Los últimos avances de la IA: ¿Qué hay de nuevo y qué sigue?

La inteligencia artificial (IA) sigue creciendo en importancia, gracias a su gran potencial para revolucionar industrias.

Esta simulación de la inteligencia humana en máquinas, después de todo, aporta beneficios como mayor eficiencia y productividad, mayor precisión y toma de decisiones, nuevas oportunidades laborales y una mejor experiencia del cliente.

Como resultado, la IA se ha convertido en un motor clave del crecimiento empresarial, con más del 70 % de las compañías adoptándola. Las estimaciones indican que el mercado global de IA podría alcanzar billones para 2030, impulsado por una mayor inversión y avances tecnológicos.

Solo este año, hemos visto desarrollos masivos: OpenAI presentó un agente de investigación profunda con una tasa de precisión superior al 25 % en el benchmark Humanity's Last Exam; DeepSeek lanzó DeepSeek‑R1, que utiliza razonamiento en cadena de pensamiento; Baidu lanzó Ernie X1 y Ernie 4.5; y Stability AI reveló un nuevo modelo, Stable Virtual Camera, que permite convertir fotos en escenas 3D.

Mientras tanto, Google está colaborando con MediaTek de Taiwán para desarrollar la próxima generación de Unidades de Procesamiento Tensor (TPU) con el fin de reducir los costos de producción y la dependencia de los socios actuales. Al mismo tiempo, un consorcio compuesto por OpenAI, Oracle (ORCL ), SoftBank y MGX anunció el Proyecto Stargate en colaboración con el gobierno de EE. UU.

La semana pasada, Nvidia (NVDA ) anunció una nueva línea de “supercomputadoras personales de IA” impulsadas por su plataforma de chips Grace Blackwell. El CEO Jensen Huang presentó DGX Spark y DGX Station en GTC 2025 para permitir a los usuarios prototipar, afinar y ejecutar modelos de IA de varios tamaños en el edge.

Así que, ahora, echemos un vistazo a algunos de los avances clave más recientes que los investigadores han logrado mediante IA en diferentes sectores.

Haga clic aquí para saber si la IA es solo hype o si hay sustancia en su crecimiento.

IA resolviendo sus propios desafíos de aprendizaje

La IA no solo está transfiriendo a otros sectores, sino que también está contribuyendo a sí misma al permitir el desarrollo de sistemas de IA más sofisticados mediante avances en análisis de datos, aprendizaje automático y automatización, lo que conduce a un procesamiento más rápido, predicciones más precisas y una mejor toma de decisiones.

Este mes, los investigadores presentaron componentes memristivos novedosos que son mucho más robustos, pueden operar tanto en modo analógico como digital y funcionan en un rango de voltaje más amplio.

Estas características pueden ayudar a abordar el “olvido catastrófico”, que ocurre cuando las redes neuronales artificiales olvidan lo que habían aprendido previamente. Esto suele suceder cuando las redes neuronales profundas (DNN), diseñadas para imitar el cerebro humano, se entrenan para una nueva tarea y la nueva optimización sobrescribe lo aprendido antes.

Nuestro cerebro no tiene este problema, gracias a su capacidad de ajustar el grado de cambio sináptico. Además, se sospecha que los diferentes grados de plasticidad permiten que nuestro cerebro aprenda permanentemente cosas nuevas sin olvidar las anteriores. Los investigadores han logrado algo similar con su nuevo memristor.

Los memristores se comportan de manera muy similar a las células cerebrales y consumen extremadamente poca energía. Como tipo de dispositivo de memoria de conmutación de resistencia, los memristores pueden cambiar su resistencia según el voltaje aplicado. Incluso después de que el voltaje se apaga, su valor de resistencia permanece debido a su capacidad de sufrir cambios estructurales.

Según Ilia Valov del Peter Grünberg Institute (PGI-7) en Forschungszentrum Jülich, quien lideró la investigación:

“Los elementos memristivos se consideran candidatos ideales para componentes informáticos neuro‑inspirados con capacidad de aprendizaje, modelados a partir del cerebro.”

Aunque se han logrado avances sustanciales, la comercialización de los componentes avanza mucho más lentamente debido a la alta tasa de fallos en la producción, la corta vida útil del producto y la sensibilidad a influencias mecánicas que pueden provocar fallos durante su funcionamiento.

Esto requiere investigar un mejor control de los procesos a nanoescala, así como nuevos materiales y mecanismos de conmutación para reducir la complejidad de los sistemas y ampliar su gama de funcionalidades, dijo Valov.

Con este mismo propósito, científicos alemanes y chinos se unieron y “descubrieron un mecanismo memristivo electroquímico fundamentalmente nuevo que es químicamente y eléctricamente más estable”, lo que ampliará el horizonte de las aplicaciones en neurociencia.

Haga clic aquí para saber cómo los chips cerebrales habilitados por IA liderarán el próximo salto en la evolución humana.

Avance del memristor para el aprendizaje continuo de la IA

Publicado en la revista Nature Communications¹, el estudio identificó dos mecanismos principales para el funcionamiento de los memristores bipolares:

1. Electrochemical Metallization (ECM)
2. Valence Change Mechanism (VCM)

Los memristores ECM forman un filamento metálico entre los dos electrodos. Este diminuto “puente conductor” cambia la resistencia eléctrica y se disuelve al invertir el voltaje. Aunque permite voltajes de conmutación bajos y tiempos de conmutación rápidos, los estados generados son variables y de corta duración.

Los memristores VCM cambian la resistencia mediante el movimiento de iones de oxígeno en la interfaz entre el electrodo y el electrolito, alterando la barrera de Schottky. Aunque son comparativamente estables, esto requiere voltajes de conmutación altos.

Con cada proceso teniendo sus propias ventajas y desventajas, el equipo diseñó un memristor combinando los beneficios de ambos tipos, lo que no se creía posible.

Así, el nuevo memristor utiliza un filamento hecho de óxidos metálicos (en lugar de ser totalmente metálico como el ECM), que se forma mediante el movimiento de iones de oxígeno y tantalio. Es muy estable y nunca se disuelve por completo.

“Puedes pensar en él como un filamento que siempre existe en cierta medida y solo se modifica químicamente.”

– Valov

El nuevo y robusto mecanismo de conmutación se denomina mecanismo de modificación de conductividad del filamento (FCM). Los componentes basados en este mecanismo son más resistentes a altas temperaturas, requieren voltajes más bajos para producirse, tienen una ventana de voltaje más amplia y son químicamente y eléctricamente más estables. Su vida útil también es mayor porque menos componentes se queman durante la producción, lo que reduce la tasa de rechazo.

Los diferentes estados de oxidación también permiten que el memristor opere tanto en modos binario como analógico, lo que puede ayudar a superar el problema del “olvido catastrófico”.

Valov explicó que las “propiedades únicas” del nuevo memristor óhmico de dos terminales “permiten el uso de diferentes modos de conmutación para controlar la modulación del memristor de manera que la información almacenada no se pierda.”

Los investigadores ya han implementado el nuevo componente memristivo en un modelo de red neuronal artificial en una simulación, logrando altas precisiones de reconocimiento de patrones en varios conjuntos de datos de imágenes.

El equipo ahora explorará otros materiales que podrían ser aún mejores y más estables. Valov confía en que sus “resultados impulsarán aún más el desarrollo de electrónica para aplicaciones de ‘computación en memoria’.”

Ahora, una de las principales compañías en el ámbito de la IA es Microsoft Microsoft (MSFT ), que ha invertido 12 mil millones de dólares en OpenAI, creador de ChatGPT, y ofrece productos de IA como Copilot, Azure AI Studio y herramientas impulsadas por IA dentro de Microsoft 365, Dynamics 365 y Power Platform. Las acciones del gigante tecnológico, con una capitalización de mercado de 2,9 billones de dólares, cotizan actualmente a $394.58, con una caída del 7.17 % en lo que va del año. Para el trimestre que terminó el 31 de diciembre de 2024, informó un aumento del 12 % en los ingresos, alcanzando 69.6 mil millones de dólares y un BPA diluido de 3.23 dólares.

Según el CEO de Microsoft, Satya Nadella:

“Estamos innovando en toda nuestra pila tecnológica y ayudando a los clientes a desbloquear el ROI total de la IA para capturar la enorme oportunidad que se avecina. Ya, nuestro negocio de IA ha superado una tasa de ingresos anual de 13 mil millones de dólares, un 175 % más año tras año.”

Novedades sobre Microsoft

IA en la salud, mejorando el diagnóstico de Parkinson

En el sector de la salud, la IA está ayudando a reducir costos y lograr mejores resultados para los pacientes al mejorar el diagnóstico, el tratamiento y la atención mediante la detección de enfermedades, la medicina personalizada y una mayor eficiencia en las tareas administrativas.

Ahora, la IA ayudará a los clínicos a diagnosticar diferencialmente la enfermedad de Parkinson y condiciones relacionadas de forma más rápida y con mayor precisión.

El diagnóstico de la enfermedad de Parkinson actualmente se sitúa entre el 55 % y el 78 % en los primeros cinco años de evaluación, en parte debido a que los trastornos del movimiento hermanos comparten similitudes, lo que puede dificultar un diagnóstico definitivo al principio.

Sin embargo, un nuevo modelo de IA desarrollado por investigadores de la Universidad de Florida y del UF Health Norman Fixel Institute for Neurological Diseases ostenta una tasa de precisión superior al 96 %.

Como señaló el estudio, aplicar un enfoque basado en imágenes para diagnosticar y diferenciar entre la enfermedad de Parkinson (PD), la parálisis supranuclear progresiva (PSP) y la atrofia multisistémica (MSA) de variantes parkinsonianas ha sido particularmente desafiante. Sin embargo, datos recientes han demostrado que es posible con resonancia magnética ponderada por difusión combinada con algoritmos de aprendizaje automático (ML) específicos de la enfermedad.

El estudio, financiado por los Institutos Nacionales de Salud y publicado en JAMA Neurology², detalló el Automated Imaging Differentiation for Parkinsonism (AIDP), un software automatizado de procesamiento de resonancia magnética y ML que presenta una técnica de biomarcador no invasiva.

Los fabricantes de resonancia magnética, David Vaillancourt, profesor del Departamento de Fisiología Aplicada y Kinesiología de la UF, señalaron que no se comunican entre sí debido a la competencia del mercado y utilizan su propio software y secuencias.

Así, los investigadores “desarrollaron un software novedoso que funciona en todos ellos”. La herramienta ayudará a los médicos a aumentar su eficacia diagnóstica entre diferentes trastornos, dijo Vaillancourt.

Mientras que la resonancia magnética ponderada por difusión en AIDP ayuda a identificar dónde ocurre la neurodegeneración midiendo cómo se difunden las moléculas de agua en el cerebro, el algoritmo analiza la imagen cerebral para proporcionar los resultados.

El algoritmo ha sido rigurosamente probado contra diagnósticos clínicos presenciales y se ha llevado a cabo en 21 sitios, incluidos dos en Canadá y 19 en EE. UU.

“Este es un caso en el que la innovación entre la tecnología y la inteligencia artificial ha demostrado mejorar la precisión diagnóstica, brindándonos la oportunidad de mejorar aún más el tratamiento de los pacientes con enfermedad de Parkinson.”

– Michael Okun, M.D., director del Norman Fixel Institute for Neurological Diseases en UF Health.

Los investigadores ahora buscan obtener la aprobación de la Administración de Alimentos y Medicamentos de EE. UU (FDA).

Uso de IA para predecir el riesgo cardiovascular mediante mamografías

Otro modelo de aprendizaje profundo mostró potencial para predecir el riesgo cardiovascular basándose en imágenes de mamografías, una herramienta importante de detección de cáncer. Este estudio separado, presentado en la Sesión Científica Anual del American College of Cardiology (ACC), combina el poder de la IA con las mamografías para analizar la acumulación de calcio en las arterias dentro del tejido mamario.

La acumulación de calcio en los vasos sanguíneos es un signo de daño cardiovascular asociado al envejecimiento o a una enfermedad cardíaca en etapa temprana. Las mujeres con acumulación de calcio en las arterias, según estudios previos, enfrentan un 51 % mayor riesgo de enfermedad cardíaca y accidente cerebrovascular.

A pesar de ser una de las principales causas de muerte en EE. UU, las enfermedades cardíacas en mujeres siguen estando subdiagnosticadas, lo que podría cambiar con herramientas de detección mediante mamografías impulsadas por IA que aprovechan mejor las pruebas que muchas mujeres reciben rutinariamente.

En EE. UU, se realizan aproximadamente 40 millones de mamografías al año. Estas radiografías se utilizan para la detección del cáncer de mama. Aunque estas imágenes muestran calcificaciones de las arterias mamarias, la información no se informa a los pacientes ni a sus médicos.

El nuevo estudio utilizó una técnica de análisis de imágenes con IA no utilizada previamente en mamografías para demostrar que la tecnología puede ayudar a cubrir esta brecha al evaluar automáticamente la calcificación y luego proporcionar una valoración del riesgo cardiovascular. Según el autor principal del estudio, Theo Dapamede, MD, PhD, y becario postdoctoral en la Universidad Emory en Atlanta:

“Vemos una oportunidad para que las mujeres se realicen una detección de cáncer y, además, obtengan una evaluación cardiovascular a partir de sus mamografías. Nuestro estudio mostró que la calcificación arterial mamaria es un buen predictor de enfermedad cardiovascular, especialmente en pacientes menores de 60 años. Si podemos detectar e identificar a estos pacientes temprano, podemos derivarlos a un cardiólogo para una evaluación de riesgo adicional.”

Para crear la herramienta, los investigadores entrenaron un modelo de IA para segmentar los vasos calcificados en imágenes de mamografías. El modelo luego utiliza esos píxeles brillantes para calcular el riesgo de eventos cardiovasculares futuros basándose en los datos de más de 56 000 pacientes. 

“Los avances en aprendizaje profundo e IA han hecho mucho más factible extraer y utilizar más información de las imágenes para informar la detección oportunista.”

– Dapamede

Los hallazgos del estudio demostraron que el nuevo modelo funcionó bien al identificar el riesgo cardiovascular de pacientes con riesgo bajo, moderado o severo basándose en imágenes de mamografías.

Según ellos, la tasa de eventos cardiovasculares graves aumenta con el nivel de calcificación arterial mamaria en mujeres menores de 60 años y en aquellas entre 60 y 80 años, después de calcular el riesgo de muerte por infarto agudo, accidente cerebrovascular o cualquier causa a los dos y cinco años.

Esto hace que la herramienta sea particularmente adecuada para proporcionar una alerta temprana del riesgo de enfermedad cardíaca en mujeres más jóvenes, permitiendo intervenciones tempranas.

Los resultados del estudio también demuestran que quienes tenían el nivel más alto de calcificación arterial mamaria, superior a 40 mm², presentaron una tasa de supervivencia libre de eventos a cinco años considerablemente menor que quienes tenían el nivel más bajo, por debajo de 10 mm².

El siguiente paso de los investigadores es obtener la aprobación de la FDA y ponerla a disposición para un uso más amplio. En el futuro, también se planea explorar el uso de modelos de IA similares para analizar biomarcadores de otras condiciones, como la enfermedad renal, que podrían extraerse de las mamografías.

Ahora, en lo que respecta a las compañías que impulsan la IA en la salud, GE HealthCare Technologies (GEHC ) está fuertemente invertida en la tecnología e integrándola en sus productos para mejorar la atención al paciente y optimizar los flujos de trabajo de los clínicos. Las acciones de la compañía, con una capitalización de mercado de 37,26 mil millones de dólares, cotizan actualmente a 81,49 dólares, con un aumento del 4,23 %. En el cuarto trimestre de 2024, sus ingresos aumentaron un 2 % a 5,3 mil millones de dólares, mientras que el BPA diluido fue de 1,57 dólares.

Novedades sobre GE Healthcare Technologies

IA en la ciencia de materiales: optimizando los procesos de crecimiento de películas delgadas

La ciencia de materiales es fundamental para los avances modernos, ya que permite el desarrollo de nuevos materiales y la mejora de los existentes. La IA en este campo está contribuyendo al acelerar el descubrimiento y diseño de nuevos materiales, optimizar los existentes y mejorar los procesos de fabricación.

Investigadores de la Universidad de Ciencia de Tokio (TUS), liderados por el profesor Masato Kotsugi, han utilizado ahora la IA para optimizar los procesos de crecimiento de películas delgadas prediciendo el crecimiento dendrítico en ellas.

Estos procesos juegan un papel clave en el desarrollo de dispositivos semiconductores, tecnologías de comunicación y tecnologías de sensores.

Actualmente, las películas delgadas se fabrican depositando pequeñas capas de materiales sobre un sustrato. Sin embargo, para aprovechar al máximo el rendimiento de los dispositivos de película multicapa, el sustrato debe fabricarse con precisión, ya que influye considerablemente en la configuración estructural, lo que a su vez afecta su función y rendimiento.

Sin embargo, las estructuras están significativamente influenciadas por condiciones del proceso de crecimiento como la composición, la atmósfera y los defectos superficiales. Durante el proceso de crecimiento de fabricación a gran escala, importante para su aplicación comercial, surge un obstáculo importante en forma de estructuras dendríticas.

Estos patrones ramificados en forma de árbol reducen la planitud de las películas delgadas y se observan comúnmente en materiales como grafeno, cobre y borofeno, especialmente en la etapa inicial de crecimiento y en películas multicapa.

Dado que la microestructura influye directamente en el rendimiento del dispositivo, es fundamental reducir la formación dendrítica. Para ello, primero debemos comprender la condición que causa la ramificación dendrítica. Los métodos existentes para estudiar dendritas, sin embargo, dependen de un análisis visual simple y de una interpretación subjetiva, lo que requiere considerable prueba y error.

Para abordar estos problemas, los investigadores construyeron un modelo de IA para analizar estructuras dendríticas. El método innovador integra aprendizaje automático (ML) y homología persistente (PH) con análisis de energía para conectar la estructura y el proceso en el crecimiento dendrítico.

“Nuestro enfoque brinda nuevas ideas sobre los mecanismos de crecimiento y ofrece una vía poderosa y basada en datos para optimizar la fabricación de películas delgadas.”

– Prof. Kotsugi

Combinando IA, PH y análisis de energía para estudiar el crecimiento dendrítico

Publicado en Science and Technology of Advanced Materials: Methods³, el estudio detalla el modelo que utiliza homología persistente (PH) para capturar las complejas características topológicas de las microestructuras dendríticas, a menudo pasadas por alto por las técnicas tradicionales de procesamiento de imágenes.

Mientras que la PH permite la evaluación multiescala de huecos y conexiones dentro de estructuras geométricas, la técnica de ML de análisis de componentes principales (PCA) ayudó a reducir las características esenciales de la morfología dendrítica extraídas mediante PH a un espacio 2D.

Esto ayudó al equipo a cuantificar los cambios estructurales en las dendritas y a establecer una relación entre dichos cambios y la energía libre en el material que influye en la forma en que se forman las dendritas.

Al evaluar esta relación, el equipo descubrió las condiciones particulares y los mecanismos de crecimiento ocultos que afectan la ramificación dendrítica.

“Nuestro marco mapea cuantitativamente la morfología dendrítica a variaciones de energía libre de Gibbs, revelando gradientes de energía que impulsan el comportamiento de ramificación.”

– Kotsugi

El equipo luego estudió el crecimiento de dendritas en un sustrato de cobre (Cu) hexagonal y comparó los resultados con datos de simulaciones de campo de fase para validar su enfoque. Kotsugi señaló:

“Al integrar topología y energía libre, nuestro método ofrece un enfoque versátil para el análisis de materiales. A través de esta integración, podemos establecer una conexión jerárquica entre microestructuras a escala atómica y funcionalidades macroscópicas en una amplia gama de materiales, allanando el camino para futuros avances en la ciencia de materiales.”

Este método, según él, puede conducir al desarrollo de dispositivos de película delgada de alta calidad para comunicaciones de alta velocidad más allá de 5G y a avances en materiales de alto rendimiento, física fuera del equilibrio y tecnología de sensores.

Ahora, si observamos un nombre destacado en el campo de la ciencia de materiales que está utilizando IA para innovar, Applied Materials (AMAT ) se encuentra entre los líderes. Aprovecha la IA para mejorar la fabricación de chips semiconductores a través de su plataforma AI(x), ExtractAI y el sistema SEMVision™ H20. Las acciones de la compañía, con una capitalización de mercado de 123,6 mil millones de dólares, cotizan actualmente a 151 dólares, con una caída del 6,5 % en lo que va del año. Para el primer trimestre de 2025, informó un aumento del 7 % en los ingresos, alcanzando 7,17 mil millones de dólares, mientras que el BPA GAAP fue de 1,45 dólares y el BPA no GAAP de 2,38 dólares.

“El impulso de la industria por acelerar el desarrollo de computación avanzada y IA más sofisticada está ganando impulso. Applied Materials está habilitando las principales inflexiones de arquitectura de dispositivos críticas para una IA energéticamente eficiente, y nuestro enfoque en la co‑innovación de alta velocidad crea oportunidades de colaboración únicas con nuestros clientes y socios, posicionando a Applied para un crecimiento continuo y un rendimiento superior en los próximos años.”

– CEO Gary Dickerson el mes pasado

Novedades sobre Applied Materials

Conclusión

La IA ya está transformando empresas en todos los sectores. El rápido ritmo de la innovación está ofreciendo soluciones revolucionarias a sus desafíos de larga data. Con estos avances, que van desde la ciencia de materiales, el diagnóstico médico y los supercomputadores personales hasta soluciones para los propios desafíos de aprendizaje de la IA, estamos entrando en una era que promete una transformación sin precedentes.

A medida que la IA sigue evolucionando, su capacidad para impulsar la productividad, mejorar la toma de decisiones y abrir nuevas fronteras la convierte en una de las fuerzas más poderosas que moldean el futuro.

Haga clic aquí para aprender todo sobre la inversión en inteligencia artificial (IA).