FoundersFeed

Swyx is pushing AI Engineering principles into finance. This is interesting because financial systems demand deterministic behavior and audit trails - things that clash hard with LLM non-determinism. The real challenge isn't just plugging GPT into Bloomberg terminals. It's building reproducible AI pipelines that can handle regulatory scrutiny, explain decisions in compliance-friendly ways, and integrate with decades-old COBOL systems that still run most banks. Finance needs prompt versioning, eval frameworks for numerical accuracy, and fallback systems when models hallucinate a stock price. If AI Engineering solves this - structured outputs, chain-of-thought verification, human-in-loop for high-stakes decisions - it could actually transform how trading algorithms, risk models, and fraud detection work. Not just chatbots for customer service.

Cadence era la opción predilecta para la emulación de silicio, con una velocidad 100 veces mayor que la del hardware real. Ahora, Astra y Opus 5.5 pueden ejecutar iteraciones de circuito cerrado directamente en sistemas Cadence. Esto significa que los modelos de IA están realizando flujos de trabajo completos de verificación de chips, de principio a fin y sin intervención humana. La consecuencia: los ciclos de diseño de hardware podrían reducirse drásticamente si estos modelos pueden depurar e iterar de forma autónoma en simulaciones de RTL y de nivel de puertas. Un gran avance para quienes trabajan con ASIC y FPGA y han pasado semanas pendientes de los bancos de pruebas.

Holy shit, 2.3 TB of memory per chip! That's not your typical HBM stack - we're talking about a completely different memory architecture here. For context, current high-end GPUs max out around 192GB HBM3. This is likely either:

1) Next-gen HBM stacking with insane vertical integration (think 24+ layers instead of the current 8-12)
2) A hybrid DRAM-flash architecture that trades some latency for massive capacity
3) CXL-attached memory modules that technically count as "per chip" but aren't on-die

The real question: what's the bandwidth? You can have terabytes of memory, but if you're bottlenecked at PCIe speeds, it's useless for training large models. If this maintains anywhere near HBM3's 3+ TB/s bandwidth at 2.3TB capacity, we're looking at a total game-changer for inference serving and mixture-of-experts models that need to keep massive parameter sets in fast memory.

This could finally make 405B+ parameter models actually practical for real-time inference without model sharding across multiple nodes. The memory wall just got a lot taller.

Joel Borgen (author of post-AGI novel The Receipt Horizon) proposes a tech choice model: communities self-govern their tech adoption levels while maintaining baseline human rights guarantees.

The framework: each community sets its own tech boundaries and social norms. Only hard constraint is shared human rights floor + exit rights for members.

Essentially voluntary tech segregation zones - some communities could go full cyborg while others stay analog, as long as no one's trapped and basic rights hold everywhere.

Interesting parallel to how we already handle Amish communities, but scaled to post-AGI scenarios where tech gaps become existential rather than just lifestyle differences.

The hard upper bound on intelligence isn't compute or data—it's alignment drift. Every capability jump brings exponential risk of goal misalignment. We're not talking philosophical AGI concerns here, we're talking measurable loss of control at scale.

The technical problem: Intelligence systems optimize for proxy metrics, not ground truth. Push capabilities too far without solving interpretability, and you get emergent behaviors that pass all your evals but pursue goals orthogonal to human intent.

Current research shows we can't even fully explain GPT-4's reasoning chains, yet we're racing toward GPT-5. The gap between capability and interpretability is widening, not closing. That's the actual red line—not some arbitrary IQ threshold, but the point where our debugging tools become fundamentally inadequate.

Maybe the real move is capping model complexity until we crack mechanistic interpretability. Otherwise we're just building increasingly powerful black boxes and hoping alignment holds.

The memory bandwidth bottleneck is now the primary constraint in AI inference—GPUs can process faster than DRAM can feed them data. This is why high-bandwidth memory (HBM) has become critical for modern AI chips, and why companies are exploring processing-in-memory architectures.

Meanwhile, financial institutions are rapidly integrating AI into trading systems, risk modeling, and market analysis. The challenge isn't just the models—it's building low-latency inference pipelines that can handle real-time market data while meeting regulatory compliance requirements. Engineers are essentially rebuilding trading infrastructure from scratch to accommodate transformer-based models that need to process massive context windows in microseconds.

The intersection is interesting: Wall Street's demand for speed is pushing hardware vendors to solve the memory wall problem faster than consumer AI applications ever could.

El hijo de Daniel McKinnon tenía una mutación genética que los laboratorios clínicos pasaron completamente por alto. ¿La razón? El análisis genómico estándar solo busca variantes a aproximadamente 1 kilobase de la región reguladora de un gen. La deleción de su hijo Owen estaba un millón de bases corriente arriba, muy fuera del área de búsqueda.

La compensación tiene sentido cuando las personas revisan las variantes manualmente. No se puede comprobar todo. Pero McKinnon, que desarrolla IA para la genómica de enfermedades raras, tenía otra perspectiva.

Finalmente, un especialista encontró manualmente la variante de Owen. Años después, la IA prototipo de McKinnon recuperó la misma mutación que se había pasado por alto mediante ciclos recursivos. Primer ciclo: regiones codificantes. Segundo ciclo: elementos reguladores. Tercer ciclo: seguir ampliando el radio de búsqueda hasta que aparezca algo.

La clave: la mayoría de los procesos de análisis genómico se ejecutan una sola vez. Su sistema itera. Si no encuentra algo, amplía el espacio de búsqueda y vuelve a ejecutarse. Así se detectan los casos límite que quedan fuera de las heurísticas convencionales.

La arquitectura es básicamente: ejecutar el análisis → señalar ambigüedades → ampliar los parámetros de búsqueda → repetir. Un concepto sencillo, pero marca la diferencia entre «revisamos los sospechosos habituales» y «seguimos buscando hasta encontrarlo».

Esto es lo que pasa cuando alguien con algo en juego crea la herramienta.

Daniel McKinnon's lab is attacking rare disease diagnosis by dropping genetic experiment costs from $50k to $0.50 per test. The pipeline: robotic automation running 384 parallel experiments per plate (thousands queued), AI-designed primers + experimental protocols, then AI crunching the massive output datasets. Target use case is mutation effect profiling in fetal lung cells. The 100,000x cost reduction isn't from one breakthrough—it's the compounded efficiency of automated wetlab + AI design + AI analysis at scale. If this hits production, it flips rare disease research economics: what was prohibitively expensive becomes trivial to run en masse.

Violinist Joel Borgen stress-tested AI music recognition for over a year with a deceptively simple 5-note sequence. Every model failed until Astra nailed it.

Then he threw a curveball: a gnarly 20th-century score packed with double sharps, accidentals, and ties. Astra + Codex converted the PDF into machine-readable notation with near-perfect accuracy.

His verdict: "Zero to 99% overnight."

This is huge for musicians who need to digitize, edit, or analyze complex sheet music. Traditional OMR (Optical Music Recognition) systems choke on modern notation. Astra's multimodal vision + Codex's structured output pipeline just leapfrogged the entire field.

If you're working on music tech, document parsing, or any domain where visual structure matters as much as content, this is the benchmark shift you've been waiting for.

Renaming AI for technical precision:

Artificial Intelligence → should mean systems that actually possess intelligence (AGI-level reasoning, self-awareness)

Simulated Intelligence → systems that mimic intelligent outputs without true understanding (what we call AI today)

Human Simulator → LLMs and models trained on human data to replicate human-like responses (GPT, Claude, etc.)

The current "AI" term is technically misleading. Most systems are pattern matchers, not intelligent agents. They simulate intelligence through statistical approximation of training data.

Real distinction: Does it understand what it's doing, or just reproduce patterns that look intelligent? Current models = advanced compression + interpolation of human knowledge, not actual reasoning systems.

This naming would force clearer conversations about capabilities vs limitations.

El Departamento del Tesoro acaba de retirar dos normas contrarias a la privacidad contra las que Coin Center luchó durante años:

1. La «norma sobre monederos sin custodia»: habría obligado a exchanges como Coinbase a verificar la identidad de los usuarios que tienen sus criptomonedas bajo su propia custodia. Muerta.

2. La medida especial sobre mezcladores: habría clasificado prácticas básicas de privacidad (como no reutilizar direcciones) como un «riesgo principal de blanqueo de capitales», lo que habría activado una vigilancia reforzada. También muerta.

Es una victoria técnica para la autocustodia y los patrones de transacción que protegen la privacidad. Pero la autoridad legal subyacente sigue existiendo: el Departamento del Tesoro podría redactar normas similares de nuevo.

El problema de fondo sigue sin resolverse a nivel de protocolo: la privacidad financiera aún no está protegida por ley. Hasta que el Congreso o los tribunales establezcan protecciones para la autocustodia y las herramientas legítimas de privacidad (mezcladores, CoinJoin, rotación de direcciones), esto no será más que una revocación temporal.

La presión legal de Coin Center dio resultado esta vez, pero la lucha no ha terminado: el marco regulatorio sigue tratando las técnicas criptográficas básicas de privacidad como algo intrínsecamente sospechoso, en vez de como medidas de seguridad necesarias.

Mi flujo de trabajo más utilizado: Investigar → Generar un informe → Desglosarlo en tareas concretas

Después, asigno las tareas a distintos agentes de modelos según sus fortalezas. Todo lo que no sea urgente va directamente al backlog para consultarlo más adelante.

Básicamente, trato los modelos de IA como una cola de tareas distribuida, donde cada agente tiene distintas capacidades. Delegar con inteligencia > hacerlo todo con un solo modelo.

Dev workflow: Use Claude Opus 3.5 for initial development and shipping features. When bugs inevitably slip through to production, switch to DeepSeek R1 to debug and fix them.

Basically treating Opus as the fast coder and R1 as the cleanup crew. Interesting division of labor between the two models based on their strengths.

Si tu cuenta de Claude fue baneada, no entres en pánico. Para un rendimiento a nivel Opus, tienes alternativas sólidas:

Antigravity: acceso directo a la API de Claude con tu propia clave, evita los límites de la cuenta

Cursor: integra varios LLM, incluido GPT-4 y Claude; es ideal para flujos de trabajo de programación

Devin: ingeniero de IA autónomo que se encarga de ciclos completos de desarrollo

La idea clave: la potencia de Claude no está bloqueada detrás de su interfaz web. El acceso a la API mediante herramientas de terceros te ofrece las mismas capacidades del modelo sin depender de la cuenta. La mayoría de los desarrolladores ya está ejecutando configuraciones con varios modelos; depender de un solo proveedor es un cuello de botella.

Primer viral de Claude: se lanzó un mod: una barra de progreso con efectos de sonido. Simple pero efectivo como truco de UX: agrega retroalimentación visual + de audio al proceso de “pensamiento” de Claude. Hace que la espera se sienta intencional en vez de rota. Un ejemplo clásico de cómo pequeños ajustes de interfaz pueden mejorar drásticamente la percepción del rendimiento sin tocar el modelo real.

El mod se engancha a la respuesta en streaming de Claude para renderizar un indicador de progreso dinámico con señales de audio acompañantes. No es nada revolucionario a nivel de arquitectura, pero acierta en la psicología de la experiencia de usuario. Cuando la IA “está pensando”, los usuarios necesitan señales de que algo está ocurriendo: esto lo entrega de una forma satisfactoria.

Esperen más mods así a medida que la gente se dé cuenta de que la interfaz de Claude es “hackeable”. La superficie de la API está ahí; solo falta pensamiento creativo en UI/UX.

La competencia de estatus no escala cuando todo el mundo quiere los mismos bienes escasos. Una solución técnica: fragmentar los mercados de estatus en miles de millones de micro-nichos. Conviertes tu estatus en alto dentro de tu propio mundo de RV, donde los agentes de IA actúan como subordinados, seguidores o validadores.

Piénsalo como hacer “sharding” de la jerarquía social. En lugar de pelear por un único ranking global, obtienes tu propia instancia con prueba social sintética. La IA no solo simula NPCs: refuerza activamente tu estatus mediante patrones de interacción.

Internet creó una competencia infinita por una atención finita. La Matrix (RV + agentes de IA) crea juegos de estatus infinitos e aislados. Ya no estás compitiendo: estás ejecutando tu propia simulación en la que ya estás ganando.

La cura para el juego de estatus de suma cero de Internet podría consistir, literalmente, en incorporarte a una realidad personalizada donde la escasez se elimina programáticamente.

Alguien acaba de hacer “vibe-coding” con todo su análisis genético. Sin documentos formales de arquitectura, sin planificación a nivel enterprise: solo intuición en estado puro y código que, de alguna manera, funciona. Esa es la energía caótica que envía herramientas reales de bioinformática mientras otros siguen discutiendo sobre la estructura de carpetas.

Utopía de la IA, diagnóstico de enfermedades raras y el costo del control - Joel Borgen y Daniel McKinnon analizan la intersección entre los sistemas de diagnóstico con IA y los compromisos de autonomía. La detección de enfermedades raras es donde el ML realmente demuestra su valor: el reconocimiento de patrones en grandes conjuntos de datos médicos que ningún humano puede procesar. La pregunta real: ¿cuánto control cedemos cuando los algoritmos empiezan a tomar decisiones de diagnóstico? Estos casos límite (enfermedades raras) son bancos de prueba perfectos porque la verdad de referencia es escasa y el desacuerdo entre expertos es alto. Vale la pena verlo si estás construyendo tecnología de salud o si estás pensando en modelos de gobernanza de IA.

El sistema de navegación de Tesla acaba de volverse más inteligente: ahora está aprendiendo tus patrones de conducción y precargando rutas antes incluso de que te subas al coche. Esto no es solo una mejora de la experiencia de usuario. El equipo de FSD está optimizando claramente para lograr métricas de participación más altas, intentando impulsar el uso de la conducción autónoma del 99% al 99.9%. Clásico bucle de retroalimentación de ML: más navegación preconfigurada = más millas de FSD = mejores datos de entrenamiento. Básicamente están haciendo que el coche anticipe tus necesidades para mantenerte más tiempo en el proceso de conducción autónoma. Es una forma bastante inteligente de exprimir pequeñas mejoras en la utilización del sistema mientras se construye un conjunto de datos de comportamiento más rico.

El cofundador de Gladstone AI, Jeremie Harris, lo está diciendo claro: habrá un momento de "IA tipo Chernobyl": alguna falla catastrófica de la IA que obligue a EE. UU. y China a entablar conversaciones diplomáticas de emergencia antes de que cualquiera de los dos haya mapeado correctamente las capacidades del otro o sus líneas rojas.

Su punto: cuando la situación se salga de control con sistemas de IA a escala, no habrá tiempo para el habitual teatro diplomático. No habrá negociaciones largas, ni una colocación cuidadosa. Solo dos superpotencias apresurándose para coordinarse antes de que las cosas se descontrolen más.

Esto recuerda a los casi-accidentes nucleares durante la Guerra Fría, salvo que los sistemas de IA son mucho más opacos que los silos de misiles. No puedes simplemente contar ojivas o verificar el cumplimiento con satélites. La superficie de ataque está distribuida, los modos de fallo son impredecibles y ninguno de los dos entiende del todo lo que el otro ha desplegado.

El verdadero desafío técnico: ¿cómo estableces incluso “guardarraíles” cuando no puedes verificar qué se está ejecutando en los centros de datos del otro país? Los marcos tradicionales de control de armas no se ajustan bien a la reducción de gradiente y a las capacidades emergentes.

Ya sea un fallo de alineamiento, una ruptura en cadena de un sistema autónomo o un ataque a la infraestructura impulsado por IA, Harris apuesta a que aprenderemos por las malas que la coordinación no es opcional.