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 · Entrenamiento y escalado

Aún no hay fichajes con estos filtros.

Artículos · Entrenamiento y escalado

Artículo2026-10-29 · arXiv (Cornell University)

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

Proving and Improving the Platonic Representation Hypothesis with JEPAs

Yann LeCun y 1 más

Qué: Los investigadores demostraron como un teorema matemático la hipótesis de que los modelos de inteligencia artificial entrenados con diferentes modalidades de entrada convergen hacia la misma representación del mundo y propusieron un método para mejorarla.
Resultado clave: Se confirmó que los modelos que utilizan una buena perspectiva pueden alinear las representaciones de manera mucho más eficiente y con muchos menos datos que el método de predicción del siguiente token.
Por qué importa: Este estudio puede contribuir a mejorar la forma en que la inteligencia artificial comprende los datos de manera eficiente y conecta diferentes modalidades de información.Resumen IA

Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-22

Se descubrieron las leyes para mejorar el rendimiento utilizando datos sintéticos generados por inteligencia artificial

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints

Percy Liang y 6 más

Qué: Al utilizar reescrituras sintéticas, donde los modelos de lenguaje reescriben documentos de lenguaje natural en diferentes estilos para el entrenamiento previo, se estudiaron las leyes para predecir la proporción óptima y el rendimiento bajo restricciones de cómputo y datos.
Resultado clave: A medida que aumenta el cómputo, la proporción óptima de datos sintéticos aumenta, y los modelos entrenados con datos sintéticos generados por modelos más grandes o del mismo tamaño mostraron un rendimiento superior en comparación con los modelos que utilizaron solo datos originales.
Por qué importa: Esto sugiere que los métodos de entrenamiento de IA que utilizan datos sintéticos son predecibles, lo que permite superar las limitaciones de datos y mejorar el rendimiento de manera eficiente.Resumen IA

Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-04 · arXiv (Cornell University)

Se propone un nuevo método para entrenar modelos de IA equilibrando múltiples valores

Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution

Kyunghyun Cho y 2 más

Qué: Los investigadores propusieron un método de entrenamiento llamado MAESTRO que permite a los modelos de lenguaje de IA ajustar el equilibrio entre múltiples valores, como la utilidad, la inofensividad y el humor, según las solicitudes del usuario.
Resultado clave: Según el resumen, MAESTRO logró las mejores curvas de compromiso (frentes de Pareto) en la mayoría de las tareas en una sola ejecución de entrenamiento en experimentos que manejan hasta tres objetivos, y tuvo el costo de entrenamiento más bajo entre los métodos comparados.
Por qué importa: Si bien esto demuestra el potencial para que las empresas creen servicios de IA adaptados a la configuración de cada usuario de manera más eficiente si un solo modelo puede manejar múltiples combinaciones de valores, el impacto real en el mercado es difícil de juzgar solo a partir del resumen.Resumen IA

Entrenamiento y escalado Seguridad y regulación

Resumen completo Leer artículo ↗ PDF ↗

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

Entrenamiento y escalado Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-09-28 · arXiv (Cornell University)

Investigación que mejora el entrenamiento de modelos de lenguaje de difusión por bloques incorporando contexto futuro

d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models

Song Han y 2 más

Qué: Se propone d-OPD, un método de entrenamiento por destilación que convierte los modelos de lenguaje autorregresivos convencionales (que generan un token a la vez) en modelos de lenguaje de difusión por bloques que generan múltiples tokens en paralelo.
Resultado clave: En experimentos con modelos Qwen3 (0.6B a 8B), se informó que d-OPD mejoró la puntuación promedio en seis puntos de referencia hasta en 4.0 puntos en comparación con el método existente OPDLM, y redujo el tiempo de entrenamiento de 1.35 a 1.58 veces.
Por qué importa: El resumen indica que el método de generar múltiples tokens simultáneamente en bloques tiene el potencial de aumentar la velocidad de generación de texto, y este estudio demuestra que se puede mejorar la eficiencia del proceso de entrenamiento para crear dichos modelos.Resumen IA

Eficiencia de inferencia Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-09-10

Análisis del sobreajuste en modelos de Mezcla de Expertos al repetir datos de entrenamiento de IA

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data

Percy Liang y 4 más

Qué: Se reveló que cuando se repiten los datos de entrenamiento de IA, la arquitectura de Mezcla de Expertos, ampliamente utilizada recientemente, degrada su rendimiento más rápido que los modelos convencionales.
Resultado clave: Al repetir datos, los modelos de Mezcla de Expertos se sobreajustan fácilmente y, aunque las técnicas de regulación existentes pueden mitigarlo parcialmente, no alcanzan el rendimiento logrado al entrenar con datos únicos.
Por qué importa: Esto demuestra la necesidad de establecer estrategias de entrenamiento que consideren las características de cada arquitectura de modelo de IA en situaciones donde el aprendizaje iterativo es necesario debido a la escasez de datos.Resumen IA

Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-08-12

Desarrollan 'Dion3', una nueva tecnología de optimización que aumenta la velocidad de entrenamiento de IA hasta 6 veces

Dion3: Full-Stack Orthogonal Updates

Tri Dao y 7 más

Qué: Se desarrolló 'Dion3', que mejora todo el sistema para resolver los problemas de altos costos de computación y comunicación de la herramienta de entrenamiento de IA existente, Muon.
Resultado clave: Dion3 redujo el tiempo de los pasos de optimización hasta 6 veces manteniendo un rendimiento igual o mejor que el de Muon.
Por qué importa: Puede contribuir a reducir los costos de computación relacionados al aumentar la eficiencia del proceso de entrenamiento de modelos de IA.Resumen IA

Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-07-27

Lanzamiento del modelo de IA de código abierto 'Kimi K3'

Kimi K3: Open Frontier Intelligence

Yang Zhilin y 399 más

Qué: Los investigadores han desarrollado y lanzado 'Kimi K3', un modelo de IA abierto con 2,8 billones de parámetros.
Resultado clave: Este modelo mostró una eficiencia de escala mejorada en aproximadamente 2,5 veces en comparación con los modelos existentes y registró un rendimiento sobresaliente en varias evaluaciones.
Por qué importa: Al publicar tecnología de IA de vanguardia en formato de código abierto, se espera que impulse futuras investigaciones relacionadas y aplicaciones industriales.Resumen IA

Entrenamiento y escalado Centros de datos y energía

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-07-02 · arXiv.org

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

Gemma 4 Technical Report

Demis Hassabis · Koray Kavukcuoglu y 298 más

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

Eficiencia de inferencia Entrenamiento y escalado

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-05-27 · arXiv.org

Desarrollo de una herramienta de diagnóstico para rastrear la transición entre memorización y generalización en el entrenamiento de inteligencia artificial

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio

Ashish Vaswani y 1 más

Qué: Se investigó un método de diagnóstico que utiliza la Relación de Alineación Logarítmica (LAR), la cual mide parámetros y activaciones, para rastrear si la inteligencia artificial memoriza datos de forma simple o si realmente está aprendiendo.
Resultado clave: LAR capturó eficazmente los cambios en la capacidad de generalización de la inteligencia artificial y los signos de sobreajuste incluso sin datos de validación adicionales.
Por qué importa: Dado que puede diagnosticar el rendimiento de la IA durante el proceso de entrenamiento sin datos de validación separados, puede contribuir al desarrollo futuro de tecnologías eficientes de gestión de entrenamiento de modelos.Resumen IA

Entrenamiento y escalado

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.