Una IA lee los pesos de otra

Unos investigadores pidieron a un modelo potente que leyera directamente los pesos, los números que una red neuronal ajusta al entrenarse, de otra mucho más pequeña. Según el resumen de alphaXiv, el lector es GPT-6 Astra. Interpreta lo que hace la red, corrige sus fallos y escribe de una vez los pesos de una red nueva. También editó una parte minúscula de Qwen3.5-0.8B para frenar bucles de razonamiento. Es una entrada de blog, no un artículo revisado.

Escala poco: la lectura más grande sin herramientas fue de unos 171.664 pesos. No es automejora recursiva plena, porque un modelo edita a otro, no a sí mismo. Algo parecido hace CoworkOS, un arnés para agentes de tareas largas que posentrenó otro modelo en cinco rondas y subió su media de 33,19 a 42,95, según sus autores.

• Latent Space (AINews), LLMs can read and write neural network weights
• CoworkOS: Scaling Agent Coworkers for Real-World Automation (arXiv)

Un artículo de MIT Technology Review propone dejar de contar tokens y medir el coste por pull request fusionada, es decir, por propuesta de cambio de código aprobada. Un agente de programación puede gastar entre 10 y 50 veces más tokens que una pregunta a un chat. Junto a ello se vigilan el retrabajo y los fallos, para que lo barato no esconda peor calidad.

La receta: el modelo de frontera para planificar y los modelos abiertos propios para lo rutinario. HPE dice que así ha recortado el gasto en tokens entre un 30 y un 50 %. Pero el texto lo produjo HPE, que vende esa infraestructura. Además, la métrica puede incentivar cambios diminutos, y no compensa a quien usa poco.

• MIT Technology Review, Stop counting tokens, start counting what ships

Un equipo liderado por Rachel Parkinson, de la Queen Mary University of London, propone en Nature Machine Intelligence crear modelos fundacionales ecológicos. Combinarían grandes conjuntos de datos variados con teoría ecológica para predecir mejor. Es una hoja de ruta, no un modelo entrenado, y pide evitar que refuercen los sesgos que ya tiene nuestro conocimiento de la naturaleza.

La IA consume: según la AIE, en 2025 la demanda eléctrica de los centros de datos creció un 17 %. Pero ya ayuda a cuidar la naturaleza. SpeciesNet, de Google, identifica casi 2.500 especies en fotos de cámaras trampa y WWF lo usa en Perú para estimar jaguares. Perch, de Google DeepMind, halló cantos de aves casi 50 veces más rápido, según Google.

• Nature Machine Intelligence, Towards ecologically meaningful foundation models
• Phys.org, AI and nature: scientists' roadmap
• Google Research, SpeciesNet
• WWF, AI Tool SpeciesNet Helps Track Wildlife Faster
• Google DeepMind, How AI is helping advance bioacoustics
• Enlit, AI and data centre electricity use continue to surge (AIE)
• Our World in Data, How much energy do data centers and AI use?

No es noticia de esta semana: el 1 de octubre despegó el satélite prototipo del Proyecto Suncatcher, de Google, construido con Planet y lanzado en la misión Transporter-18 de SpaceX. Google confirma contacto y que funciona como esperaba. Según medios especializados, lleva cuatro TPU y un kilovatio de paneles solares. Ahora medirá cómo aguantan los chips el lanzamiento, la radiación y la temperatura.

Los retos son grandes: el calor, que en el vacío solo se disipa por radiación, las comunicaciones y la fiabilidad. La memoria de alto rendimiento solo falló con una dosis casi tres veces mayor que la esperada en cinco años. Travis Beals, responsable del proyecto, no espera que calcular en órbita sea más barato en cinco años. La siguiente prueba, con dos satélites, estaba prevista para 2027.

• Google, Project Suncatcher prototype satellite is in orbit
• Planet, Project Suncatcher
• Google Research, Exploring a space-based, scalable AI infrastructure system design
• The Techlantis, Google Project Suncatcher AI satellite launch
• Mezha, Google energy chief says space data centers could cost up to 100 times more
• Yahoo Tech, Google proposed data center in orbit