Radar del 18 de septiembre de 2026
La distancia entre laboratorio y despliegue sigue reduciéndose: robots que funcionan en casas reales sin haberlas visto, modelos que caben en un portátil con rendimiento de gama alta y sistemas de IA que ya lideran una cuarta parte del I+D industrial. El ritmo no deja margen para aprender sobre la marcha.
Figure afirma que su robot Helix 2.5 completa tareas domésticas en 30 casas nunca vistas, con un 56% de éxito
HERRAMIENTAS — Figure presentó Helix 2.5 con generalización zero-shot a 30 viviendas del Área de la Bahía nunca incluidas en sus datos de entrenamiento, logrando un 56% de éxito (237 de 420 intentos) en tres tareas de cuerpo completo: ordenar sala, doblar toallas y hacer camas. El modelo operó con un único checkpoint fijo sin ajuste en los hogares de evaluación, aunque sí había recibido preentrenamiento masivo con el dataset Index y ajuste fino de tareas realizado en otras ubicaciones.
La generalización sin entrenamiento era el cuello de botella de los robots domésticos. Si ya no lo es, la pregunta es cuánto tiempo falta para que tenga sentido económico.
Fuente: figure.ai
El motor de cera: actuación térmica sin electricidad, de termostatos a válvulas solares
HABITAR — Los motores de cera convierten la expansión volumétrica de la parafina al fundirse (entre el 10 y el 20 % según formulación) en movimiento mecánico lineal, sin electricidad. Se emplean en termostatos de radiador desde los años setenta —primera aplicación doméstica en Suecia, 1970—, en válvulas antihielo de colectores solares térmicos documentadas en patentes desde 1977, y en aireadores automáticos de invernadero. La tecnología de base la patentó Sergius Vernet en 1934.
Antes de añadir un actuador eléctrico con su controlador y su posible fallo, vale preguntar si un motor de cera resuelve lo mismo: vida útil indefinida, cero consumo, cero firmware.
Fuente: patents.google.com
Bonsai 2 27B: PrismML afirma capacidad de modelo grande en un cuerpo nueve veces más pequeño
HERRAMIENTAS — PrismML lanza Bonsai 2 27B, modelo ternario (1,76 bits/peso) de 5,9 GB basado en Qwen3.8 27B, con una huella más de 9x menor que la versión FP16 (~55 GB). La compañía declara una retención del 98,2% del rendimiento agregado en su propia suite de 20 benchmarks, sin verificación independiente publicada.
La pregunta que abre es de proporción: ¿cuánto modelo necesitas realmente? Un modelo 9x más ligero y comparable cambia el cálculo de infraestructura y energía de los centros de datos.
Fuente: prismml.com
Anthropic publica métricas para rastrear cuánto I+D lidera ya la propia IA
HERRAMIENTAS — Anthropic publica el Anthropic R&D Automation Index con tres indicadores: qué fracción del I+D es liderada por la IA (actualmente el 26 % —la IA completa la mayor parte de la tarea bajo supervisión humana, frente al <1 % de febrero de 2026—), calidad de supervisión de los agentes (cobertura, latencia de revisión y tasa de escalado) y distribución del cómputo entre seguridad y el resto del I+D (hoy un 6 %). El objetivo declarado: dar a la ciudadanía, terceros y gobiernos mayor visibilidad sobre el ritmo de desarrollo en los laboratorios frontier.
Cuando la IA construye su próxima versión, el ritmo de mejora deja de ser lineal. Estas métricas son la primera palanca concreta para calibrar en qué punto del ciclo estamos y qué horizonte temporal de adopción tiene sentido planificar.
Fuente: anthropic.com
OpenAI lanza Astra for Law: IA vertical para bufetes con 73 plugins de partners y comunidad
HERRAMIENTAS — OpenAI lanza Astra for Law, versión de GPT-6 Astra configurada para bufetes, con un índice legal de más de 230 millones de URLs (jurisprudencia, estatutos y normativa de EE. UU.), 26 plugins de partners (Thomson Reuters, Harvey, Legora, iManage) y 47 herramientas o habilidades personalizadas construidas por la comunidad legal. Acceso inicial por invitación en ChatGPT y Codex; API con retención cero de datos disponible próximamente.
La apuesta no es solo IA jurídica sino un modelo de plugins adaptables por los propios profesionales. La pregunta real: ¿una herramienta vertical bien integrada supera en práctica a un modelo general bien prompeado, o añade fricción sin proporcionar suficiente especialización?
Fuente: openai.com
Anthropic afirma que Claude redujo hasta 100 veces el coste de ejecutar modelos especializados de biología molecular
HERRAMIENTAS — Anthropic optimizó con Claude más de 30 modelos open-source de biología molecular —predicción de estructura, genómica, diseño de proteínas de novo— logrando una aceleración media de 4x y, en tareas de diseño de novo, reduciendo el cómputo necesario de ~2.500 horas de GPU H100 a unos 150 dólares en GPUs y tokens. En paralelo lanzó una competencia de diseño de proteínas con validación experimental de más de 5.000 diseños, respaldada por hasta 1 millón de dólares en créditos de Claude y 250.000 dólares en créditos de Modal.
El coste de ejecución ha sido la barrera real de los modelos científicos especializados, no su calidad. Si esa barrera baja, la pregunta es qué investigación que hoy no existe se vuelve viable —y en qué plazo.
Fuente: anthropic.com
Centrus firma contrato plurianual de HALEU con Antares Nuclear para microreactores militares y espaciales
HERRAMIENTAS — Centrus Energy ha firmado un contrato plurianual con Antares Nuclear para suministrar HALEU, el combustible enriquecido al 5-20 % de uranio-235 que requieren los microreactores compactos. Antares tiene proyectos seleccionados por el Ejército de EE. UU. (Programa Janus en Fort Bragg), la Fuerza Aérea (Joint Base San Antonio) y programas de reactores espaciales con la Space Force. Las entregas de combustible están previstas antes de 2030; las cantidades contratadas no han sido divulgadas.
El nuclear compacto rompe la ecuación tamaño-potencia-red. Cuando la energía autónoma e ininterrumpible vale más que la eficiencia de escala, ¿qué umbral de tamaño lo justifica?
Fuente: interestingengineering.com
La trampa del vibe-coding: construir soluciones complejas sin saber que ya existen mejores
HERRAMIENTAS — Post con 293 puntos en Hacker News (224 comentarios) analiza Bend 2 y documenta el patrón: el vibe-coding permite construir soluciones sustanciales antes de aprender lo suficiente sobre el problema para reconocer que ya existe una solución mucho mejor. El caso concreto: la demo de Bend requiere 58 líneas de «leyes» y 442 de pruebas; el equivalente en SPARK se resuelve con 12 verificaciones. La conclusión del autor es que los LLMs nunca te sugerirán que el campo ya resolvió el problema sin necesidad de IA.
Usar IA para programar no es neutro respecto a lo que entiendes del sistema que construyes. La pregunta de proporción: ¿cuánta comprensión estás dispuesto a ceder a cambio de cuánta velocidad?
Fuente: blog.liampwll.com