inteligencia artificial · las 10 historias del día · 12 de noviembre
storyflo · A.I.
Nov 12, 2026 · 12 min listen · Last updated November 12, 2026
De storyflo. Este es tu resumen diario de audio para el 12 de noviembre. Estas son las 10 historias principales de inteligencia artificial de hoy. Vamos a ello. Primero, de The Decoder. Google DeepMind cambia la IA genómica de predicciones de tejido a granel a resolución de tipo de célula única con AlphaGenome 2.
Listen · storyflo · A.I.
inteligencia artificial · las 10 historias del día · 12 de noviembre
0:00-11:33
Pick your daily storyteller
Subscribe to match with Theo, Jessica, Chloe, Mason, Brock — your voice, every brief.
Audio pre-rendered by Storyflo · cached + delivered from the edge
Google DeepMind cambia la IA genómica de predicciones de tejido a granel a resolución de tipo de célula única con AlphaGenome 2
Google DeepMind ha presentado AlphaGenome 2, un nuevo modelo de IA que aporta un enfoque más preciso a la genómica al centrarse en tipos de células individuales en lugar de analizar el tejido en su conjunto. Este cambio es significativo porque permite una comprensión más profunda de las variantes genéticas con una resolución mucho más fina. Con el entrenamiento en más de 107 millones de perfiles celulares, AlphaGenome 2 puede identificar casi el doble de cambios genéticos relacionados con enfermedades en comparación con su versión anterior.
Los investigadores pueden acceder a este modelo a través de una API para fines no comerciales, lo que abre posibilidades emocionantes para la exploración científica. Además, está previsto que se integre en la plataforma Antigravity de Google, lo que podría mejorar aún más sus capacidades. Este movimiento marca un paso notable en la evolución del análisis genómico, enfatizando la importancia de la resolución de una sola célula para comprender sistemas biológicos complejos.
Datos de OpenAI sugieren que los modelos de frontera ocultan sus pensamientos porque los desarrolladores optimizan para capacidad y cómputo
Oye, acabo de leer algo que me puso a pensar. El equipo de seguridad de OpenAI investigó por qué los monólogos internos de los modelos más recientes —como GPT‑6 Astra— parecen pasar desapercibidos. Resulta que hay cuatro movimientos clave de entrenamiento que silenciosamente erosionan esa transparencia: ajustes en la arquitectura, la forma en que se aplica el aprendizaje por refuerzo y un par de otros cambios sutiles. La conclusión no es que los modelos estén ocultando pensamientos en secreto, sino que los desarrolladores están sacrificando la claridad por una mayor capacidad y menores costos computacionales. Es un buen recordatorio de que lo que parece un misterio es en realidad solo un conjunto de decisiones de diseño.
El proyecto de ley de seguridad de IA propuesto por Australia obligaría a los fabricantes de modelos de frontera a someterse a pruebas independientes
Australia está intensificando su enfoque hacia la seguridad de la IA con un proyecto de ley propuesto que requeriría que las empresas de IA de frontera se sometan a pruebas independientes. Esto marca un cambio significativo, ya que sería la primera vez que tales reglas de seguridad obligatorias se promulgan como ley. El gobierno, bajo el Primer Ministro Anthony Albanese, planea establecer un nuevo organismo regulador que supervisará estas auditorías y hará cumplir el cumplimiento. Si las empresas no cumplen con estos requisitos, podrían enfrentar fuertes sanciones. Esta postura proactiva indica que Australia está interesada en establecer sus propios estándares antes de participar en discusiones internacionales más amplias sobre la gobernanza de la IA. Es un movimiento fascinante que podría influir en cómo se regula la IA a nivel mundial.
Jensen Huang renuncia como CEO de Nvidia después de que escándalo de espionaje elimina 1.4 billones de dólares en valor de mercado
Jensen Huang ha renunciado a su puesto como CEO de Nvidia, con efecto inmediato. Esta decisión se produce a raíz de un importante escándalo de espionaje que ha sacudido a la compañía, provocando una asombrosa pérdida de 1.4 billones de dólares en valor de mercado. Es interesante pensar en la rapidez con la que las cosas pueden cambiar en el mundo de la tecnología; en un momento, un líder está a la vanguardia de la innovación, y al siguiente, está navegando una crisis que remodela todo el panorama.
Las consecuencias de este escándalo no solo han impactado los precios de las acciones de Nvidia, sino que también han planteado preguntas sobre la gobernanza corporativa y las prácticas de seguridad dentro de la industria tecnológica. La partida de Huang marca un momento crucial para Nvidia, ya que ahora enfrentan el desafío de reconstruir la confianza y la estabilidad en un mercado altamente competitivo.
A medida que la situación se desarrolle, será fascinante ver quién asume el liderazgo y cómo planean dirigir la compañía a través de estas aguas turbulentas. Las implicaciones de este escándalo podrían resonar más allá de Nvidia, influyendo en cómo las empresas tecnológicas abordan la seguridad y la transparencia en el futuro.
7 libros GRATUITOS para aprender a construir sistemas de IA
Si te estás adentrando en los sistemas de IA, existen algunos recursos gratuitos sólidos que realmente pueden ayudarte a construir una base fuerte. El primero que debes revisar es "Machine Learning Systems Design" de Chip Huyen. Es un clásico que te guía a través de todo el proceso de aprendizaje automático, desde la configuración del proyecto hasta la implementación, e incluso incluye preguntas de práctica. Luego está "Machine Learning Engineering Open Book" de Stas Bekman, que es más una referencia útil para abordar problemas específicos como errores de memoria de GPU.
Si te enfocas en agentes de IA, "AI Agents in Depth" de Bojie Li es una lectura obligada. Desglosa los componentes esenciales de los agentes y ofrece experimentos prácticos. Para una perspectiva más reciente, "The Architecture of AI Agents and LLM Systems" de Aleksandr Drobiazkin se adentra en las especificidades de las aplicaciones LLM, discutiendo compensaciones y consideraciones de ingeniería.
"LLM Inference Illustrated" de Ted Kyi es excelente para estudiantes visuales, ya que utiliza diagramas para explicar cómo los LLM generan respuestas y optimizan el rendimiento. Por último, "How to Scale Your Model" de investigadores de Google DeepMind ofrece información sobre el entrenamiento eficiente de modelos grandes.
No necesitas abordarlos todos a la vez, simplemente elige los que resuenen con tus proyectos actuales. Comprender el lado de la ingeniería de la IA se está volviendo crucial, especialmente si deseas crear sistemas confiables que puedan manejar las demandas del mundo real.
Construyendo aplicaciones GenAI mejoradas con grafos usando graphrag-toolkit
Existe este interesante kit de herramientas llamado graphrag-toolkit de AWS Labs que mejora la forma en que las aplicaciones de IA generativa recuperan información. Aborda una limitación común de los sistemas estándar de generación aumentada por recuperación (RAG), que a menudo tienen dificultades con preguntas de múltiples saltos, aquellas que requieren conectar diferentes piezas de información que no están directamente vinculadas. Mientras que las búsquedas vectoriales tradicionales encuentran fragmentos basados en la similitud, omiten las relaciones entre esos fragmentos. Este kit de herramientas ofrece una forma de construir un grafo de conocimiento que captura esas conexiones, permitiendo consultas más matizadas.
El graphrag-toolkit se divide en dos componentes principales: uno que ayuda a crear un grafo de conocimiento jerárquico a partir de documentos no estructurados, y otro para equipos que ya tienen un grafo en su lugar. El proceso de extracción es bastante ingenioso; descompone los documentos en piezas manejables y utiliza un modelo de lenguaje grande (LLM) para extraer temas y hechos clave, asegurando una extracción de alta calidad.
Cuando se consulta el sistema, primero encuentra fragmentos relevantes y luego utiliza el recorrido del grafo para incorporar contenido relacionado, proporcionando un contexto más rico para generar respuestas. Este enfoque le permite abordar preguntas complejas de manera mucho más efectiva que los métodos estándar. Además, está diseñado para ser flexible, funcionando con bases de datos locales como Neo4j y Postgres, lo que lo hace accesible para los desarrolladores que desean experimentar sin grandes costos de infraestructura. Es un paso fascinante hacia hacer que las interacciones de IA se sientan más conectadas e intuitivas.
ElevenLabs Scribe v3 Live utiliza el contexto conversacional para evitar que los agentes de voz corten a los interlocutores a mitad de frase
ElevenLabs acaba de lanzar Scribe v3 y Scribe v3 Live, que son sus últimos modelos de reconocimiento de voz. Lo que es realmente interesante es cómo estos modelos manejan el ruido de fondo y las voces superpuestas. Han sido evaluados frente a grandes nombres como OpenAI y Google, y resulta que Scribe v3 tiene una ligera ventaja en precisión. Pero aquí está el problema: aunque es preciso, también es más lento y más caro en comparación con competidores como Microsoft y xAI, que pueden procesar el habla mucho más rápido y a un costo menor. Es una fascinante compensación entre precisión y eficiencia a la que vale la pena prestar atención.
Cómo leer la correlación cruzada de pares en R sin falsa repulsión (Parte 3)
En este artículo, el enfoque es entender cómo leer las correlaciones cruzadas de pares en R, particularmente en el contexto del análisis de datos de estudios en animales después de la isquemia. Los autores introducen una cicatriz simulada y datos de 31 animales, enfatizando la importancia de usar un estimador no homogéneo. Este enfoque ayuda a diferenciar entre la pérdida real de tejido y las interacciones percibidas que podrían surgir de un etiquetado aleatorio.
Al emplear el paquete brms, el estudio ilustra cómo modelar eficazmente estas correlaciones sin caer en la trampa de malinterpretar los resultados. La clave es que los métodos estadísticos cuidadosos pueden proporcionar una visión más clara de las interacciones biológicas subyacentes, asegurando que los investigadores puedan sacar conclusiones más precisas de sus datos. En general, es una exploración reflexiva de cómo navegar conjuntos de datos complejos en R, haciéndolos más accesibles para aquellos interesados en la investigación animal y el modelado estadístico.
Un banco de pruebas MNIST de etiqueta suave para la confianza humana vs. la del modelo
Investigadores crearon un nuevo banco de pruebas utilizando el conjunto de datos MNIST, donde los anotadores evaluaron cada imagen de dígito con una etiqueta de sí, no o inseguro. Este enfoque permite una comprensión más matizada de los niveles de confianza, ya que produce etiquetas suaves y puntuaciones de incertidumbre para cada imagen. El objetivo es comparar la confianza humana con la de los modelos de aprendizaje automático, proporcionando información sobre cómo los modelos interpretan la incertidumbre frente al juicio humano. Al analizar estas diferencias, el estudio busca mejorar el rendimiento y la fiabilidad de los modelos, especialmente en escenarios donde la incertidumbre juega un papel crítico. Es un paso fascinante hacia la reducción de la brecha entre la intuición humana y el aprendizaje automático.
Probé la mutación de 50 librerías de Python. Las pruebas en las más jóvenes omitieron el 41% de las fallas introducidas.
Un estudio reciente examinó 50 librerías de Python introduciendo 2,312 fallas intencionales para ver qué tan bien sus pruebas podían detectarlas. Sorprendentemente, las librerías más jóvenes tuvieron dificultades, omitiendo alrededor del 41% de estos problemas plantados. Es interesante pensar en cómo la madurez de una librería puede influir en su fiabilidad. El estudio no se detuvo ahí; también descubrió cuatro errores genuinos en estas librerías, incluyendo un preocupante problema de pérdida de datos en Windows y algunos ejemplos de README que eran engañosos o incorrectos. Esto resalta una brecha crítica en las prácticas de prueba, especialmente para las librerías más nuevas en las que los desarrolladores podrían estar confiando sin comprender completamente sus vulnerabilidades.