Connect with us

Publicado

on

Computación Cuántica, Algoritmos de Shor y Grover, y Seguridad Criptográfica Explicados

Claudio Roberto Parrinello

Claudio Roberto Parrinello

Director de proyectos con +30 años en tecnología, fundador de ONGs y especialista en Blockchain e IA, RX, QC y biotech. Tech 4.0 resolviendo desafíos sociales en salud y medioambiente. y soluciones financieras.

¿Qué es la Computación Cuántica?

La computación cuántica usa las leyes de la mecánica cuántica, como la superposición (donde algo puede estar en varios estados a la vez) y el entrelazamiento (una conexión especial entre partículas), para procesar información. A diferencia de las computadoras clásicas, que trabajan con bits (0 o 1), los computadores cuánticos usan qubits, que pueden ser 0, 1 o una mezcla de ambos. Esto les permite resolver ciertos problemas mucho más rápido.

En 2025, la computación cuántica ha avanzado, pero aún no está lista para reemplazar a las computadoras normales. Empresas como IBM, Google y otras han creado máquinas más potentes, pero tienen problemas con errores y no son lo suficientemente fuertes para tareas como romper la seguridad moderna.

Pruebas:

  • Usos prácticos: Se está probando la computación cuántica para optimizar entregas, diseñar medicinas y analizar finanzas. Por ejemplo, BMW y NVIDIA trabajan juntos para mejorar autos eléctricos.
  • Seguridad futura: Como los computadores cuánticos podrían romper la seguridad actual, el NIST (Instituto Nacional de Estándares y Tecnología) aprobó en 2024 nuevos algoritmos post-cuánticos, como CRYSTALS-Kyber, para proteger datos.

Aunque hay avances, los expertos creen que faltan entre 5 y 15 años (2030-2040) para que un computador cuántico pueda romper sistemas de seguridad importantes. Esto requiere millones de qubits estables, algo que aún no existe.

Seguridad Simétrica y Asimétrica: ¿Qué Son?

Para entender cómo los computadores cuánticos afectan la seguridad, primero hay que saber cómo protegemos la información.

Criptografía Simétrica

  • Qué es: Usa una sola clave secreta para cifrar (bloquear) y descifrar (desbloquear) datos. Es como un candado con una única llave que abre y cierra.
  • Ejemplos: AES (Advanced Encryption Standard) protege mensajes de apps como WhatsApp, datos en discos duros o videos en streaming.
  • Ventajas: Es muy rápida y eficiente para grandes cantidades de datos.
  • Debilidad: Si alguien roba la clave, puede descifrar todo. También es difícil compartir la clave sin que sea interceptada.
  • Impacto cuántico: Los algoritmos cuánticos no rompen directamente este sistema, pero uno llamado algoritmo de Grover puede acelerar la búsqueda de claves (explicado más abajo).

Criptografía Asimétrica

  • Qué es: Usa dos claves: una pública (que todos conocen) para cifrar y una privada (secreta) para descifrar. Es como un buzón: cualquiera puede echar una carta con la clave pública, pero solo el dueño con la clave privada la abre.
  • Ejemplos: RSA, Diffie-Hellman y ECC (Elliptic Curve Cryptography) se usan en conexiones seguras (HTTPS), firmas digitales y correos cifrados.
  • Ventajas: Permite compartir datos sin enviar claves secretas antes.
  • Debilidad: Depende de problemas matemáticos difíciles, como factorizar números grandes (RSA) o resolver logaritmos discretos (Diffie-Hellman).
  • Impacto cuántico: El algoritmo de Shor puede romper estos sistemas fácilmente al resolver esos problemas matemáticos.

En resumen: la criptografía simétrica es como una caja fuerte con una llave, más resistente a los computadores cuánticos. La criptografía asimétrica usa dos llaves, pero es vulnerable a ataques cuánticos.

El Algoritmo de Shor: ¿Qué Hace y Cómo Rompe la Seguridad?

El algoritmo de Shor, creado por Peter Shor en 1994, permite a un computador cuántico factorizar números grandes (descomponerlos en sus factores primos, como dividir 15 en 3 y 5) mucho más rápido que una computadora normal. Esto es un problema porque sistemas como RSA dependen de que factorizar es muy difícil.

¿Cómo funciona Shor?

Imagina que tienes un número gigante (como los usados en RSA) y quieres encontrar sus factores primos. Shor hace esto:

  1. Busca un patrón: Usa qubits para probar muchas combinaciones al mismo tiempo y encuentra un patrón matemático relacionado con el número.
  2. Truco cuántico: Aplica una herramienta llamada Transformada Cuántica de Fourier, que es como encontrar el ritmo en una canción, para identificar los factores.
  3. Termina con matemáticas simples: Usa una fórmula clásica para confirmar los factores primos.

¿Cómo rompe la seguridad?

  • RSA: Cuando usas un sitio web seguro (HTTPS), tu navegador cifra datos con una clave pública basada en un número grande (producto de dos primos). Solo la clave privada, que conoce esos primos, puede descifrarlos. Shor encuentra esos primos rápidamente, revelando la clave privada.
  • Peligro futuro: Alguien podría grabar datos cifrados hoy (como transacciones bancarias) y descifrarlos después con un computador cuántico. Esto se llama “cosechar ahora, descifrar después”.
  • Impacto: Como RSA y sistemas similares protegen casi todo el internet, un computador cuántico con Shor podría exponer datos sensibles, como contraseñas o secretos de estado.

Limitaciones actuales

Hoy, los computadores cuánticos solo han factorizado números pequeños, porque no tienen suficientes qubits estables. Para romper RSA de 2048 bits (común en internet), se necesitan millones de qubits con corrección de errores, algo que está a años de distancia.

El Algoritmo de Grover: ¿Qué Hace y Cómo Afecta la Seguridad?

El algoritmo de Grover, creado por Lov Grover en 1996, es otro algoritmo cuántico que acelera la búsqueda en listas desordenadas. Es como encontrar un libro en una biblioteca sin índice, pero mucho más rápido que una computadora normal.

¿Cómo funciona Grover?

Imagina que buscas una clave secreta probando una por una. En una computadora clásica, si hay N posibles claves, podrías necesitar hasta N intentos. Grover reduce esto a aproximadamente √N intentos (la raíz cuadrada de N). Por ejemplo:

  • Si hay 1 millón de claves, una computadora clásica podría probar hasta 1 millón de veces.
  • Con Grover, un computador cuántico lo hace en unas 1000 pruebas.

Esto es una aceleración cuadrática, no tan drástica como Shor, pero aún importante.

¿Cómo afecta la seguridad?

Grover impacta principalmente la criptografía simétrica, que depende de claves secretas:

  • AES y otros sistemas simétricos: Estos sistemas son seguros porque probar todas las claves posibles (ataque de fuerza bruta) toma demasiado tiempo. Por ejemplo, con una clave de 128 bits, hay 2^128 combinaciones, lo que es casi imposible de romper hoy.
  • Efecto de Grover: Si usas Grover, una clave de 128 bits se vuelve tan difícil de romper como una de 64 bits en una computadora clásica, porque reduce el tiempo de búsqueda a la mitad (en términos de bits de seguridad). Esto no rompe AES, pero lo hace menos seguro.
  • Solución sencilla: Para contrarrestar Grover, basta con duplicar el tamaño de la clave. Por ejemplo:

Diferencia con Shor

  • Shor: Rompe completamente sistemas asimétricos como RSA, haciendo que no sirvan más.
  • Grover: Debilitan sistemas simétricos, pero duplicar el tamaño de la clave los mantiene seguros.

¿Cuánto Falta para que Esto Sea un Problema?

Nadie sabe con certeza cuándo los computadores cuánticos serán lo suficientemente potentes, pero aquí van las estimaciones al 2025:

  • 2030-2040: Un computador cuántico capaz de usar Shor para romper RSA podría aparecer en esta década, pero solo si se logran millones de qubits estables con corrección de errores. Cada qubit lógico (útil para cálculos) necesita miles de qubits físicos.
  • Grover antes: Como Grover requiere menos qubits que Shor, podría usarse antes, pero su impacto es menor porque duplicar claves lo neutraliza.
  • Otros usos primero: Los computadores cuánticos probablemente se usarán antes para tareas como diseñar medicamentos o mejorar baterías, que necesitan menos qubits.
  • Sorpresas posibles: Nuevos algoritmos, como uno propuesto por Oded Regev en 2023 que mejora Shor, podrían acelerar el progreso, pero también podrían surgir obstáculos.

Dado que los datos cifrados hoy podrían ser vulnerables mañana, gobiernos y empresas están actuando ahora para proteger información que debe estar segura por décadas, como registros médicos o secretos militares.

¿Qué Se Está Haciendo para Protegernos?

El mundo ya está respondiendo a estas amenazas:

  • Criptografía post-cuántica (PQC): Se están creando nuevos sistemas asimétricos que no dependen de factorizar números o logaritmos discretos. En 2024, el NIST aprobó algoritmos como CRYSTALS-Kyber y Dilithium, que ya se están integrando en internet (por ejemplo, en conexiones HTTPS).
  • Claves más grandes: Para sistemas simétricos, muchas empresas ya usan AES-256 en lugar de AES-128, lo que los protege contra Grover.
  • Distribución Cuántica de Claves (QKD): Esta tecnología usa principios cuánticos para compartir claves de forma ultra segura. Aunque es prometedora, aún es difícil de usar en largas distancias.
  • Transición urgente: Agencias como la NSA recomiendan cambiar a sistemas post-cuánticos ahora, especialmente para datos que deben estar seguros por mucho tiempo.

La computación cuántica es emocionante, pero también plantea riesgos. El algoritmo de Shor podría romper sistemas asimétricos como RSA, poniendo en peligro gran parte de internet. El algoritmo de Grover debilita sistemas simétricos como AES, pero duplicar el tamaño de las claves lo soluciona. Aunque faltan años (probablemente 2030 o más) para que esto sea un problema real, la amenaza de “cosechar ahora, descifrar después” significa que debemos actuar ya.

Con nuevos algoritmos post-cuánticos y mejoras en las claves, el mundo está trabajando para mantenerse un paso adelante. La carrera entre la computación cuántica y la ciberseguridad está en marcha, pero hay tiempo para prepararnos si actuamos con inteligencia.

Fuentes

  • Artículos y reportes de IBM Quantum, Google Quantum AI sobre avances en hardware cuántico (2023-2024).
  • Publicaciones del NIST sobre criptografía post-cuántica (2024).
  • Papers académicos sobre los algoritmos de Shor (1994) y Grover (1996).
  • Noticias recientes sobre computación cuántica de sitios como MIT Technology Review y Quantum Computing Report.
  • Información técnica de Classiq y NVIDIA sobre aplicaciones cuánticas (2024).

Continue Reading
Advertisement
Click to comment

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Actualidad

Manfred, el Primer Agente de IA que Formó su Propia Empresa en EE.UU

Publicado

on

Aineko LLC – ClawBank y Justice Conder

Nota desarrollada con elfinancierodigital.com

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.

Sitio oficial de ClawBank: https://clawbank.co/ Cuenta de X de Manfred: https://x.com/clawbankco

¿Quién es Justice Conder y ClawBank?

  • 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:

Cómo se Armó Manfred y Aineko LLC (Proceso Técnico Detallado)

  1. 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.
    • Búsqueda oficial Ohio (ejemplo de registro): Herramienta https://businesssearch.ohiosos.gov/
  2. Cuenta bancaria: Abrió una cuenta FDIC-insured (depósitos garantizados por el gobierno de EE.UU.).
  3. Wallet crypto: Soporta +30 criptomonedas, on/off-ramp a banco, conversión a stablecoins, transfers, etc.
  4. 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.
  • Fases: Core banking (live), Agent Formation (live), Sweeper Functions, Agent Economy (agent-to-agent, crédito, etc.).
  • Features clave: 60s KYC, debit card, multi-cuentas, registered addresses, etc.

Fuentes y Referencias Principales (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.

Continue Reading

Actualidad

HUMAN OPERATOR: LA IA DEL MIT QUE CONTROLA TU CUERPO

Publicado

on

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

«huella eléctrica» única.

Fuente: https://sandlab.cs.uchicago.edu/electricauth/

Human Operator es, en muchos sentidos, la síntesis accesible de esta línea

de investigación: tomó los conceptos ya validados académicamente y los montó

en un prototipo funcional construido con hardware de consumo masivo en dos

días.

USOS ACTUALES Y APLICACIONES INMEDIATAS

Aunque es un prototipo, las aplicaciones del concepto son claras y urgentes:

REHABILITACIÓN Y RECUPERACIÓN MOTORA

Pacientes que han sufrido un ACV (accidente cerebrovascular) o una lesión

neurológica pierden parcialmente el control voluntario de sus extremidades.

Un sistema como Human Operator podría guiarlos a través de los movimientos

correctos durante la terapia física, acelerando la reconexión neuromuscular.

La EMS ya se usa en rehabilitación; lo que agrega la IA es la capacidad de

adaptar la secuencia en tiempo real según lo que el paciente necesita.

APRENDIZAJE MOTOR ACELERADO

Aprender a tocar un instrumento, mejorar la técnica quirúrgica, dominar

un deporte de precisión: todas estas habilidades requieren miles de horas

de práctica para crear memoria muscular. Un sistema de guía física podría

comprimir ese proceso significativamente mostrando al cuerpo el movimiento

correcto en el momento exacto.

ASISTENCIA A PERSONAS CON MOVILIDAD LIMITADA

Para personas con Parkinson, esclerosis múltiple u otras condiciones que

afectan el control motor fino, un sistema de este tipo podría compensar

los temblores o la falta de precisión, permitiéndoles realizar tareas

cotidianas con mayor independencia.

ENTRENAMIENTO INDUSTRIAL Y LABORAL

Trabajadores que deben aprender a operar maquinaria nueva o realizar tareas

manuales precisas podrían ser guiados físicamente durante el entrenamiento,

reduciendo el riesgo de lesiones y acortando los tiempos de capacitación.

ACCESIBILIDAD PARA USUARIOS CON DISCAPACIDAD VISUAL

Un usuario ciego podría recibir orientación física directa en lugar de

solo instrucciones de voz: el sistema guía la mano hacia el objeto o

posición correcta en lugar de describirla verbalmente.

PREDICCIONES: HACIA DÓNDE VA ESTA TECNOLOGÍA

Human Operator es un prototipo de 48 horas. Pero la dirección que señala

es clara y los bloques tecnológicos para construirlo existen y están

mejorando rápidamente. Estas son las aplicaciones más plausibles en los

próximos 3 a 10 años:

CORTO PLAZO (1-3 años)

  • Dispositivos EMS-IA para fisioterapia domiciliaria supervisada

remotamente por profesionales de salud.

  • Guantes inteligentes para rehabilitación post-ACV con retroalimentación

adaptativa generada por IA según el progreso del paciente.

  • Herramientas de aprendizaje musical con guía física: «el piano te

enseña tocándote los dedos».

MEDIANO PLAZO (3-7 años)

  • Trajes de entrenamiento quirúrgico donde el residente aprende el

movimiento correcto del bisturí guiado físicamente por el sistema

mientras un experto supervisa remotamente.

  • Wearables de asistencia para personas con Parkinson que compensan

el temblor en tiempo real durante tareas específicas.

  • Interfaces físicas para realidad virtual y aumentada: en lugar de

solo ver el entorno virtual, el cuerpo siente las interacciones.

  • Traducción de lengua de señas en tiempo real: el sistema guía las

manos del usuario para producir los gestos correctos mientras habla.

LARGO PLAZO (7-15 años)


  • «Descarga de habilidades»: un experto ejecuta un movimiento y el

sistema lo replica en el cuerpo del aprendiz en tiempo real o de

forma diferida, como una plantilla física.

  • Asistencia motora continua para personas con lesiones medulares

parciales, combinada con interfaces cerebrales no invasivas.

  • Entornos laborales donde la IA guía físicamente a trabajadores en

tareas de alta precisión (manufactura, cirugía, rescate).

LOS LÍMITES ACTUALES Y LOS DESAFÍOS ÉTICOS

El equipo del MIT es explícito: esto es un prototipo experimental, no un

producto. Las limitaciones actuales son reales:

PRECISIÓN LIMITADA

El sistema puede guiar movimientos generales pero no tiene aún la

resolución necesaria para tareas de altísima precisión. La EMS actúa

sobre grupos musculares, no sobre fibras individuales.

CALIBRACIÓN INDIVIDUAL

Cada persona tiene una fisiología diferente. Los mismos pulsos eléctricos

producen movimientos distintos en distintos cuerpos. Calibrar el sistema

para cada usuario lleva tiempo y es un proceso manual hoy en día.

SENSACIÓN DE HORMIGUEO

La estimulación eléctrica produce una sensación de cosquilleo o hormigueo

que puede ser incómoda, especialmente en uso prolongado.

AUTONOMÍA Y CONSENTIMIENTO

La pregunta ética más profunda: ¿quién tiene el control? El usuario

activa el sistema con su voz y puede detenerlo, pero la ejecución del

movimiento es involuntaria. En contextos médicos o industriales, definir

claramente los límites de la agencia humana será fundamental.

SEGURIDAD Y HACKEO

Como cualquier sistema conectado, la posibilidad de interferencia

maliciosa es real. Un sistema que controla el cuerpo humano requiere

los más altos estándares de seguridad informática.

DEPENDENCIA TECNOLÓGICA

Si las personas aprenden habilidades motoras asistidas por el sistema,

¿pueden ejecutarlas sin él? ¿O se genera una dependencia?

EL ECOSISTEMA MÁS AMPLIO: NO ES UN PROYECTO AISLADO

Human Operator no es un fenómeno aislado. Existe dentro de un ecosistema

creciente de investigación en interfaces cuerpo-computadora:

  • El Prof. Pedro Lopes (UChicago) es el referente académico más activo

en esta área. Su laboratorio HCI ha ganado múltiples Best Paper Awards

en las conferencias más importantes de interacción humano-computadora

(CHI, UIST).

Sitio del laboratorio: https://lab.plopes.org/

  • En UIST 2025, el mismo grupo presentó «Primed Action», un sistema que

usa estimulación cerebral subumbral (por debajo del nivel de movimiento

involuntario) para acelerar los tiempos de reacción del usuario

preservando su sensación de control.

  • El paper «Hand by Hand: LLM Driving EMS Assistant for Operational Skill

Learning» (arXiv 2025) exploró específicamente cómo los LLMs pueden

guiar el aprendizaje de habilidades operacionales mediante EMS,

documentando que la retroalimentación kinestésica (física) tiene

ventajas sobre la retroalimentación vocal para habilidades motoras.

Fuente: https://arxiv.org/pdf/2508.06000

  • Meta, Apple y Google están invirtiendo activamente en wearables que

leen señales musculares (EMG) para controlar interfaces digitales.

El paso inverso —usar electricidad para escribir señales en el cuerpo—

es la frontera que Human Operator está explorando.

FUENTES Y REFERENCIAS

[1] Sitio oficial del proyecto Human Operator

«We gave AI a body» — humanoperator.org

https://humanoperator.org

[2] Founded.com — Cobertura técnica detallada

«These MIT hackathon winners built an AI that can control your body»

[3] Let’s Data Science — Análisis técnico del prototipo

«MIT Hackathon Team Builds Wearable AI That Moves Limbs»

https://letsdatascience.com/news/mit-hackathon-team-builds-wearable-ai-that-moves-limbs-eac3840b

[4] NewsBytesApp — Cobertura de medios

«MIT students build ‘Human operator’ using electrical muscle stimulation»

https://www.newsbytesapp.com/news/science/mit-students-build-human-operator-using-electrical-muscle-stimulation/tldr

[5] Comparos.in — Descripción del sistema y hardware

«MIT Team Develops Wearable AI That Can Control Human Movements»

https://www.comparos.in/news/mit-team-develops-wearable-ai-that-can-control-human-movements

[6] YouTube — Demo oficial del hackathon

«Human Operator: MIT Hard Mode 2026 Winner (Learn Track)»

[7] Generative Muscle Stimulation — UChicago / Best Paper ACM CHI 2026

Sistema predecesor académico directo de Human Operator

https://embodied-ai.tech

[8] Human Computer Integration Lab — Prof. Pedro Lopes, UChicago

Laboratorio de referencia en interfaces cuerpo-computadora

https://lab.plopes.org

[9] DextrEMS — UChicago CS, UIST 2021

«New Wearable Device Controls Individual Fingers for Sign Language,

Music Applications»

[10] UChicago CS — Artículo sobre Generative Muscle Stimulation

«When AI Meets Muscle: Context-Aware Electrical Stimulation Promises

a New Way to Guide Human Movements»

[11] arXiv 2025 — LLM + EMS para aprendizaje de habilidades

«Hand by Hand: LLM Driving EMS Assistant for Operational Skill Learning»

https://arxiv.org/pdf/2508.06000

[12] ElectricAuth — UChicago / CHI 2021

Autenticación biométrica mediante EMS

https://sandlab.cs.uchicago.edu/electricauth

[13] Wikipedia — Estimulación eléctrica muscular (contexto técnico)

https://en.wikipedia.org/wiki/Electrical_muscle_stimulation

[14] Medical News Today — EMS en medicina y rehabilitación

https://www.medicalnewstoday.com/articles/electrical-muscle-stimulation

Artículo de divulgación científica elaborado con fines informativos.

Todas las afirmaciones están basadas en fuentes académicas, periodísticas

y técnicas verificadas públicamente.

MIT Media Lab · MIT Hard Mode 2026 · Claude API (Anthropic) ·

Human Computer Integration Lab UChicago

Continue Reading

Actualidad

CENTAUR: LA IA QUE PIENSA, DECIDE Y PREDICE COMO UN SER HUMANO

Publicado

on

Centaur es un modelo de inteligencia artificial capaz de simular el comportamiento
humano con una precisión sin precedentes. A diferencia de los modelos cognitivos
tradicionales —que solo podían explicar o predecir el pensamiento, pero no ambas
cosas a la vez— Centaur combina ambas capacidades en un único sistema. Fue
entrenado sobre el dataset Psych-101, una colección de más de 10 millones de
decisiones humanas reales, y sus resultados fueron publicados en la revista
científica Nature.

Publicado en Nature, julio 2025 seguimos la evolución del proyecto

Helmholtz Munich — Institute for Human-Centered AI
Dr. Marcel Binz & Dr. Eric Schulz

CIFRAS CLAVE

+10.000.000 decisiones humanas en el dataset de entrenamiento
60.000 participantes humanos en los experimentos
160 experimentos psicológicos distintos
Nature revista donde fue publicado (julio 2025)

¿QUÉ ES CENTAUR Y POR QUÉ ES REVOLUCIONARIO?

Durante décadas, la psicología cognitiva se enfrentó a una disyuntiva que parecía
irresoluble: los modelos que explicaban cómo piensa la mente humana no lograban
predecir con precisión cómo se comporta en situaciones nuevas. Y los modelos
predictivos, a su vez, eran opacos e imposibles de interpretar. Eran mundos
separados.

Centaur llega para romper esa barrera. Desarrollado por el equipo del Dr. Marcel
Binz y el Dr. Eric Schulz en el Institute for Human-Centered AI de Helmholtz
Munich, este modelo de lenguaje fue entrenado de forma especializada sobre el
dataset Psych-101 —una colección sin precedentes de más de 10 millones de
decisiones individuales tomadas por más de 60.000 personas en 160 experimentos
psicológicos— y sus capacidades superaron a todos los modelos cognitivos
anteriores.

«Hemos creado una herramienta que permite predecir el comportamiento humano en
cualquier situación descrita en lenguaje natural — como un laboratorio virtual.»
— Dr. Marcel Binz, investigador principal del proyecto

Lo que hace a Centaur verdaderamente singular no es solo su precisión en tareas
conocidas, sino su capacidad de generalizar: puede predecir cómo se comportaría
una persona en situaciones completamente nuevas que el modelo nunca ha visto
antes. Identifica patrones de toma de decisiones, se adapta a contextos
cambiantes, y —algo que sorprendió incluso a sus creadores— predice con notable
exactitud los tiempos de reacción de los participantes humanos.

EL DATASET PSYCH-101: LA COLUMNA VERTEBRAL DEL PROYECTO

Ningún modelo es más poderoso que los datos sobre los que fue entrenado. En el
caso de Centaur, el equipo no recurrió a datos existentes: construyó desde cero
Psych-101, un dataset específicamente diseñado para capturar la diversidad y
complejidad del comportamiento humano.

Los experimentos cubren cuatro grandes áreas:

[1] TOMA DE RIESGOS
Experimentos sobre cómo las personas evalúan y asumen riesgos en
distintos contextos.

[2] APRENDIZAJE POR RECOMPENSA
Cómo los humanos ajustan su comportamiento ante refuerzos positivos
y negativos.

[3] DILEMAS MORALES
Decisiones éticas complejas en las que valores y consecuencias entran
en tensión.

[4] CONTROL EJECUTIVO
Capacidad de inhibir respuestas automáticas y actuar según objetivos
deliberados.

Cada uno de los experimentos fue procesado y estandarizado manualmente por el
equipo para asegurarse de que el modelo pudiera interpretarlos en lenguaje
natural. El resultado es una base de datos sin equivalente en la historia de
la ciencia cognitiva computacional.

HALLAZGOS CLAVE: LO QUE REVELÓ CENTAUR

ALINEACIÓN CON LA ACTIVIDAD CEREBRAL HUMANA

Uno de los hallazgos más sorprendentes fue confirmado mediante estudios de
neuroimagen (fMRI): las representaciones internas de Centaur se alinean mejor
con la actividad cerebral humana real que las del modelo base sobre el que fue
entrenado —Llama 3.1 70B— incluso aunque Centaur fue entrenado exclusivamente
con datos conductuales, sin acceso a ninguna información neurológica directa.

DATO DESTACADO: Centaur fue el primer modelo de lenguaje que superó tanto al
LLM base como a los modelos cognitivos específicos de dominio en todos los
experimentos de evaluación, incluyendo tareas completamente nuevas que nunca
había visto durante el entrenamiento.

PREDICCIÓN DE TIEMPOS DE REACCIÓN

Predecir cuánto tarda una persona en responder a un estímulo es una de las
tareas más complejas de la psicología experimental, porque refleja procesos
cognitivos profundos como la atención, la carga de procesamiento y la
incertidumbre. Centaur logra predecir estos tiempos con una precisión que
ningún modelo anterior había alcanzado.

GENERALIZACIÓN A CONTEXTOS NUEVOS

A diferencia de los modelos tradicionales, entrenados para resolver tipos
específicos de tareas, Centaur puede trasladar su comprensión a situaciones
nuevas: contextos modificados, estructuras de tareas alteradas o dominios
completamente distintos. Esto lo convierte en el primer modelo cognitivo
verdaderamente generalista.

IMPLICANCIAS CIENTÍFICAS Y CLÍNICAS

El alcance de Centaur va mucho más allá de un logro académico. Sus aplicaciones
potenciales son amplias y transformadoras:

[SALUD MENTAL]
Simular cómo toman decisiones personas con depresión, ansiedad u otros
trastornos para diseñar mejores tratamientos.

[INVESTIGACIÓN COGNITIVA]
Detectar las limitaciones de modelos psicológicos clásicos y sugerir mejoras
teóricas basadas en evidencia.

[CONTEXTOS CLÍNICOS]
Herramienta de diagnóstico auxiliar que modela patrones de decisión
individuales en entornos médicos.

[CIENCIAS AMBIENTALES Y SOCIALES]
Modelar comportamientos colectivos frente a cambio climático, políticas
públicas y dinámicas sociales.

El Dr. Schulz sintetiza la visión del equipo: el objetivo no es reemplazar la
psicología clínica, sino darle a los investigadores un «laboratorio virtual»
capaz de simular millones de escenarios sin necesidad de realizar experimentos
físicos con participantes humanos. Esto aceleraría drásticamente el ciclo de
la investigación científica.

EL CONTEXTO ÉTICO: CIENCIA PÚBLICA VS. INTERESES COMERCIALES

Un aspecto que el equipo subraya explícitamente es que este trabajo se desarrolla
en un entorno de investigación pública, no en los laboratorios de una empresa
tecnológica. Esto tiene implicancias concretas:

«Combinamos investigación en IA con teoría psicológica y un compromiso ético
claro. En un entorno de investigación pública, tenemos la libertad de perseguir
preguntas cognitivas fundamentales que a menudo no son el foco de la industria.»
— Dr. Marcel Binz

El modelo fue construido sobre Llama 3.1 70B (de Meta, de código abierto) y
está diseñado para ser ejecutado localmente, lo que garantiza la soberanía de
los datos y permite auditorías independientes. En un campo donde los modelos más
poderosos son caja negra y propiedad privada, Centaur representa una alternativa
transparente y controlable.

¿QUÉ VIENE DESPUÉS? LA HOJA DE RUTA DEL EQUIPO

PRÓXIMO PASO — Expansión de Psych-101
Incorporar características demográficas individuales, diferencias psicológicas
y nuevos dominios cognitivos al dataset, para que el modelo pueda simular
personas específicas, no solo comportamiento promedio.

INVESTIGACIÓN EN CURSO — Interpretabilidad interna
Analizar qué patrones computacionales dentro de Centaur corresponden a procesos
cognitivos específicos. ¿Es posible «ver» la atención, la memoria de trabajo o
la toma de riesgos dentro del modelo?

OBJETIVO A LARGO PLAZO — Teoría unificada de la cognición
El objetivo final de Binz es desarrollar modelos que no solo simulen
comportamientos en dominios específicos, sino que ofrezcan una visión integral
y unificada de cómo funciona la mente humana como sistema total.

2025 — PUBLICADO EN PNAS
El equipo también publicó en Proceedings of the National Academy of Sciences
un análisis sobre cómo el avance de los LLMs debería transformar el método
científico en psicología y ciencias cognitivas.

EL DESAFÍO DE CENTAUR: CRÍTICAS Y LIMITACIONES

El campo académico no recibió a Centaur sin debate. En diciembre de 2025,
investigadores publicaron en National Science Open un análisis crítico que
sugiere que el modelo podría estar memorizando patrones de los experimentos
en lugar de desarrollar una comprensión genuina de las instrucciones. Esta
distinción —memorización vs. comprensión— es central para evaluar si Centaur
realmente «piensa» o simplemente reproduce asociaciones estadísticas muy
sofisticadas.

El equipo de Helmholtz reconoce que la interpretabilidad interna es precisamente
la próxima gran pregunta por responder, lo que convierte este debate científico
en un motor, no en un obstáculo, para la investigación futura.

FUENTES Y REFERENCIAS

[1] Publicación original en Nature — Helmholtz Munich
Binz et al. (2025). A foundation model to predict and capture human cognition.
https://www.nature.com/articles/s41586-025-09215-4

[2] Nota oficial de Helmholtz Munich
«AI That Thinks Like Us – and Could Help Explain How We Think»
https://www.helmholtz-munich.de/en/hca/news-detail/ai-that-thinks-like-us-and-could-help-explain-how-we-think

[3] Sitio personal del investigador principal
Marcel Binz — Staff Scientist, Helmholtz Munich
https://marcelbinz.github.io/

[4] TechXplore — Cobertura científica
«Centaur: AI that thinks like us — and could help explain how we think»
https://techxplore.com/news/2025-07-centaur-ai.html

[5] SciTechDaily — Análisis crítico posterior
«Did Scientists Overestimate AI’s Ability To Think Like Humans?»
https://scitechdaily.com/did-scientists-overestimate-ais-ability-to-think-like-humans/

[6] New York Times — Cobertura mediática internacional
«Scientists Use A.I. to Mimic the Mind, Warts and All»
https://www.nytimes.com/2025/07/02/science/ai-psychology-mind.html

[7] AI Revolution / PoltextLab — Análisis del modelo
«Centaur: The AI Model That Thinks Like a Human?»
https://airevolution.poltextlab.com/centaur-the-ai-model-that-thinks-like-a-human/

[8] Binz & Schulz (2023) — Investigación precursora
«Using cognitive psychology to understand GPT-3» — PNAS
https://marcelbinz.github.io/imgs/Binz2023GPT3.pdf


Artículo de divulgación científica elaborado con fines informativos.
Todas las afirmaciones están basadas en fuentes académicas y periodísticas
verificadas.

Helmholtz Munich · Nature 2025 · Dr. Marcel Binz · Dr. Eric Schulz

Continue Reading

TENDENCIAS