OpenAI ha anunciado que los usuarios ya no necesitan iniciar sesión para utilizar el motor de búsqueda de ChatGPT. Esta función permite a ChatGPT proporcionar respuestas basadas en información actualizada de la web, mostrando las fuentes consultadas para generar sus respuestas. Inicialmente lanzada para suscriptores de pago en octubre, se amplió al público general en diciembre. Con la eliminación del requisito de cuenta, ChatGPT se posiciona como competidor directo de motores de búsqueda como Google y Bing. Además, una actualización reciente ha dotado a ChatGPT de una interfaz más tradicional de motor de búsqueda, incluyendo mapas, imágenes de atracciones locales y descripciones breves.

Puntos más importantes:

1. ChatGPT ahora permite el uso de su motor de búsqueda sin necesidad de iniciar sesión.
2. La función ofrece respuestas basadas en información web actualizada, citando las fuentes consultadas.
3. Inicialmente disponible para suscriptores de pago, se amplió al público general en diciembre.
4. Con esta actualización, ChatGPT compite directamente con motores de búsqueda como Google y Bing.
5. La nueva interfaz incluye mapas, imágenes de atracciones locales y descripciones breves.

Enlace: https://www.theverge.com/news/606939/chatgpt-ai-search-without-account

Snap Inc. ha anunciado el desarrollo de un modelo de inteligencia artificial capaz de generar imágenes a partir de descripciones de texto en dispositivos móviles en menos de dos segundos.

El modelo, denominado SnapFusion, es un modelo de difusión de texto a imagen que crea imágenes a partir de descripciones en lenguaje natural. A diferencia de otros modelos similares que requieren hardware potente y procesamiento en la nube, SnapFusion está diseñado para funcionar directamente en dispositivos móviles, ofreciendo resultados rápidos y preservando la privacidad del usuario. Para lograr esta eficiencia, los investigadores de Snap han optimizado la arquitectura de la red y mejorado las técnicas de destilación de pasos, reduciendo la complejidad computacional sin sacrificar la calidad de las imágenes generadas. En pruebas realizadas con el conjunto de datos MS-COCO, SnapFusion superó a modelos como Stable Diffusion v1.5 en métricas de calidad de imagen, utilizando menos pasos de denoising. Este avance democratiza la creación de contenido, permitiendo a los usuarios generar imágenes de alta calidad directamente desde sus dispositivos móviles.

Puntos más importantes:

1. Snap Inc. ha desarrollado SnapFusion, un modelo de IA que genera imágenes a partir de texto en dispositivos móviles.
2. SnapFusion funciona en menos de dos segundos, sin necesidad de hardware potente ni procesamiento en la nube.
3. El modelo optimiza la arquitectura de la red y mejora las técnicas de destilación para reducir la complejidad computacional.
4. En pruebas, SnapFusion superó a modelos existentes en métricas de calidad de imagen con menos pasos de denoising.
5. Este avance permite a los usuarios generar imágenes de alta calidad directamente desde sus dispositivos móviles, preservando la privacidad.

Enlace: https://techcrunch.com/2025/02/04/snap-unveils-ai-text-to-image-model-for-mobile-devices/

Google planea una transformación significativa de su motor de búsqueda en 2025, orientándolo hacia un modelo más similar a un asistente de inteligencia artificial. El objetivo es abordar consultas más complejas y proporcionar respuestas directas y detalladas, en lugar de una lista de enlaces tradicionales. Esta iniciativa busca mejorar la experiencia del usuario, ofreciendo información sintetizada y personalizada.

Puntos más importantes:

1. Google implementará cambios profundos en su motor de búsqueda en 2025, integrando capacidades de inteligencia artificial para ofrecer respuestas más directas y detalladas.
2. La compañía ya ha comenzado a incorporar resúmenes generados por IA y actualizaciones que permiten búsquedas web basadas en video.
3. Estas modificaciones buscan mejorar la experiencia del usuario, proporcionando información sintetizada y personalizada en lugar de listas tradicionales de enlaces.
4. Google está desarrollando una actualización importante para su modelo Gemini, con el fin de mantenerse competitivo frente a Microsoft, OpenAI y otros actores en el campo de la búsqueda impulsada por IA.
5. La empresa se prepara para lanzar una actualización significativa de su modelo Gemini, con el objetivo de competir con Microsoft, OpenAI y otros en el ámbito de la búsqueda impulsada por IA.

Enlace: https://techcrunch.com/2025/02/04/google-wants-search-to-be-more-like-an-ai-assistant-in-2025/

Masayoshi Son, CEO de SoftBank, anticipa la llegada de la inteligencia artificial general (AGI) “mucho antes” de lo que previamente estimaba, y su empresa está invirtiendo significativamente en infraestructura de IA.

SoftBank ha anunciado una inversión de $500 mil millones en el Proyecto Stargate, una iniciativa conjunta con OpenAI, Oracle y el fondo MGX de Abu Dabi, destinada a construir una red de centros de datos para inteligencia artificial en Estados Unidos. Además, SoftBank y OpenAI han formado una empresa conjunta llamada “SB OpenAI Japan” para implementar la tecnología de OpenAI en las empresas del grupo SoftBank, incluyendo Arm y SoftBank Corp., mediante un nuevo sistema de IA denominado “Cristal Intelligence”. Este sistema tiene como objetivo automatizar tareas cotidianas en el trabajo del conocimiento y mejorar la productividad. Durante un evento en Tokio, Son destacó el impacto transformador de los agentes de IA y detalló planes para una amplia automatización e innovación dentro de las empresas propiedad de SoftBank. Cristal Intelligence se comercializará exclusivamente para grandes empresas en Japón a través de la empresa conjunta, marcando un paso significativo en las iniciativas de IA de SoftBank.

Puntos más importantes:

1. Masayoshi Son, CEO de SoftBank, prevé que la AGI llegará antes de lo anticipado y está realizando inversiones significativas en infraestructura de IA.
2. SoftBank, junto con OpenAI, Oracle y el fondo MGX, está invirtiendo $500 mil millones en el Proyecto Stargate para construir centros de datos de IA en Estados Unidos.
3. Se ha establecido una empresa conjunta, “SB OpenAI Japan”, para implementar la tecnología de OpenAI en las empresas del grupo SoftBank mediante el sistema de IA “Cristal Intelligence”.
4. Cristal Intelligence busca automatizar tareas cotidianas y mejorar la productividad en el trabajo del conocimiento.
5. Este sistema se comercializará exclusivamente para grandes empresas en Japón, representando un avance significativo en las iniciativas de IA de SoftBank.

Enlace: https://www.theverge.com/news/605555/softbank-masayoshi-son-agi-cristal-intelligence-openai

OpenAI ha anunciado el lanzamiento de “Deep Research”, un nuevo agente de inteligencia artificial diseñado para realizar investigaciones de manera independiente. Al proporcionar un prompt, ChatGPT utilizará este agente para buscar, analizar y sintetizar información de diversas fuentes, incluyendo textos, imágenes y archivos PDF, con el fin de generar informes detallados en cuestión de minutos.

x.com

Puntos más importantes:

1. OpenAI presenta “Deep Research”, un agente de IA que realiza investigaciones autónomas.
2. El agente analiza y sintetiza información de múltiples fuentes, como textos, imágenes y PDFs.
3. Genera informes detallados en pocos minutos a partir de un prompt proporcionado por el usuario.
4. “Deep Research” está integrado en ChatGPT, ampliando sus capacidades de asistencia.
5. Este avance promete mejorar la eficiencia en la recopilación y análisis de información para diversas aplicaciones.

Enlace: https://x.com/openai/status/1886219085236850889

1. Tipos fundamentales de machine learning:

Aprendizaje supervisado

El modelo se entrena con datos etiquetados, donde cada entrada está asociada a una salida deseada. Se utiliza para tareas como clasificación y regresión.

Ejemplo: Imagina que queremos enseñar a un programa a distinguir entre perros y gatos en fotografías. Para ello, le proporcionamos una serie de imágenes, cada una etiquetada como “perro” o “gato”. El modelo aprende a reconocer las características distintivas de cada animal y, posteriormente, puede clasificar nuevas imágenes no vistas anteriormente.

Aprendizaje no supervisado

El modelo trabaja con datos no etiquetados y busca patrones o estructuras ocultas en los datos, como agrupaciones o asociaciones.

Ejemplo: Supongamos que tenemos un conjunto de imágenes de diferentes animales sin etiquetas. El modelo analiza las imágenes y agrupa aquellas que son similares entre sí. Aunque no sabe qué es cada animal, puede agrupar imágenes de animales de cuatro patas en un grupo, de animales que nadan en otros… basándose en similitudes visuales.

Aprendizaje semisupervisado

Combina ambos enfoques, utilizando una pequeña cantidad de datos etiquetados junto con una gran cantidad de datos no etiquetados para mejorar el aprendizaje.

Ejemplo: Imaginemos que tenemos unas pocas imágenes etiquetadas de perros y gatos, pero muchas más sin etiquetar. El modelo utiliza las imágenes etiquetadas para aprender las características básicas de cada categoría y luego aplica ese conocimiento para agrupar correctamente las imágenes no etiquetadas, mejorando así su precisión.

Aprendizaje por refuerzo

El modelo aprende a través de interacciones con un entorno, recibiendo recompensas o penalizaciones según sus acciones, y ajustando su comportamiento para maximizar su recompensa.

Ejemplo: Imagina un videojuego donde un personaje debe aprender a superar obstáculos. Al principio, se mueve un poco al azar, pero cada vez que supera un obstáculo, recibe una “recompensa”. Con el tiempo, el personaje aprende qué acciones le dan más recompensas y así juega cada vez mejor.

2. Técnicas y métodos más específicos:

Supervised fine-tuning (ajuste fino supervisado)

Consiste en tomar un modelo previamente entrenado y refinarlo utilizando un conjunto de datos etiquetados específicos para una tarea particular.

Ejemplo: Supongamos que tenemos un modelo general que reconoce animales. Si queremos que sea especialmente bueno distinguiendo entre razas de perros, podríamos ajustarlo finamente proporcionándole imágenes etiquetadas de diferentes razas, mejorando así su precisión en esta tarea específica.

Destilación de modelos (model distillation)

Un modelo más pequeño y eficiente (denominado “modelo alumno”) aprende a imitar el comportamiento de un modelo más grande y complejo (“modelo profesor”), manteniendo un rendimiento similar pero con menores requisitos computacionales.

Ejemplo: al igual que en la universidad o el colegio, al profesor le supone mucho más esfuerzo aprender algo, pero una vez procesado y entendido, se lo explica a su alumno de una manera que lo entiende con mucho menos esfuerzo.

Muestreo por rechazo o descarte (rejection sampling)

Técnica donde se generan múltiples salidas potenciales y se seleccionan aquellas que cumplen con criterios específicos de calidad o relevancia para su uso posterior.

Ejemplo: Supongamos que un modelo genera varias descripciones para una imagen. Utilizando muestreo por rechazo, podríamos filtrar y seleccionar las descripciones que sean más precisas y relevantes, descartando las menos adecuadas.

Group Relative Policy Optimization, GRPO (Optimización de políticas relativas de grupo)

Un marco de aprendizaje por refuerzo que elimina la necesidad de un modelo crítico o “coach”, utilizando reglas predefinidas para puntuar las salidas del modelo y permitiendo que el modelo aprenda comparando sus puntuaciones con el promedio del grupo.

Ejemplo: Imagina que estás aprendiendo a lanzar una pelota a una canasta. Al principio, pruebas diferentes formas de lanzar la pelota: a veces la lanzas fuerte, otras veces suave, a veces con un ángulo alto y otras con un ángulo bajo. Después de cada lanzamiento, observas qué tan cerca estuvo la pelota de entrar en la canasta.

GRPO es como un entrenador que te ayuda a mejorar tus lanzamientos. Este entrenador te sugiere probar varios tipos de lanzamientos (como tú lo hiciste) y luego te dice cuáles fueron los mejores y cuáles no funcionaron tan bien. En lugar de solo decirte si un lanzamiento fue bueno o malo, te compara todos los lanzamientos entre sí y te muestra cuáles fueron relativamente mejores.

Con esta información, aprendes a preferir los lanzamientos que fueron mejores y a evitar los que no funcionaron. Con el tiempo, al seguir las sugerencias de tu entrenador y practicar más, te vuelves mejor lanzando la pelota y logras encestar más seguido.

3. Combinaciones y estrategias avanzadas:

Stacking

Combina las predicciones de múltiples modelos base mediante un modelo meta que aprende a optimizar las predicciones finales.

Ejemplo: Para predecir los precios de las viviendas, podríamos usar varios modelos (como regresión lineal, árboles de decisión, redes neuronales) y luego entrenar un modelo adicional que combine sus predicciones para obtener una estimación final más precisa.

Ensamblado de modelos (ensemble learning)

Combina múltiples modelos de aprendizaje para obtener un rendimiento predictivo mejor que el que se lograría con un solo modelo.

Ejemplo: Para predecir el clima, podríamos combinar varios modelos meteorológicos, cada uno especializado en diferentes aspectos (temperatura, precipitación, viento), y promediar sus predicciones para obtener una estimación más precisa.

Bagging (bootstrap aggregating)

Entrena varios modelos independientes en diferentes subconjuntos del conjunto de datos original y promedia sus predicciones para reducir la varianza.

Ejemplo: En la detección de spam, podríamos entrenar múltiples modelos en diferentes subconjuntos de correos electrónicos y luego combinar sus resultados para decidir si un nuevo correo es spam o no.

Boosting

Construye modelos secuenciales, donde cada modelo intenta corregir los errores de su predecesor, mejorando iterativamente el rendimiento.

Ejemplo: Al clasificar tipos de flores, un primer modelo puede cometer errores que un segundo modelo intentará corregir, y así sucesivamente, hasta mejorar la precisión de la clasificación.

La Oficina de Derechos de Autor de EE.UU. (U.S. Copyright Office) publicó el 25 de enero de 2025 el informe “Copyright and Artificial Intelligence, Part 2: Copyrightability”, que es el segundo capítulo de una serie de informes que hablan sobre derechos de autor en relación a la Inteligencia Artificial.

Este documento se centra en la “copyrightability”, es decir, en qué condiciones una obra generada o asistida por inteligencia artificial puede ser protegida por derechos de autor según la legislación vigente en EE.UU.

¿Por qué es necesario este informe?

La rápida evolución de la inteligencia artificial generativa y la popularización de herramientas de IA generativa (como ChatGPT, DALL·E, Kling o Midjourney), ha planteado preguntas legales clave sobre la autoría y la propiedad intelectual de las obras que estos sistemas generan.

¿Una persona que cree una imagen o un vídeo con IA tiene los derechos de autor? ¿o, por el contrario, al estar generada con modelos entrenados con otras obras no debería tenerlos? Si yo le pido a Midjourney una imagen inspirada en Pixar ¿puedo realmente reivindicar algo?

El informe resumido en 4 puntos:

Las obras generadas exclusivamente por IA no pueden tener derechos de autor.

Según la ley de EE.UU., los derechos de autor requieren que la obra tenga autoría humana.

Si una IA crea una obra de manera autónoma, sin intervención creativa humana significativa, no puede registrarse como propiedad de nadie.

Si un humano usa la IA como herramienta y aporta creatividad, la obra puede ser protegida.

Se distingue entre obras creadas íntegramente por IA y aquellas donde la IA es una herramienta que ayuda en el proceso creativo humano. Cuando una persona utiliza la IA para facilitar o mejorar su creación, y aporta una contribución creativa significativa, la obra resultante puede ser elegible para protección de derechos de autor.

Ejemplo: Si un artista usa IA para generar imágenes y luego las modifica sustancialmente con su propio estilo, la parte humana podría ser protegida por derechos de autor. Pero si escribe un prompt y genera una imagen que no modifica sustancialmente no podría registrarla.

La creación de “prompts” no es suficiente para reclamar derechos de autor.

Mientras algunos argumentan que escribir un “prompt” (instrucción para la IA) es un acto creativo, la Oficina de Derechos de Autor concluye que, en la mayoría de los casos, escribir una breve instrucción no equivale a una contribución creativa suficiente.

Las modificaciones humanas sí pueden recibir derechos de autor.

Si un creador edita significativamente el contenido generado por IA, podría registrar la parte que ha modificado, aunque el origen sea generado por IA.

Entradas Expresivas

Cuando un usuario proporciona contenido original (como texto, imágenes o música) que la IA utiliza para generar una nueva obra, la contribución humana puede ser lo suficientemente significativa como para justificar la protección de derechos de autor en la obra resultante.

Modificación o Arreglo

Si una persona modifica o arregla el contenido generado por la IA de manera creativa, estas aportaciones humanas pueden calificar para protección de derechos de autor, siempre y cuando las modificaciones sean más que meramente técnicas o triviales.

Podéis leer el informe completo pulsando en la imagen: