learning y que hoy sigue impulsando desde GPT-5 hasta los coches autónomos. Además, analizamos el impacto humano y científico de este hallazgo: desde el Premio Nobel de Física 2024 otorgado finalmente a Geoffrey Hinton, hasta el necesario homenaje a David Rumelhart, el visionario que falleció antes de ver cómo su trabajo cambiaba el mundo. Dale al play ▶️ para entender el origen exacto de la inteligencia artificial moderna.

14:30

Ep. 14 Jan 13, 2026

E014_La arquitectura Transformer que arrancó la revolución de la IA

¿Te has preguntado cómo la IA pasó de tropezar con frases simples a escribir ensayos complejos y generar vídeo? 🤖 Antes de 2017, las máquinas leían “por una rendija”, palabra por palabra, olvidando a menudo el principio de la frase al llegar al final. Todo cambió con el paper legendario “Attention Is All You Need”. En este episodio, destripamos la arquitectura Transformer, el verdadero motor que impulsa a gigantes actuales como GPT-4, Claude y Sora. 🚀 Descubre cómo el mecanismo de Self-Attention 🧠 dotó a las máquinas de una “memoria fotográfica”, permitiéndoles procesar todo el contexto de golpe y paralelizar el aprendizaje masivo. Pero la tecnología no se detiene y los Transformers no son perfectos. 🛑 Analizamos su talón de Aquiles: un coste computacional que se dispara y un consumo energético voraz. ⚡ ¿Qué viene después? Miramos hacia el horizonte (2025-2026) para presentarte a los sucesores que buscan romper estas barreras: desde las arquitecturas Mamba 🐍 y modelos híbridos como Jamba, hasta la visión de JEPA propuesta por Yann LeCun. Si quieres entender la ingeniería detrás del hype y saber hacia dónde evoluciona la próxima generación de IA, dale al play ▶️ y acompáñanos en este viaje técnico y fascinante.

18:35

Ep. 13 Jan 12, 2026

E013_IA en Edificación Industrial: El Informe de Realidad 2026

📅 Estamos en 2026 y la burbuja del hype ha estallado: la IA no es la varita mágica que nos prometieron, pero ignorarla ya no es una opción si quieres proteger tus márgenes. En este episodio analizamos sin filtros la realidad técnica y económica de la Inteligencia Artificial en la edificación industrial, dejando atrás los titulares sensacionalistas para centrarnos en lo que realmente factura 💶. Descubre por qué la tecnología ha pasado de ser una ventaja competitiva “sexy” a un requisito de supervivencia indispensable ante la cronificación de la falta de mano de obra y la presión de los costes. 🏗️ Desgranamos qué herramientas han sobrevivido al filtro del mercado y cuáles eran puro humo: desde la utilidad real del diseño generativo y la monitorización de obra hasta el fracaso de los robots autónomos en entornos no estructurados. Además, abordamos la verdad incómoda que pocos quieren admitir: cómo la IA ha dejado en evidencia la mediocridad de los modelos BIM actuales y por qué, lejos de eliminar a los técnicos, ha creado una necesidad crítica de expertos humanos capaces de auditar los algoritmos 🧠. 👉 Dale al play para entender si tu empresa está invirtiendo en futuro o si, simplemente, está automatizando el caos.

18:08

Ep. 12 Jan 11, 2026

E012_Ingeniería de lo Imposible: La Máquina de Litografía EUV

Este episodio de Bimpraxis se adentra en la ingeniería detrás del producto comercial más complejo jamás construido: la máquina de litografía ultravioleta extrema (EUV) de ASML, la única tecnología capaz de salvar la Ley de Moore y seguir reduciendo el tamaño de los transistores. Analizamos cómo funciona este sistema, considerado imposible durante 30 años, el cual opera mediante un proceso que implica disparar láseres a 50,000 gotas de estaño microscópicas por segundo para generar un plasma 40 veces más caliente que la superficie del Sol, todo con el fin de imprimir patrones nanoscópicos en los microchips. Descubrimos los desafíos técnicos casi inconcebibles que se superaron, como la fabricación de los espejos más lisos del universo —donde una imperfección del tamaño de una carta sobre la superficie de la Tierra sería inaceptable— y la coordinación de cientos de miles de componentes con una precisión atómica. Acompáñanos a explorar la historia de persistencia de científicos e ingenieros que, enfrentando el escepticismo global y riesgos financieros enormes, lograron crear la herramienta esencial que hoy impulsa toda la tecnología moderna, desde nuestros teléfonos inteligentes hasta la inteligencia artificial.

17:05

Ep. 11 Jan 10, 2026

APIcultores vs Tractoristas del campo contextual: El futuro híbrido de las interconexiones IA

En este episodio exploramos la evolución de la conectividad digital a través de dos analogías clave: los Apicultores y los Tractoristas. Mientras el apicultor (API: Application Programming Interface) realiza un trabajo artesanal y preciso conectando aplicaciones “flor por flor” mediante reglas específicas para extraer datos, el tractorista del contexto (MCP: Model Context Protocol) maneja maquinaria pesada estandarizada que prepara todo el terreno para que la Inteligencia Artificial opere de forma autónoma y escalable. Analizaremos cómo esta tecnología permite pasar de la configuración manual de “cables” a un modelo donde la IA descubre y utiliza herramientas por sí misma, actuando como un “traductor universal” que elimina la fricción técnica. Sin embargo, la verdadera potencia reside en la hibridación de ambos mundos, ya que el tractorista necesita inevitablemente la infraestructura cuidada por el apicultor. Discutiremos por qué el MCP no elimina a la API, sino que funciona como una “cabina” inteligente que envuelve las conexiones tradicionales, permitiendo unir la robustez y previsibilidad de los datos estructurados con la flexibilidad de los agentes modernos. Descubre en qué casos te conviene subirte al tractor para automatizar tareas complejas sin perder la precisión y el control que ofrece la cosecha manual de datos.

15:09

Ep. 10 Jan 9, 2026

La IA ya tiene un servicio diplomático para intermediar por ti ¿Qué son los MCP (Model Context Protocol)?

En este episodio exploramos el Model Context Protocol (MCP), la tecnología que actúa como el nuevo servicio diplomático de la Inteligencia Artificial. Hasta ahora, los grandes modelos de lenguaje eran genios aislados, encerrados en su propio conocimiento congelado; el MCP rompe este aislamiento proporcionando un “lenguaje seguro y estandarizado” que funciona como un traductor universal entre la IA y el mundo exterior. Veremos cómo este protocolo elimina la necesidad de crear integraciones frágiles y personalizadas para cada servicio, permitiendo que tu IA negocie directamente con tus bases de datos y aplicaciones favoritas sin barreras lingüísticas técnicas. Descubre cómo esta innovación transforma a los chatbots pasivos en agentes intermediarios capaces de actuar en tu nombre. Al igual que un cuerpo diplomático sigue normas estrictas, el MCP permite a la IA “descubrir” dinámicamente qué herramientas tiene disponibles en tiempo real y ejecutar acciones —desde gestionar tickets en Jira hasta consultar informes de ventas— operando siempre bajo rigurosos protocolos de permisos y seguridad que tú controlas. Acompáñanos para entender el futuro de una IA que no solo charla, sino que presenta sus credenciales y opera eficazmente en el ecosistema digital real.

17:37

Ep. 09 Jan 8, 2026

Cómo ChatGPT elige la siguiente palabra

En este episodio, desmitificamos la aparente “magia” detrás de los Grandes Modelos de Lenguaje (LLM) para entender qué sucede realmente en el milisegundo que transcurre desde que enviamos un prompt hasta que aparece el texto. Contrario a la intuición, descubrimos que el modelo no tiene una respuesta predefinida ni un plan oculto; genera el contenido una pieza a la vez, construyendo la respuesta sobre la marcha mediante un proceso puramente probabilístico y no a través de un entendimiento consciente. Analizamos cómo el sistema evalúa constantemente más de 100.000 opciones posibles para elegir el siguiente fragmento de información. Nos adentramos en la arquitectura técnica desglosando las cinco etapas críticas del proceso: desde la tokenización, que convierte palabras en secuencias numéricas, hasta los embeddings, que transforman esos números en vectores de significado capaces de entender relaciones semánticas (como la cercanía entre “Python” y “JavaScript”). Exploramos el funcionamiento del Transformer y su mecanismo de “atención”, que permite al modelo entender el contexto de una frase, y detallamos cómo parámetros como la temperatura y el sampling controlan la delgada línea entre una respuesta precisa y una incoherente. Finalmente, discutimos las implicaciones prácticas de esta mecánica para el uso profesional de la IA. Explicamos por qué ocurren las “alucinaciones” —el modelo prioriza patrones de plausibilidad sobre la verdad fáctica— y por qué los límites de contexto son una restricción computacional cuadrática inevitable y no una decisión arbitraria del software. Concluimos que comprender que la IA es un mecanismo de predicción y no una fuente de verdad es esencial para controlar mejor sus resultados en tareas técnicas y de programación.

16:07

Ep. 08 Jan 7, 2026

Karen Hao: OpenIA funciona como un nuevo imperio colonial

Gustavo Entrala entrevista a la investigadora Karen Hao, quien expone una visión crítica sobre el ascenso de OpenAI y la industria de la inteligencia artificial. Hao sostiene la tesis de que estas compañías operan como nuevos imperios coloniales que monopolizan el conocimiento, explotan mano de obra barata en países en desarrollo y consumen recursos naturales de forma alarmante. La autora revela que dentro de estas empresas existe un fervor cuasi religioso respecto a la creación de una inteligencia superior, lo cual justifica decisiones éticas cuestionables. Además, el contenido detalla la compleja relación entre Sam Altman y Elon Musk, así como la transición de la organización hacia un modelo lucrativo. Finalmente, el texto advierte sobre los costes humanos y ambientales ocultos detrás del desarrollo tecnológico actual. Por último, Hao subraya la importancia de mantener un pensamiento crítico y la acción colectiva para evitar que estas corporaciones controlen el futuro global. Karen Hao es una reconocida periodista, ingeniera mecánica por el MIT y experta en inteligencia artificial (IA) que escribe para medios como The Atlantic, dirige la serie AI Spotlight del Pulitzer Center y ha trabajado para The Wall Street Journal y MIT Technology Review, enfocándose en el impacto social de la IA y desmitificando la tecnología para el público general, siendo considerada una de las personas más influyentes en el campo de la IA.

19:32

Ep. 07 Jan 6, 2026

Qué es el Nested Learning que plantea Google

Un grupo de investigadores de Google Research ha presentado un artículo científico titulado “Nested Learning: The Illusion of Deep Learning”, el cual propone una arquitectura revolucionaria para superar las limitaciones actuales de la inteligencia artificial. El texto explica que los modelos vigentes, basados en Deep Learning, sufren de “amnesia anterógrada” porque sus conocimientos se congelan tras el entrenamiento y no pueden aprender en tiempo real sin corromperse. La nueva propuesta sugiere imitar el cerebro humano mediante la arquitectura “Hope”, la cual utiliza capas de aprendizaje rápido y lento para que la IA procese información nueva constantemente. Según la fuente, este avance permitiría que modelos como ChatGPT o Gemini evolucionen de ser simples “loros cibernéticos” a sistemas capaces de razonar y mejorar de forma autónoma. Si este enfoque de aprendizaje anidado tiene éxito, podría marcar el inicio de la Inteligencia Artificial General (AGI), alcanzando un nivel de capacidad intelectual similar al humano. El autor subraya que, a diferencia de otras propuestas, este estudio ya ha sido revisado por pares y aprobado por la comunidad científica internacional. #AI #IA #NestedLearning #DeepMind #GoogleResearch

19:05

Ep. 06 Jan 5, 2026

Yann LeCun: Los límites de los LLM y la propuesta de los Modelos de Mundo de Yann LeCun

El experto Yann LeCun, galardonado con un Premio Turing y pionero del reconocimiento de imágenes, sostiene que los modelos de lenguaje actuales han alcanzado un límite insuperable porque carecen de una comprensión verdadera de la realidad física. A través de su nueva iniciativa, propone sustituir la arquitectura de los chats convencionales por sistemas denominados JEPA, los cuales aprenden mediante la observación de videos y representaciones abstractas. Estos modelos de mundo permiten que la inteligencia artificial comprenda conceptos básicos como la gravedad o la permanencia de objetos, habilidades que un niño adquiere de forma natural pero que el texto no puede transmitir. La propuesta enfatiza la investigación abierta y el desarrollo de capacidades de planificación interna en lugar de la simple predicción de palabras. En última instancia, el autor argumenta que la verdadera inteligencia general solo se logrará cuando las máquinas puedan simular y predecir consecuencias dentro del entorno físico real.

16:24

Ep. 05 Jan 4, 2026

Demis Hassabis: De los modelos de lenguaje (LLM) a los modelos de mundo (WM)

Entrevista a Demis Hassabis, CEO de Google DeepMind y premio Nobel por sus aportaciones al diseño de proteínas con IA, quien analiza el progreso actual y los desafíos futuros de la inteligencia artificial general (AGI). El texto destaca hitos científicos como AlphaFold y el desarrollo de Gemini 3, subrayando el potencial de la IA para revolucionar la ciencia de materiales, la fusión nuclear y la medicina. Hassabis explica la importancia de los modelos de mundo y la simulación para otorgar a las máquinas una comprensión física y espacial más profunda. Asimismo, aborda temas críticos como la seguridad, la necesidad de consistencia en el razonamiento y el impacto socioeconómico que podría traer una revolución tecnológica diez veces más rápida que la industrial. Finalmente, reflexiona sobre la consciencia, la naturaleza computable del universo y su misión personal de guiar esta tecnología hacia un beneficio global y responsable.

17:48

Ep. 04 Jan 3, 2026

Ilya Sutskever: la IA será un superaprendiz

Análisis de la entrevista con Ilya Sutskever (coautor de ChatGPT y discípulo del Nobel Geoffrey Hinton), quien analiza la transición de la era del escalado masivo hacia una nueva etapa centrada en la investigación cualitativa. Sutskever sostiene que los modelos actuales carecen de la capacidad de generalización humana, por lo que propone el desarrollo de funciones de valor internas que permitan un aprendizaje más eficiente y autónomo. El experto argumenta que la superinteligencia no será un oráculo estático, sino un superaprendiz capaz de dominar cualquier tarea mediante la iteración y el aprendizaje continuo. Asimismo, destaca la importancia de una alineación ética basada en el respeto a la vida sintiente y la necesidad de un despliegue gradual para mitigar riesgos sociales. Finalmente, reflexiona sobre el gusto investigador, sugiriendo que la simplicidad conceptual y la inspiración biológica son claves para superar las limitaciones técnicas actuales del aprendizaje profundo.

20:39

Ep. 03 Jan 2, 2026

Geoffrey Hinton: la IA Actual nos parecerá prehistórica en 5 años

En una reciente entrevista al Premio Nobel Geoffrey Hinton, el “Padrino de la Inteligencia artifical”, analiza el futuro de la inteligencia artificial y su impacto en la sociedad durante la próxima década. El experto predice avances revolucionarios en la medicina, especialmente en la precisión de diagnósticos radiológicos, y en la educación a través de tutores personalizados altamente eficaces. Hinton explica que los modelos actuales parecerán prehistóricos en cinco años, destacando que el razonamiento de las máquinas ahora se asemeja más al procesamiento biológico que a la lógica tradicional. Asimismo, aborda la evolución de la robótica, la creación de agentes autónomos y las diferencias técnicas entre el aprendizaje de las redes neuronales y el cerebro humano. El texto concluye con una visión optimista sobre cómo la IA acelerará el descubrimiento científico en áreas como las matemáticas y la biología molecular.

18:15

Ep. 02 Jan 1, 2026

IA y BIM: Transformación Digital y Automatización en Construcción

Hoy analizamos la convergencia estratégica entre el Building Information Modeling (BIM) y la Inteligencia Artificial (IA) para transformar el sector de la construcción. Los textos detallan cómo el aprendizaje automático y el procesamiento de lenguaje natural permiten automatizar tareas críticas como la verificación de normativas, la detección de interferencias y el diseño generativo. Se presentan herramientas de vanguardia, como Autodesk Forma y Finch 3D, que optimizan la viabilidad de proyectos y reducen significativamente la huella de carbono. Además, se destaca la evolución del BIM Manager hacia un rol de estratega de datos, capaz de liderar la creación de gemelos digitales inteligentes. En conjunto, los artículos demuestran que esta sinergia tecnológica no solo incrementa la eficiencia operativa, sino que redefine la precisión y sostenibilidad en la arquitectura moderna.