Fecha base 2026-11-03
Última ejecución 2026-11-03 22:30:03
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

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

LAST UPDATE 2026-11-04 07:41 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 · Nuevos laboratorios · Robótica e IA física

Aún no hay fichajes con estos filtros.

Artículos · Nuevos laboratorios · Robótica e IA física

Artículo2026-10-29 · arXiv (Cornell University)

Tecnología para entrenar conjuntamente datos de robots utilizando diversos controladores

Cross-Controller Transfer via In-Context Behavior Adaptation
Chelsea Finn y 2 más
Qué
Se desarrolló una tecnología para utilizar datos de robots que emplean diferentes métodos de control para el aprendizaje sin conflictos.
Resultado clave
La tasa de éxito promedio mejoró en 33 puntos porcentuales en comparación con los métodos convencionales.
Por qué importa
Demuestra el potencial para utilizar de manera más efectiva los datos de robots recopilados en diversos entornos.Resumen IA
Artículo2026-10-07 · arXiv (Cornell University)

Desarrollo de un modelo del mundo que integra diversos comportamientos de robots en uno solo

Cross-Embodiment Robot Foundation World Models with Latent Actions
Fei-fei Li y 11 más
Qué
Se desarrolló un modelo del mundo para robots que utiliza un espacio de acción latente integrado, el cual puede ser compartido por varios tipos de robots.
Resultado clave
Al aplicarse a nuevos robots, mostró una mejora de hasta un 46.7% en tareas de manipulación precisa y un 11.7% en la evaluación de rendimiento LIBERO en comparación con los métodos convencionales.
Por qué importa
Permite un aprendizaje eficiente entre diversos robots, contribuyendo a resolver grandes desafíos en la robótica.Resumen IA
Artículo2026-10-07 · arXiv (Cornell University)

Tecnología de IA que transforma videos de robots virtuales en reales

RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer
Fei-fei Li y 8 más
Qué
Se desarrolló una tecnología que mejora las capacidades de control de los robots al convertir datos de robots de entornos virtuales en videos que parecen del mundo real.
Resultado clave
Los robots entrenados con esta tecnología lograron una tasa de éxito promedio del 71 por ciento en entornos reales, mostrando un rendimiento superior en comparación con los métodos existentes.
Por qué importa
Esto puede ayudar a aliviar el problema visual donde los datos creados en entornos virtuales eran difíciles de aplicar directamente a robots reales.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Lanzamiento de un marco abierto que combina el control de robots y la predicción futura

OpenWAM: An Open Framework for Composable World-Action Models
Fei-fei Li y 9 más
Qué
Se desarrolló OpenWAM, un marco de código abierto para comparar e investigar modelos de mundo-acción que abordan conjuntamente el control de robots y la predicción de video futuro.
Resultado clave
El método propuesto incrementó significativamente la tasa de éxito en tareas de manipulación robótica y mejoró el rendimiento de los modelos de dinámica mediante el aprendizaje con datos contrafactuales.
Por qué importa
Proporciona una base común para comparar diversos métodos de control de robots y predicción de video, aumentando así la eficiencia de la investigación tecnológica relacionada.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Desarrollo de un nuevo estándar para estudiar el fenómeno de la tecnología de clonación de comportamiento en la inteligencia artificial

Behavioral Cloning Mystery
Sergey Levine y 1 más
Qué
Se propuso OCBench, una herramienta de evaluación de manipulación robótica con características similares a las demostraciones humanas.
Resultado clave
Se demostró que esta herramienta permite investigar científicamente diversos fenómenos relacionados con la clonación de comportamiento y verificar hipótesis en entornos basados en unidades de procesamiento gráfico (GPU).
Por qué importa
Proporciona una base para analizar en un entorno controlado aquellos fenómenos en la tecnología de aprendizaje de robots cuyas causas no estaban claras hasta ahora.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Un método de recopilación de datos guiado por el rendimiento para mejorar la eficiencia del aprendizaje de robots

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning
Chelsea Finn y 6 más
Qué
Los investigadores propusieron Mulligan, una técnica que mejora la eficiencia en el aprendizaje de manipulación de robots mediante la recopilación de datos centrados en estados fallidos y no probados.
Resultado clave
La técnica Mulligan mejoró la tasa de éxito de la tarea final del robot del 10 por ciento al 34 por ciento en comparación con los métodos convencionales.
Por qué importa
Demuestra un avance tecnológico que ayuda a los entrenadores humanos a utilizar el tiempo y el esfuerzo de manera más eficiente al enseñar a los robots.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Desarrollo de H-JEPA, un modelo de IA que aprende estructuras jerárquicas para la planificación visual compleja

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
Yann LeCun y 4 más
Qué
Se desarrolló H-JEPA (H-JEPA), un modelo de mundo jerárquico que aprende dividiendo los niveles de abstracción según los horizontes temporales.
Resultado clave
En experimentos con entornos de simulación y videos de robots reales, se logró una mayor tasa de éxito en la planificación y una mayor eficiencia computacional en comparación con los modelos de un solo nivel existentes.
Por qué importa
Puede contribuir a aumentar la eficiencia en el control de robots y tareas visuales que requieren una planificación compleja a largo plazo.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)

T2Mem: Una tecnica para entrenar a los robots a recordar escenas pasadas y realizar tareas

T$^2$Mem: Learning Test-Time Memory for Robotics
Fei-fei Li y 6 más
Qué
Para tareas de manipulacion de robot que requieren recordar informacion de observaciones pasadas, proponemos un marco (T2Mem) que anade capacidades de memoria mediante entrenamiento en tiempo de prueba a politicas de robot previamente entrenadas que carecian de funciones de memoria.
Resultado clave
La tasa de exito promedio en 16 tareas de RoboMME aumento del 17.93% para la politica base sin memoria al 56.83%, superando los metodos de memoria recurrente informados en el punto de referencia.
Por qué importa
Esto es significativo al mostrar que la capacidad de los robots para utilizar informacion pasada que no es visible actualmente en la pantalla se puede fomentar utilizando solo datos de demostracion sin dispositivos de memoria externos, aunque el resumen solo cubre resultados en etapa de investigacion, por lo que no se puede confirmar la comercializacion o los efectos en el mercado.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)

DexAgent genera automáticamente datos de entrenamiento para movimientos de manos de robots a partir de videos de demostración humana

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
Fei-fei Li y 4 más
Qué
Proponemos un marco basado en agentes que toma un solo video en primera persona de un humano y una descripción de tarea para generar trayectorias de movimiento de robot físicamente factibles, creando datos para el aprendizaje de robots.
Resultado clave
Las políticas entrenadas con los datos generados por DexAgent en 11 tareas del mundo real mostraron una tasa de éxito 3.5 veces mayor en comparación con los métodos de referencia.
Por qué importa
Demuestra el potencial de automatizar el proceso de convertir videos de demostración humana en datos de aprendizaje para robots, aunque es difícil juzgar el nivel de aplicación industrial o el momento de comercialización solo a partir del resumen.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)

Investigación sobre JEPA acelera 100 veces los modelos del mundo para conducción autónoma

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
Yann LeCun y 3 más
Qué
Evaluó modelos del mundo basados en predicción (familia JEPA) utilizados en conducción autónoma y propuso una arquitectura mejorada, AD-E2E-JEPA, que reduce significativamente la carga computacional.
Resultado clave
La arquitectura propuesta redujo en 1/16 el número de parches utilizados para la planificación y en 1/4 la dimensión de embedding, aumentando la velocidad de inferencia unas 100 veces mientras mantenía el rendimiento de planificación.
Por qué importa
Esta investigación muestra una dirección para reducir el coste computacional de la IA de conducción autónoma, aunque el efecto de aplicación en vehículos reales y el potencial de comercialización son difíciles de juzgar solo con el resumen.Resumen IA
Artículo2026-08-24

Tecnología para aprender a actuar mientras el robot piensa

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Sergey Levine y 19 más
Qué
Los investigadores han desarrollado ARLI, un marco de aprendizaje por refuerzo consciente de la latencia que resuelve los problemas causados por el tiempo de pensamiento (latencia de inferencia) de los modelos de robots.
Resultado clave
Este nuevo método permite que los robots continúen aprendiendo con éxito incluso en entornos con latencia, mostrando un rendimiento igual o superior al de un entorno ideal sin latencia.
Por qué importa
Abre la posibilidad de que la IA robótica compleja y masiva mejore de forma autónoma su rendimiento en el mundo real sin congelamientos ni interrupciones.Resumen IA
Artículo2026-08-03

Revelando por qué la agrupación de acciones (action chunking) mejora el rendimiento en el control robótico

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?
Sergey Levine y 5 más
Qué
Mediante experimentos, se analizaron las causas de la mejora del rendimiento de la técnica de 'agrupación de acciones', en la cual el control robótico predice y ejecuta múltiples acciones a la vez.
Resultado clave
Se demostró que las hipótesis anteriores son incorrectas, se reveló que el factor de éxito clave de la agrupación de acciones es el efecto de 'ensamblaje implícito' que aprende diversas relaciones temporales, y se propuso una nueva política que aprovecha esto.
Por qué importa
Al descubrir los factores clave que mejoran el rendimiento de la tecnología de control robótico, se proporciona una base teórica para el desarrollo de futuros modelos eficientes de aprendizaje de robots.Resumen IA
Artículo2026-06-11 · arXiv.org

Desarrollo de una nueva tecnología para guiar con mayor precisión el comportamiento de los robots

Improving Robotic Generalist Policies via Flow Reversal Steering
Sergey Levine y 4 más
Qué
Para mejorar el rendimiento de las políticas generalistas de robots entrenadas con diversos conjuntos de datos de robots, se evaluó en entornos de control un método llamado Flow Reversal Steering (FRS), que transforma acciones subóptimas en otras mejores.
Resultado clave
El uso de FRS puede traducir instrucciones aproximadas de humanos o modelos de visión-lenguaje en un buen comportamiento robótico, mostrando una mejora absoluta en la tasa de éxito de las tareas de hasta el 95% con menos de 1 minuto de entrenamiento.
Por qué importa
Demuestra el potencial para ayudar a los robots a rendir mejor en nuevas tareas mediante el uso de instrucciones humanas o técnicas existentes.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...