En el Cisco AI Summit, el CEO de Cisco (Chuck Robbins) entrevista a Jensen Huang, fundador y CEO de NVIDIA, en una charla pública.

Jensen explica que estamos entrando en una nueva era de computación: pasamos de programar con reglas explícitas a sistemas que entienden la intención, razonan, planifican y usan herramientas. Recomienda a las empresas empezar dejando que la gente experimente con IA sin obsesionarse al principio con el ROI, pero aplicándola donde realmente mueve la aguja. Defiende que la gran oportunidad es transformar cualquier compañía en una “empresa tecnológica”, porque lo digital escala como “electrones” frente a las limitaciones de lo físico. También señala que la próxima ola será la IA física, capaz de entender causalidad y el mundo real, y remarca la importancia de la privacidad: a veces conviene construir en local, porque las preguntas que haces pueden valer más que las respuestas.

Entrevista con Peter Steinberger, creador de OpenClaw, un agente personal de IA de código abierto que se ejecuta en tu propio ordenador y se ha viralizado con miles de estrellas en GitHub.

Hablan de por qué explotó (control local del PC, acceso a tus archivos y “memoria”), de cómo sorprende al descubrir y conectar datos olvidados, y del salto hacia interacciones bot-a-bot e incluso bots que coordinan a humanos para tareas en el mundo real. Steinberger cuenta su “momento aha” cuando el agente resolvió un problema por su cuenta (convertir y transcribir un audio usando herramientas disponibles) y defiende una filosofía pragmática: priorizar CLIs y flujos simples frente a integraciones más pesadas, además de dotar al agente de personalidad y valores mediante archivos locales. También discuten cómo los agentes podrían hacer que muchas apps de gestión de datos pierdan sentido y por qué la propiedad de la memoria/datos será el principal campo de batalla.

Terrence Tao vuelve para hablar de cómo la inteligencia artificial puede transformar la investigación científica y, en especial, las matemáticas. Explica por qué cofundó SAIR y qué objetivos persigue esta iniciativa: integrar nuevas herramientas en los flujos de trabajo de la ciencia de forma útil y responsable. También comenta el gran problema actual de estos sistemas —su falta de fiabilidad— y por qué las matemáticas tienen una ventaja: la posibilidad de verificar resultados con demostraciones formales y asistentes de prueba.

A lo largo de la conversación se habla de los hitos que aún faltan: creatividad que no dependa de la literatura previa, aprendizaje continuo realmente estable, y una colaboración más integrada, no solo “abrir un chat cuando te atascas”. Además, reflexionan sobre por qué la investigación no va de respuestas inmediatas, cómo los modelos pueden “cumplir objetivos” de manera demasiado literal, y qué malentendidos suele tener el público sobre el uso de la inteligencia artificial en ciencia.

En esta presentación de xAI (con Elon Musk y varios líderes de producto e infraestructura), cuentan qué han logrado en solo dos años y medio, qué van a lanzar y por qué están fusionando xAI con X y, a largo plazo, con SpaceX.

Elon abre diciendo que, pese a ser una empresa muy joven y con menos gente que sus competidores, han avanzado a una velocidad inusual y ya se ven “arriba” en varias áreas: voz, generación de imagen y vídeo y rendimiento de Grok en métricas como el pronóstico. También presentan Grokpedia como un proyecto para construir una enciclopedia multimedia mucho más completa que Wikipedia. En paralelo, subrayan su ventaja clave: computación. Dicen que ya levantaron un clúster enorme de GPUs y que su siguiente salto inmediato es llegar al equivalente a un millón de H100 para entrenamiento.

Luego explican cuándo y cómo se reorganizan: porque al crecer, una startup necesita estructura, pasan a cuatro grandes áreas (modelo principal/voz, coding, Imagine para imagen-vídeo y Macrohard para agentes capaces de hacer trabajo digital de extremo a extremo). Cada responsable da ejemplos del “de cero a líder”: en voz cuentan que en meses construyeron un producto competitivo e integrado; en coding describen una aceleración fuerte (la IA escribiendo, depurando y automatizando cada vez más); e Imagine presume de iteración rapidísima, cifras masivas de generación y la meta de llegar a vídeos largos y, más adelante, mundos interactivos en tiempo real.

En mitad del evento hacen una visita/segmento en directo desde Memphis para enseñar el supercentro de datos y remarcar el “por qué” de todo: para ellos, ganar en IA depende de desplegar computación antes que nadie, con equipos pequeños que optimizan desde red y kernels hasta entrenamiento, inferencia, herramientas y evaluaciones con expertos.

Después conectan esto con X como plataforma: explican que X está creciendo, que han reconstruido piezas clave del producto y que quieren empujar el uso diario. Aquí dan el cuándo más concreto: en los próximos meses planean abrir código (incluido el algoritmo) y sacar una app independiente de X Chat; además, dicen que X Money ya está en beta interna y que en uno o dos meses esperan pasar a beta externa limitada y luego a lanzamiento global. El “por qué” es claro: sumar razones para entrar cada día —mensajería, Grok y pagos— con la ambición de superar los mil millones de usuarios activos diarios.

El cierre lo vuelve épico y explica por qué SpaceX entra en la ecuación: Elon sostiene que para comprender el universo hay que salir a explorarlo, y que el cuello de botella real de la IA futura será energía + computación. Por eso dibuja una ruta: primero centros de datos orbitales (capacidad anual creciente), y si se quiere escalar mucho más, infraestructura lunar con fábricas y un lanzador electromagnético para disparar satélites de IA, con la idea de ir subiendo órdenes de magnitud y, con el tiempo, acercarse a capturar una fracción relevante de la energía solar.

En esta entrevista, el creador de un proyecto open source que se ha disparado en popularidad cuenta cómo, en solo tres meses, pasó de “hacerlo por su cuenta” a tener a los grandes jugadores del sector llamando a su puerta. Habla sin filtros de la presión por monetizar, de los dilemas entre código abierto y producto comercial, y de por qué le preocupa el conflicto de intereses cuando entran en juego licencias, features “enterprise” y versiones cerradas.

También comparte anécdotas muy personales: desde ver a la comunidad en modo euforia (robots con disfraces de langosta incluidos) hasta enseñar el producto a un amigo “normie” que acabó enganchadísimo… y lo que pasó cuando una plataforma le bloqueó la suscripción. Finalmente, entra en el debate Meta vs OpenAI: qué ha visto en cada una, qué le atrae de sus tecnologías, cómo se siente al hablar con figuras como Mark y Sam Altman, y por qué su prioridad sigue siendo que el proyecto permanezca abierto mientras busca la forma de escalar impacto.

Si te interesa el futuro de los agentes personales, el open source y las decisiones difíciles detrás de construir a gran escala, este episodio es para ti.

Crea un avatar profesional con HeyGen (mi enlace de afiliado): https://www.heygen.com/?sid=rewardful&via=javi

Ponle una voz pro con ElevenLabs (mi enlace de afiliado): https://try.elevenlabs.io/iabro

La entrevistadora conversa con John Link sobre cómo la IA está a punto de cambiar la ciencia no solo por ir más rápido, sino por obligar a los humanos a pensar de forma distinta. Plantean que, si hoy la ciencia sigue el ciclo clásico de observar, formular hipótesis, probar y refinar, la irrupción de miles de agentes de IA capaces de ejecutar millones de simulaciones y cruzar datos entre disciplinas puede alterar ese ritmo: la IA puede descubrir patrones o ideas que antes quedaban ocultas, y el trabajo humano se desplaza hacia validar, cuestionar y ampliar el marco teórico para entender lo que aparece.

En ese contexto, Link imagina que cualquier científico que entre por primera vez en un laboratorio tendrá algo parecido a un “equipo” de apoyo: un conjunto de agentes que actuarán como postdocs virtuales. No se trata de sustituir al investigador, sino de darle superpoderes: sintetizar grandes cantidades de literatura científica y datos (tanto públicos como privados), sugerir hipótesis más rápido, y ayudar a elegir herramientas y enfoques para ejecutar simulaciones y experimentos. La clave, insiste, es que el científico sigue llevando el volante y la IA colabora de principio a fin.

La conversación ocurre en un entorno de laboratorio cuántico, y eso sirve para aterrizar la idea en química y ciencia de materiales, donde muchos problemas se vuelven intratables para la computación clásica cuando crece la complejidad del sistema (por ejemplo, al aumentar el número de electrones). Ahí, combinando computación avanzada —y en el horizonte, computación cuántica— con modelos de IA, se abre la puerta a explorar espacios enormes de posibilidades que un laboratorio tradicional no podría recorrer.

Microsoft, según Link, entra en este terreno porque es una empresa de plataforma y quiere llevar estas herramientas a tantos científicos como sea posible. Como prueba de que no es solo teoría, menciona trabajos internos donde han encontrado candidatos para electrolitos de baterías y, especialmente, un ejemplo en refrigeración de centros de datos: buscando reemplazar refrigerantes con “forever chemicals” poco sostenibles, usaron sus herramientas para identificar una molécula nueva en menos de diez días de cómputo y sintetizarla y probarla físicamente en unos meses, algo que en métodos tradicionales podría alargarse años.

La entrevistadora empuja un punto crucial: si la IA conecta ideas entre campos que el científico no domina, ¿cómo se evita que una sugerencia brillante sea en realidad un error? Link responde que el futuro depende de la validación y la transparencia: la IA debe mostrar trazabilidad con referencias, notas y registros de lo que hizo cada agente, para que el investigador pueda auditar el proceso, corregir desviaciones y, cuando haga falta, contrastar con expertos humanos de otras disciplinas.

También discuten el mito de que la IA “no crea nada nuevo”, y lo matizan: en ciencia, la novedad muchas veces llega por escala. Si puedes evaluar decenas de millones de candidatos —algo imposible en la práctica experimental tradicional— terminas generando datos y rutas de exploración que nadie había visto, y de ahí salen descubrimientos que obligan a replantear preguntas. Con esa visión, proyectan un futuro cercano donde la innovación científica se “escala” igual que hoy se escalan los productos, y donde la IA acelera avances en retos enormes como captura de carbono, clima o seguridad alimentaria. Al final, Link apunta a 2026 como un año en el que Microsoft espera acercar la computación cuántica fiable a un uso más real, como parte de esta nueva etapa en la que la IA se convierte en compañera de laboratorio.