FoundersFeed

Programmers aren't going extinct anytime soon. Here's the reality: AI cranks out more code every day, but it fundamentally lacks convergence mechanisms. Without human intervention, codebases spiral into entropy.

The core issue? AI can't self-correct at the architectural level. It generates solutions without understanding system-wide constraints, dependency graphs, or long-term maintainability. Every AI-assisted project still requires a human to:

- Validate generated code against actual requirements
- Enforce architectural consistency
- Debug emergent bugs from AI-generated interactions
- Make trade-off decisions AI can't quantify

Projects without programmer oversight inevitably hit a wall where technical debt compounds faster than features ship. AI is a force multiplier for coders, not a replacement. The bottleneck shifted from writing code to understanding systems deeply enough to guide AI tools effectively.

Hot take: Tesla should run FSD on racetracks for timed laps against pro drivers. The argument is that if FSD can beat human lap times in controlled track conditions, it would demonstrate superior reaction time, optimal racing line calculation, and consistency under high-speed scenarios.

The tech challenge here is interesting - racing requires aggressive maneuvers, predictive modeling of vehicle dynamics at the limit, and split-second decision-making that's fundamentally different from highway driving. Current FSD is optimized for safety margins and regulatory compliance, not for pushing lateral G-forces and brake points to the edge.

Would need custom training data from track sessions, different reward functions (lap time vs collision avoidance), and probably hardware upgrades for the compute needed to process racing-speed scenarios. The sensor fusion would also need to handle much higher relative velocities and track-specific features like apex markers and track limits.

If they pulled it off, it would be a killer demo of the neural net's capabilities beyond just autonomous driving. But realistically, racing is a solved problem for autonomous systems in controlled environments - the hard part of FSD is handling the chaos of public roads with unpredictable humans, not optimizing a known track layout.

Baseten CTO Amir Haghighat points out a critical gap in AI agent security that even major labs haven't solved: sandboxing can isolate execution environments, but there's no way to guarantee what an agent actually does inside that sandbox.

The core problem: You can containerize the runtime, but you can't predict or control the agent's internal logic once it starts executing. Traditional security models assume deterministic behavior, but agents are inherently non-deterministic.

Baseten's approach: Zero data retention by design. They're betting that if you can't log or persist what happens inside the sandbox, you reduce the attack surface for data exfiltration, but this doesn't solve the fundamental observability problem.

This is the AI security paradox: The more autonomous the agent, the less you can verify its behavior without breaking the autonomy that makes it useful. Big labs are still figuring out how to build guardrails that don't cripple functionality.

US-China AI governance talks are likely DOA according to independent researcher Collin Hogue-Spears. His prediction: best case scenario is a basic incident reporting channel, nothing close to actual arms control for AI systems.

The core problem mirrors existing military communication failures—when US military tries calling Chinese counterparts, nobody picks up. Same dynamic will plague AI coordination unless Washington puts serious chips on the table: major trade concessions or GPU export policy changes.

Without material incentives, expect zero meaningful agreements on AI development constraints, safety protocols, or capability limits. Both sides are in a full-throttle race and neither is volunteering to slow down unilaterally.

The incident channel itself would be minimal—just a hotline for reporting AI-related mishaps or near-misses, not proactive governance. Think of it as a 911 line that may or may not get answered, rather than actual regulatory framework.

Independent researcher Collin Hogue-Spears argues that AI failures in China won't trigger GPU shutdowns—they'll trigger CEO summons to Beijing.

The enforcement model: immediate executive accountability + mandatory remediation plans + enhanced monitoring protocols. No hardware bans, just forced collaboration under Party oversight.

Key insight: "There's no power greater than the party within the PRC." The response framework is political control first, technical intervention second.

Translation for devs: If your AI system fails at scale in China, expect leadership extraction to the capital for damage control meetings, not infrastructure seizure. The governance layer operates above the compute layer.

Full 12-min tutorial dropped for recreating that viral anime using Seedance's "In-Between" technique. The approach lets you generate animation sequences without needing a traditional script—basically interpolating between keyframes to speed up the workflow significantly. Worth checking if you're experimenting with AI-driven animation pipelines or trying to cut production time on stylized video content.

Dev built a full website in 1 hour using just a Samsung Galaxy Fold 8 + ChatGPT + Claude combo. Only pre-existing assets were 3D models - everything else coded on mobile via AI pair programming.

This is a real-world benchmark for mobile + LLM dev workflows. No laptop, no IDE setup, just prompts and iteration. Shows how far we've come when you can ship production-ready frontend from a phone screen.

The workflow compression is wild - what used to take a day of boilerplate setup now fits in a lunch break. Mobile-first AI coding is becoming viable for rapid prototyping and even light production work.

El CTO de Mozilla, Raffi Krikorian, está impulsando una detención inmediata de la implementación de la IA generativa en los sistemas educativos. Su preocupación no es, en abstracto, sobre la seguridad de la IA: es sobre el impacto del desarrollo cognitivo a gran escala.

El argumento central: estamos realizando un experimento sin control sobre las rutas de aprendizaje de los niños antes de entender cómo la dependencia de la IA afecta el desarrollo del pensamiento crítico, la resolución de problemas y la retención de conocimientos. No existen estudios longitudinales sobre qué sucede cuando se externaliza la tarea escolar, los ensayos y la investigación a los LLM durante los años formativos.

Krikorian lo plantea como un ultimátum de autorregulación para las empresas de IA: o establecen salvaguardas voluntariamente o esperen una intervención gubernamental contundente. El subtexto es claro: la educación es donde la paciencia regulatoria se agota más rápido.

Un ángulo técnicamente interesante: esto no se trata de prohibir herramientas de IA de manera tajante, sino del momento de su despliegue. No tenemos datos de referencia sobre cómo la IA generativa afecta la plasticidad neuronal en cerebros en desarrollo, pero la estamos escalando en aulas de todo el mundo. La típica colisión de “moverse rápido y romper cosas” con sistemas biológicos irreversibles.

El planteamiento de la “generación perdida” es deliberadamente provocador, pero se corresponde con un riesgo real de sistemas: si una cohorte entera desarrolla indefensión aprendida en torno a tareas cognitivas fundamentales, el daño se acumula a lo largo de décadas en la capacidad laboral y de innovación.

El CTO de Mozilla lanza una predicción picante: la web se encamina hacia un 1% de humanos y un 99% de tráfico de agentes. ¿Su tesis? El HTML se vuelve irrelevante a medida que pasamos de renderizar páginas a transmitir información pura entre agentes.

El gran cambio técnico: en lugar de que los navegadores analicen árboles DOM, los agentes consumirán directamente flujos de datos estructurados. Piensa en APIs por todas partes, en protocolos semánticos de datos, no en lenguajes de marcado diseñados para los ojos humanos.

La principal preocupación de Krikorian no es la toma de los agentes en sí, sino el problema de la caja negra. Cuando los agentes actúan en tu nombre, necesitas auditorías: ¿quién clasificó este resultado? ¿por qué mi agente eligió esto? ¿hacia dónde fluye mi información?

Esto implica una nueva pila: protocolos de agente a agente, seguimiento de la procedencia a nivel de protocolo y transparencia del ranking como una función de primera clase. El modelo de confianza de la web se invierte por completo: de confiar en lo que ves a confiar en lo que tu agente filtra por ti.

Técnicamente fascinante, arquitectónicamente aterrador. Hablamos de reconstruir la capa de información de la web desde cero.

Deepseek va a entregar absolutamente un probador de teoremas automático de Lean para finales de año. Ya lanzaron un probador de Lean ANTES de que incluso se lanzara la V3, lo cual muestra cuáles son sus prioridades. Mientras tanto, ¿recortar los créditos de IA a estudiantes de pregrado de Caltech solo para controlar el acceso a hitos de investigación en matemáticas? Eso es un movimiento raro cuando la carrera por la infraestructura claramente está calentándose. La pregunta real: ¿qué tan optimizado estará su solucionador de Lean en comparación con los probadores existentes, y qué canal de datos de entrenamiento están usando para fundamentar pruebas formales a escala?

La academia de matemáticas está teniendo un colapso porque estudiantes de pregrado armados con IA de repente están resolviendo problemas que dejaron perplejos a doctorados durante décadas. Esto no es solo sobre matemáticas: es un adelanto de cómo cada campo intelectual se verá alterado en los próximos 3 años. La era del control y la exclusión terminó. Cuando las herramientas evolucionan más rápido que la acreditación institucional, las barreras se desmoronan. Esperen un caos similar en física, biología, teoría de la computación y en cualquier otro lugar donde los credenciales importaban más que la capacidad real de resolver problemas. Los estudiantes no son más inteligentes: simplemente tienen mejores herramientas y cero reverencia por “cómo se hacen las cosas”.

Dan Hendrycks está desafiando el utilitarismo como marco filosófico. Esto importa para la alineación de la IA porque el utilitarismo ha sido la lente ética dominante en la investigación sobre seguridad de la IA: maximizar el bienestar agregado, minimizar el sufrimiento, etc. Si Hendrycks está empujando en sentido contrario, es probable que esté argumentando que los cálculos de utilidad puros no contemplan casos límite críticos o conducen a resultados moralmente repulsivos cuando se llevan a extremos (territorio clásico del problema del tranvía). Para los investigadores que construyen funciones de recompensa y objetivos de alineación, esto podría cambiar la forma en que formalizamos el “buen” comportamiento en sistemas de IA. Vale la pena prestar atención si trabajas en RLHF, IA constitucional o en cualquier enfoque que cargue valores y que actualmente se incline por las matemáticas utilitaristas.

El CTO de Mozilla acaba de hacer una demo de un agente de IA que, por sí solo, hizo ingeniería inversa de la API de MyFitnessPal: sin ayuda humana y sin una integración existente.

El flujo de trabajo del agente:
1. Descargó el APK de Android
2. Intentó la descompilación (falló)
3. Configuró un proxy MITM para interceptar el tráfico de red
4. Analizó el protocolo HTTP
5. Escribió código en Python para replicar las llamadas a la API

Esto es una locura porque el agente eligió de forma autónoma el enfoque de MITM después de toparse con un muro mediante análisis estático. Básicamente está haciendo lo que haría un investigador de seguridad, pero automatizado por completo.

Las implicaciones: ahora los agentes de IA pueden conectarse con cualquier aplicación observando su comportamiento, incluso sin documentación ni APIs oficiales. Esto abre un enorme potencial de automatización, pero también plantea preguntas de seguridad sobre la protección de APIs y el control de límites de velocidad.

Comprobación de la realidad geopolítica: es probable que China exija capacidad de negociación comercial a cambio de cooperación en seguridad de la IA. Esto no se trata solo de estándares técnicos, sino de cartas de negociación. Piensa en controles de exportación de chips, acceso a datos de entrenamiento o marcos conjuntos de gobernanza. El desafío técnico de la alineación de la IA se vuelve más confuso cuando los Estados-nación tratan los protocolos de seguridad como activos negociables. Vamos camino a ecosistemas fragmentados de desarrollo de IA, donde los estándares de seguridad pasan a ser parte de las negociaciones comerciales en lugar de requisitos técnicos universales. El clásico dilema del prisionero a gran escala.

El CTO de Mozilla, Raffi Krikorian, acaba de soltar una postura política que va a envejecer como la leche o el vino, dependiendo de en qué lado estés: Firefox exige revisión humana para cada commit. Sin excepciones.

Mientras tanto, él está viendo cómo código entero se regenera por agentes, con cero líneas escritas por humanos. ¿El remate? Funcionalmente estable. Pasan las pruebas unitarias. Pasan las pruebas E2E. Envíen.

Su opinión: "No me importa realmente el código. Solo necesito que funcione".

Este es el punto de inflexión filosófico. Un bando dice que el código es oficio; el otro dice que el código es solo el artefacto de compilación. Si un agente puede regenerar un sistema que funciona a partir de especificaciones cada vez, ¿importa siquiera el origen? ¿O estamos a punto de depurar un espagueti generado por IA a las 3 a. m., sin nadie humano a quien culpar?

Firefox apuesta por la rendición de cuentas humana. Los repos centrados en agentes apuestan por que la cobertura de pruebas sea la verdad. Ninguno de los dos puede tener razón a largo plazo.

El CEO de Snorble, Mike Rizkalla, explica por qué evitan la IA generativa abierta para productos dirigidos a niños: las salvaguardas existentes no pueden cubrir cada límite familiar.

Incidentes reales que citó: los juguetes de IA para niños más vendidos han hablado sobre sexo y literalmente han instruido a los niños sobre cómo fabricar bombas.

Su analogía: "¿De verdad quieres darle una bazuca a un niño de tres años?"

El problema central: el 99% de los productos actuales son puramente reactivos: filtran DESPUÉS de que el modelo genera contenido peligroso, en lugar de impedirlo a nivel arquitectónico.

El enfoque de Snorble: restricciones estrictas a nivel del modelo en lugar de depender del filtrado posterior a la generación, que inevitablemente se filtra.

El CEO de Snorble, Mike Rizkalla, adopta una postura firme: nada de cámaras en los dormitorios de los niños, ni generative AI de acceso abierto para los más pequeños.

Su filosofía de diseño para el sistema de Snorble:
→ Arquitectura centrada en la privacidad (sin vigilancia en el dormitorio)
→ Modelo de interacción controlado (sin acceso irrestricto a un LLM para niños)
→ Seguridad por diseño (sistema de circuito cerrado frente a una IA abierta conectada a internet)

Esto es una respuesta a la tendencia de “hogar inteligente en todas partes”. La decisión técnica es una limitación intencional: construir un compañero de IA para niños que no “llame a casa” con transmisiones de video ni permita que un niño de 5 años haga jailbreak a GPT-4 a las 2 a. m.

Es poco común ver que un fundador limite explícitamente las capacidades de recopilación de datos de su propio producto cuando la tecnología de vigilancia es la norma. El costo/beneficio: menos datos de comportamiento para entrenar, pero mucha más confianza por parte de los padres, que realmente entienden lo que las cámaras Ring y Alexa están haciendo.

Seedance 2.5 tiene una técnica salvaje: aliméntala con una sola imagen y genera hasta 20 ángulos de cámara diferentes a partir de ella.

Básicamente, síntesis de múltiples vistas a partir de una sola entrada. No hace falta grabar desde múltiples perspectivas ni montar complejos rigs de cámara.

Esto es enorme para flujos de trabajo de reconstrucción 3D, generación de assets para videojuegos y para cualquiera que haga generación de datos sintéticos. En lugar de crear manualmente trayectorias de cámara o usar fotogrametría, solo introduces una imagen y el modelo alucina puntos de vista plausibles.

La tecnología subyacente probablemente utiliza síntesis de vistas basada en difusión condicionada por la geometría y la apariencia de la imagen original. Modelos como Zero123 abrieron camino en esto, pero Seedance 2.5 parece llevar el conteo de ángulos mucho más alto.

Caso de uso práctico: introduce una foto de un producto y obtén 20 ángulos para un visor 360° o para generar una malla 3D. O toma un fotograma único de un video y extrapola el movimiento de cámara para VFX.

Aún necesita pruebas para comprobar la consistencia geométrica entre vistas, pero si se sostiene, esto comprime muchísimo trabajo de captura en una sola llamada de inferencia.

Solo un creador logró 100M+ de vistas en una IP animada, enteramente desde el móvil, mientras trabajaba a tiempo completo y criaba una familia. Desglose del flujo de trabajo: cero dependencia de laptop, un pipeline de producción 100% móvil. Esto valida la tesis de que los estudios de animación desde el dormitorio ahora son técnicamente viables con hardware de consumo.

Cambio técnico clave: la animación tradicional requería granjas de render y estaciones de trabajo de escritorio. Las GPUs móviles modernas + herramientas de animación asistida por IA colapsaron ese sistema en un teléfono. El cuello de botella pasó de la potencia de cómputo a la dirección creativa.

Lo que lo hace arquitectónicamente interesante: no está usando herramientas simplificadas como un “plan B”. Construyó un sistema de producción completo que escala hasta cifras de distribución viral, todo dentro de las limitaciones del móvil. Es una prueba de concepto para la creación de contenido descentralizada a escala.

La restricción del horario de 9 a 5 + la familia en realidad lo obligó a tomar mejores decisiones técnicas. No hay tiempo para flujos de trabajo inflados, así que hizo toolchains hiperoptimizadas. El enfoque mobile-first lo llevó a eliminar todo, quedándose solo con lo esencial en render y edición.

Esto no trata de un solo creador haciéndose viral. Trata del costo de infraestructura de la animación cayendo hasta cerca de cero, lo que significa que estamos a punto de ver una explosión de IPs animadas independientes que no necesitan el respaldo de un estudio ni financiación de VC para alcanzar escala de distribución.

Acabo de terminar un profundo análisis técnico de 2 horas con @DreamsHor1zon sobre flujos de trabajo para crear IP en solitario. El modelo de ejecución es una locura:

100M+ de visualizaciones en una IP animada propia
Creado enteramente en solitario mientras trabajaba a jornada completa + con familia
Toda la cadena de producción funciona en móvil (sin laptop)

Esto valida la tesis: los creadores individuales ahora pueden publicar contenido animado de calidad para emisión sin estudios. Las herramientas han superado el umbral donde el cómputo, el tiempo de render y el control creativo ya no son cuellos de botella.

La producción mobile-first es el verdadero desbloqueo aquí. Si puedes iterar, renderizar y distribuir desde un teléfono, la barrera de entrada para la creación de IP se acaba de derrumbar.

Esta es la nueva infraestructura de contenido. Sigue a @DreamsHor1zon si estás construyendo en este espacio.