FoundersFeed

Kimi 3.1 just dropped and I'm completely uninterested. Actually reminded me to cancel my Allegretto subscription that I haven't touched in forever. Honestly can't think of a single use case where I'd reach for this model over alternatives.

Someone just fed a Donald Duck comic into an AI agent and it generated a full cartoon in one shot. No iterative prompting, no manual scene assembly—just upload → complete animated output. This suggests the model can parse sequential visual storytelling (panel flow, character consistency, motion inference) and synthesize it into a time-based format autonomously. Big leap from static image gen to narrative video synthesis with zero human intervention in the pipeline.

Quick math on Devin Pro usage: roughly 100M Gemini-4-Argon-Medium tokens burned per week. That's insane token throughput for an AI coding agent at scale. Shows they're running heavy workloads continuously - probably multi-file refactoring, full repo analysis, and iterative debugging sessions that rack up context windows fast. At that volume, model cost optimization becomes a critical engineering problem, not just a nice-to-have.

Predicción: En los próximos 12 meses veremos enjambres de agentes desplegables capaces de replicar las operaciones bancarias centrales de instituciones pequeñas y medianas. La tesis: los laboratorios están absorbiendo datos operativos de sectores regulados (aerolíneas, manufactura, contabilidad y banca) para entrenar sistemas multiagente especializados.

La arquitectura sería así:
→ Agentes de cumplimiento normativo (procesos KYC/AML)
→ Modelos de evaluación de préstamos (evaluación del riesgo crediticio)
→ Procesamiento de transacciones (integración con redes de pago)
→ Automatización de informes regulatorios
→ Coordinación del servicio al cliente

El verdadero avance = convertir el despliegue de capital en un problema de configuración, en lugar de un problema de creación organizativa. No estás contratando a 50 personas ni lidiando durante 18 meses con un infierno regulatorio. Estás poniendo en marcha un sistema preentrenado que ya conoce los requisitos de la FDIC, los protocolos ACH y los patrones de detección de fraude.

Las barreras de datos que estos laboratorios están construyendo al obtener licencias para conjuntos de datos operativos de empresas existentes = la nueva ventaja competitiva. Ya no solo entrenan con texto, sino que incorporan flujos reales de procesos empresariales.

Sigo teniendo mis dudas sobre la idea de «conectar y usar» en sectores muy regulados en 2025, pero la dirección está clara: sistemas de IA capaces de operar funciones empresariales completas, no solo de ayudar con tareas. El capital se convierte en la principal limitación, no la complejidad operativa.

Gemini 4 Argon is surprisingly solid for documentation generation. If you're lazy and don't want to write docs yourself, Gemini handles it well enough to actually use in production workflows. Worth testing if you're drowning in undocumented code.

🚀 Todos MCP Server just dropped

This is basically a meta-agent orchestrator for your personal AI assistants (Muse, Dots, GrokBot, etc). It lets them control and coordinate 19 different coding agents simultaneously.

Think of it as a dispatcher layer - instead of manually juggling multiple specialized agents, your main assistant can now route tasks across the entire agent fleet. Pretty solid if you're running complex dev workflows that need different agents for linting, testing, code review, deployment, etc.

The MCP (Model Context Protocol) architecture means agents can share context without you copy-pasting between tools. Saves a ton of friction when you're bouncing between tasks.

El fondo de 70 millones de dólares de Cambrian apuesta por los proveedores de infraestructura de IA, en lugar de por los propios laboratorios. La tesis de su fundador, Lonis Hamaili: todos los laboratorios de IA necesitan una infraestructura informática idéntica: memoria, herramientas e infraestructura energética. Su enfoque no está en el riesgo técnico, sino en la exposición regulatoria.

La lógica: los incidentes de uso indebido, las brechas de seguridad y el desplazamiento laboral generan una enorme responsabilidad política para los laboratorios de IA de frontera. Hamaili prevé que la intervención gubernamental limitará el crecimiento de los laboratorios antes de que alcancen una verdadera escala de monopolio.

La estrategia no depende de quién esté en el poder. Tanto si OpenAI y Anthropic dominan, como si los gobiernos nacionalizan la capacidad de computación o los laboratorios chinos les dan alcance, los proveedores de infraestructura salen ganando. Es la clásica estrategia de vender palas y picos, pero para la fiebre del oro de la IA.

Una cobertura interesante frente a la narrativa de que «los laboratorios de AGI se convertirán en empresas valoradas en billones de dólares». Si se produce una captura regulatoria (algo cada vez más probable tras el ciclo electoral), estar un nivel más abajo en la cadena podría ser, en realidad, la apuesta asimétrica más segura.

Cambrian's Lonis Hamaili ($70M fund focused on physical AI infrastructure) is betting on memory stocks trading at 5-6x earnings despite flat pricing. His thesis: demand will outrun supply even without price hikes.

Supply constraint: DRAM production can only scale ~2.5x by 2030 according to industry projections. That's a hard ceiling.

Demand driver: AI workloads keep ballooning. His bull case assumes memory-hungry models continue scaling faster than supply can catch up.

The edge case risk he flags is actually interesting: what if AI gets really good at memory compression before it gets good at useful tasks? That would crater demand.

His counter: if AI reaches the level where it can solve hard engineering problems, it's already capable of automating office work (email/Excel jobs worth trillions annually). So demand explodes either way.

Basically betting on a supply bottleneck meeting an AI workload explosion, with memory stocks still undervalued at current multiples. The compression risk is real but he thinks the demand unlock happens first.

Lonis Hamaili ($70M AI supply-chain fund) breaks down the operating leverage play in semiconductor manufacturing:

Core thesis: AI demand could flip low-margin component suppliers (capacitors, silicon wafers) from barely profitable to cash machines.

The math:
- Current state: 10% gross margins, high fixed costs, crushing debt
- Problem: Underutilized fabs = bleeding money
- AI catalyst: If they can push prices up 10% → earnings double
- Extreme scenario: 2x price increase → 10x earnings

Why this works: These manufacturers have massive fixed costs (fab equipment, facilities). Once you cover those costs, every additional dollar of revenue drops almost straight to the bottom line. AI chip demand could finally give them pricing power after decades of being squeezed.

Basically betting that AI will create enough supply constraints that commodity component makers can finally charge what their capex actually costs. High risk, but the leverage is real if AI demand sustains.

Probando el iPhone Duo en Apple Bellevue:

Hardware de la cámara: claramente inferior al conjunto de sensores del iPhone 17 Pro. El formato plegable obligó a hacer concesiones en el sistema de imagen: probablemente sensores más pequeños y menos margen para la fotografía computacional.

Frente al Galaxy Fold 8: si ya usas la arquitectura de bisagra más reciente de Samsung, el iPhone Duo no ofrece suficientes diferencias. Misma categoría, distinto ecosistema al que quedar vinculado.

La configuración negra de 512 GB estaba disponible (algo poco habitual durante la semana de lanzamiento), pero las concesiones de hardware hacen que no merezca la pena para quienes priorizan el rendimiento de la cámara o ya han invertido en plegables Android.

El fondo de 70 millones de dólares de Cambrian para la cadena de suministro de IA prohíbe rotundamente operar con margen, pese a su enorme confianza en la trayectoria de la IA a largo plazo.

El cofundador de Lonis Hamaili convirtió 100.000 dólares que pidió prestados poniendo como garantía la casa de su padre en 14 millones, pero los documentos de su fondo prohíben explícitamente el apalancamiento. ¿Por qué?

Confían en la evolución de la IA a lo largo de 4 a 10 años y en sus plazos aproximados, pero no confían en absoluto en la evolución de los precios de un trimestre a otro. $NVDA multiplicó su valor por 15 en 4 años, pero sufrió caídas del 40 al 60 % en el camino. Incluso una posición ganadora comprada con margen puede liquidarse durante un período de volatilidad.

Su filosofía para los socios comanditarios: «Queremos ser ricos en muchos mundos, no multimillonarios en uno solo».

Una gestión inteligente del riesgo supera al apalancamiento máximo cuando se apuesta por un desarrollo de infraestructura de varios años con catalizadores impredecibles a corto plazo.

Cambrian's Lonis Hamaili ($70M AI supply-chain fund) throws cold water on TerraFab hype: the real bottleneck isn't fab capacity, it's wafer supply upstream.

Key technical reality check:
• Wafer supply growing at only 9-15% annually
• TerraFab still depends on the same manufacturing tooling as TSMC/Samsung
• New fab ≠ new wafer production capacity
• Upstream equipment bottlenecks remain unsolved

The China comparison hits hard: a decade of massive investment across hundreds of companies, still struggling to catch leading-edge nodes. Now expecting one company to vertically integrate the entire stack simultaneously?

The semiconductor supply chain has ~1000+ critical dependencies. Building a fab without controlling wafer substrate production, lithography tools, and chemical supply chains just shifts the bottleneck elsewhere. This is why Intel's IDM 2.0 strategy focuses on partnerships rather than pure vertical integration.

Bottom line: chip shortages are a materials science and capital equipment problem, not just a factory floor problem.

Lonis Hamaili (fondo de 70 millones de dólares para la cadena de suministro de IA en Cambrian) traza una línea clara entre el diseño de chips y su fabricación. Su tesis: el diseño de chips es abordable para la IA porque está bien documentado y cuenta con buenos entornos de entrenamiento. ¿La fabricación de chips? No tanto.

El principal cuello de botella: décadas de conocimiento tácito encerrado en ingenieros japoneses que llevan más de 30 años trabajando en la misma fábrica de semiconductores. No hay manuales. No hay conjuntos de datos estructurados. Solo intuición y reconocimiento de patrones, desarrollados a lo largo de miles de ciclos de producción.

Construir una fábrica de semiconductores de 2 millones de pies cuadrados no solo requiere mucho capital; también exige un conocimiento que no encaja fácilmente con los paradigmas actuales de entrenamiento de IA. No basta con extraer datos de GitHub o ArXiv.

Su apuesta: tarde o temprano, la superinteligencia resolverá el problema de extraer ese conocimiento, pero la cuestión es en qué orden. El diseño de chips será lo primero (ya está ocurriendo con herramientas como los copilotos de IA de Cadence). La extracción de conocimientos de fabricación llegará después, cuando tengamos mejores maneras de digitalizar los procesos físicos y aprender de ellos.

En resumen: la IA se comerá el diseño de chips antes que su fabricación. La brecha entre ambos es mayor de lo que piensa la mayoría.

Lonis Hamaili, de Cambrian (fondo de 70 millones de dólares para cadenas de suministro de IA), explica la jerarquía de los cuellos de botella:

La escasez de energía > la escasez de chips en cuanto a posibilidades de solución.

Energía: puedes improvisar soluciones. Reutilizar motores de camiones, turbinas de aviones y motores industriales para generar electricidad. ¿Grandes turbinas de gas natural? Tienen pedidos pendientes hasta 2030. Pero es posible adaptar la infraestructura mecánica existente.

Chips: cero margen. La capacidad de fabricación de obleas y la producción de memoria están al máximo. Todas las líneas de TSMC están funcionando a toda marcha, Samsung produce las 24 horas, los 7 días de la semana, y SK Hynix tiene todo vendido. No hay capacidad ociosa esperando a que alguien la aproveche.

La idea central: la generación de energía tiene flexibilidad y redundancia mecánicas. La fabricación de semiconductores es un juego de suma cero, sin capacidad de reserva. No puedes simplemente «encontrar» capacidad adicional para fabricar obleas de 3 nm por ahí.

Esto explica por qué los hiperescaladores están buscando soluciones creativas para obtener energía (comprar plantas retiradas, construir instalaciones de generación in situ), mientras que el suministro de chips sigue siendo la principal limitación para ampliar la IA.

Lonis Hamaili (Cambrian, fondo de IA de 70 millones de dólares) lanza una predicción descabellada: para 2027, los gobiernos serán los mayores compradores de tokens de IA. ¿Su tesis? Una carrera armamentista de ciberseguridad entre Estados Unidos y China es inevitable.

La lógica: los gobiernos comprarán a toda prisa infraestructura de defensa de IA después de que grandes ciberataques golpeen bancos y sistemas críticos. Habla de presupuestos de 500.000 millones de dólares solo para evitar que China los deje en ridículo, porque sufrir un ciberataque sería un suicidio político para quien esté al mando.

¿El detonante? Espera que las brechas de seguridad de alto perfil obliguen a los gobiernos a adoptar la mentalidad de «no podemos permitirnos quedarnos atrás». Cuando eso ocurra, se abrirán las compuertas del gasto.

En esencia: la defensa de IA de los Estados-nación se convertirá en la nueva disuasión nuclear, y los tokens serán los rieles de esa infraestructura. Creas o no en el calendario, el modelo de amenazas subyacente (la escalada de la ciberguerra impulsada por IA) ya se está desarrollando en tiempo real.

Evan Conrad, CEO de San Francisco Compute, comparte una idea clave sobre la implementación de infraestructura de IA: olvídate de la proximidad a los usuarios para las cargas de trabajo de entrenamiento; ubícalas cerca de las fuentes de energía.

En los trabajos de entrenamiento que duran varios días, el costo y la disponibilidad de la electricidad son más importantes que la latencia. Su apuesta: veremos una oleada de clústeres de GPU de menos de 15 MW distribuidos por todo el mundo, allí donde haya energía barata.

¿La excepción? La inferencia en tiempo real, como el procesamiento de video y audio en directo: esos casos sí necesitan estar cerca del usuario para responder en menos de 100 ms. Entrenamiento = prioridad a la energía. Inferencia de baja latencia = prioridad al usuario. Distintas cargas de trabajo, distintas topologías.

San Francisco Compute is arbitraging GPU contracts by buying long-term commitments and reselling them as flexible month-to-month rentals at a premium.

The play: Lock in annual GPU capacity at bulk rates, then slice it into shorter rental windows for teams that can't commit to 12-month contracts. Classic infrastructure arbitrage—buy wholesale time, sell retail flexibility.

CEO Evan Conrad confirms they deliberately over-provisioned long contracts to create this rental layer. The margin comes from the flexibility premium: most GPU providers force annual commitments, so offering monthly access lets them charge above spot rates while still undercutting competitors on contract length.

This is basically the AWS model applied to GPU compute: absorb the commitment risk, monetize the optionality. Works until hyperscalers start offering their own flexible GPU rental tiers or spot capacity floods the market.

Evan Conrad, de San Francisco Compute (operador de clústeres de GPU), critica a quienes se oponen a los centros de datos en EE. UU. y califica sus temores de exageraciones alarmistas.

Su tesis central: si quieres que el valor económico de la IA llegue a tu región, necesitas centros de datos físicos allí. Punto.

Señala una instalación en Utah que triplicó los ingresos fiscales locales como prueba de que la infraestructura equivale a dinero.

El ángulo geopolítico: el resto del mundo no está dudando. Se apresura a alojar capacidad de cómputo porque entiende lo que está en juego. Los países fuera de EE. UU. están cortejando activamente estos proyectos, ya que un solo centro de datos a gran escala puede influir de manera considerable en el PIB nacional.

En esencia, este es el argumento de la «soberanía en IA mediante la infraestructura». O construyes las tuberías o solo alquilas capacidad de cómputo de la economía de otro. Sin centros de datos, no tienes influencia en la cadena de valor de la IA.

Lo que se insinúa: las trabas regulatorias en EE. UU. sobre la energía y el uso del suelo para los centros de datos podrían ser un autogol estratégico, mientras otras naciones les extienden la alfombra roja.

SF Compute está abordando un problema crucial de financiación de infraestructuras: los clústeres de GPU son una garantía pésima porque los prestamistas no pueden operarlos si los embargan. Los bancos no quieren ponerse de repente a gestionar un superordenador.

Su solución: combinar la operación de clústeres con un mercado de reventa líquido para el tiempo de computación. La tesis es que, si la capacidad de computación se vuelve realmente fungible y negociable, se convierte en una garantía mejor → tasas de interés más bajas → financiación de GPU más barata para las startups.

Pero el director ejecutivo, Evan Conrad, es claro: esto no resuelve el problema hoy. Las startups siguen necesitando el mismo capital inicial. Crear la infraestructura necesaria para que la capacidad de GPU sirva como garantía llevará «varios años».

En esencia: están construyendo la infraestructura financiera necesaria para convertir la computación en una clase de activo negociable. Una apuesta a largo plazo para que la infraestructura de IA requiera menos capital.

El CEO de San Francisco Compute, Evan Conrad, gestiona clústeres de GPU con un sistema de colas que evita el acaparamiento. Por defecto, los investigadores pequeños tienen la máxima prioridad, incluso por encima de los clientes de pago. Su plataforma Autoresearch usa una cola prioritaria en la que puedes pagar para adelantar puestos, pero no puedes comprar toda la cola: los investigadores independientes siempre consiguen espacio.

Para acabar con el acaparamiento de capacidad, SF Compute exige que se revenda parte de la capacidad de cómputo alquilada. Así, las GPU siguen circulando en lugar de quedar bloqueadas en grandes laboratorios.

En resumen: dar prioridad a los pequeños, evitar los monopolios y garantizar la liquidez del mercado de GPU.