La IA da el salto del laboratorio a la realidad, y lo hace en todos los ámbitos a la vez

Una oleada de investigación que cambia el tablero de juego

Ahora mismo está ocurriendo algo en la investigación en IA que rara vez he visto. No es un único gran avance, sino un movimiento amplio y coherente en el que resultados de campos muy distintos apuntan en la misma dirección: la IA está preparada para dar el paso del laboratorio a la realidad, área por área.

Empecemos por lo que afecta de forma directa a más vidas. NeurDuo-EEG, un nuevo modelo fundacional para el análisis de ondas cerebrales, resuelve un problema que durante mucho tiempo ha limitado la IA clínica: la mayoría de los sistemas solo han sido capaces de analizar momentos cortos y aislados de datos de EEG. NeurDuo-EEG puede, en cambio, retener y recuperar información relevante de horas de registro continuo. ¿El resultado? Una detección de crisis epilépticas notablemente mejorada. Además, el modelo es compacto, con solo 4,7 millones de parámetros, y es de código abierto en GitHub. No es solo un resultado de investigación: es un posible salvavidas que está listo para desplegarse.

En el desarrollo de fármacos se presenta RetroGEF, un modelo generativo para la retrosíntesis, es decir, el arte de trabajar hacia atrás desde una molécula farmacéutica deseada para encontrar posibles rutas de fabricación. Lo que distingue a RetroGEF de métodos anteriores es su capacidad para gestionar cambios tanto en los enlaces como en el número de átomos dentro del mismo proceso generativo, sin un orden preprogramado. Rendimiento máximo en los puntos de referencia establecidos. En la práctica, esto significa menos tiempo desde la idea hasta el candidato a fármaco, menores costes y la posibilidad de explorar espacios químicos que antes eran demasiado complejos de cartografiar.

Agricultura, clima y seguridad vial: la IA se expande

Uno de los resultados más subestimados de la semana procede del sector agrícola. Un nuevo marco de aprendizaje profundo puede predecir cosechas nacionales con una precisión impresionante, y sin necesidad de costosos datos satelitales ni de modelos complejos del suelo. Bastan las mediciones meteorológicas rutinarias. En un estudio de caso con 20 temporadas de cultivo de soja en Brasil, un modelo Transformer redujo el porcentaje de error en nada menos que un 47,6 por ciento en comparación con las previsiones tradicionales. Esto no es una curiosidad académica: es precisamente la herramienta que los sistemas alimentarios, las aseguradoras y los Estados necesitan para gestionar la incertidumbre climática.

En el frente climático, las previsiones meteorológicas basadas en IA mejoran gracias a un nuevo método basado en modelos de difusión. El núcleo es el entrenamiento con tareas auxiliares de eliminación de ruido que reducen la ambigüedad en ventanas de previsión más largas, justo donde la incertidumbre se dispara tradicionalmente. Las mejoras se mantienen incluso en previsiones globales de alta resolución. Los mejores modelos meteorológicos no son solo un logro técnico; son infraestructura básica para la planificación energética, la agricultura y la preparación ante catástrofes.

Una aplicación más inesperada: el aprendizaje automático que identifica en tiempo real a los usuarios de patinetes eléctricos que van bebidos. En un experimento controlado con 25 participantes y un patinete instrumentado, el sistema alcanzó una precisión del 85 por ciento. Los conductores en estado de embriaguez mostraron un patrón claro: movimientos reactivos menos frecuentes pero más bruscos, en lugar de correcciones pequeñas y continuas. Esto abre la puerta a sistemas de seguridad integrados que bloqueen a los conductores ebrios sin molestar a los usuarios sobrios.

Los modelos de lenguaje se afinan, de dentro hacia fuera

Para quienes seguimos de cerca la evolución de los modelos de lenguaje, hay tres resultados que destacan. Hermes es un nuevo marco que permite a los propios modelos de IA decidir cómo distribuir la capacidad de cómputo durante la inferencia. Los modelos más pequeños, que antes tenían dificultades para aprovechar de forma eficiente la potencia de cálculo adicional, ahora aprenden estrategias adaptativas, sin reglas preprogramadas. Es un paso hacia modelos que realmente razonan, en lugar de limitarse a una coincidencia de patrones de alto nivel.

JARQ aborda un cuello de botella práctico: los modelos de lenguaje comprimidos pierden precisión innecesaria durante la llamada cuantización. JARQ ajusta alternativamente los factores de escala y desplaza los códigos, sin retropropagación y sin afectar a la velocidad de inferencia. En pruebas con Llama y Qwen, la perplejidad se redujo en 90 de 96 comparaciones. En la cuantización a tres bits, la reducción llegó hasta el 36 por ciento. Esto significa una IA más potente en dispositivos con recursos limitados: un enorme avance práctico.

Por último, una nueva investigación traza una ley de escalado para la optimización de recompensas, el mecanismo que determina cómo se alinean los sistemas de IA con las preferencias humanas. Los investigadores muestran que el rendimiento depende del volumen de datos de entrenamiento y de cuánto se permite que el modelo se desvíe de su política de comportamiento original, con una alineación del 97–99 por ciento en experimentos con modelos de hasta 70 mil millones de parámetros. Esto nos da mejores herramientas para evitar lo que a veces se llama «hackeo de recompensas»: cuando los modelos optimizan métricas erróneas en lugar de los objetivos reales.

Y como muestra de la madurez de la investigación en IA: LeanPolish automatiza y acorta pruebas matemáticas formales en Lean 4, con una reducción verificada de tokens que se ha duplicado tras el ajuste fino. IA que ayuda a los matemáticos a escribir demostraciones más elegantes y breves: ya no es ciencia ficción.