AI LEADERS · MOVES & PAPERS

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

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

Artículo2026-10-30

Desarrollo de un modelo jerárquico que supera las limitaciones en el control complejo de robots

Yann LeCun

Artículo2026-10-29

Tecnología para entrenar conjuntamente datos de robots utilizando diversos controladores

Chelsea Finn

Artículo2026-10-29

Demostrando que los modelos de inteligencia artificial aprenden el mismo mundo incluso a través de diferentes modalidades de información

Yann LeCun

Artículo2026-10-29

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

Mark Chen

Personas Todo Laboratorios punteros Nuevos laboratorios Academia Hardware de IA Corea China Directivos

Área Todo HBM y memoria GPU y aceleradores de IA Eficiencia de inferencia Entrenamiento y escalado Agentes y programación Robótica e IA física Modelos del mundo y multimodal Centros de datos y energía IA para la ciencia Seguridad y regulación

Fichajes · Laboratorios punteros · Agentes y programación

Aún no hay fichajes con estos filtros.

Artículos · Laboratorios punteros · Agentes y programación

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

Agentes y programación Seguridad y regulación

Resumen completo Leer artículo ↗ PDF ↗

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

Agentes y programación IA para la ciencia

Resumen completo Leer artículo ↗ PDF ↗

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

Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

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

Agentes y programación IA para la ciencia

Resumen completo Leer artículo ↗ PDF ↗

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

Eficiencia de inferencia Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

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

Agentes y programación Seguridad y regulación

Resumen completo Leer artículo ↗ PDF ↗

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

Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

Personas

Laboratorios punteros

Nuevos laboratorios

Mira MuratiCEO de Thinking Machines Lab Andrej KarpathyFundador de Eureka Labs Yann LeCunFundador de AMI LabsÚltima actividad 2026-10-30 Ilya SutskeverCEO de SSI Llion JonesSakana AIÚltima actividad 2026-10-06 Lilian WengCofundador de Thinking Machines Lab Barret ZophFrecuentes cambios (informes de regreso a OpenAI en 2026 y nuevo traslado)Sergey LevinePhysical Intelligence y UC BerkeleyÚltima actividad 2026-10-06 Aravind SrinivasCEO de Perplexity Arthur MenschCEO de Mistral AI Ashish VaswaniEssential AIÚltima actividad 2026-10-28 Aidan GomezCEO de CohereÚltima actividad 2026-09-12 John SchulmanCientífico jefe en Thinking Machines Lab Chelsea FinnPhysical Intelligence y Universidad de StanfordÚltima actividad 2026-10-29 Fei-fei LiFei-Fei LiCEO de World Labs y Universidad de StanfordÚltima actividad 2026-10-07

Academia

Richard SuttonUniversidad de Alberta Stuart RussellUC Berkeley Andrew NgDeepLearning.AI y AI Fund Yoshua BengioUniversidad de Montreal y LawZeroÚltima actividad 2026-10-12 Geoffrey HintonProfesor emérito, Universidad de TorontoÚltima actividad 2026-09-28 Christopher ManningUniversidad de StanfordÚltima actividad 2026-07-20 Percy LiangUniversidad de Stanford y Together AIÚltima actividad 2026-10-22 Pieter AbbeelUC BerkeleyÚltima actividad 2026-10-06 Kaiming HeMITÚltima actividad 2026-10-01

Hardware de IA

Bill DallyCientífico jefe de NVIDIA Tri DaoTogether AI y PrincetonÚltima actividad 2026-08-12 Song HanMIT y NVIDIAÚltima actividad 2026-10-07 Andrew L FeldmanAndrew FeldmanCEO de Cerebras Jonathan RossGroq Jim KellerCEO de Tenstorrent Jim FanRobótica de NVIDIA

Corea

Ha Jung-wooVicepresidente del Comité Presidencial de Estrategia Nacional de IA (Renunció como secretario presidencial de IA en 2026)Última actividad 2026-04-22 Kim Sung-hoonKim Sung HunCEO de Upstage Bae Kyung-hoonBae KyunghoonMinistro de Ciencia y TIC (Exdirector de LG AI Research)Alice H. OhOh Alice HaeyunKAIST Lee Hae-minSecretario presidencial de Planificación del Futuro de la IA (Nombrado en 2026)Kyunghyun ChoCho KyunghyunNYU y GenentechÚltima actividad 2026-10-04

China

Liang WenfengFundador de DeepSeekÚltima actividad 2026-10-12 Yang ZhilinFundador de Moonshot AIÚltima actividad 2026-07-27 Kai-Fu Lee01.AI

Directivos

Kwak Noh-jungCEO de SK hynix Mark ZuckerbergCEO de Meta Sam AltmanCEO de OpenAI Jun Young-hyunJefe de la división DS de Samsung Electronics Jen-Hsun HuangJensen HuangCEO de NVIDIA C.C. WeiPresidente y CEO de TSMC Greg BrockmanPresidente de OpenAI Lisa SuCEO de AMD Lip-Bu TanCEO de Intel Satya NadellaCEO de Microsoft Sanjay MehrotraCEO de Micron Masayoshi SonPresidente de SoftBank Sundar PichaiCEO de Alphabet Andy JassyCEO de Amazon Elon MuskCEO de xAI y Tesla Kevin ScottCTO de Microsoft Tan Hock EngHock TanCEO de Broadcom

¿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.