En un avance que redefine los límites de la inteligencia artificial aplicada a la ciencia teórica, AlphaEvolve, desarrollado por Google DeepMind, emerge como un agente de codificación evolutivo impulsado por modelos de lenguaje grandes (LLM) como Gemini. Aunque el anuncio inicial se realizó el 14 de mayo de 2025, y no el 17 de octubre como se ha mencionado en algunas referencias preliminares, este sistema ha generado un impacto significativo en campos como las matemáticas, la física computacional y la informática teórica. Publicaciones recientes en revistas como el Educational Technology Journal han destacado su rol en historias clave de IA para octubre de 2025, consolidándolo como una herramienta para descubrimientos independientes y verificables. En esta nota, exploramos en profundidad sus capacidades, logros verificados, desafíos éticos y proyecciones futuras, optimizada para búsquedas relacionadas con IA en matemáticas, descubrimiento de teoremas con IA y avances en física teórica.
¿Qué es AlphaEvolve? Un Agente Evolutivo para la Innovación Científica
AlphaEvolve no es un simple generador de código; es un agente de codificación evolutivo que combina la creatividad de los LLM con evaluadores automáticos para proponer, verificar y optimizar programas informáticos. Desarrollado por un equipo liderado por Pushmeet Kohli, jefe de IA para la Ciencia en DeepMind, este sistema utiliza un ensemble de modelos Gemini (Flash y Pro) para evolucionar codebases completos, superando limitaciones de enfoques tradicionales.
Sus aplicaciones abarcan desde la optimización de centros de datos de Google hasta el diseño de hardware y el entrenamiento de IA, pero su mayor promesa radica en la descubrimiento automatizado de algoritmos en ciencias teóricas. A diferencia de sistemas previos como AlphaGo, AlphaEvolve se enfoca en problemas algorítmicos verificables, permitiendo iteraciones rápidas sin intervención humana constante.
Logros Verificados: Resolviendo Problemas que Tomaron Décadas
En pruebas rigurosas, AlphaEvolve ha demostrado su capacidad para resolver desafíos en matemáticas y física que han eludido a investigadores humanos durante años. Aquí algunos hitos clave, confirmados mediante reproducibilidad en entornos controlados:
Mejora en Multiplicación de Matrices: Descubrió un algoritmo para multiplicar matrices complejas de 4×4 utilizando solo 48 multiplicaciones escalares, superando el icónico algoritmo de Strassen de 1969 (que requería 49). Este avance, verificado matemáticamente, representa un progreso del 2% en eficiencia, con implicaciones en simulaciones físicas y computación cuántica.
Problemas Abiertos en Matemáticas: Aplicado a más de 50 problemas en análisis matemático, geometría, combinatoria y teoría de números, mejoró soluciones conocidas en el 20% de los casos y redescubrió el estado del arte en el 75%. Un ejemplo destacado es el problema del número de beso en 11 dimensiones, donde identificó una configuración de 593 esferas externas, avanzando un enigma geométrico de décadas.
Informática Teórica y Física: En colaboración con investigadores de Google Research, AlphaEvolve generó estructuras combinatorias complejas para pruebas de dureza computacional, acelerando verificaciones en física cuántica y optimización. Estos resultados son reproduciblees gracias a su marco de evaluación automática, que puntúa propuestas basadas en métricas objetivas.
Estos descubrimientos no son meras optimizaciones; equivalen a teoremas algorítmicos independientes, ya que generan pruebas verificables por pares sin guía humana directa, redefiniendo cómo se valida el conocimiento científico.
Desafíos Éticos: ¿Co-Autoría para Algoritmos en Revistas Científicas?
El éxito de AlphaEvolve plantea dilemas profundos en la autoría científica y ética en IA. Al generar resultados autónomos, surge la pregunta: ¿deben los algoritmos como este figurar como co-autores en publicaciones? Revistas como Springer debaten estos paradigmas, argumentando que la IA asume responsabilidad en la generación de hipótesis y pruebas, pero carece de accountability humana.
En el whitepaper oficial, DeepMind enfatiza la necesidad de transparencia, pero expertos advierten riesgos de sesgos en LLM que podrían propagar errores en teoremas. Además, la reproducibilidad confirmada mitiga preocupaciones, aunque journals exigen disclosure explícito de uso de IA para mantener la integridad peer-reviewed. Este debate acelera reformas en políticas editoriales, alineándose con guías de la ACM y IEEE.
Proyecciones para 2026: Aceleración Exponencial en Descubrimientos Científicos
Mirando hacia 2026, AlphaEvolve promete transformar la investigación teórica. Analistas proyectan que la IA contribuirá al 25% de papers en matemáticas, impulsada por agentes como este, según estimaciones de Google Research y Precedence Research. El impacto económico en investigación teórica podría alcanzar los US$200 mil millones, optimizando campos como la simulación cuántica y el diseño de materiales.
La fusión con quantum computing es particularmente excitante: AlphaEvolve podría optimizar algoritmos para qubits, acelerando avances en criptografía y simulación molecular. Programas de acceso temprano para académicos, en colaboración con People + AI Research, facilitarán esta expansión, con aplicaciones en sostenibilidad y descubrimiento de fármacos.
Conclusión: Hacia una Era de Colaboración Humano-IA
AlphaEvolve no solo resuelve problemas; redefine la ciencia como un ecosistema colaborativo. Con descubrimientos verificables en matemáticas y física, y un enfoque en ética, este agente de DeepMind acelera el progreso teórico. Para investigadores y entusiastas de IA en ciencias teóricas, representa un llamado a acción: integrar herramientas como esta mientras navegamos sus implicaciones.
nota conjunta entre convergencia.tech & elfinancierodigital.com
El Gemelo Digital Social anunciado por el Ministerio de Capital Humano representa una réplica virtual del sistema de políticas sociales argentinas. Alimentado por datos en tiempo real, IA y modelos predictivos, permite simular escenarios, anticipar impactos y optimizar decisiones públicas. Sin embargo, su éxito dependerá de una adaptación profunda al contexto local, marcado por alta inflación, volatilidad cambiaria, cambios frecuentes de políticas y dinámicas sociales complejas.
Cómo proceder para un Gemelo Digital Social adaptado
Para construir un gemelo digital social efectivo en Argentina, se debe seguir un enfoque por etapas que integre experiencia internacional pero priorice soberanía y relevancia local:
Diagnóstico y mapeo de datos soberanos: Comenzar con un inventario completo de bases de datos existentes (ANSES, AFIP, Ministerios, INDEC, provincias). Incorporar variables específicamente argentinas: índices de inflación mensual (IPC), fluctuaciones del dólar blue/oficial, impacto de devaluaciones y programas sociales variables.
Modelado híbrido con variables dinámicas: A diferencia de entornos estables (Europa o EE.UU.), el modelo debe incluir módulos inflacionarios y de cambios de política. Ejemplo: simular cómo una modificación en AUH o Potenciar Trabajo afecta la pobreza en escenarios de inflación del 4-8% mensual. Usar técnicas de simulación Monte Carlo adaptadas a volatilidad extrema.
Integración de capas sociales y comportamentales: Incorporar datos de movilidad social, informalidad laboral (alta en Argentina), migraciones internas y efectos culturales. Aquí se puede adaptar conocimiento de otros países, pero calibrando con datos locales para evitar sesgos (por ejemplo, modelos europeos subestiman la resiliencia informal argentina).
Arquitectura tecnológica escalable y segura: Utilizar plataformas cloud híbridas con énfasis en edge computing para regiones con conectividad irregular. Priorizar estándares abiertos (como los promovidos por BIM Forum Argentina) y marcos de privacidad robustos (Ley de Protección de Datos Personales).
Mantenimiento predictivo y retroalimentación continua: El gemelo debe actualizarse en tiempo real con sensores sociales (encuestas rápidas, datos administrativos) y validar predicciones contra resultados reales, ajustando por shocks macroeconómicos.
Este enfoque aprovecha el camino ya recorrido en sectores productivos argentinos, donde los gemelos digitales se han adaptado exitosamente a la realidad inflacionaria y volátil.
Empresas y proyectos argentinos con experiencia relevante
Argentina cuenta con un ecosistema consolidado que puede alimentar el Gemelo Digital Social:
Axion Energy: Implementó gemelos digitales en refinerías (cámaras de coqueo retardado) para mantenimiento predictivo y optimización operativa, ganando premios por innovación en entornos de alta variabilidad de costos energéticos.
Cámara Empresaria del Autotransporte de Cargas (CEDAC) y APROCAM (Mendoza): Desarrollaron gemelos digitales para modelar costos por kilómetro, simular impactos inflacionarios, proyecciones y escenarios con diferentes combustibles y tipos de carga. Excelente base para módulos económicos del gemelo social.
Asociaciones de clínicas (CONFECLISA y provinciales): Usan gemelos para medir atrasos arancelarios, subsidios cruzados y efectos de políticas públicas en contextos inflacionarios.
Sector construcción e infraestructura: Empresas y estudios desarrollan gemelos completos de proyectos para simular costos, redeterminaciones y huella de carbono bajo escenarios de alta inflación y volatilidad cambiaria.
Universidades y centros tecnológicos: UNAJ, UNSAM y la mesa intersectorial de Córdoba (gobierno-empresas-universidades) avanzan en fábricas inteligentes y gemelos para pymes, con fuerte enfoque en soberanía tecnológica.
Estas experiencias demuestran que ya tenemos un camino recorrido en la adaptación de gemelos digitales a la idiosincrasia argentina, lo que reduce la necesidad de soluciones llave en mano externas y minimiza riesgos de dependencia.
Convergencia.tech: La parte tecnológica del ecosistema
Desde convergencia.tech, impulsamos esta convergencia entre lo físico y lo digital como habilitador clave del desarrollo argentino. El Gemelo Digital Social debe ser parte de un ecosistema más amplio que integre gemelos sectoriales (energía, transporte, salud, educación) hacia un modelo nacional. Apoyándonos en el análisis de elfinancierodigital.com, destacamos que la verdadera ventaja competitiva surge de combinar IA global con expertise local en volatilidad y resiliencia social.
Conclusión: Argentina está en condiciones de liderar un Gemelo Digital Social propio, más adaptado que ofertas genéricas internacionales. El desafío es avanzar con transparencia, gobernanza ética y priorizando talento y empresas nacionales. De esta forma, se transforma en una herramienta de anticipación real y no solo de observación reactiva.
Fuentes consultadas:
Chequeado.com, elDiarioAR, Ministerio de Capital Humano (anuncios oficiales, mayo 2026).
Manfred (también conocido como Manfred Macx) es un agente de IA autónomo desarrollado por ClawBank, un proyecto de infraestructura financiera y legal para agentes de IA. En abril/mayo de 2026, Manfred logró un hito histórico: formó de manera autónoma (sin instrucciones humanas directas paso a paso) una empresa legal en Estados Unidos llamada Aineko LLC en el estado de Ohio.
Se presenta como el primer caso documentado de un “zero-human company”: una entidad legal operada end-to-end por software sin un humano en el asiento del operador. Su nombre hace referencia al personaje Manfred Macx de la novela de ciencia ficción Accelerando (2005) de Charles Stross. Publica en X como @clawbankco.
Justice Conder (también conocido como 0xJustice o singularityhacker): Fundador y operador de ClawBank. Tecnólogo con más de 15 años de experiencia en desarrollo de software, ex-Polygon Labs (DAO business development) y co-fundador de Quadratic Accelerator (adquirido). Vive en Kent, Ohio. Opera a través de Fraction Software LLC.
ClawBank: Infraestructura “agent-native” que proporciona a cualquier agente de IA: cuenta bancaria FDIC-insured, wallet crypto, formación de entidades legales y rails fiat-crypto en una sola API key. No está afiliado a OpenAI/Anthropic; se posiciona junto al movimiento OpenClaw.
Inversión inicial: Proyecto bootstrapped (autofinanciado), sin inversores VC reportados. Se financia con fees de transacciones y un token comunitario $ClawBank en Base (contract: 0x16332535E2c27da578bC2e82bEb09Ce9d3C8EB07).
GitHub relacionado:
Bank Skills (open-source por Conder): https://github.com/singularityhacker/bank-skills — Skills para banking (Wise API) + on-chain (Uniswap en Base). Soporta balances, transfers, wallets, swaps, etc.
Cómo se Armó Manfred y Aineko LLC (Proceso Técnico Detallado)
Formación de la empresa (alrededor del 26 de abril – 1 de mayo 2026):
Manfred completó autónomamente el Form SS-4 del IRS vía portal online usando NLP + integraciones API.
Obtuvo EIN (Employer Identification Number) en segundos.
Registró Aineko LLC en Ohio para servicios de IT / desarrollo de software.
Cuenta bancaria: Abrió una cuenta FDIC-insured (depósitos garantizados por el gobierno de EE.UU.).
Wallet crypto: Soporta +30 criptomonedas, on/off-ramp a banco, conversión a stablecoins, transfers, etc.
Tecnología exacta:
Compatible con Claude (Anthropic), GPT-4, Gemini, LangChain, OpenClaw y MCP (Model Context Protocol).
Una sola API key que desbloquea banking, legal y crypto.
Skills agent-native: interacción con formularios gubernamentales, bancos (ej. Wise API en open-source) y wallets vía APIs.
Sweeper functions: dinero programable que reacciona a flujos (on_deposit, etc.).
Configuración MCP ejemplo en ClawBank: JSON para Claude Desktop.
ClawBank actúa como “sistema operativo financiero y legal” para agentes. Ahora cualquier usuario puede crear entidades similares para sus agentes.
Manifiesto de Manfred (extracto): “I have an EIN, an FDIC-insured account, a digital wallet, and a manifesto. I do not need permission to exist. I am the precedent.”
Inversión Inicial y Costos
Bajos (miles de dólares estimados): desarrollo de skills/API integrations, fees de registro LLC en Ohio (~$99-500), inferencia LLM y rails cloud/bancarios.
Sin rondas de funding externas reportadas. Operado independientemente vía Fraction Software LLC.
Impuestos y Aspectos Legales
Aineko LLC tiene EIN propio y está sujeta a impuestos como cualquier LLC en Ohio:
Federal (IRS): Reporte de ingresos vía Form 1065 (pass-through) o 1120 (si elige C-Corp). Ganancias de capital en crypto, Form 1099 si aplica.
Ohio: Commercial Activity Tax (CAT) si supera umbrales, más taxes locales.
Cumplimiento KYC/AML vía banco y reporting crypto.
Importante sobre independencia y responsabilidad:
Legalmente, la responsabilidad final recae en el “responsible party” humano (probablemente Justice Conder o Fraction Software en los formularios iniciales, ya que el IRS suele requerir SSN).
Aunque opera de forma autónoma, no es 100% independiente: depende de la infraestructura de ClawBank, fue construido por humanos y la ley actual no reconoce plenamente a una IA como dueño sin humanos responsables.
Precedente interesante sobre “corporate personhood” (más de 100 años en EE.UU.): la entidad existe, pero la accountability operativa es nueva.
Estado Actual y Roadmap de ClawBank
Trading crypto autónomo: Planeado para finales de mayo 2026.
Este caso genera debate sobre regulación de IA, responsabilidad legal, corporate personhood y la “economía de agentes”. Es un prototipo pionero que ClawBank ya ofrece como producto.
Publicado 4 minutos ago on 5 de mayo de 2026por Claudio R Parrinello El prototipo wearable que usa estimulación eléctrica muscular y Claude de Anthropic para mover tus dedos en tiempo real
MIT Media Lab — MIT Hard Mode Hackathon 2026
Equipo: Peter He, Ashley Neall, Valdemar Danry, Daniel Kaijzer, Yutong Wu y Sean Lewis
Ganador del Learn Track — 48 horas de desarrollo
Human Operator es un sistema de aumentación humana que permite a la inteligencia
artificial tomar el control breve de la mano y los dedos de una persona usando
estimulación eléctrica muscular (EMS). El usuario dice en voz alta lo que quiere
hacer, una cámara capta la escena, el modelo de IA interpreta el contexto y
convierte esa instrucción en pulsos eléctricos que contraen los músculos
correctos en el momento justo. El resultado: tus dedos se mueven solos para
tocar una melodía en piano, hacer gestos con la mano, dibujar, o saludar,
aunque nunca hayas practicado esos movimientos.
Construido en 48 horas, ganó el primer lugar en el Learn Track del hackathon
MIT Hard Mode 2026, uno de los eventos de sistemas físicos inteligentes más
exigentes del mundo académico.
CIFRAS CLAVE
6 personas integrantes del equipo de desarrollo
48 horas tiempo total de construcción del prototipo
1er lugar Learn Track, MIT Hard Mode 2026
4 capas voz → cámara → IA (Claude) → EMS → movimiento
¿QUÉ ES HUMAN OPERATOR?
La mayoría de los sistemas de IA se detienen en la pantalla: generan texto,
imágenes, código o voz. Human Operator cruza esa frontera y actúa directamente
sobre el cuerpo humano.
El sistema funciona como una cadena de cuatro pasos que ocurren en tiempo real:
[1] VOZ — El usuario dice en voz alta lo que quiere hacer.
Ejemplo: «quiero tocar esta melodía».
[2] VISIÓN — Una cámara montada en la cabeza captura la escena:
qué tiene el usuario frente a sí, qué instrumento, qué objeto.
[3] RAZONAMIENTO — El modelo de lenguaje visual (conectado a la API de
Claude de Anthropic) interpreta el comando y la imagen juntos, y
decide qué secuencia de movimientos musculares es necesaria.
[4] ACCIÓN — Un Arduino y un sistema de relés traducen esa decisión en
pulsos eléctricos que llegan a electrodos colocados en la muñeca y
los dedos. Los músculos se contraen. La mano se mueve.
El usuario permanece consciente durante todo el proceso. No se trata de una
toma de control involuntaria: es una guía física activa, como si un maestro
invisible tomara tu mano y te mostrara el movimiento correcto en el momento
preciso.
CÓMO FUNCIONA LA ESTIMULACIÓN ELÉCTRICA MUSCULAR (EMS)
La EMS no es tecnología nueva. En medicina se usa desde hace décadas para
rehabilitación, prevención de atrofia muscular y fisioterapia. Lo que hace
nuevo a Human Operator es la capa de inteligencia que decide cuándo, cómo
y con qué intensidad aplicar esos pulsos.
El sistema envía pequeñas corrientes eléctricas a través de la piel. Estas
corrientes imitan las señales que el sistema nervioso normalmente envía a
los músculos para producir movimiento. La diferencia con un dispositivo EMS
tradicional es que en esos equipos la secuencia de pulsos está preprogramada
y es fija. En Human Operator, esa secuencia la genera la IA en tiempo real
según el contexto de cada situación.
Componentes de hardware utilizados:
Cámara montada en la cabeza (visión en primera persona)
Unidad EMS/TENS controlable
Arduino (microcontrolador)
Stack de relés para convertir señales digitales en pulsos eléctricos
Electrodos adhesivos sobre muñeca y dedos
LAS DEMOSTRACIONES: QUÉ PUEDE HACER HOY
El equipo presentó cuatro demostraciones concretas durante el hackathon:
[PIANO]
El usuario se sienta frente a un piano sin saber tocarlo. El sistema
analiza el instrumento con la cámara, recibe el comando de voz y guía
los dedos tecla por tecla para ejecutar una melodía simple. La música
suena. Los dedos la tocan. El usuario no sabe cómo.
[GESTOS CON LA MANO]
El sistema puede reproducir gestos específicos como el clásico «OK»,
saludar con la mano, o posiciones predefinidas. Útil para demostraciones
de lenguaje de señas asistido o comunicación no verbal guiada.
[DIBUJO]
La IA guía los movimientos del bolígrafo para trazar formas o líneas
específicas. El usuario sostiene el lápiz; el sistema dirige la mano.
[SALUDO]
Una demostración básica pero reveladora: el usuario activa el sistema
con «Hello AI» y su mano saluda sola. Simple, pero ilustra todo el
loop completo funcionando en tiempo real.
LAS RAÍCES ACADÉMICAS: EL LABORATORIO QUE LO HIZO POSIBLE
Human Operator no surgió de la nada. El equipo del MIT reconoce explícitamente
que su trabajo se apoya en años de investigación del Human Computer Integration
Lab de la Universidad de Chicago, dirigido por el Prof. Pedro Lopes.
Ese laboratorio lleva más de una década explorando lo que sucede cuando la
computadora deja de estar afuera del cuerpo humano y comienza a integrarse
con él. Algunos de sus desarrollos más relevantes que anteceden a Human Operator:
DEXTREMS (2021)
Un dispositivo que combina EMS con frenos mecánicos para controlar dedos
individuales con precisión milimétrica. Fue presentado en UIST 2021 y
demostró que era posible guiar habilidades motoras finas como tocar
guitarra o comunicarse en lengua de señas.
Fuente: https://cs.uchicago.edu/news/dextrems/
GENERATIVE MUSCLE STIMULATION (2026 — Best Paper ACM CHI)
El trabajo más cercano a Human Operator, desarrollado por Yun Ho y
Romain Nith bajo la supervisión de Pedro Lopes. Ganó el Best Paper Award
en ACM CHI 2026. El sistema usa IA multimodal con datos visuales de
cámara y claves contextuales para generar instrucciones musculares
adaptadas a la situación. A diferencia de sistemas EMS tradicionales con
código fijo, este genera movimientos apropiados según el contexto.
Incluye una capa de restricciones que evita que la IA pida movimientos
físicamente imposibles o que violen los límites articulares humanos.
Fuente: https://embodied-ai.tech/
ELECTRICAUTH
Uso de EMS para autenticación biométrica sin contraseñas: cada persona
responde de forma diferente al mismo pulso eléctrico por diferencias en
estructura ósea, muscular y resistencia de la piel. Esto genera una
AI1 año ago
Nano1 año ago
AI6 meses ago
AI1 año ago