¿Qué pasó el fin de semana? En un minuto:
Nvidia ha abierto una investigación tras las informaciones de que Jensen Huang fue el objetivo de una presunta operación de espionaje chino.
Los inversores han recortado la valoración esperada de la salida a bolsa de Anthropic desde 2 billones hasta 1,5 billones de dólares.
La propuesta de prohibir la automejora recursiva ha saltado a la agenda política estadounidense.
Anthropic explica cómo usar tiempo entre sesiones para releer, corregir y reorganizar memoria, algo que compara con el sueño y que mejora resultados.
Meta despliega en su agente personal capacidades de Muse Wonder, su modelo más capaz, y mejora un 67% la finalización de tareas que se tuercen.
OpenAI ha presentado BioBasicsBench, un benchmark de 100 tareas reales de laboratorio en el que GPT-6 Astra obtuvo el 66,7%.
Anthropic ilustra cómo la IA puede resolver en horas los dos cuellos de botella de la modelización científica: el coste de calcular y encontrar conjeturas.
El Frontier Model Forum ha publicado un marco voluntario para calificar con un criterio común la gravedad de los jailbreaks de modelos en ciberseguridad.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ para apoyar este proyecto.
Y si tienes más de un minuto…
1. Nvidia investiga si Huang fue objetivo de espionaje
Nvidia ha abierto una investigación independiente tras las informaciones de que su fundador y consejero delegado, Jensen Huang, fue objetivo de una operación de inteligencia extranjera. La supervisará un comité de consejeros independientes con asesoría jurídica externa. El consejo afirma que no tiene motivos para creer que se hayan comprometido secretos de la empresa ni la seguridad nacional, y mantiene su confianza en Huang, que se ha comprometido a colaborar.
La prensa señala a Alice Huang, exdirectiva de Megaspeed, firma de centros de datos de Singapur, como presunto activo de la inteligencia china, vigilada por funcionarios estadounidenses desde hace más de un año. Jensen Huang ya ha reconocido una relación extramatrimonial que podría apuntar a ella. El vínculo comercial convierte el asunto personal en riesgo corporativo: Huang negocia el acceso de Nvidia a China, el Sudeste Asiático y compradores soberanos, un acceso que depende de las licencias y la confianza de Washington.
Donald Trump lo ha defendido como un “tipo honorable”, pero en el Congreso el tono es diferente. Los presidentes de los comités de Exteriores, China e Inteligencia de la Cámara de Representantes le han pedido una sesión informativa a puerta cerrada, fijada para el 18 de noviembre de 2026, por preocupaciones significativas de seguridad nacional.
Las primeras informaciones le parecieron poco creíbles a 𝕏 @AndrewCurran_ (Andrew Curran), que reconoce haberlas recibido con mucho escepticismo antes de que el consejo confirmara la investigación.
El memorando interno, que difundió 𝕏 @rohanpaul_ai (Rohan Paul), tiene un tono de control de daños: Huang pide perdón y apela a su lealtad al país y a la empresa, sin nombrar a nadie.
Para 𝕏 @WesRoth (Wes Roth), la cifra de compras de Megaspeed, más de 4.800 millones de dólares en chips de Nvidia en dos años, explica por qué la relación afecta a la empresa y no solo a su consejero delegado.
El caso es una tragedia para 𝕏 @kimmonismus (Chubby), que lo enmarca en la talla de Huang como una de las figuras más importantes del momento.
Más información:
📎 bloomberg.com: NVIDIA board to probe spying case after CEO jensen huang admits infidelity
📎 Statement From NVIDIA Board of Directors
2. Los inversores rebajan la valoración de Anthropic en bolsa
Las expectativas sobre la salida a bolsa de Anthropic se han enfriado con rapidez. Según The Wall Street Journal, los inversores han recortado la valoración esperada desde unos 2 billones de dólares, cifra que circulaba en el sector financiero hace apenas un mes, hasta 1,5 billones. Algunos ya consideran más realista situarla en torno al billón. El ajuste llega pese a unas cifras operativas sólidas: la tasa anualizada de ingresos de la compañía superó los 80.000 millones de dólares en octubre. El objetivo inicial de la operación era captar 30.000 millones con una valoración de 1,4 billones, de modo que el escenario más pesimista quedaría por debajo de aquel punto de partida.
La OPV acumula retrasos: estaba prevista para septiembre, se movió a finales de octubre. El folleto S-1 ya está presentado ante el regulador. El recorte apunta a un menor apetito inversor por las valoraciones más altas del sector, un factor que afecta también a otros laboratorios que preparan su paso por el mercado. Anthropic inicia esta semana su campaña mediática para la operación. Buena parte de su cúpula se ha comprometido a donar el 80 % de sus ganancias.
El precio ya no depende tanto de los números de Anthropic como de la política, sostiene 𝕏 @rohanpaul_ai (Rohan Paul), que vincula el recorte al temor a restricciones sobre centros de datos tras las victorias demócratas en las elecciones de mitad de mandato.
La comparación que aporta 𝕏 @kimmonismus (Chubby) refuerza la paradoja: OpenAI rondaba los 50.000 millones de ingresos anualizados en septiembre, muy por debajo de Anthropic, y aun así los inversores dudan de la valoración.
Más templado, 𝕏 @AndrewCurran_ (Andrew Curran) prefiere esperar a la reacción del mercado y considera que, por ahora, la situación no pinta tan mal.
Más información:
📎 bloomberg.com: Anthropic IPO valuation expectations pressured after AI rout
📎 wsj.com: Major investors are skeptical anthropic IPO can achieve 1 5 trillion valuation
3. Crece el debate sobre prohibir la automejora recursiva
La propuesta de prohibir la automejora recursiva (RSI, por sus siglas en inglés), es decir, que los sistemas de IA automaticen la investigación en IA y construyan la siguiente generación de modelos, ha pasado de los foros de seguridad a la agenda política en Estados Unidos. Un congresista demócrata plantea prohibirla y la ciudad de Bloomington ha aprobado ya una prohibición local que, según sus críticos, va más allá de la superinteligencia y alcanza a la RSI en sí.
El momento no es casual. OpenAI afirma estar en camino de automatizar su investigación para marzo de 2028, y empleados de Anthropic manejan plazos similares. A eso se suman 41 votaciones sobre centros de datos celebradas el pasado martes, la moratoria nacional que reclama el senador Bernie Sanders y una marcha convocada en Washington para pedir una prohibición global. La discusión se avivó cuando el autor de AI 2027, el escenario prospectivo más citado sobre riesgos de la IA, mostró su apoyo a la idea, algo coherente con un relato en el que la humanidad perece precisamente porque el Gobierno no frena la RSI.
Para el sector, el riesgo inmediato es una regulación que limite a los laboratorios estadounidenses sin afectar a sus competidores. Ese argumento se apoya ya en ejemplos concretos: investigadores chinos han presentado Terminal-RSI, un sistema que mejora agentes reescribiendo en ciclos sucesivos las estrategias que funcionan.
El planteamiento de 𝕏 @AlexBores (Alex Bores) parte de una premisa industrial, no hipotética: todas las empresas persiguen automatizar su propia investigación, y por eso la RSI merece tratarse como un objetivo declarado del sector.
El apoyo del autor de AI 2027 a la prohibición desconcertó a 𝕏 @kimmonismus (Chubby), que primero esperaba que fuera sarcasmo y después admitió haber malinterpretado su postura.
Con ironía, 𝕏 @Dan_Jeffries1 (Daniel Jeffries) pregunta si China también prohibirá la RSI y acusa a Estados Unidos de dispararse en el pie creyéndose potencia eterna por derecho divino.
La objeción de 𝕏 @ChombaBupe (Chomba Bupe) es técnica: una IA que se construye a sí misma caería en el colapso de modelos por su naturaleza estadística, así que la realidad ya ha prohibido la RSI.
La alianza con los demócratas puede volverse contra la comunidad de seguridad en IA, advierte 𝕏 @viemccoy (Vie), porque podrían vetar las aplicaciones de consumo pero no las militares.
Más información:
📎 AI 2027
📎 Terminal-RSI
4. Claude “sueña” para depurar su memoria
Anthropic ha publicado en su blog de ingeniería un artículo sobre los componentes de la memoria de agentes en el que explica cómo Claude hace algo parecido al sueño. Aprovecha tiempo de cómputo entre sesiones para releer registros y transcripciones, corregir notas erróneas, crear otras nuevas y reorganizar una especie de wiki de memoria. La analogía procede de la neurociencia. Durante el sueño, el hipocampo reproduce experiencias recientes y parte de ellas se consolida como conocimiento a largo plazo.
En el plano técnico, la propuesta se apoya en el concepto de “sleep-time compute”, planteado por investigadores de Letta y UC Berkeley para que los modelos usen el tiempo ocioso en reordenar su contexto. Un agente puede anotar algo incorrecto, leerlo en la siguiente sesión y repetir el error indefinidamente. Acumular más tampoco garantiza recordar mejor, y eso es lo que intenta resolver este concepto. Para quien construye agentes, la lección es que la memoria necesita mantenimiento activo, no solo almacenamiento.
El autor del artículo, 𝕏 @RLanceMartin (Lance Martin), define el «sueño» sin misticismo: cómputo fuera de línea que sirve para corregir errores, crear recuerdos o construir representaciones nuevas.
Para 𝕏 @antonello (Antonio Ortiz), Anthropic rebasa todos los límites en antropomorfización: lo que llama soñar es, leído el texto, releer y reorganizar notas mientras el modelo no trabaja.
La advertencia que extrae 𝕏 @ziwenxu_ (Ziwen) para desarrolladores es concreta: guardar un recuerdo no lo convierte en cierto, y un agente puede perpetuar su propio error sesión tras sesión.
El dato que destaca 𝕏 @berryxia (Berryxia.Ai) es que, con los mismos 350.000 archivos, 126 ciclos de sueño elevaron la puntuación del 13% al 48%, sin añadir más datos.
Más información:
📎 The components of agent memory
5. Meta lleva capacidades de Muse Wonder a su agente personal
Meta ha empezado a desplegar versiones especializadas de sus modelos entrenadas con Muse Wonder, la serie que presentó hace unas semanas como la más capaz de la compañía y con rendimiento puntero en tareas agénticas personales y profesionales. La actualización extiende a todos los usuarios dos funciones estrenadas en Muse Wonder. Active Memory permite al modelo recordar lo relevante, razonar a lo largo del tiempo y distinguir entre información temporal y permanente para aprovechar conversaciones pasadas. Active Focus le ayuda a mantener el rumbo hacia un objetivo y recuperarse cuando una tarea se tuerce.
En Muse, Meta afirma que los nuevos modelos tienen 2,4 veces menos probabilidades de olvidar información crítica y son un 67% mejores completando tareas cotidianas que no salen según lo previsto. La técnica es habitual en el sector, usar un modelo de frontera, caro de servir, para mejorar modelos más ligeros que llegan a una base de usuarios masiva. En su Personal Superintelligence Index, un índice de elaboración propia sin validación externa, el modelo actual de Muse obtiene un 47% frente al 38% del anterior. El despliegue, por ahora, no está disponible en todos los países.
𝕏 @finkd (Mark Zuckerberg) presenta la mejora en términos de experiencia de uso: menos olvidos y menos tareas abandonadas a medias, más que como un salto de capacidad bruta.
𝕏 @testingcatalog (Ai News | Testingcatalog) pone el foco en la evaluación específica de memoria, que según sus datos mejora un 14%, por encima de la subida del índice general.
𝕏 @kimmonismus (Chubby) lo lee como parte de una racha de lanzamientos de Meta y destaca un matiz menos citado: el mejor manejo de instrucciones que cambian a mitad de conversación.
La reacción de 𝕏 @rohanpaul_ai (Rohan Paul) recuerda el límite práctico del anuncio: para muchos usuarios fuera de los mercados iniciales, la mejora aún no ha llegado.
Más información:
📎 Bringing Specialized Models to Muse and Meta AI
6. OpenAI mide a sus agentes en tareas de laboratorio
OpenAI ha presentado BioBasicsBench, un benchmark que evalúa cómo gestionan los agentes de IA los análisis rutinarios de la biología de laboratorio húmedo. Lo ha desarrollado con Ligo, una empresa biotecnológica especializada en diseño de enzimas, y se compone de 100 tareas extraídas de experimentos reales. La diferencia con otras pruebas está en el material de partida: los agentes reciben datos brutos y desordenados, como fotografías de geles o vídeos de microscopio, y se califica si los interpretan correctamente.
Hasta ahora, buena parte de las evaluaciones científicas de modelos se apoyaba en preguntas de conocimiento con respuesta cerrada. Esta propuesta traslada la medición al trabajo diario de un laboratorio, donde el valor de un asistente depende de leer bien resultados imperfectos antes de sugerir el siguiente paso. Es un benchmark diseñado por la misma empresa cuyos modelos evalúa, con un socio comercial, y sin resultados publicados de modelos de otros laboratorios. En la prueba, GPT-6 Astra obtuvo el 66,7% del crédito disponible.
La presentación de 𝕏 @OpenAI (Openai) insiste en lo rutinario: el objetivo no es que la IA haga descubrimientos, sino que resuelva los análisis de base que consumen tiempo en un laboratorio.
La comparación que destaca 𝕏 @rohanpaul_ai (Rohan Paul) mide el progreso entre generaciones: GPT-5.6 Sol se quedaba en el 43,8%, más de veinte puntos por debajo de su sucesor.
Más información:
📎 openai.com: Measuring how AI agents handle wet lab science
7. Anthropic explica cómo la IA cambia la modelización científica
Anthropic ha publicado en su blog de ciencia un artículo dedicado a cómo la IA empieza a transformar la construcción de modelos científicos: las ecuaciones y representaciones que permiten explicar y predecir sistemas reales, desde el disparo de una neurona hasta la colisión de estrellas de neutrones. El artículo encaja en un esfuerzo más amplio de la compañía por presentar Claude como herramienta de investigación, que incluye también un informe basado en el análisis de sesiones reales de investigadores.
El texto arranca con un caso de 1951. Andrew Huxley y Alan Hodgkin acababan de formular las ecuaciones del potencial de acción de una neurona de calamar, los impulsos eléctricos con los que se comunican las células nerviosas. El ordenador de la Universidad de Cambridge estuvo averiado seis meses y Huxley tuvo que resolverlas con una calculadora mecánica de manivela durante más de tres semanas. Para encajar su modelo, elevaron una variable a la cuarta potencia sin saber entonces por qué. El ejemplo ilustra dos cuellos de botella de la modelización que los sistemas de IA ya pueden realizar en cuestión de horas: el coste de calcular y el esfuerzo de encontrar y resolver la parte de conjetura que hay en cualquier modelo.
El enfoque de 𝕏 @AnthropicAI (Anthropic) es más histórico que comercial: usa el caso de Hodgkin y Huxley para situar a la IA en la tradición de ajustar ecuaciones a datos, no como sustituta del científico.
La cifra que rescata 𝕏 @AGTPinsights (Agtp) del informe paralelo es la más tangible: la IA podría asumir una mediana del 38% del tiempo de investigación necesario para un nuevo estudio, según el análisis de 207.000 sesiones.
La reacción de 𝕏 @kimmonismus (Chubby), que alude a su segunda emoción del día, refleja que para parte de la audiencia la expectativa sigue puesta en lanzamientos de modelos más que en publicaciones divulgativas.
Más información:
📎 Teaching AI to build scientific models
8. El Frontier Model Forum clasifica el riesgo de los jailbreaks
El Frontier Model Forum (FMF), el consorcio de seguridad que agrupa a laboratorios de frontera como Amazon, Anthropic, Google y OpenAI, ha publicado la versión 1.0 de un marco preliminar para valorar con un método común el riesgo comparativo de los jailbreaks que logran eludir las salvaguardas de un modelo en el ámbito de ciberseguridad. El foro define el jailbreak como una técnica reproducible que desbloquea capacidades o información que las protecciones deberían restringir, y parte de una premisa sencilla: no todos pesan lo mismo. Algunos arrancan respuestas sin apenas utilidad práctica; otros podrían dar a un atacante capacidades ofensivas reales.
El problema que intenta resolver es operativo. Hoy dos organizaciones pueden calificar de forma distinta un mismo fallo, les cuesta comparar hallazgos y acaban dedicando recursos limitados a parchear vulnerabilidades menores antes que las graves. La urgencia viene del propio avance de los modelos, cada vez más competentes en ciberseguridad, una habilidad que sirve igual para encontrar y cerrar vulnerabilidades que para explotarlas. El documento se dirige a desarrolladores, investigadores de seguridad y responsables políticos, y aspira a darles un vocabulario compartido. Conviene recordar que este es un marco elaborado por las mismas empresas cuyos modelos evalúa, de carácter voluntario y descrito como preliminar.
La presentación de 𝕏 @OpenAI (Openai) enfoca el marco hacia la priorización: saber qué fallos de salvaguardas podrían causar daño grave para reforzar primero esas protecciones, y lo describe como un paso hacia una metodología común de evaluación.
El titular de 𝕏 @itnavi2022 (It Navi) subraya el valor de que las principales empresas de IA pacten un criterio común, más que el detalle técnico de la escala.
Más información:
📎 Introducing the FMF Jailbreak Rating Framework for Frontier Cyber Threats - Frontier Model Forum