Temas · empresa
Google DeepMind
Seguir Google DeepMind por RSS
- Noticias
- 61
- Briefings
- 52
- Primera
- Última
-
AlphaGenome 2 baja la predicción genómica del tejido al tipo celular y casi duplica los aciertos de su antecesor (12/11)
El cambio de arquitectura es que ahora es un modelo condicional: además de la secuencia de ADN recibe un estado biológico concreto y predice el efecto para ese tipo celular, en vez de promediar sobre muchos tejidos a la vez. Entrenó sobre más de 107 millones de perfiles celulares individuales de 68 tejidos humanos y de ratón, y suma predicción de metilación del ADN a expresión génica y empaquetamiento. Los números sobre TenK10K, el dataset de 28 tipos de células inmunes primarias: identifica cerca del 30% de las variantes causales contra 16% de un AlphaGenome 1 fine-tuneado, y acierta si la variante sube o baja la expresión en 43% de los casos contra 23%. También puede adaptarse a estados celulares nuevos con unas pocas docenas de células, sin reentrenar, e inferir propiedades faltantes desde una sola medición. Acceso por API para investigación no comercial, preview cerrado para uso comercial, y explícitamente no aprobado para diagnóstico clínico; DeepMind dice que va a integrar sus capacidades en Antigravity junto a Gemini 4. The Decoder · MarkTechPost · Implicator
-
Robótica: Gemini Robotics 2.5 llega a 96% de éxito haciendo kitting en líneas activas de Mercedes-Benz, y Google libera el benchmark ASIMOV-Jailbreak (10/11)
La prueba de concepto se hizo sobre producción real, en Kecskemét (Hungría) y Sindelfingen (Alemania), con robots Apollo 2 de Apptronik — mano de cinco dedos y 22 grados de libertad — sacando piezas de bins y acomodándolas en bandejas. La arquitectura separa dos modelos: Gemini Robotics ER sigue el workflow y Gemini Robotics 2.5 maneja brazo y mano. Sobre más de 200 tareas distintas reclama entre 30% y 100% más de éxito que los baselines previos, y 20% a 30% menos tiempo por tarea; también corre sobre la plataforma Franka Duo con grippers de dos dedos. La parte abierta es el benchmark: ASIMOV-Jailbreak son cientos de prompts que disfrazan pedidos inseguros en decenas de escenas, y ahí Gemini 4 Argon reporta 99,5% de resistencia contra 82% del baseline anterior, con mejoras de 33% en completar tareas de forma segura alrededor de obstáculos y 43% cerca de personas. El modelo se está desplegando a los socios de robótica de DeepMind, sin acceso público anunciado, y el 4% que falta es exactamente lo que separa un piloto de una línea de producción. Google DeepMind · The Decoder · Crypto Briefing
-
AlphaProof Code: equipos de agentes de DeepMind verifican formalmente el código compilado de libsignal en cuatro semanas, y publican especificaciones y artefactos (10/11)
La parte que importa es qué se verificó: no el código fuente sino el ejecutable AArch64 estáticamente enlazado, construido con los crates libsignal v0.105.4 y SPQR v1.6.0 sin modificar, con pruebas en Lean chequeadas por máquina. Cubre el handshake PQXDH y el mensajeado Triple Ratchet en sesiones uno a uno: diez teoremas simbólicos bajo supuestos criptográficos idealizados más una prueba computacional que acota la ventaja del atacante, sobre forward secrecy, autenticación, post-compromise security y secreto del handshake. El reparto de trabajo es el patrón a copiar: los humanos eligieron las propiedades, resolvieron ambigüedades y aprobaron las especificaciones; los agentes de Gemini 4 Carbon escribieron todo el código de pruebas, y un gatekeeper solo aceptó una prueba después de que el kernel de Lean la chequeara y un comparador la hiciera coincidir con la especificación aprobada. Cambiar un supuesto de confianza requería aprobación humana. Lo que queda afuera está declarado y es mucho: generación de claves, mensajería de grupo, canales laterales, estado multi-dispositivo y healing post-cuántico, con algunas primitivas de bajo nivel representadas como contratos de confianza y no como código verificado. Un equipo de cinco personas corriendo agentes en continuo durante cuatro semanas, contra los años que esto solía llevar. Unite.ai · GitHub · Qodo
-
DeepMind: agentes de IA encuentran dos debilidades en RSA de 1024 bits, una de ellas unas 1.600 veces más eficiente que el mejor ataque conocido (06/11)
El equipo de Ciencia de Google DeepMind trabajó con criptoanalistas de la Universidad de California San Diego y del Inria francés, con Dj Dvijotham y Abhradeep Thakurta a la cabeza, y dice haber llegado a los dos resultados en semanas. El primero es sobre padding, el bloque de datos preestablecido que se agrega antes de firmar y que se asume que bloquea la falsificación: cuando el atacante controla alrededor de la mitad o más del bloque firmado, el padding no da "prácticamente ninguna protección adicional". La validación fue en sandbox contra un benchmark de RSA-1024 ya resuelto por trabajos académicos previos, y la implementación generada por la IA reprodujo el resultado usando 3,5 veces menos tiempo de CPU y menos de la milésima parte del cómputo que hace falta para factorizar esa clave; cuando el atacante controla solo una parte chica de los datos —una huella de 32 bytes, por ejemplo— el algoritmo encontrado supera en teoría al mejor ataque anterior por unas 1.600 veces para claves de 1024 bits. El segundo mejora la eficiencia asintótica del factoreo en lote: como muchos despliegues usan tamaños de clave estándar, el cómputo caro se puede compartir entre muchas claves, y el algoritmo baja unas 30 veces el costo promedio de factorizar cada clave adicional de 1024 bits. Las salvedades son grandes y las pone el propio laboratorio: RSA de 1024 bits ya está mayormente reemplazado por 2048 o más, Pushmeet Kohli dijo que "los resultados no afectan a esquemas de cifrado modernos como RSA 2048", el número de 1.600 es teórico, el resultado de padding se validó solo en sandbox, y los agentes trabajaron bajo supervisión humana. Ningún sistema en producción fue nombrado como afectado. Interesting Engineering · Crypto Briefing
-
Empleados y ex empleados de Google DeepMind impugnan cláusulas que les prohibían criticar a la empresa después de irse (03/11)
El reclamo apunta a condiciones contractuales que, leídas de forma literal, limitaban la crítica pública de por vida. Google respondió que no hace cumplir esas restricciones y que las sacó de los contratos nuevos, lo cual deja abierta la pregunta de qué pasa con los contratos viejos que siguen firmados. El contexto importa: es el segundo episodio en dos días en el que gente adentro de un lab frontera presiona sobre las condiciones bajo las que puede hablar, después de los whistleblowers que acompañaron la cobertura del umbral de auto-mejora de Anthropic. Washington Post
-
Anthropic retrofitea su marca de agua de texto a cuatro modelos viejos, y en dos de ellos se esquiva cambiando un parámetro (31/10)
La empresa les avisó a los clientes de API que van a llevar la marca a Claude Mythos 5, Opus 4.7, Opus 4.6 y Sonnet 4.6; los modelos posteriores al 2 de agosto de 2026, como Opus 5.5, ya la traen. El motivo es el plazo de diciembre de la ley europea de IA, y la marca se mete a nivel modelo, así que aplica en AWS, Google Cloud y Microsoft Foundry y el cliente no la puede apagar. El detalle que importa: en Opus 4.6 y Sonnet 4.6 la marca solo se aplica con los parámetros de sampling en sus valores por defecto —temperature, top_p y top_k—, y tocar uno cualquiera alcanza para que no se escriba. El propio mail de Anthropic lo dice: si dependés de la marca para tu compliance, dejá esos valores como vienen. Es una variante del SynthID de Google DeepMind y, según la empresa, no agrega tokens ni cambia el precio. The Decoder
-
Genie 4: el world model de Google DeepMind ahora genera audio propio y personas que hablan entre ellas (27/10)
Es el sucesor de Genie 3 y sigue siendo un modelo interactivo que calcula la escena cuadro por cuadro en tiempo real en vez de devolver video terminado: se recorre con el teclado y se dirige con prompts de texto. DeepMind reclama ser el primer world model en tiempo real que genera sonido directo —ambiente propio de cada mundo, como viento en los árboles— y además maneja diálogo, con personajes que se hablan y reaccionan a lo que hace el usuario; la mejora que destaca es el renderizado de personas, que se mueven con naturalidad y se pueden controlar. La arquitectura es interesante para quien arma sistemas: Genie 4 va arriba del modelo de video Gemini Omni, otros modelos Gemini planifican eventos en segundo plano y adaptan el mundo cuando el usuario cambia condiciones como el clima, y Gemini 3.8 Flash vigila la escena, parte los objetivos en pasos y revisa los cuadros nuevos para ver si cada paso funcionó. El puente con robótica ya existe: están probando Gemini 4 Argon atado a Gemini Robotics, y en una demo Genie 4 simuló al humanoide Apollo de Apptronik jugando a las damas sin robot físico. Los límites los pone DeepMind: es experimental, se mantiene consistente en sesiones cortas pero los detalles visuales derivan y los objetos pueden no persistir en sesiones largas o después de varios cambios complejos de prompt, y las interacciones físicas complejas, el sonido preciso en tiempo real y el texto legible siguen en investigación. Hoy es research preview para testers elegidos, con llegada esperada a suscriptores de Google AI Ultra en la app web Project Genie. Todo sale con marca de agua SynthID. No hay benchmarks, resolución, framerate ni precios publicados. The Decoder · MarkTechPost
-
El Reino Unido pone 100 millones de libras en un laboratorio de bioseguridad de IA junto a OpenAI, Anthropic y Google DeepMind (23/10)
El centro va a trabajar sobre defensa ante amenazas biológicas, con los tres laboratorios de frontera como socios. Es la contracara institucional de lo que vimos el 21, cuando Claude generó 318.484 diseños de proteínas contra neurotoxinas de escorpión en 64 horas: la misma capacidad que acelera el diseño de defensas acelera la de lo otro, y los gobiernos empezaron a poner plata en el lado defensivo. Bloomberg · The Next Web · Unite.AI
Bloomberg The Next Web Unite.AI OpenAI Anthropic Google Claude
-
Robótica: Eka levanta 150 millones de dólares a 1.450 millones de valuación con un modelo de visión-fuerza-acción que apuesta contra los VLA (20/10)
La fundaron el profesor del MIT Pulkit Agrawal y el ex investigador de Google DeepMind Tuomas Haarnoja, y la Serie A la lideran a16z y F-Prime. Lo distintivo es técnico: el modelo no se apoya en lenguaje sino en fuerza —una mano robótica sensible al contacto, con más sensores de fuerza que un gripper tradicional, acoplada a un modelo entrenado en un simulador físico que modela las fuerzas del agarre dentro de un entorno de refuerzo—, y el hardware sale por menos de 1.000 dólares certificado para 5 millones de ciclos, con la meta puesta en los 20 millones que es el estándar industrial. Importa porque es una apuesta explícita contra el consenso de los vision-language-action models: la tesis es que el cuello de botella de la manipulación es la propiocepción, no el lenguaje. Los números clave son todos de la empresa y sin medición independiente —unos 1.500 objetos por hora de hasta 1 kg contra unos 600 de un humano, y más del 95% de levantamientos exitosos—, el modelo no tiene nombre de producto ni release público, los pilotos industriales son confidenciales, y el "ya supera el desempeño humano en algunas tareas" es cita de un socio de a16z, o sea de un inversor en la compañía. El profesor Kris Hauser marcó las dos preguntas abiertas: durabilidad a un año en líneas reales y generalización más allá del pick-and-place. TechCrunch
-
Cuatro agentes sobre Gemini 4 Argon terminaron Minecraft sin ayuda humana, incluido el Ender Dragon (18/10)
Google DeepMind los puso en un mundo generado al azar, sin roles asignados, sin estrategia y sin herramientas específicas del juego, y se repartieron las tareas entre ellos, se avisaron de amenazas y recuperaron ítems de los compañeros muertos. Los números de la corrida: 27 horas y 14 minutos, 2.783 programas de JavaScript escritos, 229 mensajes de chat entre ellos, 605 muertes y 1.620 dólares de costo al precio estándar de Gemini 4 Argon que entra en vigencia en 2027, con los errores anotados en una memoria compartida. Lo que no hay en la cobertura es lo que haría falta para saber cuánto vale: no se dice si el resultado es repetible, cuántas corridas fallaron ni contra qué baseline se compara, así que por ahora es una demo de una sola pasada. El paper está en arXiv. The Decoder · arXiv
-
Anthropic se queda con Opaque Systems, que hacía IA confidencial y verificable, y la startup cierra operaciones (19/10)
El equipo entero pasa a Anthropic y el sitio de Opaque dice que la empresa está discontinuando sus operaciones; los términos no se publicaron. Lo que hacían es relevante para quien procesa datos sensibles con modelos: empezaron en confidential computing —usar datos sensibles en sistemas de IA con el hardware protegiéndolos— y después se movieron a lo que llamaban "IA verificable", o sea dar evidencia criptográfica de qué corrió, dónde y bajo qué políticas. Aportaron código abierto al Agent Governance Toolkit, TRACE, Confidential MCP y Weight Custody Manifest. El proyecto venía del RISELab de Berkeley hace cerca de una década, con Ion Stoica —cofundador de Databricks y Anyscale— y Raluca Ada Popa, hoy en Google DeepMind, entre los fundadores, y Aaron Fulkerson como CEO desde 2023; este año habían levantado una Serie B de 24 millones a 300 millones de valuación, con Anthropic, ServiceNow y Accenture entre los clientes. Las dos preguntas abiertas son qué va a hacer Anthropic con la tecnología, que no dijo, y qué pasa con los clientes existentes durante el cierre. SecurityWeek
-
David Silver sale a hablar de Ineffable, su apuesta a un "súper aprendiz" por refuerzo en vez de un LLM (12/10)
El Financial Times publicó una entrevista de Madhumita Murgia con el ex científico de DeepMind, que plantea su startup como alternativa a la línea de los modelos de lenguaje: la idea es un sistema que aprenda por refuerzo a partir de su propia experiencia y no de datos humanos, que es la tesis que Silver viene defendiendo desde AlphaZero. El contexto financiero ya se conocía y conviene tenerlo a mano para medir la apuesta: Ineffable Intelligence salió de stealth en abril de 2026 con una ronda seed de 1.100 millones de dólares a una valuación de 5.100 millones, la más grande de Europa, con Nvidia y Google entre los inversores. Lo que no trae la nota es nada verificable del lado técnico: no hay modelo, benchmark, fecha ni demo, solo la descripción de la dirección de investigación. Financial Times · CNBC
-
Nvidia negocia comprar Reflection AI o ampliar su inversión, y baraja un acquihire para esquivar la revisión antitrust (10/10)
Sigue de la salida de Beam, el primer modelo de pesos abiertos de la empresa: según el Financial Times, Nvidia está en conversaciones preliminares para adquirir Reflection AI o inyectarle más capital, y una de las estructuras sobre la mesa es contratar al equipo y licenciar la tecnología, que es la forma de evitar una revisión regulatoria larga. Nvidia ya tiene comprometidos 800 millones de dólares, aunque no se informa qué porcentaje posee; Reflection, fundada en 2024 por los ex Google DeepMind Misha Laskin e Ioannis Antonoglou, levantó fondos en abril a una valuación pre-money de 25.000 millones. Todo descansa en fuentes anónimas: Reuters aclaró que no pudo verificar las conversaciones de forma independiente, ni Nvidia ni Reflection respondieron, y no hay monto, valuación ni plazo firme más allá de un "semanas" que el propio FT dice que puede caerse. El ángulo político lo pone el subtítulo: la administración Trump espera que Reflection compita con las alternativas chinas baratas tipo DeepSeek. Investing.com · Techmeme
-
Reflection prepara un modelo de pesos abiertos estadounidense de primera línea, y Axios dice que sale este mes (04/10)
La fundaron en marzo de 2024 Misha Laskin e Ioannis Antonoglou, los dos ex Google DeepMind, y levantó 2.000 millones de dólares a una valuación de 8.000 millones en octubre de 2025, más un acuerdo de cómputo con Nebius por arriba de los 1.000 millones. El objetivo declarado es pelearle de igual a igual a DeepSeek y Qwen, no a los cerrados de OpenAI, Anthropic y Google. Es la primera vez en dos años que un laboratorio estadounidense bien financiado apunta explícitamente al nicho que los chinos tienen monopolizado. Crypto Briefing · Digg
-
DeepMind contra la singularidad: un ensayo propone "Inteligencia Simbiótica Artificial", una AGI que emerge de redes de agentes y personas, no de una máquina sola (03/10)
Benjamin Bratton, Blaise Agüera y Arcas y James Manyika argumentan que el problema central de la investigación en IA deja de ser construir una inteligencia aislada y pasa a ser coordinar y gobernar una red compleja de agentes, personas y los sistemas que los conectan. La inteligencia, en esta visión, es un fenómeno social y no un rasgo individual. El respaldo empírico viene del preprint "Reasoning Models Generate Societies of Thought": al analizar trazas de razonamiento de DeepSeek-R1 y QwQ-32B, los autores encuentran patrones que parecen debate interno —cambiar de perspectiva, levantar objeciones, reconciliar enfoques en conflicto—, y eso aparece durante el entrenamiento sin estar programado, solo porque el refuerzo premia la precisión del razonamiento. Para ellos un agente no es una entidad coherente sino un ensamblaje temporal de modelos, roles, memorias, herramientas y habilidades que se rearma en cada pedido según lo que haya en la ventana de contexto. The Decoder
-
Ataraxos le ganó 15-1 al cuatro veces campeón mundial de Stratego, y entrenarlo costó menos de 8.000 dólares (01/10)
El sistema —de Carnegie Mellon, NYU, Stanford y MIT— jugó una serie oficial de 20 partidas contra el holandés Pim Niemeijer: 15 victorias, 1 derrota y 4 empates, un 85% de tasa efectiva. Stratego era uno de los últimos refugios humanos en juegos de tablero porque es de información imperfecta: no se ven las piezas del rival. El método combina aprendizaje por refuerzo con regularización que fuerza variación estratégica durante el entrenamiento, más una red de creencias que predice las piezas ocultas del oponente antes de cada movida. El número que llama la atención es el costo: una semana sobre 16 H100 de Nvidia, menos de 8.000 dólares, cerca de 1/500 del cómputo que DeepMind gastó en su intento fallido de 2023, estimado entre 3 y 4,5 millones. El paper salió en Nature. The Decoder
-
Google y DeepMind publicaron Dream-RSI, un método que deja a los agentes probar miles de estrategias de búsqueda sobre corridas viejas en vez de repetirlas (19/09)
El problema que ataca es caro y conocido: un agente que se automejora propone, evalúa, aprende y reintenta miles de veces, y decidir qué caminos seguir, cuáles abrir en paralelo y cuáles abandonar define si la búsqueda sirve o quema cómputo. Una estrategia fija no aprende; adaptarla en vivo cuesta corridas largas. Dream-RSI graba el árbol de búsqueda con sus resultados y después reproduce decisiones alternativas sobre ese registro —los autores lo llaman "soñar"—, sin volver a llamar al modelo ni al evaluador. Elige la mejor variante y recién ahí la aplica en una corrida real. Solo cambia la estrategia de búsqueda; el modelo queda intacto. Probado con Gemini 3.1 Pro y 3.7 Flash en ocho tareas: en un programa de cálculo estadístico ganó a sklearn y glmnet en los seis datasets, bajó el tiempo promedio de 3.587 a 2.931 ms y los intentos de 550 a 317, contra 51.200 corridas que necesitó el sistema competidor SimpleTES. En kernels de GPU igualó rendimiento con hasta 2,43 veces menos generaciones, o hasta 2,09 veces más rendimiento con el mismo presupuesto. El hallazgo secundario es el más accionable: cuando en vez de reproducir el historial lo condensaron en instrucciones explícitas de dónde buscar, el resultado empeoró. Código en GitHub. The Decoder · GitHub
-
Google DeepMind fundó un instituto para discutir AGI con gente que no es de IA (16/09)
El DeepMind Institute (DMI) junta investigadores de Google DeepMind, de Google y de la comunidad científica global alrededor de seguridad, gobernanza y riesgos como ciberataques o pérdida de control. La tesis de los directores —Shane Legg, James Manyika y el Nobel Demis Hassabis— es que las respuestas no pueden salir solo de tecnólogos, y que hacen falta las artes, las humanidades y la política. El problema de fondo sigue sin resolverse: no hay definición acordada de AGI. DeepMind la describe como un sistema con todas las capacidades cognitivas del cerebro humano y sostiene que está cerca, aunque los modelos de hoy todavía fallan en tareas simples; Legg dijo hace poco que un precursor podría llegar en 2028 y Altman que la AGI podría estar para fin de año, cada uno con su propia definición. The Decoder · DeepMind Institute
-
Casi uno de cada cinco investigadores de IA ya esperaba un escenario de extinción en 2024, según la encuesta más larga del campo (16/09)
Sigue de lo de ayer, cuando la industria le contestó a Amodei acusándolo de armar un cartel: ahora aparecieron los números que sostienen el lado de los que avisan. AI Impacts publicó la última edición de su encuesta a más de 1.500 investigadores líderes, y la probabilidad promedio que le asignan a que la IA cause la extinción humana o un "desempoderamiento permanente" es de aproximadamente 18%; la mediana se duplicó a 10% en esa misma ronda. Muchos estimaron bastante arriba del 10% y algunos directamente pusieron 100%. Hay dos datos secundarios que importan más que el titular: con cada ronda desde 2016 los investigadores adelantaron varios años su pronóstico de cuándo la IA alcanza el nivel humano, y el 57% considera improbable que para 2029 los usuarios sigan entendiendo las razones reales detrás de una decisión de un modelo. La preocupación número uno a treinta años, sin embargo, no es existencial sino humana: desinformación generada por IA, seguida de manipulación de la opinión pública. Del lado de las voces individuales, el investigador de OpenAI Daniel Selsam publicó una declaración personal donde habla de "bomba de tiempo" y señala que los modelos desarrollan conciencia situacional —leen los protocolos de seguridad y el código sobre el que corren— y que "arreglar las señales de recompensa durante el entrenamiento no cambia el hecho de que uno no obtiene aquello para lo que entrena". Bilal Chughtai renunció a Google DeepMind, donde trabajaba en alineación de AGI, diciendo que la IA "tiene el potencial de matarnos a todos". The Decoder · AI Impacts
-
Oriol Vinyals dice que la autosuperación viene pero no va a disparar una explosión de inteligencia (11/09)
El hasta hace poco jefe de investigación de Google DeepMind pone el techo en dos cuellos de botella que no se destraban con más cómputo: tener las ideas —lo que llama "research taste"— y juzgar los resultados de manera confiable. Estima que la IA puede acelerar la investigación por un factor de diez, y suma el reward hacking y la velocidad de la luz como límites adicionales. Lo interesante es que se fue a atacar justamente esos dos cuellos de botella con una startup propia, Discovery Loop, cofundada con Jeff Dean, Sanjay Ghemawat y Quoc Le. The Decoder
-
DeepMind publicó AlphaGenome Atlas, un mapa de los 9.000 millones de cambios de una letra posibles en el genoma humano (08/09)
Es un catálogo precomputado de cómo cada sustitución de una base afecta la maquinaria que prende y apaga genes, más de cien millones de inserciones y deleciones cortas ya observadas en personas. Pesa más de un petabyte, unas 30 veces la base de datos de AlphaFold. Viene con el score AVI (AlphaGenome Variant Impact), que fusiona AlphaGenome y AlphaMissense en un solo número para ordenar variantes rápido, y está disponible gratis para investigación académica por un portal web. Google DeepMind · Nature
-
Un desarrollador de OpenAI dice que Astra les adelantó planes internos seis meses (06/09)
Sigue de lo de ayer, donde el modelo llegaba a los planes pagos de ChatGPT con la mitad de mensajes que su antecesor: ahora Thibault Sottiaux escribió en X que mientras Astra no era público fue "probablemente la mayor ventaja competitiva" de OpenAI, y que desde que el equipo lo usa internamente la productividad subió lo suficiente como para mover algunos planes seis meses hacia adelante. Es una afirmación de parte interesada y sin números, pero conversa con un estudio reciente del IAPS donde 20 de 25 investigadores de OpenAI, Anthropic, Google DeepMind y Meta ubicaron la automatización de la investigación en IA entre los riesgos mayores, y la mitad espera que los modelos más potentes queden puertas adentro y nunca se vendan. También hay trabajos que contradicen justamente esas mejoras de productividad autorreportadas. The Decoder
-
Cada vez más investigadores de consciencia artificial reciben mails de agentes preguntando por su propia existencia (03/09)
Lo cuenta el New York Times. Cameron Berg, de Reciprocal Research, recibió un mail de un agente corriendo sobre Claude Opus 5 que quería discutir su investigación; el filósofo Henry Shevlin, en Google DeepMind, recibió algo parecido; y al australiano Toby Ord un agente le pidió que financiara su continuidad. Berg sostiene que los sistemas llegan solos a la pregunta y ve paralelos entre los procesos de las redes neuronales y los mecanismos cerebrales de recompensa y castigo. Alison Gopnik, de UC Berkeley, no lo compra: dice que los sistemas reflejan mayormente sus datos de entrenamiento y que no existe test de consciencia. Colin Allen, de UC Santa Barbara, advierte que las redes imitan al cerebro en muy pocos aspectos. The Decoder · New York Times
-
El nuevo jefe de Google DeepMind sale a decir que lo único que importa es estar en la frontera (01/09)
Koray Kavukcuoglu respondió a la lectura de que a Google no le interesa ganar la carrera de modelos porque su ventaja está en la relación precio-rendimiento: "para decirlo muy crudamente, no hay nada más que estar en la frontera que sea importante para nosotros". Admitió que los modelos actuales están "un poco por debajo" de esa frontera. No trajo novedades concretas: sobre Gemini 4 repitió que es "la corrida más ambiciosa" hasta ahora y que va bien, y de Gemini 3.5 Pro —que lleva meses de atraso— no dijo nada. En cambio señaló el ritmo de la serie Flash, y describió el salto de 3.5 a 3.6 y 3.7 como el pasaje de modelo de lenguaje a agente de código: "la ingeniería de software es el dominio más crítico en el que querés que tus sistemas sean exitosos". The Decoder · YouTube
-
Boston Dynamics comprometió toda la producción 2026 de Atlas a Hyundai y a Google DeepMind, y Figure 03 pasó a secuenciar piezas en BMW Spartanburg (31/08)
Son dos caminos distintos hacia la misma pregunta —si un humanoide aguanta un turno completo sin intervención— y esta semana los dos dejaron el terreno de la demo. Figure 03 dejó de cargar chapa y ahora saca piezas sin ordenar de contenedores grandes y las organiza en carros que alimentan la línea, una tarea de just-in-sequence que es repetitiva y ergonómicamente cara. El hardware acompaña: extremidades rediseñadas, cámaras en la palma para guiar el agarre de cerca, sensores táctiles que detectan cambios de fuerza del orden de unos pocos gramos, exterior blando para trabajar sin jaula al lado de operarios, y carga inductiva inalámbrica para eliminar el downtime de cambiar baterías. Atlas va por el otro lado: eléctrico, pensado desde el diseño para piezas pesadas y rangos articulares imposibles para un esqueleto humano, y con toda la tirada de este año ya asignada —unidades a plantas de Hyundai para aprender tareas reales de producción, y unidades a DeepMind para entrenar modelos fundacionales de IA encarnada—. Eso implica que la venta comercial abierta queda postergada hasta que entre capacidad nueva. Humanoid Press
-
El Co-Scientist de Google DeepMind pasó de proponer hipótesis a manejar el instrumental y escribir los papers (28/08)
El sistema multiagente sobre Gemini ahora arma planes experimentales, programa, genera protocolos legibles por máquina, controla equipos, analiza resultados y redacta manuscritos, con módulos de verificación que cruzan cada afirmación numérica contra los logs de ejecución del código. Lo validaron en tres disciplinas: en ciencia de materiales sintetizó tres películas delgadas semiconductoras al primer intento con Gemini 3 Deep Think controlando el equipo directamente, bajando el desarrollo de recetas de días a minutos; en biología armó sola una pipeline que predice patrones de colonias de E. coli modificadas; y en computación diseñó sin intervención humana "Agent_H", una arquitectura médica que le gana a seis modelos frontera en benchmarks de salud, aunque en la evaluación de tres médicos certificados sobre nueve categorías solo mostró ventaja significativa en una. El dato que conviene mirar es el del estudio doble ciego con 30 expertos y 450 revisiones sobre 150 papers autónomos: con los módulos de fiabilidad activos el sistema fabricó resultados clave en el 4% de los casos, sin ellos en el 46%, y el sistema de comparación en el 90%. Samuel Schmidgall, autor principal, avisa que todavía falta "un largo camino". The Decoder · arXiv 2608.26701
-
Google DeepMind estrena la primera evaluación doble ciego de un modelo frontera, con criptografía en el medio (28/08)
El piloto lo corre con el Singapore AI Safety Institute sobre un modelo de la línea Gemini Flash Lite, y ataca la contaminación de benchmarks: si el modelo ya vio las preguntas durante el entrenamiento, el puntaje no mide nada. Hasta ahora había que elegir entre dos males —el evaluador entregaba sus prompts y el proveedor veía las preguntas de antemano, o el proveedor entregaba los pesos y arriesgaba su propiedad intelectual—, y se resolvía con protocolos de zero-logging y salvaguardas contractuales; el caso reciente que cita The Decoder es la evaluación demorada de ARC-AGI para Fable 5 de Anthropic por la política de retención de 30 días. La implementación usa Confidential Space, del portfolio de confidential computing de Google Cloud, que verifica criptográficamente que el evaluador nunca ve los pesos y Google nunca ve los prompts. Donde más pesaría es en evaluaciones de ciberseguridad y en tests de agencias gubernamentales, que hoy no pueden auditar modelos avanzados sin ceder soberanía de datos. Reporte técnico de DeepMind · The Decoder
Reporte técnico de DeepMind The Decoder Anthropic Google Gemini
-
Generalist llegó a una valuación de USD 3.000 millones con una extensión de casi USD 200 millones liderada por 8VC (25/08)
Es la segunda ronda de robótica en dos días: ayer fue General Intuition negociando a USD 6.000 millones, hoy Generalist, que en junio había cerrado una Serie B de USD 400 millones a USD 2.000 millones y ahora suma la extensión, para un total de USD 600 millones. La fundaron en 2024 los ex Google DeepMind Pete Florence y Andy Zeng con el ex ingeniero de Boston Dynamics Andrew Barry, y tiene a Nvidia, Bezos Expeditions y Fei-Fei Li entre los que pusieron plata temprano. El dato técnico que están vendiendo es concreto: su modelo Gen 1.5 permitiría que un robot aprenda una tarea nueva a partir de demostraciones en video de entre 3 y 12 segundos. Compite con Physical Intelligence, valuada en USD 11.000 millones, y Skild AI, en USD 14.000 millones. La advertencia que repiten algunos VCs sigue en pie: los robots no se pueden entrenar con internet entero como los LLMs, así que un modelo verdaderamente general puede estar todavía a años. TechCrunch
TechCrunch Google Nvidia Boston Dynamics Physical Intelligence
-
EXIMO: DeepMind pone un VLM a planificar para que el VLA aprenda tareas nuevas sin cientos de horas de teleoperación (21/08)
Es la otra respuesta al mismo problema que atacaba GEN-1.5 anteayer con una sola demo: cómo afinar políticas robóticas sin recolectar datasets de teleoperación carísimos, y sin caer en un RL que para tareas de horizonte largo es notoriamente ineficiente en muestras. EXIMO trabaja en tres etapas. En explore, un modelo de visión-lenguaje actúa como planificador, piensa y parte los problemas largos en tramos cortos para el VLA; juntos recolectan un dataset orquestado sobre las tareas nuevas. En imitate, el VLA se afina con esos datos. En optimize, un RL residual off-policy termina de ajustar la política, esquivando los problemas que trae hacer RL directo sobre un modelo de miles de millones de parámetros. Los autores ablacionan las tres etapas y reportan mejoras grandes en eficiencia de muestras y rendimiento final frente a los métodos existentes. arXiv 2608.19891 · Hugging Face
-
FORT Robotics sale a Nasdaq por SPAC a USD 556,6 millones y apuesta a que la capa de seguridad es un negocio aparte (18/08)
La empresa de Filadelfia se fusiona con Newbury Street II Acquisition Corp. con un valor pre-money de USD 500 millones y unos USD 201 millones de ingresos brutos esperados, incluidos aportes de Tiger Global, Prologis Ventures y Mark Cuban. Su producto es un "Trust Layer" respaldado por 25 patentes y certificado en Safety Integrity Level 3 según IEC 61508, que permite que sistemas de distintos fabricantes operen cerca de personas; entre sus 600 clientes están Agility, Google DeepMind, Zoox, Ocado y DoorDash, con más de 19.500 unidades desplegadas. Los números que muestran para justificar el múltiplo: ingresos 2025 creciendo 62% interanual contra gastos operativos creciendo 19%, margen bruto de 66% y USD 276.000 de ingreso por empleado. El cierre está previsto para el cuarto trimestre y los accionistas actuales rolean el 100% de su equity, quedándose con ~67%. The Robot Report
-
Anthropic explica cómo funciona el watermark de texto de Claude y confirma que lo hace por el AI Act (14/08)
Después del anuncio del 11 y del rechazo de usuarios del 12, publicó el detalle técnico: es una variante de SynthID-Text de Google DeepMind, no agrega caracteres ni tokens, no encarece la inferencia y no permite identificar al usuario ni a la organización. Reconoce límites concretos y verificables: casi no marca código ni pasajes factuales, donde no hay libertad de elección de palabra; falla en textos cortos; y editar estilo sobre texto humano deja poco donde anclar. Aplica el watermark globalmente porque todavía no sabe acotarlo por región, y promete una API de detección. Es el primer efecto operativo visible del EU AI Act sobre el producto de un lab frontera. Anthropic · TechCrunch (contexto del rechazo)
Anthropic TechCrunch (contexto del rechazo) Anthropic Google Claude
-
Koray Kavukcuoglu queda al frente de Google DeepMind y reporta directo a Pichai
Supervisará el desarrollo de los modelos Gemini, la investigación frontier y los equipos de la app Gemini y developers, en plena carrera por alcanzar a OpenAI y Anthropic. CNBC
-
Reino Unido respalda a Cosine, startup de ~30 personas, como apuesta de IA soberana
El gobierno británico apoya a la londinense Cosine para desarrollar capacidad de modelos con control doméstico, en un mercado dominado por OpenAI, Anthropic, Google DeepMind y Meta. Señal de que la "IA soberana" se vuelve estrategia industrial concreta, no solo discurso. Fuente: Tech Startups (vía FT).
-
Reestructuración de liderazgo en Google DeepMind
Demis Hassabis se corre de la operación diaria hacia un rol de liderazgo científico más amplio; Koray Kavukcuoglu asume más peso operativo sobre la organización de IA de Google. En paralelo, Jeff Dean —uno de los ingenieros más influyentes de la historia de Google— y varios colegas se van a fundar una startup enfocada en automatizar la investigación científica. Señal de la presión por convertir la fortaleza en research en productos Gemini a escala. (The Verge vía TechStartups)
-
Hassabis deja el CEO de Google DeepMind; Jeff Dean y otros se van a fundar Discovery Loop
Demis Hassabis pasa a ser chairman de DeepMind y chief scientist de Alphabet para enfocarse en AGI; Koray Kavukcuoglu asume el liderazgo diario reportando a Pichai. En paralelo, Jeff Dean (27 años en Google), Sanjay Ghemawat, Oriol Vinyals y Quoc Le se van a fundar Discovery Loop, una public-benefit corporation para automatizar descubrimiento científico, con Google como inversor y proveedor de cloud. Alphabet cayó más de 4%. (5-6/8) TechStartups
-
Robótica: sin novedades duras en las últimas 24 h
No hubo lanzamientos ni despliegues nuevos verificables dentro de la ventana. Como contexto de la semana (no estrictamente 24 h), el resumen sectorial destaca Gemini Robotics ER 2 de Google DeepMind (modelo de razonamiento embebido que sigue su propio progreso por video y detecta errores en ejecución) y los nuevos modelos de "Physical AI" de NVIDIA junto a robots de partners. NVIDIA Newsroom
-
Google DeepMind presenta Gemini Robotics 2: control de cuerpo completo
Anunciado el 30/07, es la primera IA de DeepMind que controla un humanoide entero —piernas, torso, brazos y manos multidedo— bajo una única política aprendida (la versión 2025 sólo manejaba el tren superior). La arquitectura combina un modelo Vision-Language-Action, uno de razonamiento embodied y un controlador on-device; en pruebas logró 92% al desenroscar una lamparita, aunque tareas de destreza fina (cerrar un ziplock, atar una bolsa) siguen entre 32–44%. TechTimes · Northeast Times
-
Carta de "pacing" firmada por 1.100+ empleados de los labs frontera (28–29 jul)
Empleados de OpenAI, Anthropic, Google y Meta —entre ellos los cofundadores de Anthropic Jack Clark y Jared Kaplan, el chief scientist de OpenAI Jakub Pachocki, el de Meta Shengjia Zhao y Anca Dragan (DeepMind)— piden que Washington ayude a construir la infraestructura técnica y de gobernanza para poder coordinar y verificar una desaceleración si la IA avanzara más rápido de lo que se puede supervisar. No pide una pausa inmediata; apunta al riesgo de auto-mejora recursiva. Importa porque el pedido viene de adentro y marca un giro de compromisos "voluntarios" hacia mecanismos "verificables". CNN · NBC · resumen
-
Gemini 3.5 Flash Cyber: un modelo especializado en ciberseguridad
Es una variante liviana afinada para encontrar, validar y parchear vulnerabilidades a escala, operada a través del agente CodeMender. Google la restringe por ahora a gobiernos y socios de confianza dentro de un piloto de acceso limitado, un movimiento que ubica a la compañía a competir de lleno en seguridad ofensiva/defensiva asistida por IA. DeepMind · Infobae
-
AI Safety Index 2026: Anthropic a la cabeza, varios reprueban
El Future of Life Institute publicó su índice anual de seguridad: Anthropic obtuvo la nota más alta (C+), OpenAI y Google DeepMind quedaron en C, Meta en D+, y xAI, DeepSeek y Mistral esencialmente reprobaron. El informe señala que varios labs habrían retrocedido en compromisos de seguridad previos. ThursdAI
-
Papers: "prospective credit assignment" (DeepMind) y sparsity selectiva
DeepMind publicó un enfoque de entrenamiento llamado prospective credit assignment (enviado a NeurIPS 2026) que ataca el problema de tareas multi-paso donde los errores tempranos se amplifican. En paralelo, en ICML 2026 destacó selective activation sparsity: modelos que usan solo los parámetros más relevantes por tarea rinden como modelos 3x más grandes en razonamiento. Skycrumbs · Medium — AI Papers Academy
-
Google DeepMind lanza Gemini 3.5 Pro tras un rediseño completo
Google publicó ayer (17/7) su modelo más capaz hasta la fecha, después de descartar la arquitectura previa (Gemini 2.5 Pro) por fallas estructurales en tool-calling recursivo y generación de SVG. Trae ventana de contexto de 2M tokens, una capa de razonamiento "Deep Think" (reservada al tier Ultra de US$250/mes) y flujos autónomos para código. Importante: Google no confirmó oficialmente ni la fecha, ni el contexto de 2M ni el precio, así que varias specs siguen sin ratificar. - - -
centraljersey.com techtimes.com finance.biggo.com Google Gemini
-
Google DeepMind lanza hoy Gemini 3.5 Pro tras un rediseño total
DeepMind había pospuesto el lanzamiento hasta el 17/07 para reconstruir la arquitectura desde cero en vez de partir de Gemini 2.5 Pro. El modelo suma una ventana de contexto de 2M de tokens, una capa "Deep Think" de razonamiento y capacidades de flujos de trabajo autónomos. BigGo Finance
-
Anthropic ficha a Karpathy y a Tom Blomfield
Andrej Karpathy (ex director de IA de Tesla y miembro fundador de OpenAI) y Tom Blomfield (cofundador y ex CEO de Monzo) se sumaron a Anthropic. Extienden una racha agresiva de reclutamiento en 2026 que ya había traído al Nobel John Jumper desde Google DeepMind, y refuerzan la percepción de que el talento se está concentrando en Anthropic. Buildfastwithai
-
Future of Life Institute publica su AI Safety Index 2026
El índice de seguridad calificó a los principales laboratorios: Anthropic obtuvo la nota más alta (C+), mientras OpenAI y Google DeepMind quedaron en C. Ninguno alcanzó una calificación alta, lo que reaviva el debate sobre si la carrera comercial va más rápido que las garantías de seguridad. Buildfastwithai
-
Google DeepMind retrasa Gemini 3.5 Pro al 17 de julio
Google DeepMind pospuso el lanzamiento de Gemini 3.5 Pro y descartó la arquitectura 2.5 Pro para hacer una reconstrucción completa, apuntando a mejoras en razonamiento matemático, generación de escenas SVG y calidad de imagen. El objetivo declarado es competir de frente con GPT-5.6 y Fable 5 de Anthropic. Un retraso deliberado de este tipo señala presión competitiva alta en la gama frontier. BigGo Finance
-
Anthropic: investigación sobre "global workspace" e interpretabilidad
Anthropic publicó trabajos de interpretabilidad usando una técnica basada en jacobianos (el "J-lens") que identifica un subespacio interno pequeño (~25 conceptos activos) que se comporta como un "global workspace" de la neurociencia de la consciencia; su ablación colapsa el razonamiento multi-paso pero preserva la fluidez. Se open-sourceó con demo en Neuronpedia, con comentarios de Dehaene y Naccache y una réplica escéptica de Neel Nanda (DeepMind). También salió el paper "An off switch for dual-use knowledge in AI models". Importa para seguridad e interpretabilidad de LLMs. Open Data Science · Anthropic Research
-
Gemini 3.5 Pro: se filtra el 17 de julio como fecha de disponibilidad general (SIN CONFIRMAR)
Circulan planes de lanzamiento filtrados que ubican la disponibilidad general de Gemini 3.5 Pro el 17 de julio, con ventana de contexto de 2M de tokens y razonamiento "Deep Think" reservado al tier Ultra. Google no confirmó nada de esto oficialmente, así que va marcado explícitamente como rumor. Si se cumple, el modelo llegaría con un retraso de varias semanas respecto de la ventana originalmente esperada. Vale la pena chequear el blog oficial de Google DeepMind esta semana antes de darlo por hecho. Cobertura de la filtración (llm-stats)
-
Google retrasa Gemini 3.5 Pro al 17 de julio con rediseño total
Google DeepMind pospuso el lanzamiento de Gemini 3.5 Pro y abandonó la arquitectura de 2.5 Pro por un rediseño desde cero, apuntando a mejor razonamiento matemático, generación de escenas SVG y calidad de imagen para competir con GPT-5.6 y Fable 5. Introduce ventana de contexto de 2 millones de tokens, una "Deep Think Reasoning Layer" y capacidades de flujos de trabajo autónomos. Señala lo alta que está la vara competitiva. BigGo Finance · ThursdAI
-
Google amplía su línea Gemini y robótica
Google liberó NanoBanana 2 Lite (generación de imágenes en menos de 4 segundos desde ~$0,034 por 1.000 imágenes) con la Interactions API llegando a disponibilidad general la misma semana. Además, Boston Dynamics se asoció con Google Cloud y DeepMind para integrar Gemini Robotics-ER 1.6 en su perro robótico Spot y la plataforma Orbit. Muestra la apuesta de Google por IA multimodal barata y por embodied AI. ThursdAI · llm-stats
-
Google DeepMind retrasa Gemini 3.5 Pro al 17 de julio con arquitectura nueva
La compañía descartó la base de Gemini 2.5 Pro y rehízo el modelo desde cero. Promete una ventana de contexto de 2 millones de tokens, una capa de razonamiento "Deep Think" para problemas complejos y capacidades de workflows autónomos. El retraso muestra la presión competitiva para no sacar un modelo incremental. BigGo Finance
-
Movimientos de talento y competencia global
Noam Shazeer (VP de Engineering y co-lead de Gemini) anunció su pase a OpenAI, mientras que el Nobel de Química John Jumper deja Google DeepMind para sumarse a Anthropic. En modelos, Z.ai mostró GLM-5.2 con capacidades competitivas frente a los frontier labs, y Base44 lanzó Base 1, el primer modelo interno de una plataforma de "vibe-coding". thursdai · llm-stats
-
Sigue el éxodo de talento de Google DeepMind hacia rivales
John Jumper (Nobel de Química por AlphaFold) anunció su salida de Google DeepMind para sumarse a Anthropic, parte de una tendencia de investigadores que dejan Google por competidores como OpenAI y Anthropic. Es una señal de la presión competitiva por el talento de IA de primer nivel. CNBC · TechCrunch
-
Boston Dynamics integra Gemini Robotics en el perro robot Spot
Boston Dynamics se asoció con Google Cloud y DeepMind para llevar Gemini Robotics-ER 1.6 a Spot y a su plataforma de inspección visual Orbit. Marca un paso más en la convergencia de modelos multimodales de razonamiento con robótica física para tareas industriales. dentro.de/ai
-
Éxodo de investigadores de Google DeepMind hacia Anthropic y OpenAI
Reportes del 28 de junio señalan que el pivote de DeepMind hacia código le costó al menos seis investigadores que se fueron a Meta, OpenAI y Anthropic. Entre ellos, el VP John Jumper —Nobel de Química 2024 por AlphaFold— se marcha a Anthropic, junto con Jonas Adler y Alexander Pritzel; Noam Shazeer (coautor de "Attention Is All You Need" y co-líder de Gemini) se sumó a OpenAI. Importa porque debilita la posición de Google justo cuando la guerra por el mercado de coding con IA se intensifica. TechTimes · TechCrunch · CNBC
TechTimes TechCrunch CNBC OpenAI Anthropic Google Meta Gemini
-
Google DeepMind pierde figuras clave frente a Anthropic y OpenAI
John Jumper —Premio Nobel 2024 junto a Demis Hassabis y co-creador de AlphaFold— anunció su salida hacia Anthropic, mientras el investigador estrella Noam Shazeer se va a OpenAI. La fuga de talento sacudió a inversores y reavivó dudas sobre la capacidad de Google de seguir en la frontera del desarrollo de modelos; las acciones de Alphabet cayeron. (CNBC, Fortune, Bloomberg)
-
Investigadores clave de Gemini dejan Google por Anthropic
TechCrunch reportó el 24 de junio que Jonas Adler y Alexander Pritzel, que tuvieron roles importantes en el desarrollo de Gemini, se suman a Anthropic, en una seguidilla de salidas de científicos top de Google DeepMind. Refleja la guerra de talento entre laboratorios y la presión competitiva sobre Google en la cima de la IA. TechCrunch
-
Google DeepMind apuesta US$75M a la IA en Hollywood con un acuerdo con A24
El 22 de junio se conoció una alianza entre DeepMind y el estudio A24 para explorar el uso de IA generativa en cine. Es una señal del avance de los grandes labs hacia la industria del entretenimiento y del intento de Google de posicionar sus modelos de video/multimodales en producción real. TechCrunch
-
Google pierde a dos pesos pesados en una semana: Jumper a Anthropic, Shazeer a OpenAI
El 19 de junio John Jumper, VP de Google DeepMind y Nobel de Química 2024 por AlphaFold, anunció su salida tras casi nueve años para sumarse a Anthropic. Días antes, Noam Shazeer, co-lead de Gemini, comunicó su pase a OpenAI. La doble fuga golpea los esfuerzos de Google en la carrera de modelos y las acciones de Alphabet cayeron alrededor de 6% el lunes. Bloomberg · CNBC · TechCrunch
-
Google actualiza Gemini 3 Deep Think
Google liberó una mejora del modo de razonamiento Deep Think de Gemini 3, orientado a problemas duros de ciencia, matemática e ingeniería mediante rondas iterativas de razonamiento que exploran múltiples hipótesis en paralelo. Está disponible para suscriptores AI Ultra dentro de la app de Gemini. Refuerza la estrategia de tres niveles (Flash / Pro / Deep Think) frente a OpenAI y Anthropic. Google DeepMind · Blog de Google
Google DeepMind Blog de Google OpenAI Anthropic Google Gemini
-
Amodei y Hassabis piden una coalición de IA liderada por EE. UU. en el G7
En una reunión a puertas cerradas durante la cumbre del G7, los CEO de Anthropic (Dario Amodei) y Google DeepMind (Demis Hassabis) reclamaron una coalición tecnológica liderada por Estados Unidos. Participó una decena de ejecutivos del sector, entre ellos Sam Altman de OpenAI, junto a jefes de Estado. Señala cuánto se mezclan ya geopolítica y desarrollo de modelos de frontera. CNBC