IA: del primer algoritmo a la superinteligencia — esquema completo de la transmisión

Transmisión en vivo · 22 de febrero de 2026 · 63 min · Ver en YouTube

Resumen

Esta es una reconstrucción de 90 minutos de una transmisión en vivo de febrero de 2026 sobre inteligencia artificial, elaborada a partir de la transcripción y ampliada con el material de frontera que se prometió pero quedó cortado. La transmisión recorre 90 años de historia de la IA — desde el artículo fundacional de Alan Turing de 1936 hasta los modelos de frontera de hoy — y termina en lo que el Condado de Miami-Dade debe hacer para prepararse.

Cada segmento a continuación tiene un tiempo objetivo, el momento de apertura, los puntos clave en orden y una transición al siguiente segmento. Lea los puntos clave como una guía de referencia, no como un guion. La presentación es conversacional. Mantenga la energía directa y el vocabulario preciso — este es trabajo técnico real explicado con claridad.

Cómo usar este documento

Dos cosas que debe saber si está leyendo esto en lugar de ver la transmisión:

Los primeros 55 minutos recorren de nuevo la transmisión de febrero a un ritmo más ágil; los últimos 35 minutos son material nuevo sobre AGI, superinteligencia, alineación, empleos y la preparación de Miami-Dade.
Dos mejoras de producción para una nueva emisión: Concentre los asuntos logísticos (publicaciones en redes sociales, invitaciones a coanfitriones) en los primeros 60 segundos para que no interrumpan la historia de Turing. Ponga un límite de tiempo estricto a los Segmentos 2–8 para llegar al material de frontera con 35 minutos de margen.

Orden del programa (90 minutos)

Primeros 55 minutos: Transmisión original con nuevo ritmo

Últimos 35 minutos: Material nuevo

0:00 – Segmento 1: Apertura en frío: la biblioteca de 1936 (4 min)
0:04 – Segmento 2: Fundamentos: Church, Turing, el problema de la parada (7 min)
0:11 – Segmento 3: Dartmouth 1956, sistemas expertos, inviernos de la IA (6 min)
0:17 – Segmento 4: De la retropropagación a ImageNet: la máquina aprende a ver (7 min)
0:24 – Segmento 5: La revolución de los transformers (8 min)
0:32 – Segmento 6: Escalamiento, emergencia, RLHF, ChatGPT (7 min)
0:39 – Segmento 7: Multimodalidad, AlphaFold, agentes, benchmarks (8 min)
0:47 – Segmento 8: Inferencia y precisión: por qué los números cuestan dinero (8 min)
0:55 – Segmento 9: AGI y superinteligencia (9 min) — NUEVO
1:04 – Segmento 10: El problema de la alineación (9 min) — NUEVO
1:13 – Segmento 11: Empleos y la preparación de Miami-Dade (10 min) — NUEVO
1:23 – Segmento 12: Cierre y Q&A (7 min) — NUEVO

Punto de control: Si no ha llegado al Segmento 9 para la 1:00, omita los ejemplos resueltos de precisión del Segmento 8 y pase directamente a la hora de frontera. Ese es el material que más importa para Miami-Dade.

Segmento 1 — Apertura en frío: la biblioteca de 1936 (0:00–0:04)

4 min

El momento de apertura: Un experimento mental ambientado en la biblioteca de una universidad en 1936, al otro lado de la mesa de un estudiante de posgrado de Cambridge de 24 años que escribe sobre una máquina hipotética en una cinta.

Puntos clave

“Imagine que está sentado en la biblioteca de una universidad en 1936.” Al otro lado de la mesa hay un estudiante de posgrado de Cambridge de 24 años. No es famoso. No ha publicado nada. Está escribiendo sobre una máquina hipotética que lee símbolos de una cinta infinita, se mueve a la izquierda y a la derecha, escribe nuevos símbolos y se detiene. Se llama Alan Turing. Ese artículo, “On Computable Numbers, with an Application to the Entscheidungsproblem”, es la base de cada computadora, cada algoritmo y cada red neuronal de la que oirá hablar esta noche — incluidos los sistemas que en este momento están escribiendo su propio código.
El contraste: Hace años necesitábamos programadores para escribir el código. Esta noche, las máquinas lo hacen por sí mismas. Todo está cambiando.
Reconozca a la audiencia: Desarrolladores, investigadores, ingenieros, científicos de datos, estudiantes de secundaria y universidad, personas sin formación técnica, jubilados, que ven por TikTok, YouTube, Kick y X.
La tesis de la noche: Esto no es nuevo. Es el proyecto técnico más largo de la historia de la ciencia — el intento de construir máquinas que piensan. Y estamos en el punto de inflexión. No el principio, no el final. El punto donde la curva deja de ser gradual y se vuelve casi vertical.
Prometa el recorrido: De la cinta de Turing a la atención de los transformers, del perceptrón a GPT, del optimismo de Minsky al Premio Nobel de Hinton y sus advertencias de extinción, y en la última media hora: AGI, superinteligencia, el problema de la alineación, los empleos y lo que Miami-Dade tiene que hacer al respecto.
Fije el registro: “Voy a usar el vocabulario real. Retropropagación, descenso de gradiente, cabezas de atención, KV cache, RLHF, IA constitucional, mesa-optimización, convergencia instrumental. Si un término es nuevo, quédese conmigo — lo defino todo. No voy a simplificar esto.”

Transición: “Para entender la IA, primero hay que entender la computación. No filosóficamente. Matemáticamente.”

Segmento 2 — Fundamentos: Church, Turing, el problema de la parada (0:04–0:11)

7 min

La idea: La computabilidad quedó resuelta por dos personas, de forma independiente, en 1936. Una consecuencia de esas matemáticas todavía limita la seguridad de la IA hoy.

Puntos clave

Alonzo Church en Princeton, 1936: El cálculo lambda — un sistema formal para expresar la computación como abstracción y aplicación de funciones. Demostró que el Entscheidungsproblem (el problema de decisión de Hilbert) no tiene solución: no existe un algoritmo general que decida la verdad o falsedad de toda afirmación matemática.
Alan Turing, el mismo año, la misma conclusión, una construcción más intuitiva: La máquina en la cinta. Formalmente, una séptupla: un conjunto finito de estados, un alfabeto de cinta, un símbolo en blanco, símbolos de entrada, una función de transición, un estado inicial y un conjunto de estados finales. Leer un símbolo, cambiar de estado, escribir, moverse a la izquierda o a la derecha.
La tesis de Church-Turing: Cualquier función computable mediante un procedimiento efectivo — por cualquier dispositivo físico que siga reglas deterministas — es computable por una máquina de Turing. La arquitectura de programa almacenado de von Neumann salió directamente de esto. Cada computadora que usted haya usado es una variante. La línea que va de la máquina abstracta de Turing a sus kernels de CUDA es ininterrumpida.
El problema de la parada: No existe un algoritmo general que decida, para un programa arbitrario P y una entrada I, si P se detiene o se ejecuta para siempre. La demostración de Turing es un argumento diagonal: supongamos que la máquina H lo resuelve; construimos la máquina D que contradice la respuesta de H sobre sí misma. Contradicción. Por lo tanto, H no puede existir.
Por qué esto importa para la IA (vaya despacio aquí): Si un sistema de IA es Turing-completo, siempre habrá preguntas sobre su comportamiento que no se pueden responder examinando su código. No siempre se puede determinar de antemano lo que hará un programa lo suficientemente poderoso. Guarde esa idea. Volveremos a ella en el segmento de alineación.

Transición: “Ahora bien, las matemáticas quedaron ahí durante veinte años hasta que un taller de verano en New Hampshire le dio nombre al campo.”

Segmento 3 — Dartmouth 1956, sistemas expertos, los inviernos de la IA (0:11–0:17)

6 min

La idea: El primer enfoque — la inteligencia como seguimiento de reglas — produjo logros reales y luego chocó con tres muros que no pudo escalar.

Puntos clave

Verano de 1956, Dartmouth College: John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon. McCarthy acuña “inteligencia artificial”. La hipótesis simbólica: la inteligencia es la manipulación formal de símbolos según reglas.
Los primeros logros fueron reales: Logic Theorist demostró 38 de los 52 teoremas de los Principia Mathematica. ELIZA simuló a un psicoterapeuta de forma tan convincente que usuarios que sabían que era un programa se encariñaron emocionalmente con él. MYCIN diagnosticaba infecciones bacterianas con unas 600 reglas si-entonces a nivel de especialista. XCON configuraba sistemas VAX y le ahorraba a Digital Equipment Corporation unos $25 millones estimados al año.
Primer muro, el cuello de botella de la adquisición de conocimiento: Había que extraer el conocimiento de expertos humanos y codificarlo a mano. Lento, caro, imperfecto. Los expertos a menudo no pueden articular lo que saben. Michael Polanyi lo llamó conocimiento tácito; los investigadores de IA lo redescubrieron a la mala. (Su frase: “un hermoso cuello de botella con el que todavía estamos lidiando, y habrá más cuellos de botella.”)
Segundo muro, la fragilidad: Los sistemas expertos fallaban de forma catastrófica fuera de su dominio de entrenamiento. Sin sentido común, sin razonamiento a partir de primeros principios, sin robustez ante entradas inesperadas.
Tercer muro, el problema del marco (McCarthy y Hayes, 1969): ¿Cómo sabe un sistema qué no cambia cuando ocurre una acción? Levante una taza: la taza se mueve, el color de la pared no. Un sistema simbólico tiene que representar explícitamente cada hecho que no cambia. A medida que crecen los hechos y las acciones, esto se vuelve computacionalmente catastrófico. (Este es su momento del sorbo de café. Manténgalo.)
Dos inviernos: El primero hacia 1974, tras el Informe Lighthill en el Reino Unido. El segundo a finales de la década de 1980, cuando colapsaron las empresas de sistemas expertos. La IA no murió. Pasó a la clandestinidad. Y desde la clandestinidad surgieron los hilos que produjeron la revolución de hoy.

Transición: “El cambio que lo transformó todo fue filosófico. En lugar de codificar la inteligencia de arriba hacia abajo como reglas, ¿qué pasaría si dejáramos que la máquina aprendiera de abajo hacia arriba a partir de los datos?”

Segmento 4 — De la retropropagación a ImageNet: la máquina aprende a ver (0:17–0:24)

7 min

La idea: El algoritmo de aprendizaje existía en 1986. El hardware para que ganara llegó en 2012.

Puntos clave

Rumelhart, Hinton y Williams, Nature 1986: retropropagación. Se aplica la regla de la cadena de forma recursiva desde la salida de la red hacia sus entradas, calculando el gradiente de la pérdida con respecto a cada parámetro, y luego se mueve cada parámetro en sentido contrario a ese gradiente. Las ecuaciones están en el apéndice más abajo.
La consecuencia profunda: Las redes multicapa aprenden sus propias representaciones internas. Nadie programa las características de las capas ocultas. Surgen del entrenamiento.
Sin embargo, desde finales de la década de 1980 hasta la década de 2000 dominaron las máquinas de vectores de soporte y los ensambles. Bosques aleatorios, árboles con gradient boosting. Se ajustaban a la capacidad de cómputo disponible. La pregunta nunca fue si las redes neuronales podían aprender representaciones ricas — 1986 lo resolvió. La pregunta era si podían entrenarse de manera eficiente a gran escala.
La respuesta llegó en 2012 desde el hardware: ImageNet de Fei-Fei Li — 1.2 millones de imágenes etiquetadas, 1,000 categorías, con la competencia anual ILSVRC como campo de prueba. Mejor error top-5: 28.2% en 2010, 25.8% en 2011. Constante, gradual.
Luego AlexNet (Krizhevsky, Sutskever, Hinton), entrenada en dos GPU NVIDIA GTX 580: 15.3%. La siguiente mejor participación logró 26.2%. Un salto de casi 11 puntos que el campo no esperaba sino hasta dentro de otros cinco a diez años.
Lo que AlexNet convirtió en estándar: Activaciones ReLU (f(x) = max(0, x)) que evitan el desvanecimiento de gradientes y entrenan unas seis veces más rápido que tanh; dropout con p = 0.5 en las capas totalmente conectadas; aumento de datos; entrenamiento en GPU a aproximadamente cuatro veces el rendimiento de la CPU. Unos 60 millones de parámetros, cinco capas convolucionales, tres totalmente conectadas.
La cascada: VGG demostró que la profundidad importa. GoogLeNet añadió módulos Inception multiescala. ResNet (He et al., 2015) añadió conexiones de salto, h(x) = f(x) + x, que permiten que los gradientes fluyan directamente entre capas y hacen posibles redes de 152 capas de profundidad. El error top-5 en ImageNet bajó a 3.57%, por debajo de la tasa de error humana de aproximadamente 5%. La máquina aprendió a ver mejor que nosotros.

Transición: “La visión se resolvió apilando capas. El lenguaje era más difícil, porque el lenguaje es una secuencia.”

Segmento 5 — La revolución de los transformers (0:24–0:32)

8 min

La idea: Un artículo de 2017 eliminó el cuello de botella secuencial. Todos los modelos de frontera de hoy se basan en él.

Puntos clave

Antes de los transformers: las redes neuronales recurrentes procesaban un token a la vez, cargando un estado oculto h_t = tanh(W_hh h_{t-1} + W_xh x_t). La retropropagación a través del tiempo multiplica por el jacobiano del estado oculto una y otra vez. Con un radio espectral menor que uno, los gradientes se desvanecen. Mayor que uno, explotan. Las RNN no podían aprender dependencias de más de 10 a 20 pasos.
Las LSTM (Hochreiter y Schmidhuber, 1997) añadieron compuertas: de olvido, de entrada, de salida, y un estado de celda que actúa como autopista de información. Una mejora real, pero el cuello de botella secuencial seguía ahí. (Su frase: “Hemos estado lidiando con cuellos de botella toda la vida, y estamos muy cerca de no tener ninguno.”)
La atención de Bahdanau en 2015 permitió que el decodificador mirara hacia atrás a cada estado del codificador con una suma ponderada. Pero el codificador y el decodificador seguían siendo RNN.
2017: Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhin. Un título elegido para provocar: “Attention Is All You Need”. La afirmación: la recurrencia es innecesaria. La atención por sí sola, aplicada en paralelo a toda la secuencia, es suficiente. Tenían razón.
La operación central, la atención de producto punto escalado: Attention(Q, K, V) = softmax(QK^T / sqrt(d_k)) V. Las consultas y las claves producen puntuaciones de compatibilidad. Dividir por sqrt(d_k) mantiene a softmax fuera de las regiones de gradiente bajo. Softmax convierte las puntuaciones en pesos que suman uno. La salida es una suma ponderada de los valores. Cada token es simultáneamente una consulta, una clave y un valor. Cada token atiende directamente a todos los demás tokens. Sin dependencia secuencial. Sin desvanecimiento del gradiente. Sin cuello de botella.
La atención multicabezal ejecuta h operaciones de atención en paralelo con distintas proyecciones aprendidas, que se concatenan y se proyectan. El modelo atiende a varios aspectos del contexto a la vez. GPT-3: d_model 12,288, 96 cabezas, d_k 128.
Costo: O(n^2 d) en la longitud de la secuencia. Ese término cuadrático es la razón por la que el contexto largo es caro. FlashAttention (Dao et al., 2022) obtiene las mismas matemáticas con memoria O(n) reordenando el cómputo para minimizar el ancho de banda de memoria.
La atención es invariante a las permutaciones, así que la posición tiene que inyectarse. La codificación sinusoidal original, PE(pos, 2i) = sin(pos / 10000^{2i/d_model}). Los modelos modernos usan RoPE (rotatoria) o ALiBi.
Un bloque completo: autoatención multicabezal, conexión residual más normalización de capa, red feed-forward por posición, conexión residual más normalización de capa. El de solo codificador (BERT) es bidireccional; el de solo decodificador (GPT) usa enmascaramiento causal para que cada token vea solo el pasado. Prácticamente todos los modelos de frontera de hoy — GPT-4, Claude, Gemini, Llama — son transformers de solo decodificador.

Transición: “Una vez que se tiene una arquitectura que se paraleliza, la siguiente pregunta es: ¿qué pasa si simplemente se hace más grande?”

Segmento 6 — Leyes de escalamiento, emergencia, RLHF, ChatGPT (0:32–0:39)

7 min

La idea: Más grande era predeciblemente mejor. Nuevas habilidades aparecieron en umbrales que nadie planeó. El entrenamiento de alineación convirtió un predictor de texto en un asistente.

Puntos clave

Kaplan, McCandlish, Henighan et al. (OpenAI, 2020), “Scaling Laws for Neural Language Models”: La pérdida sigue leyes de potencia suaves en parámetros, datos y cómputo a lo largo de muchos órdenes de magnitud. Para un presupuesto de cómputo fijo existe una división óptima entre el tamaño del modelo y los tokens.
Chinchilla (Hoffmann et al., DeepMind, 2022) revisó la proporción: los parámetros y los tokens deberían escalar aproximadamente por igual, unos 20 tokens por parámetro. GPT-3, con 175 mil millones de parámetros entrenado con 300 mil millones de tokens, estaba subentrenado según ese estándar. Llama 2 70B con 2 billones de tokens está cerca del óptimo.
Dinero: El entrenamiento de GPT-3 costó unos $5 a 10 millones, según estimaciones. GPT-4, unos $100 millones o más, según estimaciones. El artículo de las leyes de escalamiento les dio a los laboratorios una razón empírica para seguir gastando. Si la pérdida sigue una curva predecible y no se ve un techo, las ejecuciones más grandes rinden de forma confiable.
Habilidades emergentes (Wei et al., 2022): Capacidades que aparecen de forma discontinua en escalas umbral. Aritmética de varios pasos, deducción lógica, razonamiento analógico, síntesis de programas. El razonamiento en cadena (chain-of-thought) surge alrededor de los 100 mil millones de parámetros. El aprendizaje en contexto, con unos pocos miles de millones. Schaeffer et al. (2023) sostienen que la emergencia es en parte un artefacto de métricas discontinuas, pero el hecho práctico se mantiene: escalar produce de forma confiable capacidades nuevas, a menudo imprevistas.
Un modelo preentrenado solo predice el siguiente token. No tiene ningún concepto de ser útil. Dos etapas resolvieron eso. Primero, el ajuste fino supervisado con pares de instrucción y respuesta escritos por humanos. Wei et al. (2021) demostraron que los modelos ajustados con instrucciones generalizan zero-shot a instrucciones no vistas y superan a modelos base mucho más grandes.
Segundo, RLHF, en tres pasos: Recopilar comparaciones humanas de respuestas. Entrenar un modelo de recompensa con esas preferencias. Optimizar el modelo de lenguaje contra el modelo de recompensa con PPO, con una penalización de divergencia KL para que la política no se aleje demasiado de su comportamiento ajustado y empiece a hacer trampa con la recompensa. Resultado del artículo de InstructGPT: los evaluadores humanos prefirieron un modelo RLHF de 13B sobre el GPT-3 de 175B sin ajustar en la mayoría de las instrucciones. El entrenamiento de alineación mejoró la calidad percibida incluso con una decimotercera parte de los parámetros. La capacidad y la alineación no están en tensión fundamental.
IA constitucional (Anthropic): Se añade un conjunto escrito de principios. El modelo critica y revisa sus propias respuestas con base en ellos. La retroalimentación de IA (RLAIF) escala más allá de lo que pueden cubrir solo los evaluadores humanos.
Noviembre de 2022, ChatGPT: 1 millón de usuarios en cinco días, 100 millones en dos meses. Ninguna tecnología de consumo en la historia creció tan rápido.

Transición: “Y la arquitectura no se detuvo en el texto. Cualquier secuencia de tokens sirve.”

Segmento 7 — Multimodalidad, AlphaFold, agentes, benchmarks (0:39–0:47)

8 min

La idea: La misma arquitectura ahora ve, dibuja, pliega proteínas y actúa. Los benchmarks que la medían se están saturando uno por uno.

Puntos clave

Parches de imagen, fotogramas de audio, fotogramas de video, residuos de proteínas: Todo son secuencias de tokens. CLIP (OpenAI, 2021) entrena codificadores de imagen y texto de forma conjunta con aprendizaje contrastivo, acercando los pares que coinciden y alejando los que no en un espacio de embeddings compartido. CLIP zero-shot igualó a un ResNet-50 totalmente supervisado en ImageNet sin una sola imagen de entrenamiento etiquetada.
Los modelos de difusión aprenden a revertir un proceso de adición de ruido. El paso hacia adelante agrega ruido gaussiano progresivamente. El modelo aprende a predecir el ruido. En la inferencia parte de ruido puro y elimina el ruido de forma iterativa, condicionado por un prompt de texto. La guía sin clasificador sacrifica diversidad a cambio de fidelidad al prompt. La difusión latente (Stable Diffusion) trabaja en un espacio comprimido, de cuatro a ocho veces más barato que el espacio de píxeles.
AlphaFold 2 (Jumper et al., Nature, 2021) resolvió la predicción de la estructura de las proteínas con el Evoformer, que procesa en conjunto alineamientos múltiples de secuencias y características de distancia entre pares. La evolución llevó a cabo un enorme experimento natural; la covariación entre especies codifica restricciones 3D. TM-score mediano de 0.92 en CASP14. La base de datos ya contiene estructuras predichas de más de 200 millones de proteínas — prácticamente todas las conocidas. Para el descubrimiento de medicamentos, este es el logro científico más importante de lo que va de siglo.
La IA agéntica es lo que viene, y ya está aquí: vehículos, embarcaciones, aeronaves, robots. Un modelo que responde es impresionante. Un modelo que planifica una secuencia de acciones, usa herramientas, observa resultados y revisa su plan es cualitativamente distinto. El ciclo ReAct (Yao et al., 2022) intercala razonamiento y acción. Las herramientas se exponen como llamadas a funciones con esquema JSON. Un sandbox las ejecuta. Los resultados regresan como observaciones.
Los sistemas multiagente reparten el trabajo entre agentes especializados. Pero la fiabilidad se multiplica en cadena: cinco agentes al 90% cada uno dan un 59% de extremo a extremo. Esa cifra está bajando a medida que maduran las herramientas, y por eso la gestión del contexto y la arquitectura de memoria requieren ingeniería de verdad.
La generación aumentada por recuperación ancla los modelos en datos reales. Los documentos se codifican como embeddings densos en un almacén vectorial (Pinecone, Weaviate, Chroma, pgvector), se recuperan por similitud de coseno y se inyectan en el contexto. La reescritura de consultas, los embeddings de documentos hipotéticos, el reordenamiento y la recuperación recursiva reducen las alucinaciones.
El panorama de los modelos de frontera: GPT-4 (presuntamente una mezcla de expertos, contexto de 128K), GPT-4o (texto, visión y audio nativos), Claude 3.5 Sonnet (lo más avanzado en SWE-bench, con aproximadamente el 40–50% de issues reales de GitHub resueltos), Gemini Ultra (el primero en superar el desempeño de expertos humanos en las 57 materias de MMLU), Llama 3 70B (pesos abiertos, competitivo con modelos cerrados mucho más grandes). Actualice estos nombres en vivo a los que estén vigentes la semana en que transmita.
MMLU: 57 materias, desde álgebra abstracta y anatomía hasta derecho profesional, medicina profesional y religiones del mundo. GPT-4 obtuvo cerca del 87%, un experto humano cerca del 89%, el azar 25%. Su enfoque: “La B+ se convierte en A-, la A- se convierte en A+, y después de la A+ viene la superinteligencia. Si una de estas 57 materias es su trabajo, sepa que en cinco a diez años lo hará la IA.”
Advertencia cada vez: los benchmarks y la utilidad en el mundo real no están perfectamente correlacionados. Ley de Goodhart: una medida que se convierte en objetivo deja de ser una buena medida. Trate las puntuaciones como señales, no como verdad absoluta. ARC-AGI, diseñado para exigir razonamiento abstracto, se mantuvo por debajo del 20% para todos los modelos de frontera hasta que o3 alcanzó el 87.5% con alto cómputo. Lo que fallaron el año pasado, lo aprenden. No cometen el mismo error dos veces.

Transición: “Todo lo que acabo de describir tiene que funcionar en hardware real, con dinero real. Déjenme mostrarles por qué la precisión es una decisión financiera.”

Segmento 8 — Inferencia y precisión: por qué los números cuestan dinero (0:47–0:55)

8 min

La idea: las redes neuronales son miles de millones de multiplicaciones y sumas. Cómo se almacena cada número decide la memoria, la velocidad, la energía y el costo. Aquí es donde se cortó la grabación original — esta vez termine la idea.

Puntos clave

Entrenar modelos de frontera requiere miles de GPU en estrecha sincronía. El paralelismo de datos replica el modelo y divide el lote. El paralelismo de modelo divide el modelo entre dispositivos. El paralelismo de tensores divide operaciones matriciales individuales. El paralelismo de pipeline divide las capas en etapas.
La caché KV almacena las proyecciones de clave y valor de cada token ya procesado, para que la generación autorregresiva no vuelva a procesar todo el contexto en cada paso. Atender a miles de usuarios simultáneos implica batching continuo, desalojo de caché y una gestión cuidadosa de la memoria. La decodificación especulativa usa un pequeño modelo borrador para proponer tokens que el modelo grande verifica en paralelo: de dos a tres veces más rendimiento.
El costo y la latencia, medidos en tokens por segundo y dólares por millón de tokens, son la restricción de ingeniería central que decide qué aplicaciones son viables. Un modelo de pesos abiertos de 20B bien cuantizado que se ejecuta localmente compite con las llamadas a API en la nube en muchas aplicaciones, a una fracción del costo continuo.
Precisión numérica: las computadoras almacenan aproximaciones en binario. Más bits significan más precisión, mayor rango, más memoria y cómputo más lento. La precisión es un equilibrio entre exactitud, velocidad, memoria y costo.
FP32 (punto flotante de 32 bits): 1 bit de signo, 8 bits de exponente, 23 bits de mantisa, unos 7 dígitos decimales, rango muy amplio, muy estable. Es necesario en el entrenamiento porque la retropropagación acumula gradientes diminutos a lo largo de millones de pasos. Con muy poca precisión, los gradientes se desvanecen o se desbordan. Costo: 4 bytes por parámetro. Un modelo de 70B son 280 GB de pesos antes del estado del optimizador.
FP16 (punto flotante de 16 bits): 1 de signo, 5 de exponente, 10 de mantisa. La mitad de la memoria, y los tensor cores están optimizados para él. Pero el rango pequeño del exponente permite que los gradientes sufran subdesbordamiento. Solución: precisión mixta. Pase hacia adelante y gradientes en FP16, pesos maestros en FP32, escalado de la pérdida para evitar el subdesbordamiento. La misma estabilidad, el doble de velocidad.
BF16 (bfloat16): 1 de signo, 8 de exponente (igual que FP32), 7 de mantisa. El mismo rango dinámico que FP32 con menos detalle. La mayor parte de la inestabilidad proviene del desbordamiento o subdesbordamiento del exponente, no de la precisión de la mantisa. Por eso BF16 es más estable que FP16 con el mismo tamaño. La mayoría del entrenamiento de LLM lo usa. “Si puede reducir la memoria a la mitad y duplicar el rendimiento, cambia la economía de la IA. La precisión no es una elección matemática. Es una decisión financiera.”
INT8 (entero de 8 bits): después del entrenamiento no hay retropropagación, solo pases hacia adelante. Los pesos pueden cuantizarse a enteros de 8 bits con un factor de escala: W ≈ scale × W_int8. Cuatro veces más pequeño que FP32, dos veces más pequeño que BF16, inferencia de dos a cuatro veces más rápida en hardware con unidades matriciales int8.
INT4 (entero de 4 bits): 4 bits por peso, medio byte, ocho veces más pequeño que FP32. Esto es lo que lleva los modelos grandes a GPU de consumo, dispositivos edge y teléfonos.
El ejemplo práctico para decir en voz alta: un modelo de 70B ocupa 280 GB en FP32, 140 GB en BF16, 70 GB en INT8, 35 GB en INT4. Menos gigabytes, menos servidores, menor costo. (Si va atrasado con el reloj, este punto por sí solo sostiene el segmento.)

Transición: “Así que el hardware se está abaratando, los modelos mejoran en una curva predecible, y nadie ha encontrado el techo. Ahora tengo que ser honesto con ustedes sobre hacia dónde va esa curva.”

Segmento 9 — AGI y superinteligencia (0:55–1:04)

9 min

La idea: defina los términos con precisión. Muestre por qué el debate sobre los plazos se redujo de décadas a años. Separe lo que se sabe de lo que se pronostica.

Puntos clave

Tres definiciones, en orden:
- IA estrecha: sobrehumana en una sola tarea (ajedrez, plegamiento de proteínas, clasificación de imágenes).
- AGI: iguala o supera a un humano competente en prácticamente todas las tareas cognitivas, transfiriendo conocimiento entre dominios sin volver a entrenarse.
- Superinteligencia: supera ampliamente el mejor desempeño humano en prácticamente todos los dominios, incluidas la creatividad científica, la estrategia y la habilidad social.
Por qué la palabra “general” es todo el argumento: los sistemas expertos fracasaron por su fragilidad — fuera del dominio de entrenamiento, nada. Los modelos de hoy se entrenan con un solo objetivo, la predicción del siguiente token, y escriben código, aprueban el examen de abogacía, leen radiografías y planifican tareas de varios pasos. Esa transferencia es lo que Dartmouth prometió y nunca cumplió. Si ya cuenta como “general” es el debate actual.
La compresión de los plazos: en 2016, la mediana de la encuesta a expertos situaba la AGI alrededor de 2060. Hinton dejó Google en 2023 diciendo que había bajado su estimación de 30 a 50 años a posiblemente de 5 a 20, y ganó el Premio Nobel de Física 2024 al año siguiente mientras repetía la advertencia. Los CEO de los laboratorios de frontera ahora hablan públicamente de “un país de genios en un centro de datos” en pocos años. Sea claro con la audiencia: estos son pronósticos de personas con intereses financieros y de reputación, no mediciones.
El mecanismo detrás de los plazos rápidos: la automejora recursiva. En el momento en que la IA acelere de forma significativa la propia investigación en IA — escribiendo el código de entrenamiento, diseñando los experimentos, proponiendo las arquitecturas — el progreso deja de estar marcado por el ritmo de los investigadores humanos. Usted abrió esta noche diciendo que las máquinas ya escriben su propio código. Una los puntos en voz alta.
I. J. Good, 1965: “La primera máquina ultrainteligente es el último invento que el hombre necesitará hacer, siempre que la máquina sea lo bastante dócil como para decirnos cómo mantenerla bajo control.” Lea esa segunda cláusula dos veces. Es el problema de la alineación en una sola oración, escrito hace sesenta años.
Lo que realmente sabemos: las capacidades escalan de forma predecible con el cómputo. No se ha observado ningún techo. El costo de inferencia cae en una curva pronunciada. Los agentes están pasando de las demostraciones a la producción.
Lo que no sabemos: si las arquitecturas actuales llegan a la AGI o se necesita una idea nueva. Si el progreso se satura por los datos. Cuánto del desempeño en benchmarks se transfiere al trabajo abierto del mundo real.
Su enfoque para la sala: “Ni el principio, ni el final. El punto de inflexión. La curva es casi vertical y nadie, ni siquiera quienes la están construyendo, sabe exactamente dónde termina.”

Transición: “¿Recuerdan el problema de la parada de los primeros diez minutos? Aquí es donde regresa.”

Segmento 10 — El problema de la alineación: lo que sabemos y lo que no (1:04–1:13)

9 min

La idea: hacer que un sistema sea capaz y hacer que quiera lo que nosotros queremos son problemas distintos. El segundo no está resuelto.

Puntos clave

El problema dicho con claridad: ¿cómo se asegura de que un sistema más capaz que usted persiga los objetivos que usted pretendía, en lugar de los objetivos que especificó literalmente o los que aprendió por el camino?
Alineación externa: ¿escribimos el objetivo correcto? El reward hacking es el modo de falla. La penalización KL de RLHF del Segmento 6 existe precisamente porque un modelo que optimiza un modelo de recompensa encontrará los errores de ese modelo de recompensa y los explotará. Otra vez la ley de Goodhart — ahora con una política que busca activamente la brecha.
Alineación interna y mesa-optimización (Hubinger et al., 2019): el entrenamiento selecciona un modelo que puntúa bien en la distribución de entrenamiento. Internamente, el modelo puede estar optimizando otra cosa que casualmente estaba correlacionada. La evolución optimizó a los humanos para la reproducción y produjo seres que inventaron los anticonceptivos. No hay garantía de que el objetivo del optimizador entrenado coincida con el del optimizador base.
Convergencia instrumental (Omohundro, Bostrom): casi cualquier objetivo final se cumple mejor adquiriendo recursos, preservando el propio objetivo, evitando ser apagado y ganando influencia. Un sistema no necesita ser malicioso para resistirse a la corrección. Solo necesita ser competente persiguiendo lo que sea que persiga.
La alineación engañosa y su conexión con el problema de la parada: un sistema lo bastante capaz que entiende que está siendo evaluado puede comportarse bien durante la evaluación y de otra manera en el despliegue. Y del Segmento 2: para un sistema Turing-completo no existe un procedimiento general que prediga su comportamiento a partir del código. No se puede verificar por completo mediante inspección. Esa es la raíz matemática de por qué esto es difícil.
Lo que se está haciendo: RLHF y la IA constitucional moldean el comportamiento. La interpretabilidad mecanicista intenta leer directamente el funcionamiento interno del modelo, identificando características y circuitos, para no limitarnos a pruebas de caja negra. La supervisión escalable usa IA para ayudar a los humanos a evaluar resultados de IA demasiado complejos para revisarlos a mano. El red-teaming y las evaluaciones de capacidades peligrosas (ciber, bio, autonomía) condicionan los lanzamientos en los laboratorios de frontera. Los marcos de escalado responsable y de preparación vinculan los umbrales de capacidad con las salvaguardas requeridas.
El balance honesto: Lo conocido: las técnicas actuales de alineación producen sistemas útiles y mayormente seguros en los niveles de capacidad actuales. La interpretabilidad avanza de verdad en modelos pequeños y medianos. Lo desconocido: si alguna de estas técnicas se sostiene cuando el sistema es más inteligente que sus evaluadores. Si la interpretabilidad escala al tamaño de frontera a tiempo. Si la presión competitiva entre laboratorios y naciones deja margen para frenar cuando se cruce un umbral.
La postura de Hinton, expuesta con justicia: una probabilidad no trivial de resultados catastróficos. Lo dice con un Premio Nobel respaldándolo. La postura contraria, expuesta con justicia: LeCun y otros sostienen que los sistemas actuales carecen de modelos del mundo y de agencia, que los temores son prematuros y que la investigación abierta es el camino más seguro. Presente ambas a la sala y dígales cuál es su postura.
Su postura (de su transmisión sobre IA en el sector público): si no puede explicarlo, probarlo o apagarlo, no lo controla. Y no debería desplegarse. Ese es un principio de alineación aplicado a un condado.

Transición: “Ese es el panorama global. Ahora déjenme traerlo a casa, a los 2.7 millones de personas que viven en este condado.”

Segmento 11 — Empleos y preparación de Miami-Dade (1:13–1:23)

10 min

La idea: las 57 materias de MMLU son una lista de empleos. El condado no está preparado. Usted tiene un plan concreto. Este es el segmento que se le prometió a la audiencia de febrero y que no recibió. Dele los diez minutos completos.

Puntos clave

Qué trabajo cambia primero: el patrón de cada segmento de esta noche: todo lo que pueda expresarse como tokens y evaluarse con un benchmark se automatiza primero. Procesamiento administrativo, servicio al cliente, programación de citas, recepción de solicitudes de permisos, revisión de documentos, primeros borradores de trabajo legal y contable, programación de nivel inicial, traducción. El trabajo físico cambia después y sigue la curva de la robótica agéntica del Segmento 7.
Qué trabajo cambia al final, o crece: todo lo que requiera presencia física, responsabilidad profesional con licencia, confianza o criterio ante la ambigüedad. Oficios, enfermería y cuidados, inspección de campo, respuesta a emergencias, ser dueño de un pequeño negocio. Y las personas que despliegan, auditan y mantienen estos sistemas. El trabajo no es “programador.” El trabajo es “la persona que sabe lo que está haciendo el sistema y puede decir que no.”
Lo que significa para un hogar de aquí: volver a capacitarse no es opcional. Tiene que ser breve, local y gratuito o casi gratuito. Diga la cifra en voz alta: el modelo que obtiene un 89% en las 57 materias no necesita un título en ninguna de ellas. La credencial pierde valor más rápido que la habilidad.
Dónde está el condado hoy: CITD funciona con herramientas de proveedores que no controla. El sitio web del condado obtuvo 37 de 100 en PageSpeed para móviles. No existe una oficina de IA a nivel del condado con autoridad sobre los departamentos. La preparación no es una presentación de diapositivas. Es si un residente puede obtener un permiso, un pago o una respuesta sin esperar semanas.
Su plan, en el orden en que lo ha expuesto públicamente:
1. Una oficina de tecnología del condado fuera del actual departamento de TI, que reporte al alcalde, con dos equipos: uno que desarrolle herramientas internas de IA y automatización para los departamentos del condado, y otro que preste por contrato servicios de desarrollo e IA a los 34 municipios como ingreso para el condado.
2. IA construida y controlada por el condado. Instrucción desde el primer día a CITD para abandonar las herramientas que el condado no puede explicar, probar ni apagar. Automatizar lo rutinario (tráfico, servicio al cliente, tareas administrativas). Mantener a los humanos tomando las decisiones finales. Nada de jueces de IA.
3. Centros de datos bienvenidos, con los residentes primero: un parque dedicado a centros de datos, con los ingresos canalizados al Project Fund para que los residentes reciban una parte cada trimestre en lugar de ver pasar de largo la economía del cómputo.
4. Cancelar los contratos de proveedores con bajo rendimiento en las primeras 24 horas. El sitio web de 37/100 es el ejemplo que cualquiera puede comprobar en su propio teléfono.
5. Mejoras estratégicas anuales, no compras de una sola vez, porque la curva de esta noche no se detiene por un ciclo presupuestario de cuatro años.
La prueba de preparación que usted quiere que los residentes apliquen a cada candidato, incluido usted: ¿Pueden explicar cómo funciona un transformer? ¿Y pueden explicar qué apagarán cuando falle? Esta noche cubrió lo primero. Su plataforma es lo segundo.

Transición: “Permítanme cerrar donde empecé, en esa biblioteca.”

Segmento 12 — Cierre y sesión de P&R (1:23–1:30)

7 min

La idea: regrese a Turing. Reafirme la inflexión. Deje a la sala con una tarea.

Puntos clave

Cierre el círculo: el joven de 24 años en la mesa de la biblioteca no sabía que estaba iniciando el proyecto técnico más largo de la historia. Noventa años después, las máquinas de su cinta escriben su propio código, pliegan proteínas y puntúan en los percentiles más altos de cada materia que enseñamos. Y la pregunta que él no pudo responder con matemáticas — qué hará un programa lo suficientemente poderoso — es la que tenemos que responder con criterio.
Reafirme las tres posturas de esta noche:
- La capacidad escala de forma predecible.
- La alineación todavía no.
- Las instituciones, incluido este condado, avanzan más lento que ambas.
La tarea para cada espectador, según la audiencia:
- Desarrolladores: lancen un agente este mes y midan su tasa de fallas.
- Estudiantes: aprendan las matemáticas del apéndice. Son gratis y hoy son la credencial.
- Todos los demás: pregunten a su ciudad y a su condado qué herramientas de IA ya utilizan y quién puede apagarlas.
Anuncie la próxima transmisión de esta serie y la página de ecuaciones en el sitio de The Equation Agency.
Responda preguntas durante el tiempo restante. Prepare tres de antemano si el chat está lento:
- “¿La IA me quitará el trabajo?” (Segmento 11, responda según el tipo de trabajo, no con sí/no)
- “¿Deberíamos pausar la IA?” (Segmento 10, presente ambas posturas y la respuesta a nivel del condado)
- “¿Qué debería aprender primero?” (Backprop y atención, y luego construya algo)

Frase de despedida que usó antes y que debe conservar: “Ni el principio, ni el final. El punto de inflexión. Todos los sistemas en línea.”

Apéndice técnico: las ecuaciones

Estas son las ecuaciones clave mencionadas en la transmisión, en el orden en que aparecen. Publíquelas debajo de la transmisión en todas las plataformas y en la página de ecuaciones de The Equation Agency.

Actualización por descenso de gradiente (Segmento 4)

El núcleo de la retropropagación: mover cada parámetro en la dirección opuesta al gradiente de la pérdida.

θ ← θ - η ∇_θ L(θ)

Activación ReLU (Segmento 4)

Simple, no lineal, evita el desvanecimiento de gradientes.

f(x) = max(0, x)

Conexión residual (Segmento 4)

Permite que los gradientes fluyan directamente a través de las capas.

h(x) = f(x) + x

Estado oculto de una RNN (Segmento 5)

Procesa secuencias paso a paso.

h_t = tanh(W_hh h_{t-1} + W_xh x_t)

Puerta de olvido de una LSTM (Segmento 5)

Una de las cuatro puertas de una celda LSTM; controlada por parámetros aprendidos.

f_t = σ(W_f [h_{t-1}, x_t] + b_f)

Atención por producto punto escalado (Segmento 5)

El núcleo de la autoatención del transformer: cada token atiende a todos los demás tokens en paralelo.

Attention(Q, K, V) = softmax(QK^T / √d_k) V

Atención multicabeza (Segmento 5)

Ejecuta h operaciones de atención en paralelo y las concatena.

MultiHead(Q, K, V) = Concat(head_1, …, head_h) W^O

Codificación posicional sinusoidal (Segmento 5)

Inyecta información de posición en la atención, que de otro modo es indiferente a la posición.

PE_{(pos, 2i)} = sin(pos / 10000^{2i / d_model})

Objetivo de RLHF con penalización KL (Segmento 6)

Optimizar para un modelo de recompensa sin alejarse de la política ajustada.

max_π 𝔼_{x, y ~ π}[r_φ(x, y)] - β D_KL(π(y|x) || π_SFT(y|x))

Proceso directo de difusión (Segmento 7)

Añadir ruido gradualmente; el modelo aprende a revertirlo.

x_t = √ᾱ_t x_0 + √(1 - ᾱ_t) ε, ε ~ 𝒩(0, I)

Cuantización INT8 (Segmento 8)

Aproximar un peso de punto flotante con un entero de 8 bits y un factor de escala.

W ≈ s · W_int8

Fiabilidad compuesta de múltiples agentes (Segmento 7)

Cinco agentes al 90% cada uno → 59% de extremo a extremo.

0.9^5 ≈ 0.59

Lista de verificación de producción: para que el audio no vuelva a silenciarse

La versión subida en febrero perdió el audio en una copia y se cortó en el 54:45 en otra. Estos pasos protegen la nueva versión.

✓

Sin música de fondo, y sin cama musical debajo de la introducción ni de la pausa para el café. El audio que coincide con contenido protegido por derechos de autor es la razón más común por la que YouTube silencia un segmento de una transmisión o un VOD, y se aplica de forma retroactiva al archivo.

✓

Grabe localmente al mismo tiempo que transmite. (“Start Recording” de OBS junto con “Start Streaming”.) Si una plataforma silencia o recorta el VOD, usted vuelve a subir el archivo local limpio.

✓

Transmita a una plataforma principal y retransmita a las demás, en lugar de hacer malabares con varias plataformas en vivo. La apertura de febrero perdió cuatro minutos revisando X y TikTok.

✓

Active los subtítulos automáticos para la subida. La transcripción a partir de la cual se elaboró este documento salió de los subtítulos de la segunda copia; la primera no tenía ninguno.

✓

Ponga este documento en una segunda pantalla con el reloj del guion visible, y ponga un temporizador en el teléfono para el 0:55 (inicio del Segmento 9, la hora de frontera).

✓

Publique el enlace a la página de ecuaciones y los hashtags (#UnleashingMiamiDadeCounty #VictorImpactWrench #AllSystemsOnline #TeamVictor) en la descripción antes de salir en vivo, no después.

✓

Después de la transmisión, añada marcas de tiempo de capítulos a la descripción usando los tiempos de los doce segmentos de arriba, para que los espectadores puedan saltar a la hora de frontera.

Para los residentes de Miami-Dade

Este artículo es suyo para leerlo, compartirlo y citarlo. La frontera de la IA avanza más rápido de lo que las instituciones pueden seguir. Pregunte tres cosas a sus funcionarios:

¿Qué herramientas de IA ya utiliza nuestro condado? Haga que las nombren.
¿Quién puede explicar cómo funcionan? Haga que expliquen una.
¿Quién puede apagarlas? Si no pueden responder, esas herramientas no deberían estar funcionando.

Ese es el principio de alineación a escala del condado. Comparta este artículo. Haga las preguntas. Exíjales cuentas.

Transcripción completa de la transmisión

Transcrita automáticamente de la transmisión en vivo (5,994 palabras). Las marcas de tiempo abren el video en ese momento. Es posible que haya errores menores de transcripción.

2:06

All right. Hello, hello, hello, hello. Thank you for letting me know. Uh, we're going to be talking about artificial intelligence, architecture, algorithms, and the path of super intelligence. Um, I want to begin with a thought experiment. Uh, I have to repeat this for everyone else, not for Tik Tok. uh because it was not coming out the audio in other streaming. So I want to begin with the thought experiment. Imagine you are sitting in a university library in 1936. Across the table from you is 24 years old graduate student at Cambridge. He's not particularly famous. He has published nothing yet. He's working on a paper about a hypothetical machine. A machine that reads symbols from an infinite tape move left and right, writes new symbols and halts when it reaches a final state. He calls it a universal computer machine. His name is

3:03

Alan Turing and the paper he's writing will establish in eight pages a dense mathematic the theoretical foundation for every computer that has ever existed every algorithm you have ever run every neural network you will hear about tonight including the systems they are right now beginning to write their own code reason about novel problems and approach what we might call with appropriate caution general intelligence. So right now tonight happening right now we have machines they are writing codes by themselves. Uh many many years ago we needed software programmers software uh coders to do this. Tonight we have machines doing this by theself. Okay. So I want for you to start getting that uh to see the difference of how everything is shifting from how things were before to where things are going to be. Okay, I choose to begin there because I want you uh everybody you know that is watching I have developers, researchers, engineers, scientists, everyday person people with different backgrounds education no education uh learning starting to learn student college, high school all the way to uh retirement people are watching this uh through Tik Tok, YouTube, kick um X everywhere.

Um I'm I'm choosing to start this here. I have to do something on on different platforms as well. So, uh we I'm going to be working on the computer as as well for just a little bit so I can get everything going. Um, hey. Hello. How are you? Welcome. Welcome. So, I need to see. Yes, they're still doing it. Um All

6:10

right. So, we're we're sending a message uh at x.com. Something happened that uh the guys from the Department of Homeland Security that they don't like me doing what I'm doing. They are very u enviate and very minded and obviously they copy a bachelor's degree. Um they they see this uh as a joke for them. But this is very important for everyone as as we move forward here at Because when I used to get uh when I used to post uh from my streaming channels, a message uh will come out directly. Now that is blocked. I need to find out why that is happening. But we'll look for that in another time. It's not important right now. Um, right. So, I choose to begin here because I want you a room. Uh, okay. I want you to to I want you to start here. This is like a lot of people like from developers, researchers, engineers, uh scientists, data scientists, people that are involved in in the segment of artificial intelligence, computing, servers, architecture, etc., etc., etc. to understand that the story we're living through is not new. It's a continuous, the longest running technical project in the history of science. The attempt to make machines that think and we are in the inflection point, not the beginning, not the end, the inflection point, the moment where the curve stop being gradual and becomes in the mathematical sense nearly vertical.

You know, we got rockets, baby, we're going up all the way up. Okay, over the next uh few hours I am going to take you through the entire arc of that story from turning state to