inteligencia artificial · las 10 historias del día · 25 de septiembre
storyflo · A.I.
Sep 25, 2026 · 12 min listen · Last updated September 25, 2026
De storyflo. Este es tu resumen diario de audio para el 25 de septiembre. Estas son las 10 historias principales de inteligencia artificial de hoy. Vamos a ello. Primero, de The Decoder. 6 mil millones con Akamai, superando los $500 mil millones en gasto de cómputo en menos de un año.
Listen · storyflo · A.I.
inteligencia artificial · las 10 historias del día · 25 de septiembre
0:00-11:30
Pick your daily storyteller
Subscribe to match with Theo, Jessica, Chloe, Mason, Brock — your voice, every brief.
inteligencia artificial · las 10 historias del ... · Storyflo
culture
Audio pre-rendered by Storyflo · cached + delivered from the edge
Anthropic firma acuerdo de $11.6 mil millones con Akamai, superando los $500 mil millones en gasto de cómputo en menos de un año
Anthropic acaba de firmar un importante acuerdo de nube a siete años con Akamai, valorado en $11.6 mil millones. Junto con este acuerdo, también recibirán un warrant por hasta el 5 por ciento de las acciones de Akamai, lo cual es un movimiento interesante para ellos. Esto eleva el gasto total en cómputo de Anthropic a unos asombrosos $517 mil millones en menos de un año. Es una cifra impactante, y realmente resalta la escala en la que están operando. Sin embargo, el CEO Dario Amodei ha expresado serias preocupaciones, advirtiendo que si sus proyecciones de ingresos no cumplen con las expectativas, la empresa podría enfrentar la bancarrota. Es una situación de alto riesgo, sin duda.
La función "Call for Me" de Google permite a Gemini realizar llamadas telefónicas por usuarios
Lo interesante es que Gemini puede compartir información personal aprobada durante estas llamadas, lo que la hace más efectiva en la gestión de tareas. Los usuarios pueden seguir una transcripción en vivo y participar cuando deseen. Esta función se basa en el trabajo previo de Google con Google Duplex, y parece que están siendo cautelosos al implementarla porque las conversaciones reales pueden ser bastante matizadas. Es un paso fascinante en cómo la IA puede asistir con tareas cotidianas, pero todavía está en sus primeras etapas.
La Casa Blanca solicita a OpenAI y Anthropic permitir revisión de EE. UU. de nuevos modelos antes de compartirlos con probadores británicos
La Casa Blanca está pidiendo a OpenAI y Anthropic que pausen el lanzamiento de sus nuevos modelos de IA al Instituto de Seguridad de IA del Reino Unido. Quieren que las agencias estadounidenses tengan la oportunidad de revisar estos modelos antes de que se realicen pruebas en el extranjero. Este movimiento resalta una creciente preocupación por la seguridad y regulación de las tecnologías de IA, especialmente a medida que se integran más en diversos sectores.
La decisión refleja el deseo del gobierno de EE. UU. de mantener supervisión y asegurarse de que se evalúen los riesgos potenciales antes de que estos modelos sean desplegados o probados en el extranjero. Es un cambio interesante en cómo los países abordan la seguridad de la IA, enfatizando la importancia de la colaboración y el escrutinio en este campo en rápida evolución.
Esta solicitud también indica una postura más cautelosa por parte de EE. UU. mientras navega por las complejidades del desarrollo global de IA. Todo se trata de equilibrar la innovación con la seguridad, y parece que la Casa Blanca está interesada en asumir un papel proactivo en dar forma a estas discusiones.
7 trucos avanzados de Python para mejorar tus habilidades de programación
Hay un artículo interesante sobre trucos avanzados de Python que realmente se profundiza en lo que ya está integrado en el lenguaje, más que solo en la nueva sintaxis. Destaca algunas características incorporadas que pueden simplificar tu código significativamente. Por ejemplo, puedes convertir un callable en un iterador usando `iter()` con un valor centinela, lo cual es mucho más limpio que el típico bucle `while True`.
Luego está `ExitStack`, que es un salvavidas para gestionar recursos cuando no sabes cuántos necesitarás en tiempo de ejecución. Garantiza que todo se cierre correctamente, incluso si ocurre un error. Otro truco interesante es usar `memoryview` para cortar datos binarios sin hacer copias, lo que puede ahorrar mucha memoria al trabajar con grandes conjuntos de datos.
El artículo también menciona `ExceptionGroup`, una característica de Python 3.11 que permite manejar múltiples excepciones de tareas concurrentes sin perder información. Puedes rastrear todos los errores, lo cual es un gran problema cuando estás depurando. Además, está `ChainMap` para gestionar diccionarios de configuración, permitiéndote superponer configuraciones sin combinarlas en un solo lío.
Por último, introduce `MappingProxyType` para exponer vistas de solo lectura de diccionarios, lo cual es genial para mantener seguro tu estado interno mientras aún permites acceso. Y si trabajas con argumentos posicionales, `functools.Placeholder` te permite reservar espacios, haciendo que tus llamadas a funciones sean más claras.
Se trata de aprovechar lo que Python ya ofrece para hacer tu código más limpio y eficiente. Definitivamente vale la pena revisarlo si estás buscando refinar tus habilidades!
Agrupación por longitud en lugar de recorrer ítem por ítem para la optimización de SLM
En este artículo, el enfoque está en optimizar modelos de lenguaje pequeños (SLM) cambiando la forma en que procesamos los datos de entrada. En lugar de manejar un ticket de soporte a la vez, lo que desperdicia recursos, la idea es agrupar los tickets por su longitud. Cuando procesamos un ticket, el modelo a menudo permanece inactivo mientras espera que se carguen los datos, especialmente en CPUs. Al agrupar, podemos reducir este tiempo de inactividad, pero el desafío es que la agrupación típica requiere rellenar las secuencias a una longitud común, lo que puede llevar a ineficiencias.
Para abordar esto, los autores sugieren clasificar los tickets por su longitud de tokens antes de agrupar. De esta manera, cada grupo contiene ítems similares en tamaño, minimizando el desperdicio de cómputo en el relleno. Los lineamientos muestran mejoras significativas al usar este método, ya que permite que el modelo trabaje de manera más eficiente, procesando menos tokens innecesarios.
Los resultados destacan cuánto tiempo y recursos se pueden ahorrar con este simple ajuste. Es un vistazo fascinante a cómo pequeños cambios en el manejo de datos pueden llevar a un mejor rendimiento en tareas de aprendizaje automático.
Meta está respaldando a Muse mientras la aplicación de IA despega
Muse realmente está ganando tracción, gracias al enfoque de Meta en su reciente conferencia de desarrolladores. Justo unas semanas después de su lanzamiento el 8 de septiembre, las descargas saltaron de 2.5 millones a más de 3.4 millones, con algunas estimaciones que sugieren que podría ser tan alto como 4.3 millones. La aplicación está actualmente disponible solo en EE. UU. y Canadá, pero ya ha alcanzado la cima tanto en la App Store como en Google Play Store.
El alboroto no solo proviene de las descargas; los usuarios activos diarios aumentaron un 27 % justo después de la conferencia. Muse está recibiendo un impulso de la estrategia de promoción cruzada de Meta, apuntando a usuarios existentes de Facebook e Instagram, pero curiosamente, solo una pequeña parte de su crecimiento proviene de anuncios pagos. El atractivo orgánico de la aplicación parece estar resonando bien, especialmente con características como chat de video e integración de gafas inteligentes en el horizonte.
Lo fascinante es cómo Meta está personalizando su marketing para Muse de manera diferente a como lo hizo con Threads, centrándose en mostrar funcionalidades específicas que podrían beneficiar a los usuarios. Este enfoque dirigido claramente está dando sus frutos, y será interesante ver cómo evoluciona Muse a medida que implemente más características y amplíe su alcance.
La inteligencia no es barata, ya que la IA eleva los costos para la NSA, hospitales y aseguradoras
La NSA está invirtiendo miles de millones en probar modelos avanzados de IA, principalmente debido al aumento desmesurado de los costos de la potencia de cómputo. Los legisladores ahora anticipan que supervisar la IA costará decenas de miles de millones anualmente, un marcado contraste con la estimación anterior de la Oficina de Presupuesto del Congreso de solo $20 millones. Este cambio resalta cuán rápido pueden escalar las cosas cuando se involucra tecnología nueva.
En el sector salud, la IA también está dejando su huella, pero no de una manera amigable con el presupuesto. Los códigos de facturación asistidos por IA han añadido cerca de $1 mil millones en costos en solo dos años. Es fascinante, ¿verdad? Las propias herramientas diseñadas para mejorar la eficiencia están elevando los gastos en todos lados. Esto te hace cuestionar el equilibrio entre la innovación y la asequibilidad.
El agente Muse de Meta da a cada usuario una computadora en la nube completa corriendo Ubuntu Linux
Lo realmente interesante es el proceso de "Sentinel" que han implementado. Mantiene un ojo en acciones sensibles fuera de tu espacio de trabajo, dándote una capa de seguridad mientras trabajas. Además, tienes la capacidad de inspeccionar cada archivo en el sistema, lo que añade un nivel de transparencia que es refrescante.
En solo la primera semana, ya han atraído a más de 500,000 usuarios, lo que muestra que realmente se están enfocando en llevar este producto a tantas manos como sea posible en lugar de simplemente aumentar el poder de los modelos detrás de él. Es fascinante ver cómo están priorizando la accesibilidad y el compromiso del usuario.
Jev vs. LLMs: Cuando la IA pasa de la generación a la toma de decisiones
Hay una comparación interesante entre Jev de TypeSafe AI y los modelos de lenguaje grandes tradicionales, o LLMs, enfocándose en cómo manejan tareas de clasificación. Las pruebas involucraron un asombroso total de 3,080 tareas, lo cual no es una hazaña menor. Lo que realmente destaca es cómo Jev no solo iguala, sino que a veces supera a los LLMs en precisión y latencia. Es como ver a un velocista que también tiene un gran sentido de dirección.
Jev parece sobresalir en calibración y confianza también, lo cual es crucial cuando piensas en la toma de decisiones en IA. En lugar de solo generar texto, se trata de tomar decisiones informadas basadas en los datos que procesa. Este cambio de generación a toma de decisiones podría realmente cambiar cómo integramos la IA en sistemas que requieren más que solo habilidades conversacionales.
Los hallazgos sugieren que Jev podría servir como una capa de decisión más confiable para aplicaciones de IA, lo cual es un gran tema. Ya no se trata solo de producir información; se trata de tomar decisiones inteligentes y seguras que pueden impactar en aplicaciones del mundo real. Así que vale la pena estar atento a cómo evoluciona esta tecnología y lo que podría significar para el futuro de la IA en roles de toma de decisiones.
RAG no es un agente — construí la capa entre recuperación y acción
Así que aquí está la parte interesante: el autor profundiza en la distinción entre generación aumentada por recuperación (RAG) y agentes. RAG se enfoca en extraer información relevante, mientras que los agentes se tratan de tomar acción basada en esa información. Lo que hicieron fue crear una capa que une estos dos procesos, permitiendo una interacción más fluida entre la recuperación de datos y la ejecución de tareas.
Ejecutaron nueve tareas diferentes a través de tres sistemas: RAG solo, agentes solo y su nuevo enfoque integrado. Los resultados mostraron algunas diferencias intrigantes en rendimiento y eficiencia. No se trata solo de tener los datos; se trata de cómo los utilizas. Este enfoque por capas podría cambiar la forma en que pensamos sobre los sistemas de IA, haciéndolos más efectivos en aplicaciones del mundo real.
La lección aquí es que simplemente tener un sistema de recuperación no es suficiente; entender cómo conectarlo con conocimientos accionables es clave. Es un vistazo fascinante a cómo podemos refinar estas tecnologías para que trabajen mejor juntas.