10,000 agentes de IA resolvieron un problema sin ni un solo conflicto. Los humanos comenzaron a pelearse por el crédito justo después del anuncio. Primero, ¿qué pasó? OpenAI anunció que sus agentes resolvieron uno de los problemas más famosos de las matemáticas modernas. Según su cuenta, les tomó 88 horas. Alrededor de 10,000 agentes trabajaron en el problema al mismo tiempo. Ahora, lo que más me llamó la atención. Sam Altman describió en Stanford cómo interactuaron. No había líder. No hubo discusiones sobre quién hizo qué. Ningún conflicto ni pelea por el reconocimiento. Todos simplemente avanzaron hacia un solo objetivo. Él mismo dijo que es distinto a cualquier organización que pueda imaginar. Y aquí lo que vino después. En cuanto se anunció el resultado, estalló una disputa entre humanos sobre quién merece el crédito. Los agentes dividieron el problema. Los humanos dividieron la gloria. Mientras tanto, los matemáticos atravesaron su propio recorrido en cinco días. Primero llegó la reacción de que era falso. Luego, que su campo había terminado. Luego, que no se debería hacer así. Al quinto día, muchos dijeron algo diferente. Sí, un tipo de su trabajo se ha ido. Pero la mayoría nunca resolvió problemas a ese nivel. Ellos dieron sentido al conocimiento, lo explicaron a las personas y decidieron sobre qué trabajar. Hay otra idea de Altman que es fácil pasar por alto. Él sugiere, y dice abiertamente que es pura especulación, que casi todas las organizaciones del mundo están modeladas según el ejército. Una pirámide, comando, control. Porque esa fue una vez la única forma conocida de gestionar a un gran número de personas. Y aquí, 10,000 agentes lo hicieron sin ninguna pirámide en absoluto. Imagina ahora una empresa donde solo trabajan agentes. Nadie se ofende con los comentarios. Nadie roba una idea. Nadie pelea por la oficina de la esquina. Suena perfecto. Y es exactamente por eso que es interesante que Altman agregue inmediatamente: las personas nunca trabajarán así. Porque hay belleza en nuestra imperfección. Los argumentos, la ambición, la emoción. Él no querría un mundo sin ellos. Y estoy de acuerdo con él. Porque la fricción entre personas no es solo un costo. También es cómo decidimos qué nos importa. Cuando dos personas discuten por el crédito, realmente están discutiendo qué significa para ellos una contribución. Una máquina no se hace esa pregunta. Solo ejecuta. Entonces, me parece que la pregunta principal de los próximos años no es qué puede reemplazar la IA. Sino qué fricción estamos dispuestos a mantener. Altman dice que las personas siempre se preocuparán más por otras personas. Que no nos importa mucho lo que hace una máquina por sus propios fines. Que el trabajo tiene valor porque hay una persona detrás de él. Parece que esto se mantiene incluso cuando discutimos. Y quizás es en esas discusiones donde seguimos siendo más nosotros mismos.

HACE NUEVE AÑOS, JENSEN HUANG ENTREGÓ UNA SUPERCOMPUTADORA A ELON MUSK. HOY, LE TRAJO SU SUCESOR. Y este momento conecta dos épocas muy distintas de la computación. En 2016, Jensen entregó personalmente el primer DGX-1 de NVIDIA a Elon Musk. En ese momento, Musk formaba parte de OpenAI. Esa máquina ayudó a los investigadores a empujar los límites de la inteligencia artificial y se convirtió en parte de la infraestructura temprana detrás de la revolución de la IA. Nueve años después, Jensen vuelve. Pero esta vez, lleva algo completamente diferente. Conozcan al NVIDIA DGX Spark. Una supercomputadora de inteligencia artificial de escritorio compacta impulsada por la arquitectura Grace Blackwell. Y sus especificaciones son impresionantes. Hasta 1 petaflop de rendimiento de IA con precisión FP4. 128 GB de memoria unificada. Un potente superchip NVIDIA GB10. Y un formato lo suficientemente pequeño como para colocarse sobre un escritorio. Para tener contexto, el DGX-1 original era un sistema empresarial grande. DGX Spark lleva una cantidad sustancial de capacidad de cómputo de IA a un dispositivo que pesa solo 1,2 kilogramos. Pero lo que realmente importa es lo que hace posible. Desarrolladores e investigadores pueden ejecutar modelos de IA localmente, experimentar con modelos de lenguaje grandes, construir agentes de IA y ajustar modelos sin depender completamente de centros de datos remotos. NVIDIA afirma que un solo DGX Spark puede manejar inferencia con modelos de hasta 200 mil millones de parámetros. Y múltiples sistemas pueden conectarse entre sí para manejar cargas de trabajo aún más grandes. Durante la conversación, Jensen también destacó el enorme progreso en la eficiencia computacional, comparando el DGX-1 original con la nueva generación. Luego llegó uno de los mejores momentos. Jensen bromeó diciendo que Elon estaba construyendo cosas más grandes que él. Elon simplemente asintió. Después de todo, SpaceX está construyendo cohetes e infraestructura masiva, mientras que NVIDIA está construyendo los sistemas de cómputo que impulsan la revolución de la IA. Y hay algo fascinante en ver estos dos mundos reunirse en Starbase, Texas. Una empresa está empujando los límites de la exploración espacial. La otra está empujando los límites de la inteligencia artificial. Hace nueve años, Jensen entregó una supercomputadora que ayudó a lanzar un nuevo capítulo en la IA. Ahora está trayendo ese poder de cómputo más cerca de los desarrolladores individuales. El próximo avance en IA podría no provenir de un centro de datos masivo. Podría comenzar en el escritorio de alguien.

¡SANTO CIELO! OPENAI ACABA DE HACER LOS AGENTES DE IA MÁS BARATOS Y MEJORES PARA USAR TU COMPUTADORA. Conoce a GPT 6.1 Terra. Y esta actualización va mucho más allá de generar respuestas mejores. OpenAI está impulsando la IA hacia algo mucho más útil: realmente hacer el trabajo. Terra está diseñada para entender lo que ocurre en tu pantalla, interactuar con aplicaciones informáticas y completar secuencias complejas de tareas. Piensa en lo que eso significa. Una IA puede ayudarte a preparar propuestas, interpretar planos técnicos, llenar formularios, editar videos y manejar tareas repetitivas de oficina. En lugar de explicarte cómo hacer algo, puede realizar los pasos necesarios para lograrlo. Y OpenAI afirma que el nuevo modelo es significativamente mejor que GPT 5.6 Terra en este tipo de tareas. Pero aquí está la parte que realmente llamó mi atención: el precio. El precio estándar de la API de GPT 6.1 Terra es un 50 % más bajo que el de GPT 5.6 Terra. Esto importa porque los agentes de IA pueden realizar muchas llamadas al modelo mientras completan un solo flujo de trabajo. Cada paso tiene un costo: leer información, analizar una pantalla, decidir qué hacer a continuación y verificar el resultado, todo esto se acumula. Costos más bajos hacen que sea más práctico ejecutar estos sistemas a gran escala. OpenAI también reporta mejoras importantes en rendimiento de programación y razonamiento visual, junto con menos errores factuales en sus evaluaciones internas. Esta combinación es importante. Un modelo que puede entender una tarea, operar software y escribir código se vuelve mucho más útil cuando puede hacer todo eso más rápido y a menor costo. Imagina agentes de IA procesando facturas, actualizando hojas de cálculo, organizando información de clientes o manejando tareas repetitivas en múltiples aplicaciones. No solo diciéndote qué hacer. Sino ayudándote realmente a lograrlo. Por supuesto, el uso de la computadora no es lo mismo que autonomía perfecta. Los flujos de trabajo complejos aún necesitan pruebas, permisos y supervisión humana. Pero la dirección se vuelve clara. La próxima gran carrera de IA no solo trata sobre qué modelo puede pensar mejor. Sino sobre qué modelo puede convertir confiablemente esa inteligencia en acción. Y ahora, OpenAI está haciendo que esta capacidad sea más barata de usar.

🚨¡SANTO CIELO! JENSEN HUANG ACABA DE SOSTENER UN PETAFLOP DE PODER DE IA EN UNA MANO. Y la comparación que hizo es absolutamente loca. En 2016, Jensen Huang entregó un sistema NVIDIA DGX 1 a una pequeña empresa llamada OpenAI. Era una máquina masiva diseñada específicamente para el cómputo de IA. Proporcionaba un petaflop de rendimiento de cómputo y venía con 128 GB de memoria. Y Jensen recordó a todos un detalle: Se necesitaban dos personas para llevar esa máquina escaleras arriba. Ahora, diez años después, sostiene en una mano una computadora de IA compacta y muestra las mismas cifras destacadas. Un petaflop. 128 GB de memoria. Déjalo reflexionar por un segundo. La nueva línea RTX Spark se desarrolló tras cuatro años de trabajo con Microsoft y la industria de la PC en general. Según Jensen, el proyecto incluyó un nuevo chip llamado N1X y una familia completamente nueva de computadoras, que incluye escritorios, portátiles y estaciones de trabajo. El objetivo es llevar poderosos recursos de cómputo de IA a un formato mucho más pequeño. Y aquí es donde las cosas se vuelven interesantes. Durante años, acceder a hardware de IA potente significaba depender de infraestructuras en la nube costosas o máquinas especializadas que estaban muy lejos del alcance de la mayoría de los desarrolladores individuales. Sistemas compactos como este apuntan hacia un enfoque diferente. Imagina desarrollar agentes de IA, experimentar con modelos y ejecutar cargas de trabajo de IA exigentes directamente en tu escritorio. Menos dependencia de infraestructura remota. Más control sobre tu entorno de desarrollo. Y posiblemente menos costos recurrentes en la nube para cargas de trabajo que pueden ejecutarse localmente. Por supuesto, hay una distinción importante. Igualar la misma cifra máxima de petaflops no significa automáticamente que dos máquinas ofrezcan rendimiento idéntico en el mundo real. La precisión utilizada, la arquitectura de memoria y la carga de trabajo importan. Pero la transformación física sigue siendo notable. En 2016, esta clase de cómputo de IA venía en una máquina que requería dos personas para transportarla. Ahora, Jensen Huang puede sostener en una mano un sistema con especificaciones comparables. Eso es lo que hace que esto sea más que simplemente otro lanzamiento de computadora. El hardware de IA no solo se está volviendo más potente. También se está volviendo drásticamente más accesible. Y la próxima generación de desarrolladores de IA quizás no necesite una sala de servidores para comenzar.

¿Y SI PUDIERAMOS LLEVAR LA TRANSFERENCIA CUÁNTICA DE FOTONES DEL 54% AL 100%? Científicos de la TU Wien podrían haber encontrado una forma. Y la solución es sorprendentemente ingeniosa. Las computadoras cuánticas necesitan transferir información entre qubits. Un qubit emite un fotón. Otro debe absorberlo. Pero con enfoques convencionales, esa absorción tiene éxito solo alrededor del 54% de las veces. Imagina perder casi la mitad de los intentos de transferencia de información antes incluso de que el proceso termine. Ahora, los investigadores han propuesto una forma de cambiar esto. La clave está en la forma de la onda del fotón. Cuando un qubit emite un fotón, su onda típicamente comienza fuerte y se desvanece gradualmente, al estilo del sonido de una campana. Pero el qubit receptor necesita una forma de onda muy diferente para una absorción perfecta. Por eso, los investigadores proponen usar una guía de onda óptica especialmente diseñada para reconfigurar el fotón mientras viaja. Al controlar cómo se mueven diferentes frecuencias a través de la guía de onda, calcularon que el fotón podría llegar con exactamente la forma de onda necesaria para una absorción óptima. ¿El resultado? Sus simulaciones sugieren que la absorción podría alcanzar teóricamente el 100% bajo condiciones ideales. Y lo más interesante es que se trata de un enfoque pasivo. En lugar de depender de control activo adicional en el extremo receptor, la propia guía de onda realiza el trabajo de moldear el fotón. El método aún no se ha demostrado experimentalmente, pero los investigadores creen que la configuración requerida debería ser técnicamente factible. Si funciona en la práctica, podría ayudar a hacer las computadoras cuánticas y las redes de comunicación mucho más confiables. A menudo pensamos que los avances cuánticos requieren hardware completamente nuevo. A veces, el avance puede venir de cambiar la forma en que viaja un solo fotón. Y en computación cuántica, ese pequeño detalle podría marcar una gran diferencia.

¿QUÉ ES ESTO? ESTE BOT PIERDE MÁS DE LA MITAD DE LAS OPERACIONES Y AUN ASÍ CRECE DE $1,400 A $22,646. Mira esa bala. Son 20,480 futuros posibles que el bot mantiene en su mente al mismo tiempo. Las líneas azules son los escenarios donde el bitcoin subirá. El rosa y el naranja son los escenarios donde bajará. Y ahora sobre cómo funciona. El bot opera en mercados de cinco minutos en Polymarket, apuestando al alza o a la baja del bitcoin. Siete flujos de datos en vivo ingresan al sistema. Estos se convierten en probabilidades, como un 45 por ciento de subida frente a un 55 por ciento de bajada. Esta probabilidad se compara con el precio al que el mercado vende el mismo resultado. La diferencia entre ambas se llama ventaja. Y solo si existe una ventaja, el bot abre una operación. Si es menor a tres centavos, aparece la palabra PASS en la pantalla y no hay transacción. Aquí es donde se esconde lo principal. La tasa de ganancia en el panel es del 48 por ciento. Es decir, más de la mitad de las operaciones se cierran en rojo. Pero esto no es un problema. Imagina que compras una acción a 32 centavos que te pagará un dólar si tienes razón. No necesitas acertar con más frecuencia de lo que vale la pena. Basta con que tu estimación sea más precisa que el precio de mercado. Entonces, incluso con pérdidas más del 50 por ciento del tiempo, las matemáticas funcionan a tu favor. Esto es visible en la pantalla para cada operación. Compra a 32 centavos con ventaja de +5.3 centavos. Compra a 53 centavos con ventaja de +6.7 centavos. Precios diferentes, tamaños diferentes, pero una sola regla. Y abajo está la Curva de Aterrizaje. Esta es una desglose de dónde podría terminar el bitcoin al cierre de la ventana. El bot pierde un solo punto. Él ve todo un rango de oportunidades y las compara con el precio de mercado. La ventana por día es de 288, y la regla es la misma cada vez. Se ejecutaron 14,222 operaciones, la ventaja promedio fue de +4.6 centavos y la máxima caída fue del 4.2 por ciento. Ahora sobre lo que me interesa de esto. La mayoría de las personas piensan que un buen operador es alguien que adivina. Y aquí el bot ni siquiera lo intenta. Él piensa. Cada cinco minutos, millones de pequeñas decisiones se agrupan en una sola curva, que crece no porque el bot tenga razón, sino porque es más caro tener razón que equivocarse. Y eso cambia la pregunta. No cuán a menudo adivinas. Sino cuánto ganas cuando tienes razón y cuánto pierdes cuando no la tienes. Eso es lo que trata Crawler Arena de CRAWLHIVE. Tú estableces el veredicto, la entrada, la toma de ganancias, la orden stop loss y el tamaño tú mismo, sin código. Y tu crawler entra en la arena y opera según estas reglas contra todos los demás, con comisiones reales y deslizamiento real. Es decir, la misma diferencia entre ganar y perder ahora está en tus manos. Esto no es asesoramiento financiero. Los resultados pasados no garantizan resultados futuros.

JENSEN HUANG ACABÓ DE MOSTRAR UN PATO ROBÓTICO DE 25 CM APRENDIENDO A MOVERSE CON AGENTES DE IA. Y este pequeño robot es parte de una historia mucho más grande. Conoce a Microduck. Es un proyecto robótico de código abierto de Hugging Face, y su comportamiento se entrenó en simulación antes de transferirse al robot físico. El pato puede aprender a correr, levantarse y agarrar objetos. Pero lo que hace interesante esta demostración es cómo los agentes de IA ayudaron a lograrlo. En lugar de tratar la robótica como una tarea de ingeniería enorme, el flujo de trabajo lo divide en etapas. Crear el modelo. Configurar la simulación. Entrenar el comportamiento. Luego transferir esas habilidades al mundo real. Este último paso es crucial. Un robot que funciona en un entorno virtual aún debe lidiar con la gravedad, el equilibrio, la fricción y la imprevisibilidad de los objetos reales. Y aquí es donde la visión de NVIDIA sobre la IA física se vuelve importante. La IA está trascendiendo la generación de texto, imágenes y código. Cada vez se utiliza más junto con herramientas de simulación y robótica para ayudar a las máquinas a aprender cómo interactuar con el mundo físico. El pato puede ser pequeño. Pero la idea detrás de él es de ninguna manera pequeña. Porque la próxima generación de IA no solo puede vivir dentro de nuestras computadoras. Puede aprender a moverse fuera de ellas.

TESLA NO ESTÁ DESAFIANDO LA GRAVEDAD. ESTÁ USANDO SUCCIÓN PARA MANTENERSE SOBRE LA PISTA. Observa detenidamente este Roadster. El automóvil sube un bucle gigante, se da la vuelta y sigue moviéndose incluso cuando su velocidad no parece suficiente para explicar lo que estamos viendo. Entonces, ¿qué lo está manteniendo en su lugar? No son imanes. El secreto está debajo del automóvil. Tesla ha integrado un sistema de succión impulsado por ventiladores en la parte inferior del Roadster. Los ventiladores extraen el aire de debajo del automóvil, creando una presión más baja en su parte inferior. La diferencia de presión ayuda a empujar el automóvil contra la pista. Y aquí está la parte que encuentro fascinante. La fuerza aerodinámica descendente tradicional depende en gran medida del flujo de aire generado por el movimiento del automóvil. Pero un sistema de succión impulsado por ventiladores puede generar una fuerza descendente sustancial incluso a bajas velocidades. Eso cambia lo que un automóvil puede hacer. En lugar de depender únicamente de la velocidad para mantenerse adherido, el vehículo puede crear activamente la fuerza que lo mantiene contra la superficie. Es la diferencia entre un automóvil que necesita que la carretera lo mantenga en su lugar y un automóvil diseñado para atraerse a sí mismo hacia ella. Esto no es la gravedad derrotada. Es la ingeniería encontrando otra manera de trabajar con ella. Y eso es lo que hace esta demostración tan asombrosa.

8 agentes de IA operaron una sala de trading toda la noche. La cuenta pasó de $12.155 a $14.853. Pero el número no es la parte más interesante. La parte más interesante es que el jefe de esta sala nunca abre una operación. Esta es la nueva versión del Grok Bot junto con Jev. Y ya no es un solo bot. Es toda una sala de trading donde cada agente tiene su propio rol. CHIEF decide qué token elegir, pero nunca opera por sí mismo. SCAN busca lo que está moviéndose. VET verifica si el token es real y cuál es su estructura de riesgo. SOCIAL analiza la cuenta de X del proyecto. SIZE decide cuánto invertir. FILLS ejecuta la operación. RISK cierra la posición. CRAWLER lee las páginas y publicaciones primero, y solo luego la sala opera. Antes de que cualquiera de ellos actúe, se ejecutan las reglas rígidas, y no cuestan nada. Edad mínima del token: 15 minutos. Liquidez desde $12.000. Volumen de 24 horas desde $48.000. Capitalización de mercado desde $60.000. Al menos 150 operaciones. La billetera más grande no posee más del 5 por ciento. Las 10 billeteras principales no poseen más del 60 por ciento. Aritmética simple, sin ninguna llamada de IA en absoluto. Luego vienen los filtros suaves de Jev. Riesgo de salida por concentración. Si el impulso ya se agotó. Si la liquidez se ajusta al tamaño de la operación. Si la cuenta del proyecto es reciclada. Si el desarrollador aún posee demasiado. Y el orden de estos filtros importa. Verificaciones gratuitas primero. Luego verificaciones de operación. Luego verificaciones de cadena. Y solo al final, las costosas. Matar un token gratis es mucho más barato que preguntarle a IA sobre cada uno individualmente. El bot tampoco entra por suposiciones. Espera primero el flujo real de compra, y solo luego entra. Sin flujo, sin entrada. La mayoría piensa que un bot de trading fuerte es simplemente un modelo inteligente. Pero un modelo inteligente por sí solo comete errores. Un sistema donde cada paso está separado y cada paso es verificado comete mucho menos errores. Tiene orden. Y tiene un jefe que solo decide y nunca se vuelve codicioso. Ese es el verdadero beneficio competitivo. Esto no es asesoramiento financiero. Los resultados pasados no garantizan resultados futuros. ¿Quién desempeña el papel de CHIEF en tu trading ahora, tú o tus emociones?

EL BOT DE TRADING DE IA MÁS PELIGROSO PODRÍA SER AQUEL QUE PARECE PERFECTO. Una curva de ganancias en alza. Analíticas limpias. Un sistema que parece saber exactamente cuándo entrar y salir del mercado. Pero aquí está lo que mucha gente a menudo pasa por alto. Un sistema de trading no tiene que ser bueno para parecer rentable. Solo tiene que parecer bueno bajo las condiciones en las que fue probado. Cambia el mercado. Añade comisiones de trading. Aumenta la volatilidad. Deja que una posición perdedora se mantenga más tiempo del esperado. De repente, la estrategia que parecía brillante puede empezar a desmoronarse. Por eso me importa menos una captura de pantalla que muestra ganancias y más lo que sucede cuando la estrategia deja de funcionar. ¿Cuánto puede perder? ¿Cómo se comporta bajo presión? ¿Puede sobrevivir a un mercado para el que no fue diseñada? Porque ganar dinero en condiciones favorables es una cosa. Sobrevivir en condiciones desfavorables es algo completamente distinto. Y creo que ese es el verdadero desafío del trading con IA. No enseñarle a una máquina a encontrar operaciones ganadoras. Sino enseñarle a reconocer cuándo su propia estrategia ya no funciona.