Noticias IA del 24/12/2025

Qué pasó: Stanford y SkyWater presentaron un chip monolítico 3D para cargas de IA, con apilamiento vertical e interconexiones densas, fabricado en Bloomington (Minnesota).

Impacto:

• Ataca el “memory wall” acercando memoria y lógica, y supera límites del escalado 2D.
• En pruebas, el prototipo rinde 4× frente a chips 2D comparables y apunta a mejoras 100–1000× en EDP a largo plazo.
• Refuerza la fabricación doméstica de semiconductores avanzados y la resiliencia de supply chain.
• Mejora la eficiencia energética, clave para data centers de IA.

Acciones:

• Leer el paper de Stanford (IEDM 2025) sobre el enfoque monolítico 3D.
• Diseñar inferencia “memory-bandwidth aware” anticipando nuevos bottlenecks con hardware 3D.

Qué pasó: Seguimiento: tras una cifra previa de 54,897, el tracker atribuye ahora 48,414 despidos en 2025 a la IA; además, MIT proyecta hasta $1.2 billones en salarios potencialmente desplazables.

Impacto:

• Aumenta la presión para programas de reskilling y planes de transición laboral.
• Eleva el riesgo de presión regulatoria y debate público en 2026 ante la disrupción no mitigada.
• Los sectores administrativos, financieros y profesionales concentran buena parte del riesgo estimado.

Acciones:

• Planificar reentrenamiento corporativo y estrategia de reasignación de roles.
• Evitar comunicar la automatización como “puro ahorro de costos” para reducir riesgo reputacional.
• Monitorear proyecciones sobre desplazamiento salarial y diseñar mitigaciones internas.

Qué pasó: Symfony anunció el primer tagged release de Symfony AI (v0.1.0), con 70+ paquetes y componentes para Agents, acceso a 25+ plataformas de inferencia y 20+ vector stores.

Impacto:

• Baja la fricción para integrar Agents/RAG en PHP con abstracciones vendor-agnostic (inferencia + vector DB + tooling).
• Incluye capacidades como structured output, streaming y soporte multimodal a través del Platform Component.
• Al ser v0.1, es razonable esperar cambios de API/paquetes (riesgo de mantenimiento).

Acciones:

• Probar la instalación mínima con composer require ai en un proyecto Symfony con Composer.
• Hacer un PoC de un endpoint con streaming + structured output y medir coste/latencia internamente.

Qué pasó: Alibaba publicó QuarkAudio como proyecto open-source con enfoque “Unified & Prompt-Free”, integrando WavLM/Hubert + H-Codec + LM en una pipeline end-to-end para tareas de audio.

Impacto:

• Consolida múltiples tareas (restauración, separación, conversión, edición) alrededor de tokens de audio + LM.
• Acelera prototipos de producto al ofrecer código, modelos preentrenados y ejemplos de inferencia según la entrada “News”.
• Riesgos señalados: requisitos de cómputo (VRAM/latencia) y calidad por tarea no detallados en el fragmento revisado.

Acciones:

• Clonar el repo (git clone) y ejecutar una tarea (p. ej., speech restoration) con datos propios.
• Medir MOS/RTF en un dataset interno para decidir viabilidad en producto.

Qué pasó: MemTensor lanzó MemOS v2.0 “Stardust” con Knowledge Base (parseo automático de documentos/URLs y sharing cross-project), nuevas primitivas de memoria y scheduler con Redis Streams.

Impacto:

• Refuerza la capa de memoria/KB en agents y reduce deuda técnica en “long-term memory”.
• Habilita reutilización de conocimiento entre proyectos y mecanismos de corrección/borrado más precisos.
• Aumenta la complejidad operativa (Redis/DB) y eleva el riesgo de gobernanza de datos persistidos.

Acciones:

• Preparar Redis para el scheduler y validar despliegue en modo “quick” o “full” según necesidades.
• Probar KB desde URLs y definir política de borrado/auditoría antes de producción.

Qué pasó: En el apartado para inversores, se destaca que Google recorta la brecha de usuarios: Gemini crece 30% en MAU (ago–dic) frente a 15% de ChatGPT. En el contexto del reporte, Gemini 3 se posiciona como SOTA en razonamiento profundo (90.4% GPQA Diamond).

Impacto:

• Reconfigura el “competitive set” para compras enterprise y decisiones de plataforma (coste, latencia, contexto y tooling).
• Incrementa la presión por features de multimodalidad y contexto largo en productos de copilots y agentes.
• Refuerza la necesidad de métricas internas de MAU/retención para comparar proveedores de LLM.

Acciones:

• Monitorear releases de Google DeepMind (Gemini 4, Veo, Titans) en Q1 2026.
• Prepararse para arquitecturas de contexto largo (2M+ tokens) en diseño de producto y evaluación.

Qué pasó: El reporte incluye a Nemotron 3 Nano como modelo “agentic (open)”, con 31.6B parámetros (~3.6B activos), contexto de 1M tokens y optimización para herramientas.

Impacto:

• Amplía opciones open para agentes con contexto muy largo y workflows tool-heavy.
• La referencia a 3.3× throughput vs Qwen3 sugiere foco en eficiencia de inferencia para serving.
• Puede reducir dependencia de modelos cerrados en tareas donde el tooling es la prioridad.

Acciones:

• Explorar Nemotron en laboratorio interno y evaluar coste-beneficio vs GPT-5.2/Claude para casos concretos.
• Definir benchmarks propios (latencia, coste, calidad) antes de estandarizar en producción.

Qué pasó: El reporte destaca a DeepSeek R1 como alternativa abierta de reasoning y bajo costo, citando 671B parámetros con 37B activos y relevancia competitiva frente a frontier cerrados.

Impacto:

• Presiona precios y expectativas de coste por token en proyectos de reasoning.
• Refuerza la viabilidad de stacks “open” en escenarios donde soberanía y control son prioritarios.
• Señala presión geopolítica adicional sobre semiconductores y eficiencia energética.

Acciones:

• Explorar DeepSeek R1 en laboratorio interno y evaluar coste-beneficio vs GPT-5.2/Claude.
• Validar calidad en tareas multi-step y diseñar guardrails antes de exponer a usuarios finales.