Mis tweets de la primera quincena de junio de 2026
01 de junio de 2026
Sí, seguro que los avances terminarán en manos de todos. Como siempre ha pasado. Aquí la ventaja será al estilo de Mythos, ser los primeros y tener unos meses el “genio” en exclusiva. Pero, tampoco habrá demasiada diferencia entre esa AGI y lo que estamos usando ahora (o usaremos a finales de año). Yo soy de los que opina que lo que ya tenemos es casi AGI (con el harness y los prompts correctos )
Ver tweet en X
02 de junio de 2026
Richard Sutton sobre los límites de la IA generativa y la necesidad del descubrimiento.
Sutton plantea aquí una distinción entre la IA generativa y una IA verdaderamente capaz de descubrimiento. Al igual que Chollet, su tesis es que los modelos generativos actuales son, en esencia, sistemas de imitación. Aprenden de grandes cantidades de ejemplos y producen texto, imágenes o vídeo semejantes a los datos de entrenamiento.
Eso no es necesariamente un defecto. Cuando pedimos a una IA que resuma un documento, responda a partir de fuentes o nos ayude con información existente, no queremos novedad. Queremos fidelidad. Si el modelo añade algo propio, lo llamamos alucinación.
La excepción aparece cuando buscamos ficción, entretenimiento o variación creativa. Ahí sí pedimos novedad.
Para Sutton, la creatividad real requiere algo más: Discovery. Lo define como la combinación de tres pasos: variación, evaluación y retención selectiva.
Es el patrón de la evolución, del método científico y del aprendizaje ordinario: probar cosas, evaluar cuáles funcionan y conservar las mejores.
Su crítica central es que la IA generativa y el aprendizaje supervisado carecen de evaluación en tiempo de ejecución. Sin evaluación no hay retención selectiva. Sin retención selectiva no hay descubrimiento.
Su propuesta es buscar una IA que no solo imite, sino que comparta objetivos, pruebe, evalúe y descubra. Una IA científica, no solo generativa.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Genial proyecto de Jason Snell @jsnell & Mike Hurley. Muy contento de contribuir y apoyarles, después muchos años escuchándoles y disfrutando de Upgrade.
“Designed in California: An Apple history podcast de Jason Snell” en @Kickstarter
Ver tweet en X
03 de junio de 2026
“No caigas en esta forma de pensar insular, temerosa y proteccionista. La programación está evolucionando. No sabemos exactamente cuál será su forma final, pero dar a más personas acceso a los frutos de las libertades que ofrece la computación merece que resistamos la tentación de cerrar las puertas de participación.”
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Parece que no le van a cambiar el nombre a la súper app ChatGPT + Codex
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Muchas gracias ! A leerlos
Ver tweet en X
04 de junio de 2026
Ted Chiang, otro más que se suma a lo que llevamos años diciendo por aquí: que los LLMs no son conscientes y que jugar con esa idea nos puede traer problemas
Ver tweet en X
05 de junio de 2026
I remember to open it and clean it !
Ver tweet en X
07 de junio de 2026
No lo sabía! Ídem, enganchado por comodidad a OpenAI. Al final el foso es el de siempre, el de la comodidad
Ver tweet en X
08 de junio de 2026
Gwern acaba de publicar otro de esos artículos suyos imprescindibles
Ver tweet en X
09 de junio de 2026
Lo que haría un humano inteligente no sería adivinar tus intenciones, sino explorarlas: preguntar, contrastar, pedir ejemplos, detectar ambigüedades.
Quizá el siguiente salto no sea solo que los LLMs entiendan mejor, sino que sepan preguntar mejor.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Hilo súper interesante que muestra que no es cosa de uno ni de dos, sino que se tejió toda una red de influencias y enchufes corruptos (o se usó la que ya existía). Es urgente una limpieza de verdad y profundidad: todos los que han tenido contacto con esta red deberían dimitir ya.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Y bravo por @ajsalvador70 por usar los pocos resquicios que tenemos los ciudadanos para ejercer vigilancia. Qué bonito sería vivir en Suecia, donde las declaraciones de la renta son públicas. A ver cuándo se hace algo parecido aquí.
Ver tweet en X
10 de junio de 2026
Y con nuevas utilidades de línea de comando para usar los modelos desde el terminal y desde Python !
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Mañana jueves: manifestación para conseguir accesos dignos al Parque del Mar. ¡Fuera las vías! Que ADIF y Ayuntamiento dejen de pasarse la pelota.
Ver tweet en X
11 de junio de 2026
Apple ha presentado en la WWDC 2026 la tercera generación de sus Apple Foundation Models, AFM 3.
La familia incluye cinco modelos: AFM 3 Core, AFM 3 Core Advanced, AFM 3 Cloud, ADM 3 Cloud para imagen y AFM 3 Cloud Pro.
AFM 3 Core es el modelo local base, de unos 3.000 millones de parámetros. AFM 3 Core Advanced es un modelo multimodal de 20.000 millones de parámetros diseñado para ejecutarse en dispositivos Apple Silicon mediante una arquitectura sparse.
En AFM 3 Core Advanced, el modelo completo puede residir en memoria flash, mientras que solo una parte de los expertos se carga en DRAM para cada petición. Apple denomina a esta técnica Instruction-Following Pruning, IFP. La selección de expertos se realiza a partir de la instrucción del usuario y puede actualizarse durante la generación.
En la parte cloud, Apple introduce AFM 3 Cloud y AFM 3 Cloud Pro dentro de Private Cloud Compute. AFM 3 Cloud Pro está orientado a tareas de razonamiento más complejas y a escenarios con uso de herramientas. Apple también indica que este modelo se ejecuta sobre GPUs NVIDIA en Google Cloud, dentro de su infraestructura de computación privada.
El Foundation Models framework permitirá a los desarrolladores usar modelos locales de Apple, modelos de Private Cloud Compute y modelos de terceros que implementen el protocolo LanguageModel.
Apple publicará próximamente un informe técnico completo, con evaluaciones y benchmarks actualizados.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Totalmente de acuerdo con Pablo Simón @kanciller
Ver tweet en X
14 de junio de 2026
Un paper reciente sobre computación dendrítica que plantea una idea muy sugerente: una sola neurona piramidal, modelada con bastante detalle biofísico, podría resolver tareas no lineales complejas si se encuentra una configuración adecuada de pesos y localizaciones sinápticas.
El trabajo es muy interesante, porque plantea algunas ideas novedosas y, para mí, porque ilustra la gran cantidad de preguntas abiertas en el campo del modelado neuronal.
En una neurona biológica hay morfología dendrítica, compartimentos eléctricos, canales iónicos, sinapsis excitadoras e inhibidoras, receptores NMDA, dinámica temporal, plasticidad estructural y no linealidades locales distribuidas.
El trabajo muestra que existe una configuración funcional en el modelo, capaz de realizar tareas computacionales como diferenciar perros de gatos en imágenes.
Pero deja muchas preguntas abiertas:
No demuestra que una neurona real pueda encontrarla mediante mecanismos biológicos de aprendizaje.
Tampoco responde sobre la estabilidad de esa configuración: ¿cuánto tolera cambios en pesos sinápticos, localizaciones dendríticas, ruido molecular, plasticidad espontánea, homeostasis o recambio de espinas?
Otra cuestión clave es si esas soluciones son puntos muy finos del espacio de parámetros o regiones amplias y robustas. La diferencia es enorme: una solución matemáticamente posible puede ser biológicamente frágil.
Y además, una neurona real no está aislada ni dedicada a una sola tarea. Vive embebida en circuitos recurrentes, con neuromodulación, actividad espontánea, estados cerebrales cambiantes y múltiples funciones simultáneas.
Por eso me parece interesante, por las preguntas que surgen de sus propuestas: las dendritas pueden ampliar mucho el repertorio computacional de una neurona, pero aún sabemos poco sobre cómo ese potencial se aprende, se estabiliza y se usa realmente en el cerebro vivo.
También sirve para recordar algo que a veces se olvida: las llamadas “redes neuronales artificiales” no son modelos realistas de redes neuronales biológicas. Son abstracciones matemáticas muy simplificadas, inspiradas de forma lejana en el sistema nervioso, pero alejadas de la riqueza biofísica de una neurona real.
Es lo que siempre he criticado sobre los “padres” de la IA: su insistencia en usar metáforas biológicas que a lo único que nos lleva es a confundir más. Las “redes neuronales artificiales” son solo matrices que implementan una función derivable. No tienen nada que ver con las redes neuronales reales. Cada vez es más importante remarcar esto cuando hay mucha gente jugando con la posibilidad de que las IAs sean conscientes en algún momento.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Acabo de escuchar la entrevista con Satya Nadela y es buenísima. Da para anotar cada pregunta y respuesta y estar un buen rato reflexionando e investigando sobre cada una.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Para quienes fuisteis alumnos míos en Lenguajes y Paradigmas de Programación: esta entrevista a Simon Peyton Jones, co-creador de Haskell, es una buena forma de volver sobre una de las ideas centrales de la asignatura: la programación funcional.
Peyton Jones no la presenta como una rareza académica, sino como una manera distinta de pensar los programas: menos estado mutable, menos efectos ocultos, más composición, más inmutabilidad y más información explícita en los tipos.
Una de las ideas clave es que la pureza obliga a hacer visibles los efectos laterales. En Haskell, una función pura y una función que hace entrada/salida no tienen el mismo tipo: Int -> Int y Int -> IO Int dicen cosas distintas. Los efectos no desaparecen, pero el lenguaje obliga a declararlos y secuenciarlos.
También habla de lazy evaluation, de la diferencia con OCaml, de la relación entre programación funcional y seguridad, y de por qué los sistemas de tipos son importantes para mantener programas grandes durante años.
Y hay un cierre especialmente curioso: Peyton Jones recuerda que Excel puede verse como un lenguaje funcional. Cada celda se define por una expresión que depende de otras celdas, sin modificar directamente su estado interno; y con la incorporación de LAMBDA, Excel incluso puede expresar funciones definidas por el usuario.
En el fondo, la entrevista recuerda algo que intentábamos ver en la asignatura: la programación funcional no es solo “usar funciones”, sino una forma de razonar sobre el estado, los efectos, la composición y las garantías que puede ofrecernos un lenguaje.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Qué guay, no conocía a SPJ hasta escuchar el podcast. A diferencia de ti, no estoy muy metido en el mundo Haskell. Lo seguiré más a partir de ahora. El episodio es buenísimo y se nota que es un gran divulgador, que sabe muchísimo y lo sabe explicar muy bien.
Ver tweet en X
❄ ❄ ❄ ❄ ❄
Antonio, I think your point about an opaque market is exactly right — and I also agree with Bayesian here: what ultimately matters is the readers, not an unreliable detector score.
Ethan Mollick has repeatedly warned that AI detectors are easy to bypass, produce false positives, and can penalize non-native English writers or formal technical writing.
Ver tweet en X