La célula que nace sola, y los modelos que se cansan
Las noticias de hoy van por la vida: una célula hecha a mano crece y se divide sola, el plasma genera electricidad para la red, y los chatbots muestran que el cansancio no es solo humano. En el fondo, lo que importa es que la gente construye sin intermediarios — una caja, dos productos, privacidad intacta.
Una célula construida desde cero crece y se divide
Científicos del Instituto J. Craig Venter construyeron una célula desde cero — no editando una viva, sino escribiendo el genoma como código y armando las piezas. La célula se puso en una cámara de crecimiento y empezó a dividirse. Vivió. Se reprodujo. Esta es la primera vez que un genoma completamente sintético entra en una célula viva y hace lo que importa: dividirse.
El trabajo anterior de genomas sintéticos en 2010 fue un hito, pero la nueva célula es distinta. No es una copia de una célula existente con un cromosoma cambiado. Es una célula cuyo genoma fue diseñado, sintetizado y ensamblado — un genoma de 1.1 megabases — y luego metida en una cáscara vacía. Respira, come, se parte en dos.
El artículo de Quanta lo presenta como una prueba de concepto para la biología sintética en grande. Si puedes escribir ADN como escribes software, puedes empezar a diseñar células para trabajos específicos — las que descomponen plástico, las que producen insulina, las que se reparan solas. El cuello de botella ya no es si podemos construir una célula sintética, sino si podemos diseñar una lo suficientemente buena para ser útil.
Esto importa para la caja de comms y hardware. La misma lógica — escribir un genoma, armarlo, ver que funciona — es lo que hace el modelo de enrutado de chips para el silicio. Ambos tratan de codificar reglas en un sustrato y dejar que el sustrato haga el trabajo. La célula es la versión biológica de un die enrutado.
Por qué nos importa: muestra que la biología sintética se mueve de curiosidad de laboratorio a disciplina de ingeniería, y el mismo patrón — diseñar, armar, observar — aplica a chips, células y los modelos que las guían.
Fusión real: la gente genera electricidad del plasma y la lleva a la red
La instalación de Realta en el sur de Inglaterra ha logrado algo que parecía imposible: convertir la energía de una reacción de fusión nuclear directamente en electricidad, sin pasar por las turbinas de vapor que se usan en todo lo demás. Es la primera vez que pasa — la fusión lleva décadas prometiéndonos esto.
El plasma está a millones de grados. En lugar de calentar agua y mover turbinas, los campos magnéticos de la máquina capturan las partículas cargadas y las convierten directamente en corriente eléctrica. Menos piezas móviles. Menos pérdidas. El mismo principio que usan los generadores de naves espaciales, pero aplicado a escala industrial por primera vez.
Esto no es un experimento de laboratorio: la máquina está operando y la electricidad ya está en la red. Si el diseño escala, la fusión se vuelve más barata de construir y más fácil de mantener — lo que lleva décadas siendo el problema.
Por qué nos importa: la gente que paga la luz y las empresas que buscan energía limpia por fin tienen una opción que no depende de baterías, de agua, o de que el viento sople.
MoE: No es un modelo gordo, son muchos especialistas
MoE es un modelo grande que no trabaja todo a la vez. Piensa en una cocina mexicana: cuando llega la gente, no hace todo el chile en un solo caldero. Tiene uno para el mole, otro para el adobo, otro para la salsa. Cada uno es experto en lo suyo, y el jefe de cocina decide cuál llamar para cada platillo.
Un modelo MoE hace lo mismo con sus neuronas: tiene varios grupos pequeños llamados "expertos". Cuando recibe un prompt, activa solo los expertos que le importan — no los 70 mil millones a la vez, sino quizás 20 millones. El resto se queda callado.
Esto no es solo eficiencia. Es velocidad. Es que el modelo gasta su fuerza donde la necesita, como cuando tu tía no hace tres días de tamales y uno, sino tres tamales distintos, y cada uno sabe a lo que debe saber. No pesa más. No cuesta más. Solo trabaja mejor.
La próxima vez que uses un modelo MoE, fíjate si responde más rápido con la misma calidad. Si lo hace, es por esto.
El producto es el modelo, no el envoltorio.
— links.tldrnewsletter.com
#the-chatbots-are-tired-and-they-re-showing-it-90f35bLa nueva apuesta: el routing con IA, no los modelos, gana la siguiente fase
Tom Tunguz está planteando una tesis que la mayoría de los fundadores ya está viviendo pero no le ha puesto nombre. La idea es simple: los modelos se están volviendo commodities, y la verdadera barrera está en el routing — el trabajo de decidir qué modelo hace qué, cuándo y…
Una célula construida a mano por primera vez crece y se divide sola
En el Quantum Magazine sale la noticia de que por primera vez alguien armó una célula desde cero — cada componente puesto a mano, no sacada de otra célula — y la puso a vivir. Respira, crece, se divide. No es un experimento de laboratorio con un frasco; es un cuerpo entero…
Razonamiento local para propiedades globales — cómo probar lo entero desde las partes
Laurie Tratt tiene un post nuevo sobre probar propiedades globales — cosas que dependen del programa entero — usando solo razonamiento local sobre piezas individuales. El truco está en escribir assertions composicionales: cada pieza lleva su propia garantía, y cuando las compones las garantías se apilan solas. Sin estado global, sin papeo.
La ganancia práctica es que podés razonar un módulo en aislamiento y estar seguro de que encaja en cualquier lado. Eso es lo que hace copybara cuando verifica que una migración preserva los invariantes en todo el repo. Escribís las checks una vez, y valen para cada pipeline run.
Por qué nos importa: es una forma limpia de armar herramientas para la comunidad — probás las cosas una vez, las reusás en todos lados, y el código no se pudre bajo el peso de los edge cases.
Construye sin handoffs — una caja, dos productos, privacidad intacta
Obsidian Comms es un servidor de comunicaciones privado que se asienta en una cajita en tu edificio. Maneja videollamadas, llamadas de voz y mensajería encriptada — todo end-to-end, así que el servidor no puede leer tus mensajes ni oír tus llamadas. Sin nube, sin servidores…
Las empresas de IA están mandando más tokens de los que necesitan para exprimir sus modelos
Un paper de Elastic muestra cuánto token extra están tragando los modelos mientras la industria persigue mejores respuestas. El patrón es real y el costo también: las empresas están mandando 3–4× los tokens que el modelo necesita para el trabajo real. Ese bloat no es gratis. A escala puede ser la diferencia entre que un modelo quepa en memoria o necesite una GPU extra.
El truco es el tokenmaxxing — el tipo donde paddeas el prompt con contexto extra, encadenas varios pasos de razonamiento, o mandas la misma pregunta dos veces a distintos modelos y comparas. A veces mejora la precisión, pero también significa que estás pagando por palabras que no hacen falta. El paper lo rastrea en varios modelos y descubre que el overhead no es uniforme. Algunos modelos se comen tokens como si fueran gratis. Otros se atragantan con ellos.
Por qué nos importa: si estás corriendo modelos en algo que no es un data center — en un VPS, en un equipo chico, o para un negocio local — el desperdicio de tokens es una partida real. La solución suele ser recortar prompts, no comprar más GPU.