Fecha base 2026-11-03
Última ejecución 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

Líderes de IA: fichajes y artículos — últimos cambios de puesto e investigación

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
A dónde se mueven las figuras clave de los laboratorios de IA, las big tech y la universidad, y qué publican, son señales tempranas de hacia dónde van la tecnología y la ventaja competitiva. Los fichajes y artículos se recopilan a diario de forma automática, los revisa el editor y se resumen en lenguaje claro con enlaces a los originales.

Destacados

Fichajes · Laboratorios punteros

Trayectoria reciente (según Wikidata; puede incluir datos no verificados)

Artículos · Laboratorios punteros

Artículo2026-10-29 · arXiv (Cornell University)

Mejora del rendimiento de la IA de admisión psiquiátrica mediante entrenamiento en entornos simulados

Training language models in simulation for psychiatric intake
Mark Chen y 55 más
Qué
Los investigadores demostraron que los modelos de lenguaje entrenados mediante aprendizaje por refuerzo en un entorno simulado mejoran significativamente las capacidades de admisión inicial psiquiátrica basada en texto estructurado.
Resultado clave
En evaluaciones en las que participaron psiquiatras, la inteligencia artificial entrenada superó al modelo base en múltiples métricas, incluyendo la puntuación clínica, la comunicación centrada en el paciente y la idoneidad del diagnóstico diferencial.
Por qué importa
Esto demuestra que los entornos simulados pueden servir como un banco de pruebas útil para entrenar inteligencia artificial conversacional en psiquiatría y verificar su seguridad.Resumen IA
Artículo2026-10-27 · SuperIntelligence - Robotics - Safety & Alignment

La Casa Blanca de EE. UU. y empresas de IA han firmado un acuerdo sobre la gobernanza de la IA de superinteligencia.

White House Accord on Super Intelligence
Dario Amodei y 6 más
Qué
El presidente de EE. UU. y los directores ejecutivos de las principales empresas de IA firmaron el Acuerdo de Superinteligencia de la Casa Blanca, un compromiso de gobernanza de cuatro etapas para el desarrollo de inteligencia artificial superinteligente.
Resultado clave
Las empresas participantes acordaron implementar controles internos sólidos, operar equipos de verificación interna independientes, someterse a auditorías externas y garantizar la supervisión a través de un comité de junta directiva independiente.
Por qué importa
Esto sirve como catalizador para que los desarrolladores de inteligencia artificial avanzada introduzcan controles internos sistemáticos y auditorías externas por motivos de seguridad.Resumen IA
Artículo2026-10-22 · Science

La inteligencia artificial logró mayor precisión que los médicos en los procesos de diagnóstico iterativo

Sequential diagnosis with language models
Qué
Los investigadores desarrollaron un sistema de inteligencia artificial basado en modelos de lenguaje grande y un estándar de evaluación interactivo que imitan el proceso de diagnóstico clínico.
Resultado clave
Este sistema de inteligencia artificial logró precisiones del 83,2 por ciento y del 80,3 por ciento respectivamente en evaluaciones de casos médicos, mostrando un rendimiento superior al de los médicos generales.
Por qué importa
Aunque en un entorno controlado, esto demuestra el potencial de los modelos de lenguaje para apoyar diagnósticos más precisos y rentables.Resumen IA
Artículo2026-10-22 · BMJ digital health & AI

Propuesta de definición y criterios de evaluación para la superinteligencia médica en la inteligencia artificial

Medical superintelligence: foundations and aspirations
Qué
Se analizó cómo la tecnología de inteligencia artificial contribuye a servicios médicos más eficaces y se introdujeron seis dimensiones interdependientes de la inteligencia médica.
Resultado clave
Se reveló que para mejorar la calidad de la atención médica no solo se requiere un rendimiento sobresaliente en tareas individuales, sino también sistemas que colaboren con los humanos para realizar un razonamiento médico integrado en todo el proceso de atención.
Por qué importa
Se propuso una dirección para combinar estas capacidades con la inteligencia médica existente con el fin de mejorar la calidad y la accesibilidad de los servicios médicos.Resumen IA
Artículo2026-10-20 · Zenodo (CERN European Organization for Nuclear Research)

Divulgación de datos estructurales utilizados en el artículo de diseño de enzimas basado en inteligencia artificial

Supplementary Data 2. Designed and predicted structures of all designs
Qué
El equipo de investigación ha publicado todos los archivos de datos estructurales tratados en el artículo sobre el diseño de enzimas impulsado por inteligencia artificial para nuevas reacciones químicas.
Resultado clave
El archivo comprimido contiene estructuras generadas por el modelo de inteligencia artificial, estructuras rediseñadas y datos estructurales predichos adicionales.
Por qué importa
Los datos publicados permiten a los investigadores relacionados verificar los resultados del diseño de enzimas basado en inteligencia artificial y llevar a cabo investigaciones adicionales.Resumen IA
Artículo2026-10-09 · DigitalCommons-IMSA (Illinois Mathematics and Science Academy)

Introducción a los principales logros y trayectoria del investigador de IA Jared Kaplan

Recipient of the 2026 Alumni Trailblazer Award
Qué
Se presentaron los logros de investigación y trayectoria en el campo de la inteligencia artificial de Jared Kaplan, cofundador y científico jefe de Anthropic.
Resultado clave
Investigó leyes para predecir el rendimiento de los sistemas de inteligencia artificial a gran escala y fue pionero en técnicas para garantizar que la inteligencia artificial se ajuste a principios predeterminados.
Por qué importa
Contribuyó a proporcionar marcos teóricos y directrices para el desarrollo de una inteligencia artificial segura y beneficiosa.Resumen IA
Artículo2026-10-08 · Science

Demostrando automáticamente problemas matemáticos sin resolver con IA

Advancing mathematics research with AI-driven formal proof search
Pushmeet Kohli y 20 más
Qué
Desarrollamos un agente de inteligencia artificial que busca pruebas matemáticas a gran escala utilizando un lenguaje en el que un compilador verifica los pasos de la prueba.
Resultado clave
Este agente de inteligencia artificial logró resolver de forma autónoma varios problemas matemáticos y conjeturas sin resolver.
Por qué importa
Demostró el potencial de la inteligencia artificial para impulsar descubrimientos matemáticos autónomos.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Un nuevo método para evaluar las capacidades de auto-mejora de los agentes de IA a través de la experiencia

Agent Plasticity: Measuring Self-Improvement Through Experience
Rob Fergus y 10 más
Qué
Se introdujo el concepto de plasticidad de agentes y se estudiaron métodos de evaluación para medir la eficiencia de auto-mejora de los agentes de IA que evolucionan por sí mismos a través de la experiencia.
Resultado clave
A pesar de tener oportunidades de aprendizaje similares, los modelos más avanzados mostraron grandes diferencias en sus trayectorias de mejora, y el agente con el mejor rendimiento final no necesariamente mejoró de la manera más eficiente.
Por qué importa
Demuestra que al evaluar el potencial de la inteligencia artificial, es importante medir no solo las capacidades en un punto fijo, sino también cuán eficazmente mejoran a través de la experiencia.Resumen IA
Artículo2026-10-04 · arXiv (Cornell University)

Se propone un método en el que múltiples agentes de IA acumulan trabajo en un repositorio Git para resolver problemas

GitSwarm: Decentralized Compounding Inference
Rob Fergus y 13 más
Qué
Se propuso y evaluó GitSwarm, un sistema de 'inferencia compuesta' donde múltiples agentes de IA idénticos trabajan de forma independiente en un repositorio Git compartido, guardando, referenciando y combinando continuamente resultados intermedios.
Resultado clave
Se informó que resolvió los 30 problemas de demostración matemática en una sola ejecución, superando la línea base más fuerte bajo una condición de presupuesto fijo (65.1 puntos) con un promedio de 79.4 puntos en la tarea de programación ProgramBench, y mejorando las arquitecturas de inicio a través de experimentos repetidos en tres tareas de estructura de redes neuronales.
Por qué importa
Demuestra que la IA puede acumular logros intermedios sin descartar resultados en cada intento, reutilizándolos para el trabajo siguiente, lo que sugiere una dirección para la resolución de problemas a largo plazo y el diseño de IA para la investigación científica. Sin embargo, dado que son resultados al nivel del resumen, el impacto industrial real es difícil de juzgar solo con este material.Resumen IA
Artículo2026-10-02 · arXiv (Cornell University)

Diseño de memoria modular para la corrección de errores en computadoras cuánticas reduce drásticamente el consumo de recursos

Low-Overhead Quantum Error Correction with Boundary-Connected Planar Modules
Pushmeet Kohli y 13 más
Qué
Los investigadores dividieron el procesador cuántico en módulos planos y demostraron mediante simulaciones que el uso de conexiones entre módulos puede reducir en más de 10 veces el número de cúbits físicos necesarios para la corrección de errores cuánticos.
Resultado clave
Se demostró que el nuevo diseño de código modular reduce el consumo de cúbits físicos en más de 10 veces (y más de 30 veces en sistemas a gran escala) en comparación con los códigos de superficie.
Por qué importa
Este estudio demuestra el potencial de dispositivos de almacenamiento de alta densidad que mantienen las ventajas de fabricación de los módulos planos al tiempo que aprovechan los beneficios de los códigos de alta eficiencia.Resumen IA
Artículo2026-10-02 · bioRxiv (Cold Spring Harbor Laboratory)

Nueva tecnología de química enzimática que combina el diseño de proteínas por inteligencia artificial y la evolución

Design-Evolution Synergy Enables New-to-Nature Enzyme Chemistry
Pushmeet Kohli y 16 más
Qué
Se desarrolló una enzima que realiza reacciones de aminación de carbono-hidrógeno que no existen en la naturaleza combinando técnicas de diseño de proteínas basadas en inteligencia artificial y evolución.
Resultado clave
Se logró sintetizar una nueva enzima con regioselectividad y enantioselectividad programables, alta eficiencia catalítica y excelente estabilidad enzimática.
Por qué importa
Demuestra que la tecnología de diseño de proteínas se puede utilizar para crear enzimas que promueven reacciones químicas exigentes.Resumen IA
Artículo2026-09-30 · Nature

Desarrollo de una tecnología para marcar de forma invisible el origen de proteínas generadas por IA

Function-preserving watermarking of AI-generated proteins.
Demis Hassabis y 20 más
Qué
Los investigadores han desarrollado 'SynthIDBio', una tecnología que deja marcas en las secuencias y estructuras de proteínas generadas por IA sin pérdida de función.
Resultado clave
Se ha demostrado que las marcas de agua se pueden detectar con una precisión casi perfecta mientras se mantienen funciones proteicas similares a las existentes.
Por qué importa
Demuestra el potencial de las herramientas de seguimiento de procedencia en el campo de la bioingeniería impulsada por IA para abordar cuestiones de bioseguridad y autenticidad de la información.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)

Se propone una tecnica de metarrazonamiento para que los agentes de IA determinen 'como proceder' antes de realizar tareas

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
Rob Fergus y 11 más
Qué
Se propuso un enfoque de 'metarrazonamiento de agentes' que trata sistematicamente las decisiones de control de ejecucion, como cuanto reutilizar de los resultados de tareas anteriores, si empezar de nuevo y cuando detenerse, para agentes de IA que realizan tareas largas.
Resultado clave
En el punto de referencia de reconstruccion de programas ProgramBench, la version basada en GPT-5.5 registro un 71.5%, superior al 58.0% de Codex, y la version basada en Opus 4.8 registro un 67.2%, superior al 65.5% de Claude Code.
Por qué importa
Segun el resumen, esto sugiere que a medida que los agentes realizan tareas mas largas, asignar recursos computacionales al control de ejecucion estructurado puede volverse mas importante. Sin embargo, dado que los resultados del resumen se obtuvieron bajo puntos de referencia y condiciones experimentales especificas, es dificil concluir que se traduzcan directamente en el rendimiento de un producto real.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)

Se propone un marco para evaluar la posibilidad de conciencia en la IA en cinco niveles

From cacophony to hierarchy: a principled framework for assessing AI consciousness
Shane Legg y 13 más
Qué
Los autores organizaron varias teorías que abordan la conciencia en la IA en un marco jerárquico de cinco niveles y propusieron un método para evaluar los Modelos de Lenguaje Grande (LLM) actuales utilizando indicadores para cada nivel.
Resultado clave
Las evaluaciones actuales sobre la posibilidad de conciencia en los LLM variaron ampliamente, desde menos de 0.01 hasta aproximadamente 0.8, dependiendo no solo de cómo se interpreta la evidencia, sino también del peso asignado a cada teoría.
Por qué importa
Dado que los indicadores relacionados con la conciencia se solapan en gran medida con las estructuras necesarias para la inteligencia general, esto sugiere que a medida que la IA sea más capaz, podría convertirse en una candidata más fuerte a la conciencia. Sin embargo, esta no es una conclusión definitiva y el resumen no menciona directamente la inversión.Resumen IA
Artículo2026-09-28

Análisis del impacto y las respuestas políticas provocadas por la automatización de la I+D en IA

What if automating AI R&D triggers an intelligence explosion?
Qué
Los investigadores evaluaron la posibilidad de que la automatización de la investigación y el desarrollo (I+D) en inteligencia artificial (IA) desencadene una explosión de inteligencia, junto con sus impactos potenciales y medidas de respuesta política.
Resultado clave
Se espera que los sistemas de IA automaticen la mayoría de las tareas de I+D de IA en pocos años, lo que podría conducir a un crecimiento rápido de las capacidades a un nivel que la sociedad difícilmente pueda manejar.
Por qué importa
Advierte sobre riesgos extremos, como la pérdida de control, junto con los beneficios que la automatización de la I+D en IA puede aportar, instando a la preparación política.Resumen IA
Artículo2026-08-10 · AI and Ethics

Análisis de los riesgos que surgen cuando la IA parece tener conciencia

Seemingly conscious AI risks
Qué
Los investigadores clasificaron y evaluaron sistemáticamente las características de los sistemas de inteligencia artificial que hacen que los usuarios sientan que tienen conciencia, así como los diversos riesgos derivados de ello.
Resultado clave
Los riesgos para los individuos, como la dependencia emocional y la violación de la autonomía, ya se observan y tienen una alta probabilidad de ocurrencia, mientras que los riesgos sociales tienen una baja probabilidad de ocurrencia pero una gran gravedad.
Por qué importa
Esto ayuda a comprender los riesgos que ocurren cuando la IA parece consciente y establece futuras direcciones de investigación.Resumen IA
Artículo2026-07-02 · arXiv.org

Google presenta la IA de código abierto 'Gemma 4' con mayor rendimiento y eficiencia

Gemma 4 Technical Report
Qué
Google ha desarrollado 'Gemma 4', un modelo de lenguaje multimodal de código abierto de próxima generación con mayor eficiencia computacional y capacidades de razonamiento.
Resultado clave
El rendimiento ha mejorado significativamente en varias métricas de evaluación, incluyendo Ciencia, Tecnología, Ingeniería y Matemáticas (STEM) y multimodalidad.
Por qué importa
Esto indica que se ha ampliado el abanico de opciones de modelos de IA de código abierto capaces de resolver problemas complejos con menos recursos.Resumen IA
Artículo2026-06-10 · arXiv.org

Desarrollo de un método de evaluación para identificar con precisión errores en agentes de IA

Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness
Alexandr Wang y 2 más
Qué
Los investigadores desarrollaron un sistema de evaluación que divide la estructura de los agentes de IA en múltiples capas para inspeccionar de forma independiente y rápida los errores en cada capa.
Resultado clave
Se confirmó que, incluso cuando la tasa de éxito general apenas cambia, la puntuación de una capa específica con problemas cae drásticamente, lo que permite identificar con precisión la causa raíz.
Por qué importa
Esto puede contribuir a mejorar la estabilidad de los sistemas de IA y a encontrar rápidamente la causa cuando ocurren problemas.Resumen IA
Artículo2026-06-09 · arXiv.org

Análisis de las limitaciones en la evaluación de agentes conversacionales por jueces LLM

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents
Alexandr Wang y 2 más
Qué
Utilizando agentes conversacionales de pedidos de comida en producción, medimos qué tan efectivamente los jueces basados en modelos de lenguaje grande detectan defectos reales en comparación con una inspección humana exhaustiva.
Resultado clave
Los jueces LLM no lograron detectar ni siquiera una cuarta parte de los problemas sistemáticos identificados por humanos, y en ciertos lotes registraron cero detecciones.
Por qué importa
Esto sugiere que los métodos de evaluación automatizados sirven meramente como una línea base mínima y no pueden reemplazar completamente la revisión humana.Resumen IA
Artículo2026-05-28 · arXiv.org

Extracción de unidades operativas fáciles de entender del interior de la inteligencia artificial a gran escala

Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet
Chris Olah y 25 más
Qué
Los investigadores utilizaron autoencoders dispersos para extraer características interpretables de las capas intermedias del modelo de IA comercial Claude 3 Sonnet.
Resultado clave
Las características extraídas mostraron propiedades multilingües y multimodales, abarcando desde figuras famosas y conceptos abstractos hasta riesgos potenciales, confirmando que pueden usarse para controlar el comportamiento del modelo.
Por qué importa
Esto demuestra un avance tecnológico que puede contribuir a interpretar el funcionamiento interno de los modelos de IA e identificar riesgos potenciales.Resumen IA

Personas

¿Por qué seguir los fichajes y artículos de los líderes de la IA?

En la IA, las personas son la tecnología. La empresa a la que se une un investigador clave, o el laboratorio que funda, suele traducirse meses después en productos, rondas de inversión y adquisiciones. Esta página sigue los cambios de puesto en laboratorios punteros, nuevos laboratorios, academia, chips de IA y figuras de Corea y China.

Los artículos muestran en qué se centra una persona ahora mismo. Clasificamos los artículos en 10 áreas vinculadas a la inversión, como HBM y memoria, GPU y aceleradores, eficiencia de inferencia, agentes y robótica, y ofrecemos un resumen de tres líneas —qué, resultado clave y por qué importa— basado en el resumen del artículo, con enlaces al original y al PDF. Es información para encontrar ideas, no una recomendación de compra o venta.

Preguntas Frecuentes

P. ¿A quién siguen?

Investigadores y directivos clave de laboratorios punteros (OpenAI, Google DeepMind, Anthropic, Meta, etc.), nuevos laboratorios, academia, empresas de chips de IA y de Corea y China. A los directivos que apenas publican solo se les siguen los cambios de puesto.

P. ¿De dónde salen los datos y cada cuánto se actualizan?

Los artículos provienen de Semantic Scholar y arXiv, y las trayectorias de Wikidata (CC0) además de anuncios oficiales y prensa; se recopilan automáticamente cada día. Solo se publican los elementos revisados y aprobados por el editor.

P. ¿Quién redacta los resúmenes?

Una IA (Google Gemini) redacta un borrador a partir del resumen del artículo y el editor lo revisa antes de publicarlo. Los demás idiomas son traducciones por IA del resumen coreano revisado. Confirme siempre cifras y contexto en el original.

Esta página recopila artículos publicados, anuncios oficiales e informaciones de prensa solo con fines informativos. Los resúmenes los redacta una IA a partir del resumen del artículo y los revisa el editor; pueden diferir del original, así que consulte el artículo para lo importante. Nada de esto es una recomendación de compra o venta ni asesoramiento de inversión. Los cambios de puesto citan anuncios oficiales o prensa relevante; parte de las trayectorias proviene de Wikidata (CC0). Los resúmenes de esta página se tradujeron con IA a partir de la versión coreana revisada por el editor.

🐩 Apoya las Golosinas de Kobong
코봉이
Si esta página te fue útil, también puedes apoyar el fondo de golosinas de Kobong 🦴
💬 Comentarios
Apodos anónimos basados en IP · El abuso puede resultar en restricciones
Cargando...