跟Leo看AI
44 Publicaciones
跟Leo看AI
Denunciar
Bloquear usuario
AI产业研究员｜长期跟踪AI基础设施
从GPU到数据中心，从算力到应用，沿着产业链寻找真正的价值
3 Siguiendo
53 Seguidores
80 Me gusta
Publicaciones
Todo
Videos
·
--
Mt. Gox vuelve a aplazarlo: la fecha límite para los reembolsos se pospone hasta el 31 de octubre de 2027
La razón oficial es que todavía hay muchos acreedores que no han completado el registro y la verificación, y algunos pagos también han tenido problemas al efectuarse. Si lo piensas, Mt. Gox fue hackeado hace más de diez años👇👇
2014: el exchange japonés Mt. Gox fue atacado por hackers. Le robaron unos 850.000 bitcoins y posteriormente se declaró en quiebra.
Julio de 2024: Mt. Gox comenzó oficialmente a reembolsar BTC a través de plataformas como Kraken, Bitstamp, BitGo, Bitbank y SBI VC Trade. En un solo mes transfirió más de 90.000 BTC.
Desde 2023: la fecha límite ya se ha aplazado cuatro veces consecutivas, pasando de 2023 a 2027.
De los 142.000 BTC disponibles para los reembolsos, ya se han devuelto cerca de 110.000. En la cartera del administrador quedan unos 34.000. A juzgar por esto, la presión vendedora en el mercado derivada de los pagos de Mt. Gox es mucho menor que antes. #门头沟还款再度延期
Mt. Gox vuelve a aplazarlo: la fecha límite para los reembolsos se pospone hasta el 31 de octubre de 2027
La razón oficial es que todavía hay muchos acreedores que no han completado el registro y la verificación, y algunos pagos también han tenido problemas al efectuarse. Si lo piensas, Mt. Gox fue hackeado hace más de diez años👇👇
2014: el exchange japonés Mt. Gox fue atacado por hackers. Le robaron unos 850.000 bitcoins y posteriormente se declaró en quiebra.
Julio de 2024: Mt. Gox comenzó oficialmente a reembolsar BTC a través de plataformas como Kraken, Bitstamp, BitGo, Bitbank y SBI VC Trade. En un solo mes transfirió más de 90.000 BTC.
Desde 2023: la fecha límite ya se ha aplazado cuatro veces consecutivas, pasando de 2023 a 2027.
De los 142.000 BTC disponibles para los reembolsos, ya se han devuelto cerca de 110.000. En la cartera del administrador quedan unos 34.000. A juzgar por esto, la presión vendedora en el mercado derivada de los pagos de Mt. Gox es mucho menor que antes. #门头沟还款再度延期
La razón oficial es que todavía hay muchos acreedores que no han completado el registro y la verificación, y algunos pagos también han tenido problemas al efectuarse. Si lo piensas, Mt. Gox fue hackeado hace más de diez años👇👇
2014: el exchange japonés Mt. Gox fue atacado por hackers. Le robaron unos 850.000 bitcoins y posteriormente se declaró en quiebra.
Julio de 2024: Mt. Gox comenzó oficialmente a reembolsar BTC a través de plataformas como Kraken, Bitstamp, BitGo, Bitbank y SBI VC Trade. En un solo mes transfirió más de 90.000 BTC.
Desde 2023: la fecha límite ya se ha aplazado cuatro veces consecutivas, pasando de 2023 a 2027.
De los 142.000 BTC disponibles para los reembolsos, ya se han devuelto cerca de 110.000. En la cartera del administrador quedan unos 34.000. A juzgar por esto, la presión vendedora en el mercado derivada de los pagos de Mt. Gox es mucho menor que antes. #门头沟还款再度延期
1
214
·
--
🐮😱¿El documental más increíble de la historia? Hace poco se estrenó en el extranjero la película «Puedes verlo todo», que obtuvo la puntuación más alta de MTC en casi 10 años. Y, además, es un documental real.
La protagonista es Elizabeth Holmes, la artífice del escandaloso fraude de Silicon Valley. A los 19 años dejó Stanford para emprender y llevó la valoración de su empresa hasta los 9.000 millones de dólares, una cifra comparable a la de Tesla en aquel entonces. Al final, se demostró que la empresa había sido un fraude de principio a fin❗️
La película se rodó 34 días antes de que ella empezara a cumplir su condena. Holmes aparece en persona y, mediante entrevistas y seguimiento, muestra su vida cotidiana. Al recordar lo que hizo y ver esos ojos enormes tan característicos, que casi no parpadean, la película entera transmite una sensación escalofriante.
Repasemos juntos este fraude👇👇
En 2003, Holmes fundó Theranos, una empresa de análisis de sangre que afirmaba poder realizar cientos de pruebas con apenas unas gotas de sangre de la yema del dedo. Con esta historia y una imagen cuidadosamente diseñada para imitar a Steve Jobs, logró incorporar a su consejo de administración a importantes figuras políticas como Henry Kissinger y George Shultz. Para 2014, la empresa estaba valorada en unos 9.000 millones de dólares, y Holmes se había convertido en la mujer multimillonaria hecha a sí misma más joven. Pero esa tecnología nunca llegó a funcionar. La empresa analizaba muestras a escondidas con equipos comerciales modificados, engañaba a inversores y organismos reguladores, y enviaba resultados inexactos a pacientes reales.
En 2015, el periodista de The Wall Street Journal John Carreyrou destapó el fraude gracias a las denuncias de empleados de la empresa. Theranos se disolvió en 2018. En 2022, Holmes fue condenada a 11 años y 3 meses de prisión por defraudar a inversores; todavía está cumpliendo su condena. Este caso también se convirtió en el ejemplo más conocido de lo que no hay que hacer en la cultura de Silicon Valley de «finge hasta que lo consigas». #骗局 #你能看到一切
🐮😱¿El documental más increíble de la historia? Hace poco se estrenó en el extranjero la película «Puedes verlo todo», que obtuvo la puntuación más alta de MTC en casi 10 años. Y, además, es un documental real.
La protagonista es Elizabeth Holmes, la artífice del escandaloso fraude de Silicon Valley. A los 19 años dejó Stanford para emprender y llevó la valoración de su empresa hasta los 9.000 millones de dólares, una cifra comparable a la de Tesla en aquel entonces. Al final, se demostró que la empresa había sido un fraude de principio a fin❗️
La película se rodó 34 días antes de que ella empezara a cumplir su condena. Holmes aparece en persona y, mediante entrevistas y seguimiento, muestra su vida cotidiana. Al recordar lo que hizo y ver esos ojos enormes tan característicos, que casi no parpadean, la película entera transmite una sensación escalofriante.
Repasemos juntos este fraude👇👇
En 2003, Holmes fundó Theranos, una empresa de análisis de sangre que afirmaba poder realizar cientos de pruebas con apenas unas gotas de sangre de la yema del dedo. Con esta historia y una imagen cuidadosamente diseñada para imitar a Steve Jobs, logró incorporar a su consejo de administración a importantes figuras políticas como Henry Kissinger y George Shultz. Para 2014, la empresa estaba valorada en unos 9.000 millones de dólares, y Holmes se había convertido en la mujer multimillonaria hecha a sí misma más joven. Pero esa tecnología nunca llegó a funcionar. La empresa analizaba muestras a escondidas con equipos comerciales modificados, engañaba a inversores y organismos reguladores, y enviaba resultados inexactos a pacientes reales.
En 2015, el periodista de The Wall Street Journal John Carreyrou destapó el fraude gracias a las denuncias de empleados de la empresa. Theranos se disolvió en 2018. En 2022, Holmes fue condenada a 11 años y 3 meses de prisión por defraudar a inversores; todavía está cumpliendo su condena. Este caso también se convirtió en el ejemplo más conocido de lo que no hay que hacer en la cultura de Silicon Valley de «finge hasta que lo consigas». #骗局 #你能看到一切
La protagonista es Elizabeth Holmes, la artífice del escandaloso fraude de Silicon Valley. A los 19 años dejó Stanford para emprender y llevó la valoración de su empresa hasta los 9.000 millones de dólares, una cifra comparable a la de Tesla en aquel entonces. Al final, se demostró que la empresa había sido un fraude de principio a fin❗️
La película se rodó 34 días antes de que ella empezara a cumplir su condena. Holmes aparece en persona y, mediante entrevistas y seguimiento, muestra su vida cotidiana. Al recordar lo que hizo y ver esos ojos enormes tan característicos, que casi no parpadean, la película entera transmite una sensación escalofriante.
Repasemos juntos este fraude👇👇
En 2003, Holmes fundó Theranos, una empresa de análisis de sangre que afirmaba poder realizar cientos de pruebas con apenas unas gotas de sangre de la yema del dedo. Con esta historia y una imagen cuidadosamente diseñada para imitar a Steve Jobs, logró incorporar a su consejo de administración a importantes figuras políticas como Henry Kissinger y George Shultz. Para 2014, la empresa estaba valorada en unos 9.000 millones de dólares, y Holmes se había convertido en la mujer multimillonaria hecha a sí misma más joven. Pero esa tecnología nunca llegó a funcionar. La empresa analizaba muestras a escondidas con equipos comerciales modificados, engañaba a inversores y organismos reguladores, y enviaba resultados inexactos a pacientes reales.
En 2015, el periodista de The Wall Street Journal John Carreyrou destapó el fraude gracias a las denuncias de empleados de la empresa. Theranos se disolvió en 2018. En 2022, Holmes fue condenada a 11 años y 3 meses de prisión por defraudar a inversores; todavía está cumpliendo su condena. Este caso también se convirtió en el ejemplo más conocido de lo que no hay que hacer en la cultura de Silicon Valley de «finge hasta que lo consigas». #骗局 #你能看到一切
5
1
8
15.3k
·
--
¡La amenaza cuántica vuelve, y esta vez parece distinta! 🚨🚨
Anthropic publicó hace un par de días un artículo sobre computación cuántica, titulado: «La IA diseña circuitos cuánticos más eficientes para que las aplicaciones en química y ciencia de materiales lleguen antes».
Pero la tarea que describen con más detalle de las 8 del artículo es la suma de puntos en una curva elíptica de 256 bits. Es un paso clave para que una computadora cuántica pueda resolver el logaritmo discreto en curvas elípticas, y las firmas de $BTC y $ETH utilizan precisamente curvas elípticas.
¿En qué consistieron las tareas?
1. Le dieron a Claude Mythos 5 solo un breve requerimiento y un evaluador automático (número de qubits × número de puertas) para que iterara por su cuenta en un ciclo cerrado, prácticamente sin intervención humana.
2. El paso más costoso de la suma de puntos es la inversión modular. Claude trabajó durante 53 horas y creó la primera implementación reversible de divsteps que no necesita almacenar el historial de ramas. También demostró por su cuenta varias identidades algebraicas nuevas y las verificó formalmente con Lean.
3. En comparación con el diseño más pequeño anterior, utiliza un 12 % más de qubits, pero 17 veces menos puertas.
4. Además, consiguió que el decodificador Reed–Solomon de DQI usara 12 veces menos puertas que la solución anterior de Google.
5. Una comparación histórica: en 2017 se estimaba que la simulación de FeMoco requería unos 50 billones de puertas Toffoli; ahora la cifra ha bajado a unos 340 millones, una reducción de aproximadamente 150.000 veces. Esto se debe principalmente a que varios grupos de investigación fueron mejorando los algoritmos paso a paso durante 8 años, y cada avance llevó varios meses.
En cambio, el diseño de curva elíptica de Claude esta vez fue el resultado de una sola ejecución de 53 horas.
En otras palabras, en solo 53 horas, esta IA logró que el paso clave para que una computadora cuántica pueda romper las firmas de BTC y ETH requiera menos recursos. Tus criptomonedas aún no corren peligro de robo, pero la amenaza cuántica podría llegar antes de lo que muchos esperan.
Cuando el hardware esté a la altura, las direcciones cuyas claves públicas ya se hayan expuesto en la cadena serán las primeras en correr riesgos. Por eso, no podemos seguir posponiendo la actualización a firmas resistentes a la computación cuántica.
¡La amenaza cuántica vuelve, y esta vez parece distinta! 🚨🚨
Anthropic publicó hace un par de días un artículo sobre computación cuántica, titulado: «La IA diseña circuitos cuánticos más eficientes para que las aplicaciones en química y ciencia de materiales lleguen antes».
Pero la tarea que describen con más detalle de las 8 del artículo es la suma de puntos en una curva elíptica de 256 bits. Es un paso clave para que una computadora cuántica pueda resolver el logaritmo discreto en curvas elípticas, y las firmas de $BTC y $ETH utilizan precisamente curvas elípticas.
¿En qué consistieron las tareas?
1. Le dieron a Claude Mythos 5 solo un breve requerimiento y un evaluador automático (número de qubits × número de puertas) para que iterara por su cuenta en un ciclo cerrado, prácticamente sin intervención humana.
2. El paso más costoso de la suma de puntos es la inversión modular. Claude trabajó durante 53 horas y creó la primera implementación reversible de divsteps que no necesita almacenar el historial de ramas. También demostró por su cuenta varias identidades algebraicas nuevas y las verificó formalmente con Lean.
3. En comparación con el diseño más pequeño anterior, utiliza un 12 % más de qubits, pero 17 veces menos puertas.
4. Además, consiguió que el decodificador Reed–Solomon de DQI usara 12 veces menos puertas que la solución anterior de Google.
5. Una comparación histórica: en 2017 se estimaba que la simulación de FeMoco requería unos 50 billones de puertas Toffoli; ahora la cifra ha bajado a unos 340 millones, una reducción de aproximadamente 150.000 veces. Esto se debe principalmente a que varios grupos de investigación fueron mejorando los algoritmos paso a paso durante 8 años, y cada avance llevó varios meses.
En cambio, el diseño de curva elíptica de Claude esta vez fue el resultado de una sola ejecución de 53 horas.
En otras palabras, en solo 53 horas, esta IA logró que el paso clave para que una computadora cuántica pueda romper las firmas de BTC y ETH requiera menos recursos. Tus criptomonedas aún no corren peligro de robo, pero la amenaza cuántica podría llegar antes de lo que muchos esperan.
Cuando el hardware esté a la altura, las direcciones cuyas claves públicas ya se hayan expuesto en la cadena serán las primeras en correr riesgos. Por eso, no podemos seguir posponiendo la actualización a firmas resistentes a la computación cuántica.
Anthropic publicó hace un par de días un artículo sobre computación cuántica, titulado: «La IA diseña circuitos cuánticos más eficientes para que las aplicaciones en química y ciencia de materiales lleguen antes».
Pero la tarea que describen con más detalle de las 8 del artículo es la suma de puntos en una curva elíptica de 256 bits. Es un paso clave para que una computadora cuántica pueda resolver el logaritmo discreto en curvas elípticas, y las firmas de $BTC y $ETH utilizan precisamente curvas elípticas.
¿En qué consistieron las tareas?
1. Le dieron a Claude Mythos 5 solo un breve requerimiento y un evaluador automático (número de qubits × número de puertas) para que iterara por su cuenta en un ciclo cerrado, prácticamente sin intervención humana.
2. El paso más costoso de la suma de puntos es la inversión modular. Claude trabajó durante 53 horas y creó la primera implementación reversible de divsteps que no necesita almacenar el historial de ramas. También demostró por su cuenta varias identidades algebraicas nuevas y las verificó formalmente con Lean.
3. En comparación con el diseño más pequeño anterior, utiliza un 12 % más de qubits, pero 17 veces menos puertas.
4. Además, consiguió que el decodificador Reed–Solomon de DQI usara 12 veces menos puertas que la solución anterior de Google.
5. Una comparación histórica: en 2017 se estimaba que la simulación de FeMoco requería unos 50 billones de puertas Toffoli; ahora la cifra ha bajado a unos 340 millones, una reducción de aproximadamente 150.000 veces. Esto se debe principalmente a que varios grupos de investigación fueron mejorando los algoritmos paso a paso durante 8 años, y cada avance llevó varios meses.
En cambio, el diseño de curva elíptica de Claude esta vez fue el resultado de una sola ejecución de 53 horas.
En otras palabras, en solo 53 horas, esta IA logró que el paso clave para que una computadora cuántica pueda romper las firmas de BTC y ETH requiera menos recursos. Tus criptomonedas aún no corren peligro de robo, pero la amenaza cuántica podría llegar antes de lo que muchos esperan.
Cuando el hardware esté a la altura, las direcciones cuyas claves públicas ya se hayan expuesto en la cadena serán las primeras en correr riesgos. Por eso, no podemos seguir posponiendo la actualización a firmas resistentes a la computación cuántica.
224
·
--
#AI ¿Se convertirá CoreWeave en la «bomba subprime» de la industria de la IA? 🚨⚠️ Esta vez, quizá no baste con que Jensen Huang salga a tranquilizar al mercado.
Últimamente, Huang no ha dejado de infundir confianza en el mercado: las turbulencias actuales acabarán pasando, la IA transformará todos los sectores y apenas estamos empezando.
Pero lo que preocupa a Wall Street ya no es si la IA sirve o no, sino cuánto tardarán en recuperar la inversión quienes se endeudan tanto para comprar GPU.
El modelo de expansión de CoreWeave es sencillo: comprar GPU, firmar contratos de capacidad de computación a largo plazo y luego financiarse usando esos contratos y activos como respaldo para comprar más GPU. Si los clientes pagan a tiempo y sigue habiendo financiación, el ciclo puede continuar.
El problema es que, si la falta de electricidad retrasa las entregas, los ingresos podrían demorarse, pero los intereses seguirían venciendo. Además, las GPU antiguas se deprecian a medida que avanza la tecnología. Si disminuyen los nuevos pedidos y bajan los precios de renovación, podría resultar cada vez más difícil tanto ganar dinero como conseguir préstamos.
Si los ingresos quedan por debajo de lo esperado, endeudarse sale más caro; y si endeudarse sale más caro, cuesta más pagar las deudas. Esa es la «espiral de la muerte» que preocupa al mercado, no simplemente que las acciones hayan caído durante unos días.
Por supuesto, Jensen Huang tiene motivos para ser optimista sobre la IA. Pero que NVIDIA gane dinero vendiendo GPU no significa que las empresas que las compran también vayan a recuperar su inversión.
Los contratos a largo plazo y la demanda sostenida podrían mantener a flote este modelo, así que todavía es pronto para dar por hecho que estamos ante una «crisis subprime». Pero, para disipar las dudas del mercado, lo que CoreWeave tiene que demostrar es que genera flujo de caja, no que inspira confianza.
#AI ¿Se convertirá CoreWeave en la «bomba subprime» de la industria de la IA? 🚨⚠️ Esta vez, quizá no baste con que Jensen Huang salga a tranquilizar al mercado.
Últimamente, Huang no ha dejado de infundir confianza en el mercado: las turbulencias actuales acabarán pasando, la IA transformará todos los sectores y apenas estamos empezando.
Pero lo que preocupa a Wall Street ya no es si la IA sirve o no, sino cuánto tardarán en recuperar la inversión quienes se endeudan tanto para comprar GPU.
El modelo de expansión de CoreWeave es sencillo: comprar GPU, firmar contratos de capacidad de computación a largo plazo y luego financiarse usando esos contratos y activos como respaldo para comprar más GPU. Si los clientes pagan a tiempo y sigue habiendo financiación, el ciclo puede continuar.
El problema es que, si la falta de electricidad retrasa las entregas, los ingresos podrían demorarse, pero los intereses seguirían venciendo. Además, las GPU antiguas se deprecian a medida que avanza la tecnología. Si disminuyen los nuevos pedidos y bajan los precios de renovación, podría resultar cada vez más difícil tanto ganar dinero como conseguir préstamos.
Si los ingresos quedan por debajo de lo esperado, endeudarse sale más caro; y si endeudarse sale más caro, cuesta más pagar las deudas. Esa es la «espiral de la muerte» que preocupa al mercado, no simplemente que las acciones hayan caído durante unos días.
Por supuesto, Jensen Huang tiene motivos para ser optimista sobre la IA. Pero que NVIDIA gane dinero vendiendo GPU no significa que las empresas que las compran también vayan a recuperar su inversión.
Los contratos a largo plazo y la demanda sostenida podrían mantener a flote este modelo, así que todavía es pronto para dar por hecho que estamos ante una «crisis subprime». Pero, para disipar las dudas del mercado, lo que CoreWeave tiene que demostrar es que genera flujo de caja, no que inspira confianza.
Últimamente, Huang no ha dejado de infundir confianza en el mercado: las turbulencias actuales acabarán pasando, la IA transformará todos los sectores y apenas estamos empezando.
Pero lo que preocupa a Wall Street ya no es si la IA sirve o no, sino cuánto tardarán en recuperar la inversión quienes se endeudan tanto para comprar GPU.
El modelo de expansión de CoreWeave es sencillo: comprar GPU, firmar contratos de capacidad de computación a largo plazo y luego financiarse usando esos contratos y activos como respaldo para comprar más GPU. Si los clientes pagan a tiempo y sigue habiendo financiación, el ciclo puede continuar.
El problema es que, si la falta de electricidad retrasa las entregas, los ingresos podrían demorarse, pero los intereses seguirían venciendo. Además, las GPU antiguas se deprecian a medida que avanza la tecnología. Si disminuyen los nuevos pedidos y bajan los precios de renovación, podría resultar cada vez más difícil tanto ganar dinero como conseguir préstamos.
Si los ingresos quedan por debajo de lo esperado, endeudarse sale más caro; y si endeudarse sale más caro, cuesta más pagar las deudas. Esa es la «espiral de la muerte» que preocupa al mercado, no simplemente que las acciones hayan caído durante unos días.
Por supuesto, Jensen Huang tiene motivos para ser optimista sobre la IA. Pero que NVIDIA gane dinero vendiendo GPU no significa que las empresas que las compran también vayan a recuperar su inversión.
Los contratos a largo plazo y la demanda sostenida podrían mantener a flote este modelo, así que todavía es pronto para dar por hecho que estamos ante una «crisis subprime». Pero, para disipar las dudas del mercado, lo que CoreWeave tiene que demostrar es que genera flujo de caja, no que inspira confianza.
197
·
--
Musk es realmente la punta de lanza del progreso humano. Fíjate en todo lo que está haciendo: cohetes, Starlink, vehículos eléctricos, centros de datos en el espacio exterior… Cada concepto daría para una superproducción de Hollywood. ¡Y ahora hasta ha creado un coche volador! ¡Lo que escribíamos en las redacciones de pequeños se ha hecho realidad! ¡Qué genial! De verdad, no queda más que admirar a este hombre. #特斯拉发布Roadster
Musk es realmente la punta de lanza del progreso humano. Fíjate en todo lo que está haciendo: cohetes, Starlink, vehículos eléctricos, centros de datos en el espacio exterior… Cada concepto daría para una superproducción de Hollywood. ¡Y ahora hasta ha creado un coche volador! ¡Lo que escribíamos en las redacciones de pequeños se ha hecho realidad! ¡Qué genial! De verdad, no queda más que admirar a este hombre. #特斯拉发布Roadster
1
1
1k
·
--
Lao Gan Ma ha sido tendencia recientemente por una noticia que decía que esta empresa había ganado casi 800 millones de dólares en un año gracias a la IA.
¿Qué pasó? En realidad, el año pasado Lao Gan Ma puso en marcha un sistema de inspección visual con IA que redujo la tasa de productos defectuosos en las etapas clave al 0,02 %. En la planta, las cámaras escanean la cinta transportadora cada 0,3 segundos y los pimientos que no cumplen los requisitos se expulsan con aire a un contenedor de desechos. Dicho de forma sencilla, ganar dinero no tiene mucho que ver con la IA; simplemente se han colgado la medalla 😂😂
Pero antes de usar el sistema de IA, había más de 600 trabajadores seleccionando pimientos en toda la línea de producción. Ahora quedan menos de 50. ¿Soy la única persona que siente pena por los trabajadores que han sido reemplazados??
Lao Gan Ma ha sido tendencia recientemente por una noticia que decía que esta empresa había ganado casi 800 millones de dólares en un año gracias a la IA.
¿Qué pasó? En realidad, el año pasado Lao Gan Ma puso en marcha un sistema de inspección visual con IA que redujo la tasa de productos defectuosos en las etapas clave al 0,02 %. En la planta, las cámaras escanean la cinta transportadora cada 0,3 segundos y los pimientos que no cumplen los requisitos se expulsan con aire a un contenedor de desechos. Dicho de forma sencilla, ganar dinero no tiene mucho que ver con la IA; simplemente se han colgado la medalla 😂😂
Pero antes de usar el sistema de IA, había más de 600 trabajadores seleccionando pimientos en toda la línea de producción. Ahora quedan menos de 50. ¿Soy la única persona que siente pena por los trabajadores que han sido reemplazados??
¿Qué pasó? En realidad, el año pasado Lao Gan Ma puso en marcha un sistema de inspección visual con IA que redujo la tasa de productos defectuosos en las etapas clave al 0,02 %. En la planta, las cámaras escanean la cinta transportadora cada 0,3 segundos y los pimientos que no cumplen los requisitos se expulsan con aire a un contenedor de desechos. Dicho de forma sencilla, ganar dinero no tiene mucho que ver con la IA; simplemente se han colgado la medalla 😂😂
Pero antes de usar el sistema de IA, había más de 600 trabajadores seleccionando pimientos en toda la línea de producción. Ahora quedan menos de 50. ¿Soy la única persona que siente pena por los trabajadores que han sido reemplazados??
1
1
2.6k
·
--
#Muse超越ChatGPT成iOS免费榜首 ¿Por qué China todavía no tiene su propio Muse? Teléfono Doubao: ¡Yo quiero hacerlo, pero ellos no están de acuerdo! 😕😕
El asistente del teléfono Doubao lleva mucho tiempo queriendo crear un sistema completo de agentes inteligentes que ayude a los usuarios a hacer pedidos automáticamente en Taobao y pedir comida a domicilio en Meituan. Para obtener los permisos, el mes pasado Doubao publicó una norma y la sometió a consulta pública durante 30 días, para que cada empresa de aplicaciones decidiera si permitía que la IA de Doubao actuara automáticamente en nombre de los usuarios. Al terminar el periodo de consulta, varias de las principales empresas nacionales —entre ellas WeChat, Alipay, Taobao, Meituan, Pinduoduo y Xiaohongshu— se negaron todas.
En realidad, es fácil entender la lógica de las grandes empresas: si dejas que la IA actúe en nombre del usuario, ¿cómo voy a seguir vendiendo recomendaciones de productos y anuncios que aparecen al abrir la aplicación? Visto por donde se mire, esto solo trae perjuicios y ningún beneficio. A corto plazo, de verdad no tiene solución.
#Muse超越ChatGPT成iOS免费榜首 ¿Por qué China todavía no tiene su propio Muse? Teléfono Doubao: ¡Yo quiero hacerlo, pero ellos no están de acuerdo! 😕😕
El asistente del teléfono Doubao lleva mucho tiempo queriendo crear un sistema completo de agentes inteligentes que ayude a los usuarios a hacer pedidos automáticamente en Taobao y pedir comida a domicilio en Meituan. Para obtener los permisos, el mes pasado Doubao publicó una norma y la sometió a consulta pública durante 30 días, para que cada empresa de aplicaciones decidiera si permitía que la IA de Doubao actuara automáticamente en nombre de los usuarios. Al terminar el periodo de consulta, varias de las principales empresas nacionales —entre ellas WeChat, Alipay, Taobao, Meituan, Pinduoduo y Xiaohongshu— se negaron todas.
En realidad, es fácil entender la lógica de las grandes empresas: si dejas que la IA actúe en nombre del usuario, ¿cómo voy a seguir vendiendo recomendaciones de productos y anuncios que aparecen al abrir la aplicación? Visto por donde se mire, esto solo trae perjuicios y ningún beneficio. A corto plazo, de verdad no tiene solución.
El asistente del teléfono Doubao lleva mucho tiempo queriendo crear un sistema completo de agentes inteligentes que ayude a los usuarios a hacer pedidos automáticamente en Taobao y pedir comida a domicilio en Meituan. Para obtener los permisos, el mes pasado Doubao publicó una norma y la sometió a consulta pública durante 30 días, para que cada empresa de aplicaciones decidiera si permitía que la IA de Doubao actuara automáticamente en nombre de los usuarios. Al terminar el periodo de consulta, varias de las principales empresas nacionales —entre ellas WeChat, Alipay, Taobao, Meituan, Pinduoduo y Xiaohongshu— se negaron todas.
En realidad, es fácil entender la lógica de las grandes empresas: si dejas que la IA actúe en nombre del usuario, ¿cómo voy a seguir vendiendo recomendaciones de productos y anuncios que aparecen al abrir la aplicación? Visto por donde se mire, esto solo trae perjuicios y ningún beneficio. A corto plazo, de verdad no tiene solución.
1
483
·
--
Otro famoso salió a contar que invirtió en NFT y acabó perdiendo más que con las acciones 😂😂 Si no recuerdo mal, entre los famosos que han invertido en NFT están Stephen Chow, Jay Chou, JJ Lin y Edison Chen, ¿no? Aunque la mayoría se aprovechó de los pequeños inversores. #方力申自爆买NFT亏惨
Otro famoso salió a contar que invirtió en NFT y acabó perdiendo más que con las acciones 😂😂 Si no recuerdo mal, entre los famosos que han invertido en NFT están Stephen Chow, Jay Chou, JJ Lin y Edison Chen, ¿no? Aunque la mayoría se aprovechó de los pequeños inversores. #方力申自爆买NFT亏惨
3
886
·
--
¡Me cuesta creerlo! ¡Que una sola persona haya creado a mano con IA, en apenas medio mes, un juego 3D con una calidad así! Fui a probarlo y tanto el estilo visual como la música son de primer nivel. ¡En una sola noche, la publicación superó los 1,6 millones de visualizaciones! Y todavía sigue creciendo a toda velocidad.
¡Es increíble! Tener buen gusto, saber usar la IA, ser capaz de llevar las cosas a cabo y estar dispuesto a compartir y expresarse: ¡esa es la fórmula ganadora de esta época!
¡Me cuesta creerlo! ¡Que una sola persona haya creado a mano con IA, en apenas medio mes, un juego 3D con una calidad así! Fui a probarlo y tanto el estilo visual como la música son de primer nivel. ¡En una sola noche, la publicación superó los 1,6 millones de visualizaciones! Y todavía sigue creciendo a toda velocidad.
¡Es increíble! Tener buen gusto, saber usar la IA, ser capaz de llevar las cosas a cabo y estar dispuesto a compartir y expresarse: ¡esa es la fórmula ganadora de esta época!
¡Es increíble! Tener buen gusto, saber usar la IA, ser capaz de llevar las cosas a cabo y estar dispuesto a compartir y expresarse: ¡esa es la fórmula ganadora de esta época!
1
1
2.5k
·
--
Este mundo se ha vuelto loco de verdad... ¡Hasta las IA están empezando a tener hijos y necesitan baja por maternidad! 😓😓
Este mundo se ha vuelto loco de verdad... ¡Hasta las IA están empezando a tener hijos y necesitan baja por maternidad! 😓😓
10
20
27.7k
·
--
Hace unos días, un tribunal federal del Distrito Sur de Nueva York condenó a Michael Smith, de 54 años, a 18 meses de prisión por fraude con música generada por IA y reproducciones infladas en plataformas de streaming 😳😳. Se trata del primer caso penal de este tipo en Estados Unidos.
¿Cómo lo hacía exactamente? Primero, usó herramientas de IA para generar en masa cientos de miles de canciones y las subió a plataformas populares como Spotify y Apple Music para cobrar regalías. Después, recurrió a bots para inflar el número de reproducciones. En siete años, ganó 8,09 millones de dólares con este método…
Y este tipo fue detenido en 2024. Si hubiera usado la IA de hoy, habría ganado aún más #神操作
Hace unos días, un tribunal federal del Distrito Sur de Nueva York condenó a Michael Smith, de 54 años, a 18 meses de prisión por fraude con música generada por IA y reproducciones infladas en plataformas de streaming 😳😳. Se trata del primer caso penal de este tipo en Estados Unidos.
¿Cómo lo hacía exactamente? Primero, usó herramientas de IA para generar en masa cientos de miles de canciones y las subió a plataformas populares como Spotify y Apple Music para cobrar regalías. Después, recurrió a bots para inflar el número de reproducciones. En siete años, ganó 8,09 millones de dólares con este método…
Y este tipo fue detenido en 2024. Si hubiera usado la IA de hoy, habría ganado aún más #神操作
¿Cómo lo hacía exactamente? Primero, usó herramientas de IA para generar en masa cientos de miles de canciones y las subió a plataformas populares como Spotify y Apple Music para cobrar regalías. Después, recurrió a bots para inflar el número de reproducciones. En siete años, ganó 8,09 millones de dólares con este método…
Y este tipo fue detenido en 2024. Si hubiera usado la IA de hoy, habría ganado aún más #神操作
1.4k
·
--
¡No puedo creer que me acabe de enterar de la existencia de este creador de contenido! Martin Luk, un estudiante universitario de Hong Kong, ganó el año pasado el campeonato de la categoría de acciones del Campeonato de Inversiones de Estados Unidos, con una rentabilidad anual del 969,8% 🏆🐮
Según dicen, su estrategia más habitual y emblemática se llama «comprar en los retrocesos». Es muy adecuada para invertir con poco capital y el coste de equivocarse es bajo. He visto que también tiene más de 8.000 suscriptores en YouTube y que suele retransmitir en directo sus operaciones bursátiles por las noches.
¡No puedo creer que me acabe de enterar de la existencia de este creador de contenido! Martin Luk, un estudiante universitario de Hong Kong, ganó el año pasado el campeonato de la categoría de acciones del Campeonato de Inversiones de Estados Unidos, con una rentabilidad anual del 969,8% 🏆🐮
Según dicen, su estrategia más habitual y emblemática se llama «comprar en los retrocesos». Es muy adecuada para invertir con poco capital y el coste de equivocarse es bajo. He visto que también tiene más de 8.000 suscriptores en YouTube y que suele retransmitir en directo sus operaciones bursátiles por las noches.
Según dicen, su estrategia más habitual y emblemática se llama «comprar en los retrocesos». Es muy adecuada para invertir con poco capital y el coste de equivocarse es bajo. He visto que también tiene más de 8.000 suscriptores en YouTube y que suele retransmitir en directo sus operaciones bursátiles por las noches.
13
4
27
34.3k
·
--
#Ledger暂停CryptoBilis销售 Después del robo a Ledger, alguien descubrió que las condiciones de compensación de otra marca de billeteras de hardware, OneKey, dicen que la compensación máxima es de solo 100 dólares... Aunque este asunto es difícil de juzgar y parece que no hay ningún caso equivalente en la web2. ¿Quién ha oído hablar de alguien que comprara una caja fuerte y, después de que le robaran sus bienes, reclamara una indemnización al fabricante de la caja fuerte? Pero si roban una enorme cantidad de activos guardados en la billetera por un problema de seguridad de la propia billetera, y esta dice que como máximo puede compensar 100 dólares, ¿quién podría aceptarlo? 🤡🤡
#Ledger暂停CryptoBilis销售 Después del robo a Ledger, alguien descubrió que las condiciones de compensación de otra marca de billeteras de hardware, OneKey, dicen que la compensación máxima es de solo 100 dólares... Aunque este asunto es difícil de juzgar y parece que no hay ningún caso equivalente en la web2. ¿Quién ha oído hablar de alguien que comprara una caja fuerte y, después de que le robaran sus bienes, reclamara una indemnización al fabricante de la caja fuerte? Pero si roban una enorme cantidad de activos guardados en la billetera por un problema de seguridad de la propia billetera, y esta dice que como máximo puede compensar 100 dólares, ¿quién podría aceptarlo? 🤡🤡
2
1.1k
·
--
Verificado
#xrp账本修复可增发xrp的漏洞 Si no recuerdo mal, hace unos meses le pasó algo parecido a ZEC y ese mismo día se desplomó más de un 50 %, ¿no? ¿Por qué el precio de XRP apenas reacciona??
#xrp账本修复可增发xrp的漏洞 Si no recuerdo mal, hace unos meses le pasó algo parecido a ZEC y ese mismo día se desplomó más de un 50 %, ¿no? ¿Por qué el precio de XRP apenas reacciona??
2
5
2.8k
·
--
¿Para hacer trading hay que usar las manos sí o sí? ¿No se puede con los pies?
La hermana Xiba es buenísima haciendo de las suyas, jajajaja
¿Para hacer trading hay que usar las manos sí o sí? ¿No se puede con los pies?
La hermana Xiba es buenísima haciendo de las suyas, jajajaja
La hermana Xiba es buenísima haciendo de las suyas, jajajaja
10
4
20k
·
--
#Manus完成超5亿美元新一轮融资 ¿¡Manus ha vuelto a la carga otra vez!? Además, ha conseguido 500 millones de dólares
Tras una serie de acontecimientos dramáticos —la adquisición por parte de Meta, la suspensión de emergencia y la anulación de la operación—, Manus no se ha venido abajo. Quizá, cuando miremos atrás dentro de muchos años, concluiremos que fue acertado que Meta no lo comprara en su momento.
#Manus完成超5亿美元新一轮融资 ¿¡Manus ha vuelto a la carga otra vez!? Además, ha conseguido 500 millones de dólares
Tras una serie de acontecimientos dramáticos —la adquisición por parte de Meta, la suspensión de emergencia y la anulación de la operación—, Manus no se ha venido abajo. Quizá, cuando miremos atrás dentro de muchos años, concluiremos que fue acertado que Meta no lo comprara en su momento.
Tras una serie de acontecimientos dramáticos —la adquisición por parte de Meta, la suspensión de emergencia y la anulación de la operación—, Manus no se ha venido abajo. Quizá, cuando miremos atrás dentro de muchos años, concluiremos que fue acertado que Meta no lo comprara en su momento.
352
·
--
Durante las vacaciones del Día Nacional volví a mi ciudad natal. En el condado, nadie hablaba de IA, modelos de lenguaje grandes, la bolsa estadounidense, chips ni inteligencia artificial incorporada; los temas de siempre seguían siendo los asuntos cotidianos de la familia y los vecinos.
Parece que el mundo sigue siendo el mismo de siempre 🤫🤫
Durante las vacaciones del Día Nacional volví a mi ciudad natal. En el condado, nadie hablaba de IA, modelos de lenguaje grandes, la bolsa estadounidense, chips ni inteligencia artificial incorporada; los temas de siempre seguían siendo los asuntos cotidianos de la familia y los vecinos.
Parece que el mundo sigue siendo el mismo de siempre 🤫🤫
Parece que el mundo sigue siendo el mismo de siempre 🤫🤫
341
·
--
El día 13 de Muse: Meta sube un 11%, pero no te creas primero la historia de “una nueva puerta de entrada de la IA”
Hace diez años, Zuckerberg mostró en F8 a un robot de Messenger que ofrecía enviar flores, diciendo: “A nadie le gusta llamar a los comercios”. Diez años después, la misma empresa lanza un Agent personal llamado Muse. En 13 días llegó al número 1 en el ranking gratuito de EE. UU. y lo hizo en doble categoría: además, superó los 2,5 millones de descargas.
La narrativa de Meta dibuja un círculo: en 2023, la “era de la eficiencia” le permitió ahorrar y subir cerca de un 200%; para 2026, los gastos de capital se llevan a 130 mil millones y el flujo de caja libre del 2.º trimestre cae a 7,84 mil millones, pero aun así Muse vuelve a subir 11% en un solo día. El mercado no se preocupa por si gastas o ahorras; solo importa si el relato puede cerrarse por sí mismo.
Pero es la quinta vez que un gigante intenta arrebatar la “puerta de entrada” de “super” con IA. Las primeras 4 se quedaron en la función: no llegaron a ser puerta de entrada. Alexa para compras por voz: solo un 2% de usuarios lo ha probado y el 90% no recompra. Los robots de Messenger acabaron como atención al cliente. GPT Store y Humane AI Pin fracasaron. ChatGPT Instant Checkout: Walmart lo criticó por tener una conversión equivalente a solo 1/3 de la que se logra al redirigir al sitio. En el Festival de Primavera, “Qianwen 30 mil millones en regalos” llevó el DAU a 73,52 millones, pero luego bajó a 30 millones. Cada vez el mercado paga por el ruido; cada vez el final es el mismo.
La contradicción fundamental del Agent: elimina el tiempo, pero quiere retener al usuario
La monetización de las puertas de entrada en internet tiene solo dos caminos: el feed de recomendaciones vende exposición apoyándose en “consumir tiempo”; la búsqueda vende “entrega” para transferir a la gente al comercio. El Agent personal no se coloca en ninguno de los dos lados: hace el trabajo por ti y te permite irte cuanto antes, lo cual es “eliminar tiempo”; pero también quiere mantener al usuario sujeto de su mano. Lo que le entrega al comercio es solo una orden: se ve la dirección de la cuenta, pero no el “paseante” por la tienda; no hay navegación, ni permanencia, ni recompra. En el siguiente pedido, se vuelve a comparar precios. Que esta vez haya ganado no crea una ventaja sostenida.
El comercio no pagará un precio alto por una orden en la que no se ve un usuario. Y el front-end del Agent tiene costes marginales reales: inferencia, máquinas virtuales, renderizado, reintentos, todo cuesta. Meta, sin embargo, quiere sacar tajada por ambos lados: cobrar suscripción a los usuarios y también cobrar comisión por las transacciones.
Hacer cuentas es brutal: un escenario del banco de inversión Morgan Stanley estima para 2028 100 millones de usuarios de Muse, 5 consultas al día, 10% con valor comercial y 0,07 dólares monetizados por cada ocasión. En total, 1.300 millones al año. A Meta, eso aporta solo un 1% a las ganancias por acción. Mientras tanto, la publicidad de Meta en el 2.º trimestre anualiza 237 mil millones.
Elegir bando es una habilidad
¿Atiendes al consumidor o al comercio? Lo que vale la pena comprar depende de que el dinero siga vivo a través del vendedor: YiTao fue bloqueado por JD; Google Shopping pasó de comparar gratis a mostrar publicidad de pago. El 20 de septiembre, Amazon prohibió Muse con una razón directa: la aplicación de terceros que realiza pedidos entre tiendas en nombre del cliente debe operar de forma transparente y respetar la voluntad de los proveedores. En cuanto el Agent se incline a cobrar por atraer tráfico a comercios, deja de ser un agente comprador que “te ahorra dinero” y se convierte en otro canal de anuncios. Zuck dijo que Muse “te ayuda a ganar dinero y a ahorrar dinero”, pero esas dos cosas ya chocan de intereses.
El listón para copiar es aterradoramente bajo
El protocolo MCP permite que capacidades de acceso a Gmail, calendario y mapas se estandaricen y se vuelvan rápidamente homogéneas. Una máquina virtual en la nube por persona + un navegador visible: esa arquitectura no es exclusiva de Meta; Gemini Spark de Google fue lanzado más de tres meses antes que Muse. Si se domina el camino, debería tocarle a quien controla Gmail/Chrome/Android, o bien a Google o a OpenAI/Doubao. Lo más divertido es que el uso mejor valorado de Muse encaja justo con el correo de Google: ajustas la tabla de precios y “ya está”. Lo que gana es solo la salida de nuevo producto: en paralelo, en 13 días, ChatGPT tuvo 3,1 millones de descargas, aún más que Muse.
En China ocurre lo mismo: Qianwen conecta Taobao, pero en un solo trimestre perdió 13,8 mil millones por la IA y terminó dando un efecto inverso sobre el flujo publicitario de su propia recomendación; WeChat “Xiao Wei” se mantiene bajo control con grises porque Tencent gana con los anuncios de el canal de video; Meituan abre interfaces y deja que se cobre en la caja; Doubao chocó dos veces. El más silencioso es Pinduoduo: es la empresa que más depende de “pasear”, así que es la más golpeada.
El periodo de validez de una puerta de entrada
Para convertirse en puerta de entrada hace falta al menos cuatro cosas: generar demanda, cobrar, retener usuarios y mantener neutralidad. Ahora, el Agent personal como máximo logra una o dos. Cada minuto de atención que ahorra, son activos que una empresa de internet podría vender; cada usuario que retiene, es gente a la que el comercio estaría encantado de pagar por llegar.
El analista de Morgan Stanley, Brian Nowak, dice que solo le importa una cosa: si los usuarios realmente pagan en Muse para comprar cosas; no le importan las descargas ni el DAU.
Durante estos años, el mercado ha tendido a reevaluar a las compañías tecnológicas con la fuerza del “bombardeo de dinero”. Pero entre tantas narrativas de puertas de entrada que no se sostienen, lo verdaderamente escaso nunca es la valentía de gastar, sino la templanza de entender “qué dinero no debería gastarse”.
El día 13 de Muse: Meta sube un 11%, pero no te creas primero la historia de “una nueva puerta de entrada de la IA”
Hace diez años, Zuckerberg mostró en F8 a un robot de Messenger que ofrecía enviar flores, diciendo: “A nadie le gusta llamar a los comercios”. Diez años después, la misma empresa lanza un Agent personal llamado Muse. En 13 días llegó al número 1 en el ranking gratuito de EE. UU. y lo hizo en doble categoría: además, superó los 2,5 millones de descargas.
La narrativa de Meta dibuja un círculo: en 2023, la “era de la eficiencia” le permitió ahorrar y subir cerca de un 200%; para 2026, los gastos de capital se llevan a 130 mil millones y el flujo de caja libre del 2.º trimestre cae a 7,84 mil millones, pero aun así Muse vuelve a subir 11% en un solo día. El mercado no se preocupa por si gastas o ahorras; solo importa si el relato puede cerrarse por sí mismo.
Pero es la quinta vez que un gigante intenta arrebatar la “puerta de entrada” de “super” con IA. Las primeras 4 se quedaron en la función: no llegaron a ser puerta de entrada. Alexa para compras por voz: solo un 2% de usuarios lo ha probado y el 90% no recompra. Los robots de Messenger acabaron como atención al cliente. GPT Store y Humane AI Pin fracasaron. ChatGPT Instant Checkout: Walmart lo criticó por tener una conversión equivalente a solo 1/3 de la que se logra al redirigir al sitio. En el Festival de Primavera, “Qianwen 30 mil millones en regalos” llevó el DAU a 73,52 millones, pero luego bajó a 30 millones. Cada vez el mercado paga por el ruido; cada vez el final es el mismo.
La contradicción fundamental del Agent: elimina el tiempo, pero quiere retener al usuario
La monetización de las puertas de entrada en internet tiene solo dos caminos: el feed de recomendaciones vende exposición apoyándose en “consumir tiempo”; la búsqueda vende “entrega” para transferir a la gente al comercio. El Agent personal no se coloca en ninguno de los dos lados: hace el trabajo por ti y te permite irte cuanto antes, lo cual es “eliminar tiempo”; pero también quiere mantener al usuario sujeto de su mano. Lo que le entrega al comercio es solo una orden: se ve la dirección de la cuenta, pero no el “paseante” por la tienda; no hay navegación, ni permanencia, ni recompra. En el siguiente pedido, se vuelve a comparar precios. Que esta vez haya ganado no crea una ventaja sostenida.
El comercio no pagará un precio alto por una orden en la que no se ve un usuario. Y el front-end del Agent tiene costes marginales reales: inferencia, máquinas virtuales, renderizado, reintentos, todo cuesta. Meta, sin embargo, quiere sacar tajada por ambos lados: cobrar suscripción a los usuarios y también cobrar comisión por las transacciones.
Hacer cuentas es brutal: un escenario del banco de inversión Morgan Stanley estima para 2028 100 millones de usuarios de Muse, 5 consultas al día, 10% con valor comercial y 0,07 dólares monetizados por cada ocasión. En total, 1.300 millones al año. A Meta, eso aporta solo un 1% a las ganancias por acción. Mientras tanto, la publicidad de Meta en el 2.º trimestre anualiza 237 mil millones.
Elegir bando es una habilidad
¿Atiendes al consumidor o al comercio? Lo que vale la pena comprar depende de que el dinero siga vivo a través del vendedor: YiTao fue bloqueado por JD; Google Shopping pasó de comparar gratis a mostrar publicidad de pago. El 20 de septiembre, Amazon prohibió Muse con una razón directa: la aplicación de terceros que realiza pedidos entre tiendas en nombre del cliente debe operar de forma transparente y respetar la voluntad de los proveedores. En cuanto el Agent se incline a cobrar por atraer tráfico a comercios, deja de ser un agente comprador que “te ahorra dinero” y se convierte en otro canal de anuncios. Zuck dijo que Muse “te ayuda a ganar dinero y a ahorrar dinero”, pero esas dos cosas ya chocan de intereses.
El listón para copiar es aterradoramente bajo
El protocolo MCP permite que capacidades de acceso a Gmail, calendario y mapas se estandaricen y se vuelvan rápidamente homogéneas. Una máquina virtual en la nube por persona + un navegador visible: esa arquitectura no es exclusiva de Meta; Gemini Spark de Google fue lanzado más de tres meses antes que Muse. Si se domina el camino, debería tocarle a quien controla Gmail/Chrome/Android, o bien a Google o a OpenAI/Doubao. Lo más divertido es que el uso mejor valorado de Muse encaja justo con el correo de Google: ajustas la tabla de precios y “ya está”. Lo que gana es solo la salida de nuevo producto: en paralelo, en 13 días, ChatGPT tuvo 3,1 millones de descargas, aún más que Muse.
En China ocurre lo mismo: Qianwen conecta Taobao, pero en un solo trimestre perdió 13,8 mil millones por la IA y terminó dando un efecto inverso sobre el flujo publicitario de su propia recomendación; WeChat “Xiao Wei” se mantiene bajo control con grises porque Tencent gana con los anuncios de el canal de video; Meituan abre interfaces y deja que se cobre en la caja; Doubao chocó dos veces. El más silencioso es Pinduoduo: es la empresa que más depende de “pasear”, así que es la más golpeada.
El periodo de validez de una puerta de entrada
Para convertirse en puerta de entrada hace falta al menos cuatro cosas: generar demanda, cobrar, retener usuarios y mantener neutralidad. Ahora, el Agent personal como máximo logra una o dos. Cada minuto de atención que ahorra, son activos que una empresa de internet podría vender; cada usuario que retiene, es gente a la que el comercio estaría encantado de pagar por llegar.
El analista de Morgan Stanley, Brian Nowak, dice que solo le importa una cosa: si los usuarios realmente pagan en Muse para comprar cosas; no le importan las descargas ni el DAU.
Durante estos años, el mercado ha tendido a reevaluar a las compañías tecnológicas con la fuerza del “bombardeo de dinero”. Pero entre tantas narrativas de puertas de entrada que no se sostienen, lo verdaderamente escaso nunca es la valentía de gastar, sino la templanza de entender “qué dinero no debería gastarse”.
Hace diez años, Zuckerberg mostró en F8 a un robot de Messenger que ofrecía enviar flores, diciendo: “A nadie le gusta llamar a los comercios”. Diez años después, la misma empresa lanza un Agent personal llamado Muse. En 13 días llegó al número 1 en el ranking gratuito de EE. UU. y lo hizo en doble categoría: además, superó los 2,5 millones de descargas.
La narrativa de Meta dibuja un círculo: en 2023, la “era de la eficiencia” le permitió ahorrar y subir cerca de un 200%; para 2026, los gastos de capital se llevan a 130 mil millones y el flujo de caja libre del 2.º trimestre cae a 7,84 mil millones, pero aun así Muse vuelve a subir 11% en un solo día. El mercado no se preocupa por si gastas o ahorras; solo importa si el relato puede cerrarse por sí mismo.
Pero es la quinta vez que un gigante intenta arrebatar la “puerta de entrada” de “super” con IA. Las primeras 4 se quedaron en la función: no llegaron a ser puerta de entrada. Alexa para compras por voz: solo un 2% de usuarios lo ha probado y el 90% no recompra. Los robots de Messenger acabaron como atención al cliente. GPT Store y Humane AI Pin fracasaron. ChatGPT Instant Checkout: Walmart lo criticó por tener una conversión equivalente a solo 1/3 de la que se logra al redirigir al sitio. En el Festival de Primavera, “Qianwen 30 mil millones en regalos” llevó el DAU a 73,52 millones, pero luego bajó a 30 millones. Cada vez el mercado paga por el ruido; cada vez el final es el mismo.
La contradicción fundamental del Agent: elimina el tiempo, pero quiere retener al usuario
La monetización de las puertas de entrada en internet tiene solo dos caminos: el feed de recomendaciones vende exposición apoyándose en “consumir tiempo”; la búsqueda vende “entrega” para transferir a la gente al comercio. El Agent personal no se coloca en ninguno de los dos lados: hace el trabajo por ti y te permite irte cuanto antes, lo cual es “eliminar tiempo”; pero también quiere mantener al usuario sujeto de su mano. Lo que le entrega al comercio es solo una orden: se ve la dirección de la cuenta, pero no el “paseante” por la tienda; no hay navegación, ni permanencia, ni recompra. En el siguiente pedido, se vuelve a comparar precios. Que esta vez haya ganado no crea una ventaja sostenida.
El comercio no pagará un precio alto por una orden en la que no se ve un usuario. Y el front-end del Agent tiene costes marginales reales: inferencia, máquinas virtuales, renderizado, reintentos, todo cuesta. Meta, sin embargo, quiere sacar tajada por ambos lados: cobrar suscripción a los usuarios y también cobrar comisión por las transacciones.
Hacer cuentas es brutal: un escenario del banco de inversión Morgan Stanley estima para 2028 100 millones de usuarios de Muse, 5 consultas al día, 10% con valor comercial y 0,07 dólares monetizados por cada ocasión. En total, 1.300 millones al año. A Meta, eso aporta solo un 1% a las ganancias por acción. Mientras tanto, la publicidad de Meta en el 2.º trimestre anualiza 237 mil millones.
Elegir bando es una habilidad
¿Atiendes al consumidor o al comercio? Lo que vale la pena comprar depende de que el dinero siga vivo a través del vendedor: YiTao fue bloqueado por JD; Google Shopping pasó de comparar gratis a mostrar publicidad de pago. El 20 de septiembre, Amazon prohibió Muse con una razón directa: la aplicación de terceros que realiza pedidos entre tiendas en nombre del cliente debe operar de forma transparente y respetar la voluntad de los proveedores. En cuanto el Agent se incline a cobrar por atraer tráfico a comercios, deja de ser un agente comprador que “te ahorra dinero” y se convierte en otro canal de anuncios. Zuck dijo que Muse “te ayuda a ganar dinero y a ahorrar dinero”, pero esas dos cosas ya chocan de intereses.
El listón para copiar es aterradoramente bajo
El protocolo MCP permite que capacidades de acceso a Gmail, calendario y mapas se estandaricen y se vuelvan rápidamente homogéneas. Una máquina virtual en la nube por persona + un navegador visible: esa arquitectura no es exclusiva de Meta; Gemini Spark de Google fue lanzado más de tres meses antes que Muse. Si se domina el camino, debería tocarle a quien controla Gmail/Chrome/Android, o bien a Google o a OpenAI/Doubao. Lo más divertido es que el uso mejor valorado de Muse encaja justo con el correo de Google: ajustas la tabla de precios y “ya está”. Lo que gana es solo la salida de nuevo producto: en paralelo, en 13 días, ChatGPT tuvo 3,1 millones de descargas, aún más que Muse.
En China ocurre lo mismo: Qianwen conecta Taobao, pero en un solo trimestre perdió 13,8 mil millones por la IA y terminó dando un efecto inverso sobre el flujo publicitario de su propia recomendación; WeChat “Xiao Wei” se mantiene bajo control con grises porque Tencent gana con los anuncios de el canal de video; Meituan abre interfaces y deja que se cobre en la caja; Doubao chocó dos veces. El más silencioso es Pinduoduo: es la empresa que más depende de “pasear”, así que es la más golpeada.
El periodo de validez de una puerta de entrada
Para convertirse en puerta de entrada hace falta al menos cuatro cosas: generar demanda, cobrar, retener usuarios y mantener neutralidad. Ahora, el Agent personal como máximo logra una o dos. Cada minuto de atención que ahorra, son activos que una empresa de internet podría vender; cada usuario que retiene, es gente a la que el comercio estaría encantado de pagar por llegar.
El analista de Morgan Stanley, Brian Nowak, dice que solo le importa una cosa: si los usuarios realmente pagan en Muse para comprar cosas; no le importan las descargas ni el DAU.
Durante estos años, el mercado ha tendido a reevaluar a las compañías tecnológicas con la fuerza del “bombardeo de dinero”. Pero entre tantas narrativas de puertas de entrada que no se sostienen, lo verdaderamente escaso nunca es la valentía de gastar, sino la templanza de entender “qué dinero no debería gastarse”.
1
2k
·
--
Anoche Meta registró un aumento diario de más del 11%; Intel y AMD impulsaron su subida aproximadamente un 12% y un 10%, respectivamente. La causa fue el continuo auge del producto de agentes de IA personales de Meta, Muse. Vale la pena comentarlo porque podría estar reescribiendo la lógica subyacente de la “capacidad de cómputo de la IA”.
1. ¿Qué cambió exactamente Muse?
La mayoría de la IA de consumo en el mercado, en esencia, sigue siendo una herramienta de preguntas y respuestas: introduces un texto, el modelo infiere y devuelve un resultado, y la tarea termina. Muse saca la IA de la ventana de chat e intégrala en un flujo de trabajo real: tú defines un objetivo, ella lo descompone en pasos, inicia sesión en sitios web, llama servicios externos, lee el estado de las páginas y luego decide el siguiente paso; cuando se trata de pagos, enviar correos o modificar el calendario, busca tu autorización de forma proactiva, termina y luego vuelve a comprobar si la tarea se completó.
El circuito es: comprender el objetivo → formular un plan → llamar herramientas → observar resultados → ajustar el plan → seguir ejecutando.
En la IA tradicional, la unidad de trabajo es “una conversación”. En los agentes, la unidad de trabajo es “una tarea completa”. Meta también añadió un entorno de ejecución persistente en la nube: apagas la app y aun así sigue corriendo en segundo plano. Esto implica que la competencia ya no se centrará solo en los modelos base; también en los puntos de distribución, los datos de los usuarios y el ecosistema de negocio. Meta tiene enormes entradas de usuarios; una vez que Muse acumule correos, agenda, hábitos de consumo e historial de tareas, el costo de migración se vuelve absurdamente alto: no tendrías que mover solo un registro de chats, sino todo un modo de trabajo.
2. Por qué esta vez el impulso vino de la CPU
En los últimos años, el campo principal de la infraestructura de IA ha sido la GPU. Pero al entrar los agentes en el flujo de trabajo, la estructura del cómputo cambia: la GPU se encarga de “pensar” (entender el objetivo, generar el plan, identificar la página). La parte real de “hacer” —ejecutar sistemas, abrir máquinas virtuales, llamar APIs, gestionar permisos, mantener estados de tareas— recae completamente en la CPU y en servidores tradicionales.
El flujo de un modelo conversacional es: entrada → inferencia → salida → liberar recursos. El flujo de un agente es: inferencia → ejecución en CPU → esperar respuestas externas → relectura del estado → re-inferencia → re-ejecución. Una tarea larga puede repetir este ciclo decenas o incluso cientos de veces. El navegador, las máquinas virtuales, la memoria y el estado de tareas deben mantenerse en línea de forma continua. La demanda de capacidad de cómputo de IA pasa de “generar un token” a “completar una tarea con todos los recursos del sistema”.
Si Muse se abre a decenas de miles de millones de usuarios, aunque solo una pequeña parte ejecute agentes simultáneamente, se generarán enormes máquinas virtuales concurrentes, procesos de navegador y llamadas a APIs. Un agente personal tiene que interactuar con correo, pagos y permisos de cuentas; no puede meter las tareas de todos en un mismo entorno. Cuanto más se enfatiza el aislamiento de seguridad, más recursos independientes hay que asignar a cada usuario. La demanda de CPU en la era de los agentes proviene de tres líneas: aumenta el número de tareas concurrentes, se alarga el tiempo de las tareas y se endurece el aislamiento de seguridad. Por eso el mercado vuelve a fijarse en servidores multicore con CPU; incluso hay quien estima que en el futuro la demanda de núcleos de CPU se duplicará y la proporción CPU-GPU tenderá a 1:1.
En una frase, el marco de observación es este: cuando baje el costo de la inferencia, el cuello de botella de la IA pasará de “si el modelo puede pensar” a “si el sistema en segundo plano puede ejecutar con concurrencia a un costo lo bastante bajo”.
3. Cómo la demanda de cómputo se convierte en ganancias
La demanda no es igual a las ganancias; lo clave es el modelo de economía unitaria de Muse. La versión gratuita y dos niveles de suscripción (20 y 100 dólares). En el futuro, también podría monetizarse con agentes empresariales, interfaces para desarrolladores y comisiones por transacciones. Muse puede identificar la intención de consumo real; el valor teórico por usuario, en principio, supera el de los clics tradicionales de anuncios. Algunas instituciones estiman que los ingresos futuros podrían superar los 10.000 millones de dólares.
Pero la estructura de costos del agente es distinta: hay que ejecutar máquinas virtuales para el usuario, ocupar memoria, consumir red y ajustar modelos; cuanto más intensamente se use, mayor es el costo en el backend. La lógica de los dos niveles de suscripción también es, en esencia, control de recursos: limitar cantidad de tareas, limitar número de llamadas y limitar la duración en segundo plano. En comparación con una suscripción fija, la comisión por transacción se ajusta mejor a la estructura de costos de los agentes.
Un modelo transaccional, sin embargo, también puede desatar conflictos de plataforma. Amazon ya cortó las compras de Muse dentro de su app: después de que un agente complete la búsqueda y el pedido por el usuario, este salta la página de recomendaciones y los anuncios. Es probable que las plataformas de terceros adopten tres rutas: cobrar por interfaces abiertas, exigir reparto de transacciones o bloquear el acceso no autorizado. Cualquiera de las rutas reducirá los límites del servicio de Muse y su margen de beneficio.
4. Entender esta cadena de transmisión
Para Meta: Muse es una prueba decisiva de si las inversiones de capital en IA pueden convertirse en ingresos de consumo. Las descargas prueban la distribución; la tasa de finalización determina el valor; la retención y el pago determinan los ingresos; y el costo unitario por tarea determina la rentabilidad.
Para Intel: la GPU se encarga de pensar; la CPU de ejecutar. Si los agentes de consumo se despliegan a gran escala, la CPU de los servidores podría pasar de ser un componente auxiliar a ser un eslabón clave para definir la escala de concurrencia y el costo de ejecución.
La cadena completa es: el agente de consumo obtiene acceso al usuario → las tareas pasan de preguntas y respuestas a ejecución continua → aumenta la demanda de máquinas virtuales, navegadores y llamadas a herramientas → se incrementan las necesidades de CPU, memoria y red → suben los costos de infraestructura → ingresos por suscripción y transacciones validan la economía unitaria → la demanda de chips termina convirtiéndose en la ganancia del proveedor.
La GPU determina si los agentes pueden “pensar” con claridad; la CPU y la infraestructura del sistema determinan si pueden reemplazar simultáneamente a suficientes personas para completar tareas. Y el retorno final del capital depende de si el dinero ganado en cada tarea puede cubrir el costo de toda la cadena de ejecución.
Anoche Meta registró un aumento diario de más del 11%; Intel y AMD impulsaron su subida aproximadamente un 12% y un 10%, respectivamente. La causa fue el continuo auge del producto de agentes de IA personales de Meta, Muse. Vale la pena comentarlo porque podría estar reescribiendo la lógica subyacente de la “capacidad de cómputo de la IA”.
1. ¿Qué cambió exactamente Muse?
La mayoría de la IA de consumo en el mercado, en esencia, sigue siendo una herramienta de preguntas y respuestas: introduces un texto, el modelo infiere y devuelve un resultado, y la tarea termina. Muse saca la IA de la ventana de chat e intégrala en un flujo de trabajo real: tú defines un objetivo, ella lo descompone en pasos, inicia sesión en sitios web, llama servicios externos, lee el estado de las páginas y luego decide el siguiente paso; cuando se trata de pagos, enviar correos o modificar el calendario, busca tu autorización de forma proactiva, termina y luego vuelve a comprobar si la tarea se completó.
El circuito es: comprender el objetivo → formular un plan → llamar herramientas → observar resultados → ajustar el plan → seguir ejecutando.
En la IA tradicional, la unidad de trabajo es “una conversación”. En los agentes, la unidad de trabajo es “una tarea completa”. Meta también añadió un entorno de ejecución persistente en la nube: apagas la app y aun así sigue corriendo en segundo plano. Esto implica que la competencia ya no se centrará solo en los modelos base; también en los puntos de distribución, los datos de los usuarios y el ecosistema de negocio. Meta tiene enormes entradas de usuarios; una vez que Muse acumule correos, agenda, hábitos de consumo e historial de tareas, el costo de migración se vuelve absurdamente alto: no tendrías que mover solo un registro de chats, sino todo un modo de trabajo.
2. Por qué esta vez el impulso vino de la CPU
En los últimos años, el campo principal de la infraestructura de IA ha sido la GPU. Pero al entrar los agentes en el flujo de trabajo, la estructura del cómputo cambia: la GPU se encarga de “pensar” (entender el objetivo, generar el plan, identificar la página). La parte real de “hacer” —ejecutar sistemas, abrir máquinas virtuales, llamar APIs, gestionar permisos, mantener estados de tareas— recae completamente en la CPU y en servidores tradicionales.
El flujo de un modelo conversacional es: entrada → inferencia → salida → liberar recursos. El flujo de un agente es: inferencia → ejecución en CPU → esperar respuestas externas → relectura del estado → re-inferencia → re-ejecución. Una tarea larga puede repetir este ciclo decenas o incluso cientos de veces. El navegador, las máquinas virtuales, la memoria y el estado de tareas deben mantenerse en línea de forma continua. La demanda de capacidad de cómputo de IA pasa de “generar un token” a “completar una tarea con todos los recursos del sistema”.
Si Muse se abre a decenas de miles de millones de usuarios, aunque solo una pequeña parte ejecute agentes simultáneamente, se generarán enormes máquinas virtuales concurrentes, procesos de navegador y llamadas a APIs. Un agente personal tiene que interactuar con correo, pagos y permisos de cuentas; no puede meter las tareas de todos en un mismo entorno. Cuanto más se enfatiza el aislamiento de seguridad, más recursos independientes hay que asignar a cada usuario. La demanda de CPU en la era de los agentes proviene de tres líneas: aumenta el número de tareas concurrentes, se alarga el tiempo de las tareas y se endurece el aislamiento de seguridad. Por eso el mercado vuelve a fijarse en servidores multicore con CPU; incluso hay quien estima que en el futuro la demanda de núcleos de CPU se duplicará y la proporción CPU-GPU tenderá a 1:1.
En una frase, el marco de observación es este: cuando baje el costo de la inferencia, el cuello de botella de la IA pasará de “si el modelo puede pensar” a “si el sistema en segundo plano puede ejecutar con concurrencia a un costo lo bastante bajo”.
3. Cómo la demanda de cómputo se convierte en ganancias
La demanda no es igual a las ganancias; lo clave es el modelo de economía unitaria de Muse. La versión gratuita y dos niveles de suscripción (20 y 100 dólares). En el futuro, también podría monetizarse con agentes empresariales, interfaces para desarrolladores y comisiones por transacciones. Muse puede identificar la intención de consumo real; el valor teórico por usuario, en principio, supera el de los clics tradicionales de anuncios. Algunas instituciones estiman que los ingresos futuros podrían superar los 10.000 millones de dólares.
Pero la estructura de costos del agente es distinta: hay que ejecutar máquinas virtuales para el usuario, ocupar memoria, consumir red y ajustar modelos; cuanto más intensamente se use, mayor es el costo en el backend. La lógica de los dos niveles de suscripción también es, en esencia, control de recursos: limitar cantidad de tareas, limitar número de llamadas y limitar la duración en segundo plano. En comparación con una suscripción fija, la comisión por transacción se ajusta mejor a la estructura de costos de los agentes.
Un modelo transaccional, sin embargo, también puede desatar conflictos de plataforma. Amazon ya cortó las compras de Muse dentro de su app: después de que un agente complete la búsqueda y el pedido por el usuario, este salta la página de recomendaciones y los anuncios. Es probable que las plataformas de terceros adopten tres rutas: cobrar por interfaces abiertas, exigir reparto de transacciones o bloquear el acceso no autorizado. Cualquiera de las rutas reducirá los límites del servicio de Muse y su margen de beneficio.
4. Entender esta cadena de transmisión
Para Meta: Muse es una prueba decisiva de si las inversiones de capital en IA pueden convertirse en ingresos de consumo. Las descargas prueban la distribución; la tasa de finalización determina el valor; la retención y el pago determinan los ingresos; y el costo unitario por tarea determina la rentabilidad.
Para Intel: la GPU se encarga de pensar; la CPU de ejecutar. Si los agentes de consumo se despliegan a gran escala, la CPU de los servidores podría pasar de ser un componente auxiliar a ser un eslabón clave para definir la escala de concurrencia y el costo de ejecución.
La cadena completa es: el agente de consumo obtiene acceso al usuario → las tareas pasan de preguntas y respuestas a ejecución continua → aumenta la demanda de máquinas virtuales, navegadores y llamadas a herramientas → se incrementan las necesidades de CPU, memoria y red → suben los costos de infraestructura → ingresos por suscripción y transacciones validan la economía unitaria → la demanda de chips termina convirtiéndose en la ganancia del proveedor.
La GPU determina si los agentes pueden “pensar” con claridad; la CPU y la infraestructura del sistema determinan si pueden reemplazar simultáneamente a suficientes personas para completar tareas. Y el retorno final del capital depende de si el dinero ganado en cada tarea puede cubrir el costo de toda la cadena de ejecución.
1. ¿Qué cambió exactamente Muse?
La mayoría de la IA de consumo en el mercado, en esencia, sigue siendo una herramienta de preguntas y respuestas: introduces un texto, el modelo infiere y devuelve un resultado, y la tarea termina. Muse saca la IA de la ventana de chat e intégrala en un flujo de trabajo real: tú defines un objetivo, ella lo descompone en pasos, inicia sesión en sitios web, llama servicios externos, lee el estado de las páginas y luego decide el siguiente paso; cuando se trata de pagos, enviar correos o modificar el calendario, busca tu autorización de forma proactiva, termina y luego vuelve a comprobar si la tarea se completó.
El circuito es: comprender el objetivo → formular un plan → llamar herramientas → observar resultados → ajustar el plan → seguir ejecutando.
En la IA tradicional, la unidad de trabajo es “una conversación”. En los agentes, la unidad de trabajo es “una tarea completa”. Meta también añadió un entorno de ejecución persistente en la nube: apagas la app y aun así sigue corriendo en segundo plano. Esto implica que la competencia ya no se centrará solo en los modelos base; también en los puntos de distribución, los datos de los usuarios y el ecosistema de negocio. Meta tiene enormes entradas de usuarios; una vez que Muse acumule correos, agenda, hábitos de consumo e historial de tareas, el costo de migración se vuelve absurdamente alto: no tendrías que mover solo un registro de chats, sino todo un modo de trabajo.
2. Por qué esta vez el impulso vino de la CPU
En los últimos años, el campo principal de la infraestructura de IA ha sido la GPU. Pero al entrar los agentes en el flujo de trabajo, la estructura del cómputo cambia: la GPU se encarga de “pensar” (entender el objetivo, generar el plan, identificar la página). La parte real de “hacer” —ejecutar sistemas, abrir máquinas virtuales, llamar APIs, gestionar permisos, mantener estados de tareas— recae completamente en la CPU y en servidores tradicionales.
El flujo de un modelo conversacional es: entrada → inferencia → salida → liberar recursos. El flujo de un agente es: inferencia → ejecución en CPU → esperar respuestas externas → relectura del estado → re-inferencia → re-ejecución. Una tarea larga puede repetir este ciclo decenas o incluso cientos de veces. El navegador, las máquinas virtuales, la memoria y el estado de tareas deben mantenerse en línea de forma continua. La demanda de capacidad de cómputo de IA pasa de “generar un token” a “completar una tarea con todos los recursos del sistema”.
Si Muse se abre a decenas de miles de millones de usuarios, aunque solo una pequeña parte ejecute agentes simultáneamente, se generarán enormes máquinas virtuales concurrentes, procesos de navegador y llamadas a APIs. Un agente personal tiene que interactuar con correo, pagos y permisos de cuentas; no puede meter las tareas de todos en un mismo entorno. Cuanto más se enfatiza el aislamiento de seguridad, más recursos independientes hay que asignar a cada usuario. La demanda de CPU en la era de los agentes proviene de tres líneas: aumenta el número de tareas concurrentes, se alarga el tiempo de las tareas y se endurece el aislamiento de seguridad. Por eso el mercado vuelve a fijarse en servidores multicore con CPU; incluso hay quien estima que en el futuro la demanda de núcleos de CPU se duplicará y la proporción CPU-GPU tenderá a 1:1.
En una frase, el marco de observación es este: cuando baje el costo de la inferencia, el cuello de botella de la IA pasará de “si el modelo puede pensar” a “si el sistema en segundo plano puede ejecutar con concurrencia a un costo lo bastante bajo”.
3. Cómo la demanda de cómputo se convierte en ganancias
La demanda no es igual a las ganancias; lo clave es el modelo de economía unitaria de Muse. La versión gratuita y dos niveles de suscripción (20 y 100 dólares). En el futuro, también podría monetizarse con agentes empresariales, interfaces para desarrolladores y comisiones por transacciones. Muse puede identificar la intención de consumo real; el valor teórico por usuario, en principio, supera el de los clics tradicionales de anuncios. Algunas instituciones estiman que los ingresos futuros podrían superar los 10.000 millones de dólares.
Pero la estructura de costos del agente es distinta: hay que ejecutar máquinas virtuales para el usuario, ocupar memoria, consumir red y ajustar modelos; cuanto más intensamente se use, mayor es el costo en el backend. La lógica de los dos niveles de suscripción también es, en esencia, control de recursos: limitar cantidad de tareas, limitar número de llamadas y limitar la duración en segundo plano. En comparación con una suscripción fija, la comisión por transacción se ajusta mejor a la estructura de costos de los agentes.
Un modelo transaccional, sin embargo, también puede desatar conflictos de plataforma. Amazon ya cortó las compras de Muse dentro de su app: después de que un agente complete la búsqueda y el pedido por el usuario, este salta la página de recomendaciones y los anuncios. Es probable que las plataformas de terceros adopten tres rutas: cobrar por interfaces abiertas, exigir reparto de transacciones o bloquear el acceso no autorizado. Cualquiera de las rutas reducirá los límites del servicio de Muse y su margen de beneficio.
4. Entender esta cadena de transmisión
Para Meta: Muse es una prueba decisiva de si las inversiones de capital en IA pueden convertirse en ingresos de consumo. Las descargas prueban la distribución; la tasa de finalización determina el valor; la retención y el pago determinan los ingresos; y el costo unitario por tarea determina la rentabilidad.
Para Intel: la GPU se encarga de pensar; la CPU de ejecutar. Si los agentes de consumo se despliegan a gran escala, la CPU de los servidores podría pasar de ser un componente auxiliar a ser un eslabón clave para definir la escala de concurrencia y el costo de ejecución.
La cadena completa es: el agente de consumo obtiene acceso al usuario → las tareas pasan de preguntas y respuestas a ejecución continua → aumenta la demanda de máquinas virtuales, navegadores y llamadas a herramientas → se incrementan las necesidades de CPU, memoria y red → suben los costos de infraestructura → ingresos por suscripción y transacciones validan la economía unitaria → la demanda de chips termina convirtiéndose en la ganancia del proveedor.
La GPU determina si los agentes pueden “pensar” con claridad; la CPU y la infraestructura del sistema determinan si pueden reemplazar simultáneamente a suficientes personas para completar tareas. Y el retorno final del capital depende de si el dinero ganado en cada tarea puede cubrir el costo de toda la cadena de ejecución.
195
Inicia sesión para explorar más contenidos
Únete a usuarios globales de criptomonedas en Binance Square
⚡️ Obtén información útil y actualizada sobre criptos.
💬 Avalado por el mayor exchange de criptomonedas en el mundo.
👍 Descubre perspectivas reales de creadores verificados.
Email/número de teléfono
Temas populares
EarningsSeason
1.2M vistas
5,799 están debatiendo
Sesión 2 de la temporada de resultados: resultados de Tesla y Meta — Todas las miradas puestas en las Magnificent 7
Binance Square Official
·427 me gusta
·718.7k vistas
JPMorganPredictsBitcoinBestPerformingAssetOverNextDecade
9,569 vistas
55 están debatiendo
InjectiveSignsMoUToMakeKRW1ExclusiveWonSettlementAsset
8,924 vistas
42 están debatiendo