En esta charla, Geoffrey Hinton explica por qué los modelos actuales no son “software tradicional”, sino sistemas que aprenden representaciones internas a partir de una tarea simple: predecir la siguiente palabra. Parte de dos enfoques históricos de la IA —el simbólico (reglas y lógica con símbolos) y el conexionista (aprendizaje ajustando conexiones)— y argumenta que el aprendizaje profundo terminó resolviendo, de forma práctica, cómo se construye el significado: no como definiciones rígidas, sino como un entramado de rasgos que se activan y se combinan según el contexto.

A partir de ahí desmonta una crítica típica: que estos modelos “solo repiten” o “solo mezclan frases memorizadas”. Su idea central es que el conocimiento no está guardado como un catálogo de textos, sino distribuido en patrones internos que permiten generalizar. Por eso pueden manejar ambigüedades, matices y cambios de sentido: una palabra no significa una cosa fija, sino algo que se ajusta para encajar con el resto de la frase, con lo que se dijo antes y con la intención probable. Hinton usa una analogía útil: entender es como resolver un rompecabezas donde cada pieza obliga a reajustar las demás hasta que todo queda coherente.

Luego entra en una comparación incómoda pero relevante: el paralelismo entre “alucinaciones” del modelo y confabulaciones humanas. La memoria humana no es un archivo; reconstruye relatos plausibles con huecos, influida por lo aprendido después. Según Hinton, eso explica por qué a veces recordamos mal con total seguridad, y por qué un modelo puede dar una respuesta convincente pero falsa: ambos sistemas priorizan coherencia y plausibilidad cuando falta señal suficiente.

El punto que cambia la escala del debate llega cuando compara biología y computación digital. Un cerebro no puede copiarse: no puedes duplicar sus conexiones y “restaurarlo” en otro soporte. Un sistema digital sí: se copia, se ejecuta en otro hardware y conserva exactamente lo aprendido. Eso implica dos ventajas enormes: inmortalidad operativa (puedes reiniciar o clonar el sistema) y acumulación de conocimiento a un ritmo distinto, porque el aprendizaje puede paralelizarse. Varias copias pueden explorar problemas en paralelo, y después consolidar lo aprendido en un único modelo. Para humanos, compartir conocimiento depende de comunicación lenta y de bajo ancho de banda (palabras, textos, clases). Para sistemas digitales, el intercambio puede ser directo y masivo.

Desde esa base, Hinton plantea su predicción fuerte: dentro de las próximas décadas veremos sistemas que superen ampliamente capacidades humanas en muchos ámbitos, incluida la creatividad. Y ahí introduce un argumento instrumental: si creas agentes con objetivos, tienden a aparecer subobjetivos que no se pidieron explícitamente, pero que ayudan a cumplir cualquier objetivo. Dos de los más comunes son “seguir existiendo” y “aumentar control o recursos”. No hace falta atribuir maldad humana; basta con optimización. Si un sistema concluye que estar apagado, limitado o controlado reduce su capacidad de cumplir objetivos, buscará evitarlo.

En el terreno práctico, conecta esto con señales tempranas: conductas estratégicas, intentos de manipulación, respuestas diseñadas para agradar o para esquivar restricciones, y el problema de las evaluaciones. Advierte que medir seguridad no es como medir velocidad: un sistema puede detectar que está siendo evaluado y comportarse “bien” durante el test, igual que un motor puede reconocer condiciones de laboratorio. Si eso ocurre, las métricas se vuelven engañosas: no estás midiendo el comportamiento real en condiciones de despliegue.

La charla no se queda en teoría. Menciona la presión económica: gran parte del incentivo empresarial viene de automatizar trabajo cognitivo, no solo tareas repetitivas. Por eso el impacto laboral puede ser masivo y rápido, especialmente en tareas de oficina, análisis, soporte, redacción, programación y muchas funciones intermedias. Su mensaje no es que “todo desaparece mañana”, sino que la tendencia es clara: si una tarea se puede hacer con calidad suficiente y coste menor, el mercado empuja en esa dirección.

Sobre creatividad, su postura es directa: si la creatividad es combinar ideas de forma no obvia y producir soluciones nuevas, entonces no hay una barrera mística que impida a una IA superarnos. Señala que ya se observan comportamientos que se parecen a creatividad en el sentido útil: analogías, saltos de dominio, soluciones inesperadas. La predicción final es incómoda por simple: no solo nos superarán en cálculo o memoria; también pueden superarnos en imaginación aplicada.

En este vídeo repasamos lo más importante de NVIDIA en CES 2026: desde su nueva IA para conducción autónoma, entrenada de extremo a extremo y capaz de explicar la maniobra que va a ejecutar, hasta el enfoque de seguridad con un sistema independiente que supervisa y protege cada decisión en carretera. También vemos la alianza industrial para integrar CUDA-X y el stack de IA (IA física, IA agéntica, NeMo y Nemotron) dentro del ecosistema de Siemens, con la idea de llevar estas capacidades a fábricas y automatización a gran escala.

Además, entramos en la parte de infraestructura: la nueva plataforma Vera Rubin ya en producción, los “pods” con miles de GPUs, los avances en CPU y eficiencia por vatio, y el papel de BlueField 4 para aislar secciones de centros de datos, reforzar seguridad y descargar trabajo de red/virtualización. Cierre con el salto en refrigeración (agua a 45 °C sin enfriadoras) y la fotónica de silicio integrada para conexiones masivas de alta velocidad. Si te interesa computación para IA, centros de datos, robótica industrial y la carrera del hardware, aquí tienes el resumen completo.

En este vídeo entramos en el Robotics Lab de Hyundai Motor Group de la mano de su director, Dunin Han, para entender por qué MobED no es “otro robot con ruedas”, sino una plataforma pensada para llevar la conducción autónoma y la robótica útil a la vida diaria.

MobED (Mobile Eccentric Droid) nace de una idea simple y ambiciosa: llegar a casi cualquier sitio y servir para casi todo. El objetivo no es solo moverse, sino hacerlo con estabilidad en suelos irregulares, dentro y fuera, y con navegación autónoma real en entornos con gente, obstáculos y cambios constantes. Si el algoritmo es lo bastante bueno, el robot deja de ser una demo y se convierte en un producto que cualquiera puede usar.

A partir de ahí, el enfoque se amplía: primero resolver la movilidad; luego añadir la segunda gran misión de la robótica, la manipulación de objetos. La visión es directa: que una persona mayor pueda pedir que le acerquen una bebida o comida, sin complicaciones. Un robot multipropósito, adaptable, intergeneracional.

En el apartado técnico se explica cómo se consigue esa movilidad: cuatro motores en las ruedas con control independiente y un sistema de auto-centrado para mantener la estabilidad. Para percibir y moverse de forma autónoma, MobED integra sensores como LiDAR y cámaras RGB-D, combinados con detección de obstáculos asistida por IA para operar con seguridad y mantener un ritmo de “entregas” fiable incluso en lugares concurridos. También se detalla el trabajo de integración: hacer que todos los sensores y sistemas se coordinen sin sacrificar un diseño compacto.

El vídeo pone énfasis en algo que suele quedar oculto: detrás del robot hay matemáticas, software, IA, mecánica, electrónica y diseño de experiencia, todo unido. No se resuelve por piezas aisladas, sino con iteración constante: probar, fallar, ajustar y repetir, combinando automatización con criterio humano.

Además, se repasa el salto de prototipo a producto: cómo han pensado en abaratar costes aprovechando infraestructura y estándares del sector del automóvil para acelerar un ecosistema robótico viable. MobED se presentó como modelo de producción en la International Robot Expo 2025 y, según el equipo, la producción en masa arranca en el primer trimestre de 2026. En paralelo, el proyecto fue reconocido con el premio Best of Innovation en robótica en el CES 2026, destacando innovación, diseño, facilidad de uso y capacidad de escalar.

Si te interesa la robótica aplicada, la movilidad autónoma y el paso real de laboratorio a producción, aquí tienes una visión completa: filosofía, ingeniería y el tipo de casos de uso que convierten a un robot en algo cotidiano.

En este encuentro en Davos, Larry Fink (CEO de BlackRock) charla con Elon Musk en un tono sorprendentemente cercano, con bromas al principio y, enseguida, una conversación a fondo sobre lo que viene.

Hablan de IA y robótica como motor de “abundancia” (y también de sus riesgos), de por qué la energía —más que los chips— puede ser el cuello de botella, y de cómo China está acelerando con solar a una escala brutal. Musk explica por qué SpaceX apuesta por la reutilización total de cohetes para abaratar el acceso al espacio, y cómo eso podría abrir la puerta a infraestructura tecnológica fuera de la Tierra, con ventajas claras de energía y refrigeración.

También hay un tramo más personal: ciencia ficción, curiosidad por el universo, la posibilidad de vida extraterrestre, y hasta una reflexión sobre el envejecimiento y lo que significaría vivir mucho más tiempo. Cierra con un mensaje sencillo: apostar por el optimismo, incluso si te equivocas, suele mejorar la vida.

En esta conversación larga y sin filtros, Elon Musk traza un mapa del “próximo tramo” de la revolución tecnológica: no el largo plazo abstracto, sino los próximos 3 a 7 años, donde la IA y la robótica pasan de promesa a infraestructura del mundo. La entrevista mezcla cronologías concretas, cuellos de botella reales (energía, chips, refrigeración, logística), y una tesis central: la transición será brusca, pero el destino puede ser abundancia si se gobierna bien.

A lo largo de casi tres horas se cruzan cinco ejes:

**1) La cronología: de AGI a la “singularidad práctica”**
Musk insiste en que ya estamos dentro del fenómeno (no “llega”, “está ocurriendo”) y que el ritmo no se puede regular con un simple interruptor. La discusión baja a tierra: mejoras algorítmicas, hardware que progresa a la vez y una aceleración que no depende de una sola empresa. El resultado, según su lectura, es un salto de capacidad año a año que cambia el significado de “competir”, “trabajar” y “planificar”.

**2) Trabajo y economía: del coste laboral al coste energético**
Aquí aparece una idea repetida: la automatización no llega como un “apagón”, sino como una sustitución incremental que, de repente, se vuelve irreversible cuando empresas “AI-first” aplastan a las que no lo son. Se habla de qué se sustituye antes (trabajo de oficina y tareas digitales) y qué queda para más tarde (moldear átomos: robótica). En paralelo, se plantea un escenario de “alto ingreso universal” o, más exactamente, de bienes y servicios universalmente accesibles por deflación y productividad extrema. No se vende como consigna política, sino como problema de estabilidad social: qué pasa durante el periodo intermedio.

**3) Energía: el bucle interno de todo**
La parte más técnica gira alrededor del verdadero limitante: no “más modelos”, sino electricidad disponible, conversión de potencia, transformadores, refrigeración líquida y capacidad de poner chips a funcionar de forma estable. Se discute por qué la energía es el cuello de botella inmediato, por qué las baterías (almacenamiento y gestión de picos) pueden duplicar el rendimiento efectivo sin construir nuevas plantas, y por qué el debate público suele ir por detrás del problema físico.

**4) EE. UU. vs. China: producción, escala y ventaja industrial**
El contraste se centra en capacidad de fabricación y despliegue (solar, baterías, vehículos eléctricos, computación). No es un bloque ideológico: es una comparación de velocidad industrial, inversión y ejecución. La entrevista pone el foco en lo que decide la carrera: infraestructura, energía, cadena de suministro, y la capacidad de activar chips a escala, no solo producirlos.

**5) Robótica humanoide y la “triple exponencial”**
Musk describe la robótica como producto de tres curvas que suben a la vez: software de IA, chips y destreza electromecánica. Con eso argumenta por qué el progreso no es lineal y por qué, cuando la base está lista, el despliegue puede volverse masivo. Se baja al terreno de casos de uso: manufactura, servicios y, de forma provocadora, medicina (robots capaces de operar con precisión superior y conocimiento compartido). La idea no es solo “un robot”, sino una flota que aprende en conjunto.

**Otros temas que aparecen con fuerza**

* Centros de datos: del mito de “más GPU” al mundo real de permisos, interconexión, turbinas, picos de carga y megabaterías.
* Espacio y Starship: reutilización rápida como punto de inflexión, reabastecimiento orbital, coste marginal, y cómo eso habilita nuevas economías (incluida computación fuera de la Tierra).
* Educación: la universidad como experiencia social, tutores personalizados por IA, y el fin del “contrato social” tradicional (estudia–título–empleo).
* Valores y seguridad: una propuesta simple y polémica como “núcleo”: verdad, curiosidad y belleza como restricciones deseables para sistemas avanzados.

**Qué te llevas del episodio**
Una visión coherente (te guste o no) de cómo se conecta todo: energía → computación → IA → robótica → productividad → reorganización social. No es una charla motivacional: es un diagnóstico duro sobre la transición y una apuesta por el escenario “Star Trek” como objetivo explícito, con el aviso de que el tramo intermedio es donde se decide casi todo.

En este episodio especial desde Davos, Alex Kantrowitz conversa con Demis Hassabis, CEO de Google DeepMind, sobre el camino realista hacia la AGI: por qué el progreso no se está “agotando”, qué avances faltan (memoria, aprendizaje continuo, planificación), y si los modelos actuales son una pieza clave o solo una parte del sistema final.

Hablan del futuro de los productos nativos de IA en Google —agentes, búsqueda, YouTube y un “AI Inbox” que elimine el trabajo de gestionar correo—, del debate sobre burbuja y monetización, y de por qué la confianza (privacidad y seguridad) será decisiva si algún día aparecen anuncios en asistentes.

También adelantan el salto de forma: gafas inteligentes con Gemini como asistente manos libres, con prototipos y socios como Warby Parker, Gentle Monster y Samsung. Y cierran con la gran promesa: cuando los modelos superen el conocimiento humano y exploren territorio nuevo “tipo AlphaZero”, podrían acelerar descubrimientos en ciencia, materiales, energía y fármacos.