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 · Robótica e IA física

Aún no hay fichajes con estos filtros.

Artículos · 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
Artículo2026-10-12 · Micromachines

Análisis de las tecnologías de construcción y aplicación médica para microrobots biointegrados

Construction and Functional Engineering of Bio-Integrated Micro/Nanorobots for Theranostic Applications
Liang Wenfeng y 7 más
Qué
Se revisó la fabricación y las aplicaciones teranósticas de microrobots y nanorobots biointegrados que combinan características biológicas con la tecnología.
Resultado clave
Se presentaron estrategias de ingeniería y pautas de fabricación que implementan movilidad, imágenes in vivo y funciones terapéuticas utilizando componentes basados en células.
Por qué importa
Muestra la dirección potencial para utilizar microrobots biointegrados en los campos de la intervención médica de precisión y la medicina personalizada.Resumen IA
Artículo2026-10-07 · arXiv (Cornell University)

Desarrollo de tecnología de procesamiento de memoria visual larga para el control de robots en tiempo real

Long-WAM: Scaling the Context of World-Action Models
Song Han y 15 más
Qué
Los investigadores han desarrollado Long-WAM, un modelo que utiliza eficientemente la información visual pasada de los robots bajo restricciones de tiempo real.
Resultado clave
Al preentrenar el modelo fundacional que procesa información visual utilizando un método autorregresivo (AR), se maximiza la utilización de la memoria pasada y se mejoran las tasas de éxito en las tareas de los robots.
Por qué importa
Demostró que es posible la operación en tiempo real en varios entornos de hardware, lo que puede contribuir a futuras tareas complejas de control de robots a largo plazo.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)

Desarrollo de un algoritmo que acelera el aprendizaje de comportamiento de robots de inteligencia artificial

QF3: Fast Flow RL with Filtered Q-Gradients
Pieter Abbeel y 9 más
Qué
Los investigadores han desarrollado QF3, un nuevo algoritmo de aprendizaje por refuerzo que aprende eficazmente los patrones de comportamiento de los robots.
Resultado clave
Se ha demostrado que puede aprender políticas de locomoción y seguimiento de movimiento de robots humanoides unas 10 veces más rápido que los métodos existentes.
Por qué importa
Muestra el potencial para aprender y mejorar la tecnología de control de comportamiento de los robots de forma más rápida y eficiente.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Tecnología de locomoción y manipulación de cuerpo completo para humanoides utilizando demostraciones humanas

Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data
Pieter Abbeel y 6 más
Qué
Se desarrolló una tecnología que permite a los robots humanoides manipular objetos y moverse utilizando videos de demostración humana a través de un planificador visual y un rastreador de aprendizaje por refuerzo.
Resultado clave
Se realizaron con éxito tareas complejas de manipulación de cuerpo completo, como transportar una caja, agarrar una caja y subir una maleta, en un robot real Unitree G1.
Por qué importa
Demuestra que los robots pueden mejorar su capacidad para manejar objetos manteniendo el equilibrio en entornos complejos basándose en datos de comportamiento humano.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
Artículo2026-10-02 · arXiv (Cornell University)

Se propone GOTT, una tecnología de agarre de objetos reutilizable para múltiples manos de robots

GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive
Pieter Abbeel y 6 más
Qué
Para permitir que manos de robots con múltiples dedos, similares a las manos humanas, agarren y muevan objetos de manera estable en direcciones deseadas, se propuso GOTT, una tecnología de contacto que se puede utilizar comúnmente en diferentes robots y formas de manos.
Resultado clave
En simulaciones y experimentos con robots reales, GOTT estableció contactos estables en varios objetos, plataformas de brazo-mano y formas de manos no vistas previamente, y mejoró consistentemente las tasas de éxito de las tareas en comparación con los métodos de agarre predeterminados.
Por qué importa
Este estudio demuestra el potencial de reutilizar la misma tecnología incluso cuando cambian los tipos de manos de robots mediante el uso de un componente de movimiento común que no depende de un robot específico. Sin embargo, es difícil juzgar el nivel de comercialización o el impacto industrial real basándose únicamente en el resumen.Resumen IA
Artículo2026-10-01 · arXiv (Cornell University)

Un framework RPG donde los robots mejoran sus propias habilidades mediante práctica en simulación

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
Pieter Abbeel y 9 más
Qué
Se propuso un framework RPG que mejora autónomamente los sistemas de tareas robóticas sin intervención humana adicional.
Resultado clave
En nuevas pruebas de condiciones iniciales en 22 tareas de manipulación, la tasa de éxito aumentó del 28,6% después de la primera práctica al 95,0% después de 15 rondas, y las 30 pruebas con robots reales fueron exitosas.
Por qué importa
Este estudio demuestra el potencial de mejorar el software de control de robots con menos esfuerzo humano, aunque el nivel de aplicación industrial real o comercialización es difícil de juzgar solo a partir del resumen.Resumen IA
Artículo2026-09-30 · arXiv (Cornell University)

Investigadores proponen TacEx para mejorar la eficiencia del aprendizaje de robots mediante la curiosidad táctil

Tactile Curiosity Drives Robot Interaction
Pieter Abbeel y 6 más
Qué
Los investigadores propusieron TacEx, un marco de exploración que permite a los robots desarrollar curiosidad sobre las sensaciones táctiles (la sensación de tocar objetos) y aprender a tocar y recoger objetos por sí mismos.
Resultado clave
Según el resumen, TacEx recopila datos de interacción ricos en contacto sin recompensas de tareas ni demostraciones de expertos, permite aprender políticas de recogida y colocación utilizando estos datos sin interacciones adicionales con el entorno, y mejora el rendimiento posterior al entrenamiento de los modelos de visión-lenguaje-acción.
Por qué importa
El aprendizaje tradicional de robots pasa mucho tiempo moviéndose al azar en el aire, lo que demuestra que explorar centrándose en el contacto puede mejorar la eficiencia del aprendizaje. Sin embargo, es difícil juzgar el nivel de aplicación práctica o el potencial de comercialización basándose únicamente en el resumen.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)

Aprendizaje de transporte de objetos en humanoides ampliado mediante la generación de algunos videos reales con IA

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
Pieter Abbeel y 8 más
Qué
Se propuso un método (PRISM) en el cual la IA genera varios videos virtuales basados en unos pocos videos reales de una persona transportando objetos, y los utiliza para el aprendizaje de robots.
Resultado clave
Se informa que una única política de control entrenada de esta manera logró que un robot humanoide real recogiera, transportara y colocara cajas, tambores, barRILES y pelotas sin necesidad de aprendizaje adicional en el mundo real.
Por qué importa
Es significativo porque demuestra el potencial de aumentar los datos de entrenamiento utilizando pocos videos reales en situaciones donde es difícil recopilar grandes cantidades de datos de demostración de robots reales.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 · The International Journal of Robotics Research

Una revisión exhaustiva que resume la investigación de 'modelos del mundo' para el aprendizaje de robots

World model for robot learning: A comprehensive survey
Pieter Abbeel y 17 más
Qué
Este es un artículo de revisión que organiza sistemáticamente los 'modelos del mundo' —modelos que predicen cómo cambiará el entorno en respuesta a las acciones— desde la perspectiva del aprendizaje de robots.
Resultado clave
Según el resumen, describe cómo se utilizan los modelos del mundo en políticas de robots, simuladores, evaluación y generación de datos, resume la trayectoria evolutiva de los modelos del mundo basados en video para robots, y destaca conjuntos de datos representativos, puntos de referencia y métodos de evaluación.
Por qué importa
Esto sirve como un recurso que unifica enfoques de investigación de aprendizaje de robots dispersos en un solo marco, lo que ayuda a comprender las tendencias de investigación. Sin embargo, el resumen no demuestra el rendimiento o los logros comerciales de las tecnologías individuales.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...