Andrej Karpathy predice que la interacción con la IA evolucionará hacia "video neural interactivo"

Según el monitoreo de Beating, Andrej Karpathy, miembro fundador de OpenAI y proponente del concepto de «vibe coding», publicó hoy un artículo apoyando la propuesta del equipo de Claude Code de reemplazar Markdown con HTML. No solo aprueba fuertemente este cambio, sino que también esboza una hoja de ruta para la evolución de las interfaces de IA, prediciendo que, tras múltiples iteraciones de forma, la forma final de salida de los grandes modelos será «video neuronal interactivo». Karpathy considera que la evolución del formato de salida de la IA ha pasado desde los textos puros, extremadamente difíciles de leer, hasta Markdown actual, y ahora hacia HTML, que está emergiendo como nuevo estándar con una gran flexibilidad tipográfica. Futuramente, atravesará múltiples formas intermedias (4, 5, 6, etc.) hasta alcanzar el estado final (n): video neuronal interactivo generado directamente por modelos de difusión. Para ilustrar cómo lucirá esta forma final, menciona directamente el prototipo sin código de renderizado a nivel de píxeles recientemente lanzado por un exinvestigador de OpenAI: Flipbook. La lógica subyacente detrás de esta tendencia evolutiva es el ancho de banda físico del cerebro humano. Karpathy señala que aproximadamente un tercio del cerebro humano está dedicado a procesadores paralelos para señales visuales, lo que constituye una «autopista de diez carriles» para la entrada de información al cerebro humano. Esto determina la solución óptima para la interacción humano-IA: la mejor manera para que los humanos envíen instrucciones a la IA (Input) es mediante voz, altamente eficiente en comunicación, mientras que la mejor manera para que la IA devuelva resultados a los humanos (Output) es mediante imágenes visuales de alto ancho de banda (imágenes, animaciones o videos). Además, señala que aún existen puntos débiles claros en el extremo de entrada: actualmente, solo la voz o el texto no son suficientes, y se necesita urgentemente incorporar la capacidad de indicación espacial, como señalar áreas específicas en la pantalla mientras se mira una computadora junto a otra persona. Como atajo para mejorar la experiencia en esta etapa, recomienda encarecidamente a los usuarios agregar al final de sus prompts: «Estructura la respuesta en HTML».