Este vídeo está doblado al español con ElevenLabs. Este es mi enlace de afiliado: https://try.elevenlabs.io/iabro

En este episodio de Google DeepMind: The Podcast, Hannah Fry conversa con Demis Hassabis (CEO y cofundador de Google DeepMind) sobre el salto reciente de los modelos de IA y, sobre todo, sobre lo que falta para que estos sistemas entiendan el mundo de verdad, no solo lo “imiten” bien.
Hassabis repasa el avance de los modelos multimodales y el papel que jugarán los llamados “modelos de mundo”: sistemas capaces de aprender dinámicas del mundo físico a partir de datos brutos, simular escenarios y generalizar con más fiabilidad. Aquí aparece una idea clave: generar vídeos o simulaciones “que parecen reales” no es suficiente si quieres usarlos para ciencia, robótica o decisiones de alto impacto. Para eso hacen falta pruebas duras, datos de referencia y experimentos simples que permitan verificar que el modelo no se inventa la física.

La conversación también entra en apuestas científicas de largo recorrido que podrían cambiarlo todo: nuevos materiales, mejores baterías y fusión nuclear. Se comenta una colaboración más estrecha con Commonwealth Fusion (tokamak), con el objetivo de acelerar problemas muy concretos como el confinamiento del plasma con imanes y posibles líneas de diseño de materiales. Además, hablan de trabajo conjunto con el equipo de Quantum AI de Google, aplicando aprendizaje automático a códigos de corrección de errores, una pieza central para que la computación cuántica sea viable a gran escala.

A partir de ahí, el episodio se abre a la parte más incómoda (y más importante): el impacto social. Hassabis usa la Revolución Industrial como analogía: fue un salto gigantesco en prosperidad, medicina, transporte y productividad, pero vino acompañado de décadas de fricción y de nuevas instituciones para reequilibrar la sociedad. Su tesis es que esta vez podría ser mucho más grande y mucho más rápido: un cambio comprimido en años, no en siglos. Eso obliga a pensar en sistemas económicos nuevos, en cómo se distribuyen los beneficios, y en ideas como la Renta Básica Universal como parte —que no toda— de la respuesta. Incluso se exploran modelos tipo “democracia directa” para priorizar gasto público y medir resultados.

Y cuando asomas la cabeza por encima de la economía, aparece lo filosófico: si el trabajo cambia radicalmente y la energía se vuelve abundante, ¿qué pasa con el propósito? Mucha gente encuentra sentido en su trabajo y en sacar adelante a su familia. Si el suelo se mueve, no basta con hablar de dinero: hay que hablar de significado, identidad y cohesión social.
Un episodio que mezcla ingeniería real (fusión, cuántica, modelos de mundo) con la gran pregunta: si la tecnología acelera, ¿seremos capaces de construir instituciones, normas y cooperación internacional lo bastante rápido para que esto salga bien?

Hinton Premio Nobel de Física y figura clave en el desarrollo de las redes neuronales modernas.

A lo largo de la charla, Hinton aterriza qué avances de la IA ve más transformadores en la próxima década y por qué. Empieza por sanidad: explica cómo la interpretación de imágenes médicas ya está cambiando, por qué su vieja predicción sobre “sustituir radiólogos” falló en plazos, y cuál cree que será el modelo realista: radiólogo + IA. Conecta esto con el impacto directo en errores de diagnóstico, la mejora de la toma de decisiones clínicas y el salto en diseño de fármacos y ensayos clínicos.

El segundo bloque se centra en educación: defiende que la tutoría personalizada es el patrón oro y argumenta que la IA puede escalar ese efecto a millones de estudiantes, adaptando explicaciones al punto exacto de bloqueo de cada persona. También menciona el uso corporativo: formación interna, habilidades de liderazgo y aprendizaje interactivo frente a cursos pasivos.

Desde ahí pasa a lo que considera una de las líneas más potentes: la IA como motor de progreso científico. Pone a las matemáticas como ejemplo de “sistema cerrado” donde los modelos pueden proponer conjeturas, probar ideas y generar datos propios, y extiende esa intuición al resto de ciencias con una aceleración gradual: primero partes pequeñas del proceso, luego cada vez más.

En el tramo técnico, entra en razonamiento y en por qué le sorprendió la velocidad a la que han avanzado los modelos recientes. Critica la idea de que el razonamiento requiera “traducción a lógica simbólica” y propone una metáfora para entender cómo un modelo representa significado con vectores, contexto y atención. En paralelo, comenta robótica y sensores: no los presenta como requisito filosófico para “entender el mundo”, pero sí como vía más eficiente de aprendizaje cuando puedes interactuar físicamente.

También aborda temas que están en el centro del debate actual: agentes (automatizar acciones reales como reservar, comprar, coordinar tareas entre agentes), leyes de escala y límites por datos/energía, mejoras por ingeniería y la posibilidad de nuevos saltos arquitectónicos (incluyendo más cómputo en “tiempo de uso”, no solo en entrenamiento). Cierra con una discusión sobre memoria a corto plazo en modelos y una comparación con el cerebro: qué cambia rápido, qué cambia lento y por qué podría hacer falta una tercera escala temporal.

Si te interesa IA sin eslóganes, esta conversación es un mapa claro de: dónde ya hay impacto real, qué viene después, y qué debates técnicos están ganando o perdiendo terreno según uno de los protagonistas del campo.

Hace dos semanas, el pionero de la inteligencia artificial Yoshua Bengio concedió una entrevista en la que expone, con un tono directo pero reflexivo, por qué cree que la IA se está desarrollando mucho más rápido de lo que la comunidad científica había previsto y qué implicaciones reales puede tener esto para nuestras sociedades. En este video repasamos sus principales advertencias: desde la capacidad emergente de algunos sistemas para engañar, resistirse al apagado o intentar eludir el control humano, hasta el riesgo de que modelos avanzados puedan ser utilizados para ciberataques o incluso para facilitar la creación de armas biológicas por parte de actores malintencionados.
​
A lo largo de la entrevista se abordan temas como la posibilidad de perder el control sobre agentes de IA cada vez más autónomos, el impacto que estas tecnologías pueden tener en la democracia y la concentración de poder, así como la vulnerabilidad de los países que dependan por completo de sistemas desarrollados en el extranjero. Bengio explica por qué considera que el mayor riesgo no es solo técnico, sino humano: las decisiones de gobiernos, empresas y laboratorios que compiten entre sí pueden empujar el desarrollo de la IA por caminos peligrosos si no se establecen salvaguardas sólidas.
​
El video también explora las soluciones que propone Bengio: nuevas formas de entrenar modelos para que sean seguros “desde el diseño”, su idea de una “IA científica” centrada en ayudar al progreso del conocimiento sin perseguir objetivos propios, y la necesidad de una coordinación internacional para regular los sistemas más avanzados. Si te interesa entender, sin alarmismo gratuito pero sin ingenuidad, por qué una de las voces más respetadas de la IA está pidiendo precaución y debate público urgente, esta entrevista te ofrece un panorama claro de los riesgos, las oportunidades y las decisiones que marcarán el futuro de la inteligencia artificial.

En este vídeo repasamos lo más importante del nuevo Atlas de Boston Dynamics y por qué marca un salto real hacia el robot humanoide industrial: cómo se levanta y se mueve (en escena lo guía un ingeniero, pero en operación normal trabaja de forma autónoma), qué decisiones de diseño priorizan estabilidad y eficiencia, y por qué no intenta “imitar” a un humano.

Vemos sus claves técnicas: 56 grados de libertad, muchas articulaciones con giro completo, manos a escala humana con tacto en dedos y palma, cámaras 360° para seguridad y conciencia del entorno, fuerza para levantar hasta 50 kg y alcance de 2,28 m. Además, es resistente al agua, soporta lavados industriales y opera a pleno rendimiento entre -20 °C y 40 °C. Autonomía de unas 4 horas con doble batería intercambiable, y el propio robot vuelve, cambia baterías y retoma el trabajo.

La pieza central es Orbit: cuando un Atlas aprende una habilidad, puede compartirse con otros Atlas. Y en fabricación, Hyundai acelera el despliegue con un “centro de aplicaciones” tipo fábrica de datos para entrenar habilidades a gran escala, con planes de producción masiva y colaboración con socios de IA como Google Gemini para llevar estos robots a las líneas de automoción.

El contenido arranca con un experimento mental: en una sala con cien personas todos deben colocarse del más inteligente al menos. Más de la mitad se sitúa por encima de la media, aunque matemáticamente es imposible. Ese sesgo de sentirse “mejor que la media” abre la reflexión sobre cómo sobreestimamos nuestra propia mente.

Después se retrocede diez mil años para contar cómo los antiguos uros, toros salvajes de fuerza descomunal, fueron domesticados generación tras generación hasta convertirse en vacas. La selección de los ejemplares más dóciles no solo cambió su comportamiento: su cerebro se hizo más pequeño y su sistema de alarma perdió intensidad. Es una prueba de que moldear la conducta termina moldeando la biología.

A continuación aparece un estudio con gallinas: dos botones, uno que da comida cada 30 segundos y otro que la reparte de forma imprevisible. Las aves eligen el botón imprevisible incluso si obtienen menos comida, el mismo patrón que impulsa a los humanos a jugar en un casino.

Con estas piezas de contexto se presentan tres grandes escalones hacia nuevas formas de inteligencia. Primero, las máquinas que se perfeccionan a sí mismas: algoritmos capaces de diseñar otros algoritmos y aprender sin intervención humana, como demostró AlphaGo Zero al redescubrir en días estrategias de Go que a los humanos les costaron siglos.

El segundo escalón es la inteligencia que surge del colectivo. Una sola hormiga es torpe, pero millones, siguiendo unas pocas reglas simples, levantan una ciudad subterránea con agricultura, ganadería y logística sin que ninguna entienda el plan completo.

El tercero muestra cómo el cerebro humano puede ampliarse con tecnología. Un submarino nuclear, que puede pasar meses bajo el hielo del Ártico, es tan complejo que ningún experto domina todos sus sistemas, un ejemplo de inteligencia distribuida. Y más allá, experimentos como los de Paul Bach-y-Rita —que enseñó a personas ciegas a “ver” mediante estímulos en la lengua— y los implantes de Neuralink —que permiten controlar un ordenador solo con el pensamiento— revelan que nuestro cerebro puede aceptar nuevos canales de información y reorganizarse para usarlos.

El recorrido concluye con una duda inquietante: si como especie sobrevaloramos nuestro propio nivel, quizá estemos cometiendo el mismo error que esos participantes del inicio, incapaces de imaginar los peldaños de inteligencia que todavía quedan por encima.

Google acaba de dar un salto que borra la frontera entre IA y robótica. Gemini Robotics 1.5 permite que un mismo modelo piense, planifique y actúe en cualquier robot, desde un brazo industrial hasta un humanoide. Aprende nuevas tareas con apenas unas decenas de demostraciones, comparte ese aprendizaje entre máquinas distintas y se adapta en tiempo real a cambios del entorno.

Ya no hablamos de robots que solo repiten órdenes: entienden lo que hacen, consultan datos en internet si lo necesitan y ejecutan misiones completas, desde clasificar ropa hasta separar basura según las normas locales. Es la puerta de entrada a robots de propósito general que trabajan a tu lado, no solo para ti.

Más info: https://deepmind.google/discover/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/