Buenas, esto es BIMPRAXIS, el podcast donde el
Download transcript (.srt)
0:09
0:15
0:20
0:23
0:26
0:28
0:36
0:40
0:41
0:45
0:48
0:50
0:53
0:54
0:56
0:58
1:00
1:03
1:05
1:06
1:10
1:11
1:13
1:14
1:16
1:17
1:20
1:22
1:24
1:25
1:26
1:29
1:30
1:32
1:35
1:36
1:38
1:40
1:43
1:45
1:46
1:47
1:48
1:50
1:52
1:55
1:57
2:00
2:02
2:02
2:05
2:07
2:09
2:11
2:13
2:15
2:19
2:21
2:22
2:23
2:26
2:28
2:31
2:33
2:36
2:38
2:39
2:41
2:42
2:44
2:47
2:50
2:50
2:51
2:53
2:56
2:59
3:01
3:02
3:02
3:05
3:07
3:09
3:10
3:12
3:15
3:16
3:20
3:23
3:23
3:25
3:26
3:30
3:32
3:35
3:37
3:38
3:42
3:42
3:45
3:47
3:49
3:52
3:52
3:53
3:55
3:56
3:57
4:00
4:02
4:04
4:06
4:08
4:10
4:13
4:16
4:18
4:20
4:21
4:23
4:25
4:25
4:27
4:30
4:31
4:33
4:35
4:36
4:38
4:39
4:42
4:43
4:46
4:47
4:50
4:51
4:53
4:55
4:57
5:02
5:04
5:06
5:07
5:08
5:11
5:14
5:16
5:18
5:19
5:20
5:22
5:23
5:25
5:26
5:28
5:31
5:36
5:38
5:40
5:42
5:43
5:45
5:47
5:50
5:52
5:54
5:54
5:57
6:00
6:02
6:06
6:07
6:08
6:10
6:11
6:14
6:17
6:18
6:20
6:22
6:24
6:26
6:28
6:32
6:33
6:34
6:37
6:38
6:39
6:40
6:43
6:44
6:46
6:48
6:50
6:51
6:54
6:56
6:58
7:01
7:04
7:04
7:07
7:09
7:11
7:12
7:14
7:16
7:19
7:19
7:22
7:24
7:24
7:26
7:29
7:31
7:32
7:34
7:35
7:38
7:41
7:43
7:47
7:48
7:50
7:52
7:53
7:55
7:57
7:58
7:59
8:00
8:02
8:03
8:05
8:08
8:08
8:10
8:11
8:15
8:17
8:19
8:19
8:21
8:25
8:28
8:30
8:31
8:32
8:34
8:35
8:37
8:40
8:42
8:45
8:47
8:49
8:50
8:52
8:53
8:56
9:00
9:03
9:04
9:05
9:08
9:11
9:14
9:16
9:17
9:21
9:22
9:24
9:27
9:29
9:31
9:33
9:35
9:38
9:38
9:40
9:43
9:46
9:47
9:48
9:51
9:52
9:55
9:58
9:59
10:01
10:01
10:04
10:05
10:06
10:08
10:08
10:10
10:12
10:13
10:15
10:18
10:21
10:23
10:23
10:25
10:27
10:29
10:30
10:33
10:33
10:36
10:38
10:40
10:43
10:46
10:49
10:51
10:54
10:56
10:59
11:01
11:04
11:06
11:07
11:10
11:13
11:13
11:16
11:18
11:19
11:21
11:22
11:24
11:25
11:28
11:30
11:32
11:34
11:37
11:40
11:42
11:45
11:47
11:49
11:51
11:53
11:56
11:58
12:00
12:02
12:04
12:06
12:10
12:13
12:15
12:17
12:20
12:21
12:24
12:25
12:28
12:31
12:32
12:35
12:36
12:38
12:41
12:43
12:45
12:47
12:50
12:51
12:54
12:56
12:59
13:02
13:03
13:05
13:08
13:09
13:11
13:13
13:15
13:16
13:17
13:19
13:22
13:23
13:27
13:28
13:31
13:32
13:33
13:36
13:37
13:37
13:39
13:41
13:42
13:45
13:49
13:51
13:52
13:53
13:56
13:58
14:01
14:03
14:06
14:09
14:10
14:12
14:15
14:17
14:20
14:22
14:24
14:26
14:26
14:28
14:31
14:34
14:37
14:38
14:40
14:42
14:43
14:43
14:47
14:48
14:51
14:52
14:54
14:56
14:58
15:01
15:03
15:04
15:05
15:07
15:10
15:12
15:13
15:14
15:16
15:19
15:20
15:21
15:23
15:26
15:28
15:29
15:32
15:34
15:37
15:40
15:40
15:43
15:44
15:46
15:48
15:51
15:54
15:55
15:57
15:58
16:00
16:02
16:05
16:07
16:09
16:12
16:15
16:18
16:19
16:21
16:23
16:23
16:27
16:30
16:31
16:32
16:34
16:37
16:40
16:43
16:45
16:46
16:50
16:51
16:52
16:55
16:57
16:59
17:02
17:04
17:08
17:20
17:22
17:33
17:35
BIM se encuentra con la inteligencia artificial.
Exploramos la ciencia, la tecnología y el futuro
desde el enfoque de la arquitectura, ingeniería y
construcción.
¡Empezamos!
Muy buenas, bienvenidas, bienvenidos a un nuevo episodio
de BIMPRAXIS.
Hoy os traemos el cerebro artificial de Garritán,
la memoria de IA en texto plano y
el incombustible ecosistema Obsidian.
Y bueno, para arrancar, pensemos en una situación
hipotética.
A ver, ¿qué nos traes hoy?
Imaginad que acabamos de contratar a la persona
más brillante del mundo como asistente.
Tiene un coeficiente intelectual altísimo, habla decenas de
idiomas… Una joya de empleado, vamos.
Exacto.
Ha procesado casi todo el conocimiento humano disponible.
Pero hay un pequeño problema.
Y es insalvable.
Uy, a ver, cuenta.
Cada vez que parpadea, esa persona sufre de
amnesia total.
Se olvida de quienes somos, de los proyectos
en los que trabajamos ayer y de cómo
queremos que presente los informes.
Frustrante, ¿verdad?
Totalmente.
O sea, es una analogía dolorosamente precisa, ¿la
verdad?
Pues así, en esencia, es como hemos estado
interactuando con la inteligencia artificial hasta hace un
cuarto de hora.
Es que tal cual.
Históricamente hemos tratado a los modelos de lenguaje
como oráculos… Los oráculos amnésicos.
Les damos todo el contexto desde cero en
cada interacción.
Una y otra vez.
Eso es.
Y la promesa de lo que llamamos memoria
de agentes, que es nuestro tema de hoy,
busca romper ese ciclo por completo.
El objetivo es pasar de una herramienta de
consulta aislada a un compañero cognitivo real.
Que entienda de qué le hablas.
Exacto.
Un sistema que acumule contexto.
Que sepa que, si le preguntas por el
proyecto de diseño, te refieres al que hablaste
con el equipo de marketing el martes pasado.
Y no a uno genérico.
Y para entender cómo se está resolviendo este
rompecabezas en la mismísima frontera tecnológica actual, vamos
a diseccionar un par de fuentes que nos
han dejado fascinados.
Son interesantísimas.
Por un lado, tenemos una auditoría técnica muy
profunda sobre G -Brain.
Para situarnos, G -Brain es un sistema de
memoria de IA de código abierto lanzado hace
nada, el 5 de abril de 2026.
Y ojo con quién lo ha lanzado.
Claro.
El detalle que ha hecho que todo Internet
gire la cabeza.
Su creador es Gary Tan.
El CEO de J -Combinator.
Probablemente la aceleradora de startups más influyente del
planeta.
Casi nada, ¿eh?
Y, por otro lado, cruzamos esto con un
análisis de los repositorios en GitHub de Obsidian,
la celebérrima herramienta para tomar notas.
Aquí está la gran ironía que vamos a
explorar.
Total.
Que la vanguardia absoluta de la IA está
guardando sus secretos en el formato más antiguo
y sencillo que existe.
El texto plano.
Lo que hace que este cruce de fuentes
sea un caso de estudio brutal es la
convergencia.
Estamos viendo cómo la inteligencia artificial más sofisticada
choca con filosofías de soberanía digital de los
90.
Es una declaración de intenciones.
Tal cual.
Sobre quién debe poseer realmente la inteligencia procesada.
Y esa es nuestra misión en esta inmersión.
Queremos descubrir si G -Brain es el mesías
de la memoria para todos los públicos o
si estamos ante una maquinaria de nicho.
Brillante, pero inmanejable para la mayoría.
Justo.
Y creo que debemos empezar abordando el elefante
en la habitación, el fenómeno mediático.
El 5 de abril se lanza G -Brain
y en 24 horas acumula 5 .000 estrellas
en GitHub.
Una barbaridad.
En la fuente que manejamos ya roza las
14 .000.
Son cifras mareantes.
Es que son números que destrozan cualquier métrica
habitual en código abierto.
Sobre todo si tenemos en cuenta que se
publicó en una versión 0 .30.
Claro, que eso asusta a cualquiera.
Es que en desarrollo de software un 0
.30 significa que el proyecto está en pañales.
La arquitectura puede cambiar mañana y romperlo todo.
Y ahí entra mi escepticismo inicial.
Hay un innegable efecto halo aquí.
Ah, totalmente.
Si yo publico un repositorio de memoria de
IA, me dan una estrella y es de
mi madre.
Pero si Gary Tan publica el mismo código
desde su trono en Silicon Valley, el mundo
asume que es el futuro.
Ya, el marketing ha sido brutal.
Se promociona como la IA que te hará
el trabajo sola.
Pero leyendo la fuente...
La sensación es la de estar ante un
coche hiperdeportivo con transmisión manual de competición.
Buena analogía.
Increíble si sabes meter las marchas a las
revoluciones exactas.
Pero un desastre si buscas un coche autónomo
que te lleve a casa mientras miras el
móvil.
Entonces, siendo crudos, ¿cuánto de esto es humo
y cuánto es ingeniería real?
Pues curiosamente, la auditoría técnica desmonta ese escepticismo.
El marketing de G -Rec Brain es casi
una anomalía, por lo honesto que es.
¿Ostras, en serio?
Sí, sí.
En un sector donde todos prometen inteligencias casi
humanas, los datos que publicó Garry Tan en
la prueba BrainBench coinciden a la perfección con
lo que el código hace en tu ordenador.
No hay trampa ni cartón.
Ninguna.
Y la infraestructura no tiene nada de versión
beta.
Está preparada para recibir un castigo enorme sin
caerse.
¿A qué te refieres con recibir castigo?
Porque gestionar memoria infinita satura cualquier sistema casero.
Me refiero a decisiones arquitectónicas de sistemas masivos.
Por ejemplo, usan una herramienta llamada...
Minions, que es una cola de trabajos dentro
de la base de datos Postgres.
Vale.
En lugar de pedirle al cerebro principal que
haga todo a la vez leer, extraer, buscar
en Internet Minions, se para el trabajo en
microtareas y las pone a la cola.
Así nunca se asfixia.
Qué inteligente.
Y además, implementan agentes duraderos.
Cada deducción de la IA se guarda permanentemente.
Si hay un corte de luz a mitad
de un razonamiento, se reinicia exactamente en el
milisegundo en el que se quedó.
Vale.
Y además, tienen la robustez, tienen un motor
que no se cala.
Pero la pregunta es, si la IA procesa
información todo el rato en segundo plano, ¿quién
paga la factura?
Ah, el temido cost and tokens.
Claro, cada vez que lee un documento, el
proveedor del modelo te cobra.
Y aquí el análisis revela un concepto que
llaman enriquecimiento por niveles.
Que es una clase magistral de ahorro radical,
fíjate.
Cuéntanos cómo va eso.
El sistema asume que no toda la información
merece el mismo valor.
Es como esfuerzo mental.
Funciona por capas.
Digamos que mencionas a una persona por primera
vez en tus notas.
El sistema crea un nivel 3.
Que es como un marcador de posición, ¿no?
Exacto, una página básica.
No gasta ni un céntimo de API en
buscar quién es, porque podría ser irrelevante.
Vale, pero si sigo mencionando a esa persona,
digamos que aparece tres veces.
Ahí el sistema dice, ojo, esto me interesa.
Justo ahí, al llegar a tres menciones, sube
a nivel 2.
El agente se activa, ve que es recurrente.
Y busca en la web y redes sociales
para enriquecer el perfil.
¿Y el nivel 1?
Se desata si hay una reunión documentada o
llegas a ocho menciones.
Ahí se aplica el proceso completo de razonamiento
profundo.
Es brillante porque el cerebro aprende a qué
darle importancia sin que el humano mueva un
dedo.
Es una optimización alucinante.
Pero frena aquí, porque vamos a la parte
que me hizo soltar una carcajada por lo
contraintuitivo que resulta.
Lo de las expresiones regulares, seguro.
Sí, sí.
Para extraer estas relaciones de quién conoce a
quién o dónde trabaja cada persona, G -Brain
no usa modelos gigantes como GPT -4.
Usa expresiones regulares, las famosas regex.
Tal cual.
Es que, para quienes no tengan contexto, las
regex son una tecnología de búsqueda de texto
de hace décadas.
Es como enterarse de que la NASA usa
calculador Ascasio de los 90 para ir a
Marte.
Ya, suena a que nos han tomado el
pelo.
¿En qué cabeza cabe usar algo tan rígido
en la era generativa?
No es un sistema súper frágil.
¿Qué pasa si escribo un patrón un poco
distinto?
La intuición te dice que es un paso
atrás, claro.
Pero en este contexto es una genialidad absoluta
para resolver la escalabilidad económica.
Claro, los costes.
Exacto.
Si usas un modelo para leer cada línea
buscando relaciones, el coste en token subiría exponencialmente.
Con las regex, el coste de ingestión para
extraer datos duros es cero.
Cero dólares.
Cero.
Mantienes la factura mensual de tu cerebro digital
en el precio de un café.
Solo pagas los embeddings.
Vale, el ahorro está genial, pero la fragilidad
de depender de un patrón exacto me sigue
pareciendo una bomba de relojería.
Y tendría razón si el sistema terminara ahí.
Pero lo solucionan con el bucle de fallo
y mejora.
Esto es poesía técnica.
A ver.
Cuando la expresión regular falla por algo complejo,
el sistema lanza una alerta silenciosa y usa
el modelo de lenguaje como plan de emergencia.
Y ya está.
Qué va.
Registra el error, analiza por qué falló el
patrón antiguo y usa la IA para escribir
una expresión regular nueva y mejorada.
Luego reemplaza el código internamente.
Madre mía.
O sea, el sistema autoescribe sus detectores gratuito.
Eso es.
En lugar de encarecerse, se vuelve más barato
porque perfecciona sus herramientas de coste cero.
Es elegancia pura.
Y claro, todo este conocimiento destilado tiene que
guardarse en algún sitio.
Lo que nos lleva a la conexión vital
con el ecosistema Obsidian, la rebelión del texto
plano.
Que es un movimiento interesantísimo.
La fuente recalca que Gbrain es Markdown first.
Guarda todo en archivos de textos súper básicos
en un repositorio de Git.
Un drama.
En Gbrain, si la base de datos explota
mañana, no pasa nada.
El sistema lee tu carpeta de texto plano
y reconstruye las conexiones neuronales desde cero en
un par de minutos.
Y el formato de las páginas resuelve un
problema enorme.
Tienen una estructura de verdad compilada y línea
de tiempo.
Importantísimo eso.
En la parte de arriba tienes un resumen
actualizado.
La verdad compilada.
Y en la mitad de abajo, una línea
de tiempo inmutable.
Claro, cada vez que aprende algo nuevo, lo
añade abajo como un registro sin tocarlo viejo.
Protege a la IA de sus propias alucinaciones
o de borrar detalles cruciales por error al
resumir.
Y todo esto se arranca con un simple
comando de importación de tus notas locales.
El comando Gbrain import.
Exacto.
Y aquí entra nuestro análisis de Obsidian en
GitHub.
Porque guardar tu IA en texto plano suena
antiguo, pero miras la comunidad y está en
ebullición absoluta.
Los números de Obsidian asustan para bien.
13 .000 seguidores en su organización oficial.
Proyectos como Obsidian Releases con más de 18
.000 estrellas.
Tienen extensiones como el Obsidian Clipper en TypeScript
moderno con miles de estrellas.
Permite absorber cualquier página web directo a este
formato de texto puro.
Incluso herramientas como JSON Canvas para organizar ideas
en lienzos infinitos que no te atan a
ninguna plataforma.
Es la prueba tangible de que existe un
hartazgo monumental hacia los jardines vallados del software
moderno.
Quienes nos escuchan seguro que han sufrido el
síndrome del secuestro de datos.
Uf, seguro.
Usas una aplicación fantástica en la nube durante
años.
Un día la empresa quiebra y te quedas
sin tu cerebro digital.
La decisión de Gbrain de anclarse a Markdown
es una declaración de independencia.
Significa que puedes auditar que ha deducido tu
IA abriendo el bloc de notas.
Si la IA se equivoca, borras la línea,
guardas y le has cambiado la memoria manualmente
sin pedir permiso a un servidor en California.
Pero claro, tener miles de archivos de texto
genera un desafío inmenso.
Tener la mejor biblioteca del mundo no sirve
si no tienes un buen bibliotecario.
Y ahí radica el otro punto fuerte de
Gbrain, su sistema de recuperación, la búsqueda.
Entremos en eso.
Si le pregunto a mi IA de qué
hablamos en la reunión estratégica del mes pasado,
¿cómo sabe en qué archivo mirar?
Utiliza una búsqueda híbrida en varias capas.
La primera es la búsqueda vectorial a través
de PG Vector, usando similitud de cosenos.
Vale, detengámonos ahí.
Tradúcenos esto a los mortales.
¿Qué significa transformar palabras en vectores y usar
cosenos?
Piensa en un mapa espacial tridimensional gigantesco donde
colocas conceptos.
Si pones la palabra manzana deferida a la
fruta, la coloca junto a pera o zumo.
Entendido.
Pero si introduces manzana como empresa tecnológica, se
va a la otra punta del mapa, junto
a Silicio o Steve Jobs.
La similitud de coseno simplemente mide matemáticamente la
distancia entre esos puntos.
O sea que, aunque le pregunte con palabras
diferentes a las de mis notas, el sistema
entiende el concepto por la zona del mapa.
Exactamente.
Pero claro, a veces quieres buscar un número
de factura específico o un apellido raro.
Ahí las matemáticas fallan porque aproximan demasiado.
Claro, necesitas la palabra exacta.
Por eso, la segunda capa es la búsqueda
de texto puro y duro.
El TS vector de Postgres, pero con un
filtro jerárquico.
No vale lo mismo una palabra perdida al
fondo que una palabra en el título.
Le da prioridad al conocimiento destilado de esa
verdad compilada.
Eso es.
Y para decidir cuál de los dos métodos
tiene razón, usan el algoritmo de fusión de
rangos recíprocos.
El RRF actúa como juez para elegir los
mejores resultados.
Pero lo que empuja esto a la estratosfera
es su arma secreta.
El grafo de enlaces.
Las conexiones que extraía gratis con las expresiones
regulares.
Fíjate.
Ahí están otra vez.
Sí, aplica un impulso a las páginas más
enlazadas.
Es el principio fundamental del PageRank de Google.
Si un documento recibe muchas menciones, se asume
que es un pilar central y sube en
los resultados.
Y las métricas son de locos.
En la prueba BrainBench consiguen casi un 50
por ciento de precisión en el top 5
y casi un 98 por ciento de exhaustividad.
Rara vez se les escapa un dato relevante.
Y al sumar esas conexiones manuales, superan a
la búsqueda vectorial tradicional por más de 31
puntos de precisión.
Es una paliza técnica.
Es la victoria del conocimiento explícito frente a
la aproximación estadística.
Saber cómo se conectan dos ideas aporta más
valor que calcular su distancia semántica.
Suena a magia, la verdad.
Pero prometimos mirar la otra cara de la
moneda.
Hay un muro de fricción bastante alto.
¿Dónde no da la talla Hebrain ahora mismo?
El primer gran obstáculo es la interoperabilidad.
Funciona de maravilla con Open Claw o Hermes
Agent.
Soporte nativo perfecto.
Pero si usas cualquier otro modelo de los
miles que hay.
Te quedas fuera.
A menos que configures manualmente un servidor bajo
el protocolo MCP.
Vamos, como viajar con un enchufe europeo a
una casa con instalación americana.
Si no llevas Open Claw, te toca desmontar
la pared y empalmar cables.
Una barrera tremenda para el usuario medio.
Otra limitación crítica es la de la distancia.
La falta de razonamiento temporal y de saltos
múltiples.
El multijob.
Explícanos eso con un ejemplo.
Imagina pedirle que fondos apoyaron a las empresas
de los fundadores que conociste en el evento
de ayer.
Para ti es fácil.
Para Hebrain es una pesadilla.
No sabe encadenar esos saltos si no estaban
precompilados.
Exacto.
Y a nivel logístico, alerta con las trampas.
No hay plataforma gestionada en la nube de
pagar diez euros y listo.
Tienes que instalarlo tú.
Y ojo con usar el comando estándar npm
install menos gbrain.
Uf, sí, alguien le ha ocupado ese nombre
en el repositorio y te descargas un paquete
de terceros.
Tienes que clonar el código y usar bon
para ejecutarlo.
Son escollos de manitas digitales.
Y el escollo de la disciplina.
Tienes que programar habilidades en archivos Markdown.
La IA no adivina cómo quieres estructurar las
cosas.
Requiere un esfuerzo consciente por parte del usuario,
sin duda.
Lo que nos lleva a una conclusión pragmática
tras cruzar estas fuentes.
Si buscas algo automático de configurar y olvidar
para tu empresa, huye de aquí.
Pero si quieres moldear la mente de tu
asistente y tienes disciplina, esto es oro puro.
Es la distinción entre alquilar una habitación de
hotel genérica o construir los cimientos de tu
propia casa a medida.
Muy buena analogía.
Y para cerrar esta inmersión, os lanzo una
reflexión.
Si sistemas como Gebrains destilan información a coste
cero y la organizan autónomamente mientras dormimos en
nuestras bóvedas de texto plano.
A ver.
Llegará a un punto en que nuestra principal
habilidad no sea saber cosas o memorizar hechos,
quizás el trabajo del futuro sea convertirnos en
arquitectos de esquemas, diseñando las reglas maestras para
que la IA estructura el mundo tal y
como nosotros lo entendemos.
Ostras, pues es una perspectiva fascinante para darle
vueltas.
Ahí queda eso.
Antes de despedirnos hasta el próximo programa, os
informamos de que las voces que oyes han
sido generadas por la IA de Notebook LM
y que dirigiendo el podcast se encuentra Julio
Pablo Vázquez, un humano que te envía saludos.
En caso de error, probablemente sean errores humanos.
Nos escuchamos.
Y hasta aquí el episodio de hoy.
Muchas gracias por tu atención.
Esto es BIMPRAXIS.
Nos escuchamos en el próximo episodio.