Mi propia forma de seguirle el paso al avance de la IA (y por qué tú también deberías hacerlo)

 (blog.nilenso.com)
87 puntos por GN⁺ 2025-07-21 | 5 comentarios | Compartir por WhatsApp
  • La IA generativa es la tecnología que evoluciona más rápido, y tanto subestimarla como sobreestimarla es peligroso
  • Seguir de forma constante fuentes con autoridad y expertos confiables es indispensable
  • Se recomienda una canalización de información equilibrada como Simon Willison’s Blog, Andrej Karpathy, Every’s Chain of Thought
  • Los anuncios oficiales de laboratorios de IA, blogs de ingeniería y papers son esenciales para entender el progreso real de la tecnología y sus límites
  • Con canales diversos como Twitter/X, curación de noticias y listas de expertos, es posible acceder tanto a las tendencias más recientes como a análisis profundos

Introducción: malentendidos sobre la IA y contaminación informativa

  • La IA generativa es la tecnología que avanza más rápido que el autor ha visto en su vida
  • Pero también están muy extendidos los malentendidos sobre la IA, y el entorno informativo en sí es extremadamente caótico
  • Ya existen casos reales en los que empresas, gobiernos o personas que no entienden suficientemente esta tecnología la usan mal o provocan daños graves
  • Existen malentendidos en ambos extremos: subestimarla (tratarla como “una moda pasajera”) o sobreestimarla (“ya no se necesitarán programadores”)
  • La raíz de estas confusiones es la falta de una comprensión correcta de la tecnología

Enfoque para adquirir información sobre IA

  • Entender correctamente la información relacionada con IA no es tan fácil como parece
  • Vivimos en un entorno donde estamos expuestos de forma cotidiana a información distorsionada, exagerada o reprimida
  • Si no se filtra la información de forma intencional y sistemática, existe alto riesgo de quedar expuesto a errores, exageraciones y distorsiones
  • El autor ha construido una canalización de información equilibrada que le ha sido útil, y la recomienda como un buen punto de partida para principiantes

Principios generales para informarse

  • Es importante consultar información lo más cercana posible a la fuente original
    • Hay que revisar como fuentes primarias los anuncios oficiales de los laboratorios de IA y las opiniones de figuras clave
    • Hace falta una actitud de no confiar ciegamente en coberturas de segunda o tercera mano
  • También hay que buscar activamente y apoyarse en los comentarios de expertos confiables

Puntos de partida recomendados

Every’s Chain of Thought

Cómo monitorear materiales oficiales de laboratorios de IA

Expertos en IA e ingenieros prácticos a seguir

  • La información de expertos que crean herramientas open source y tienen experiencia práctica en ingeniería de IA muchas veces resulta más útil en la práctica que las guías oficiales

Figuras y blogs recomendados

Uso de noticias/medios y comunidades de IA

Comunidades para discusión profunda y materiales sobre IA

Formas prácticas de informarse

  • No hace falta seguir perfectamente todas las fuentes; una forma práctica es leer el feed de Twitter como si fuera el periódico
  • Si se encuentra un texto interesante, también se recomienda seguir a su autor y revisar sus otros trabajos, expandiendo así la exploración
  • Es una forma de explorar información parecida a como antes se descubría música
  • Si se aborda como una exploración intelectual divertida, puede convertirse en placer y no en obligación

Conclusión y lista recomendada

  • A través de la lista de Twitter/X incluida, es posible seguir de una sola vez a los expertos y practicantes mencionados arriba
  • Próximamente también se añadirá una lista en formato RSS

Ir directamente a la lista de Twitter

Lecturas relacionadas

5 comentarios

 
GN⁺ 2025-07-21
Comentarios de Hacker News

  • Creo que si entiendes de forma básica cómo funcionan los LLM, no hace falta seguir todo el flujo constante de contenido de PR, blogueros, líderes de la industria y pensadores de internet
    De hecho, si sigues esas entrevistas o textos, corres el riesgo de terminar persiguiendo modas raras que en realidad no ayudan
    En la práctica, las diferencias entre modelos solo han sido cuestión de unos cuantos años, pero no de diferencias esenciales grandes; actualmente la mayoría de los cambios ocurren en herramientas o trabajo de integración
    Hay que recordar siempre que los LLM al final son "modelos de texto" y se generan sin conocimiento subyacente; así puedes distinguir dónde son útiles y dónde no son adecuados

    • De verdad estoy de acuerdo con esta opinión; también sentí que la lista de "señales clave (high signal)" de ese blog en realidad está compuesta sobre todo por figuras de autopromoción (aunque claro, algunos sí son buenos), así que se siente más cercana al "buzz" que al insight
      Personalmente tampoco conecto mucho con la afirmación de que "la IA ha sido la tecnología que más rápido avanzó en toda mi vida"
      Yo viví la época en que SVM estaba de moda, cuando las "redes neuronales eran un chiste", y luego los más de 10 años en los que deep learning y varios frameworks de DL explotaron en cantidad
      En ese tiempo también hubo avances realmente drásticos en una década
      En la web pasó algo similar: JS era solo para complementar la UX y luego las single-page apps se volvieron el estándar
      El punto clave es que, a menos que vayas a entrar en una "lista de influencers clave", una estrategia mucho mejor es simplemente esperar con calma hasta que llegue el momento importante para ti
      Yo también ignoré durante 10 años todas las tendencias de desarrollo web desde la era de backbone.js, y cuando de verdad necesité React, estudié unos cuantos días y pude usarlo de inmediato
      Hace 5 años todo el mundo quería aprender a implementar LSTM, pero ahora ya quedó anticuado por culpa de los transformers
      Lo que he sentido durante toda mi carrera es que "moverse rápido" significa "no está maduro"
      De hecho, aprender modelos estadísticos más antiguos (como GLM) y cómo seguir usándolos de forma práctica da soluciones mucho más productivas en el trabajo real que andar persiguiendo el "prompt hack" de moda
    • Si entiendes más o menos la estructura de los LLM, casi todas las novedades sobre LLM caen en dos categorías
      La primera son herramientas nuevas que son un poco distintas de las existentes o tienen un rendimiento un poco mejor (si traen una función que no existía, puede valer la pena, pero la mayoría pronto queda obsoleta)
      Nombres como Kimi-K2 o GPT 4.1 podrían no ser mencionados por nadie dentro de unos meses
      La segunda es cuando de verdad se agrega una capacidad nueva al modelo
      Por ejemplo, RL (reinforcement learning), chain of thought, agentes de código que realmente funcionan, modelos multimodales de nivel top y conexiones inteligentes con herramientas
      Basta con poner atención cuando aparezcan esos grandes saltos
      En la práctica, con solo revisar publicaciones de HN con más de 500 puntos ya vas entendiendo naturalmente el flujo actual
      Creo que la mejor forma de aprender las capacidades reales de los LLM no es con blogs o videos, sino creando cosas tú mismo y enfrentándote directamente a los problemas
    • Totalmente de acuerdo. Siempre les insisto esto a mis estudiantes
      • 1. No se obsesionen demasiado con la experiencia ajena; concéntrense en su propia experiencia directa
      • 2. En vez de leer blogs, construyan una app ustedes mismos
      • 3. Como la experiencia de cada quien varía muchísimo, no sigan sin más lo que piensan otros
      • 4. No persigan ciegamente a investigadores o desarrolladores en Twitter o Substack (la mayoría está mostrando su escaparate)
      • 5. No desperdicien tiempo en ansiedad o FOMO; aprendan haciendo. Los cambios realmente importantes de todos modos los van a conocer tarde o temprano
      • 6. Conocer información es importante, pero no se apeguen de forma obsesiva a la información en sí. Hay que repartir el tiempo de manera inteligente. Siempre remarco este punto a mis estudiantes
    • En realidad esto también aplica al mundo de la investigación
      La investigación, por naturaleza, avanza 99% de forma incremental (y eso está bien; no hay que frustrarse por ello)
      La mayoría de los papers son más largos de lo necesario y, si los lees bien, con solo intuición matemática puedes predecir bastante (si entiendes la idea, más o menos anticipas el resultado)
      Es fácil sentir que el campo cambia rápido, pero en realidad no va tan rápido como parece
      Yo mismo me tomé un año por asuntos personales y, al volver, me di cuenta de que no había cambiado tanto
      Tener esta perspectiva te libera de la presión de "mantenerte al día"
      Si ahora te cuesta, eso solo significa que todavía te falta un poco de especialización, no que te hayas quedado atrás
      Igual que cualquiera debe aprender a correr para poder seguir aunque sea un paso detrás, esa prisa no es más que una preocupación dentro de mi cabeza
    • Cuando explico los LLM, la parte que más interesa no es la arquitectura sino la "predicción token por token (autoregresión)" y el hecho de que no necesariamente se elige el token con mayor probabilidad, sino que se hace un muestreo proporcional a esa probabilidad
      El algoritmo central real (la forma de predecir el siguiente token) no le dice mucho a la mayoría de quienes no son del área
      A nadie le importan detalles como dot product o embedding. Aunque se expliquen, cuesta que se queden y no ayudan demasiado

  • No hace falta seguir sí o sí las "últimas tendencias"; creo que conviene mantener un interés relajado e ir probando selectivamente solo las funciones o técnicas que de verdad mejoren mi eficiencia, acumulando solo lo que sí sirve (no confío mucho en cosas como "alguien recomendó X en X"). De hecho, pude aprender mucho escuchando a investigadores con una visión crítica del hype de la IA [https://x.com/burkov]. Ahora mismo hay demasiada exageración, cambio e incertidumbre. Si aparece una innovación real, seguro se va a escuchar en HN (o en la comunidad principal)

    • Usarlo tú mismo aunque sea unas horas vale mucho más como aprendizaje que pasarte horas leyendo materiales

  • Siento que el texto no explica bien el "por qué", así que el "cómo" de la lista no resulta convincente. Mi tiempo valioso puede usarse perfectamente en otra cosa

    • De verdad me pregunto si hace falta "mantenerse al día" con algo de forma constante. Las innovaciones que tienen significado práctico al final se masifican y terminan llegando naturalmente también a mí. Con Excel o Google Docs me pasó eso: al principio no me interesaban mucho, y aun después de que se masificaron pude aprenderlos y usarlos perfectamente bien. Salvo casos como una startup de IA a la que le queda muy poco runway y por eso sí hay una razón clara para correr, no hace falta desesperarse

  • Estoy suscrito al newsletter "Pragmatic Engineer" de Gergeley Orosz (últimamente con muchos temas de IA) y también reviso el Substack de Gary Marcus (con una mirada más escéptica sobre los LLM)
    https://newsletter.pragmaticengineer.com/
    https://substack.com/@garymarcus
    También sigo automáticamente noticias de paquetes de Python como Langchain y PydanticAI (ese tipo de proyectos refleja hasta cierto punto las tendencias reales de la industria). Ya no uso X (Twitter), pero gente como Simon Willison publica a veces también en BlueSky y Mastodon. Sebastian Raschka y Chip Huyen también publican en LinkedIn. Está todo disperso por muchos lados, pero al final terminas enterándote de la mayoría de las noticias importantes

  • Puede que yo mismo me haya perdido algo importante, pero las actualizaciones centrales y realmente significativas normalmente terminan mencionándose de forma natural en la portada o en los comentarios de HN

    • Intentar seguir el ritmo de la industria es como subirse a una caminadora que va a 140 km/h. Simplemente renuncié a correr en ella. Sí estoy de acuerdo en que la IA (sobre todo los LLM) no es una moda pasajera, pero ahora mismo el cambio es demasiado brusco. No pienso invertirle mucho tiempo hasta que de verdad me haga falta. Espero que en unos años el panorama de la industria esté más claro. Y aunque no sea así, al menos me habré ahorrado desperdiciar tiempo en tendencias que rápido dejan de tener sentido. Para referencia, actualmente no uso IA ni LLM en mi trabajo real para nada
    • Como las empresas han metido inversiones enormes y mucho R&D, en realidad no intentan ocultar su tecnología (es lo contrario del secretismo)
    • Yo enfrento así todas las tendencias del campo de TI en general

  • Si lo que quieres es seguir principalmente noticias de LLM y modelos de frontier AI, la lista recomendada es muy buena; más de la mitad son personas que yo también encontré por mi cuenta
    Estoy siguiendo una lista de cuentas de IA en X (Twitter), y en conjunto sigue siendo la fuente de información más sólida
    Algunos blogs y feeds RSS de podcasts también sirven bastante (si eres investigador, el RSS de papers en sí es imprescindible)
    Lo que yo agregaría es https://epoch.ai, en podcasts Dwarkesh Patel, en blogs Peter Wildeford, @omarsar0 (DAIR elvis), y seguir directamente a varios investigadores (aunque algunos son más para entretener que para informar)
    El entorno informativo de este campo está gravemente contaminado. Sobre todo si solo sigues medios como NYT, que lo tratan más desde la política, terminas con una visión sesgada e imprecisa
    Ojo: en áreas de ML no directamente relacionadas con IA generativa (por ejemplo, proteínas, genómica, modelos meteorológicos, investigación en diffusion o generación de imágenes, etc.), las fuentes de información son completamente distintas
    La categoría AI/ML es demasiado amplia como para seguirla toda de una sola vez
    Si de verdad hay que seguirla, no necesariamente
    La mayoría hace esto simplemente por curiosidad por tecnologías nuevas o por las últimas tendencias
    Aun así, en áreas como el desarrollo de software, ignorar por completo la IA sí podría ser fatal para tu carrera a mediano o largo plazo (aunque basta con responder aprendiendo las herramientas mismas)
    Yo la sigo de forma constante porque mi trabajo requiere entender la tendencia general

  • Solo con el blog de Simon Willison ya basta para aprender información reciente y de alta calidad (casi sin ruido y con la mejor relación S/N)

    • Si apoyas a Simon en GitHub ($10 o más), puedes recibir por correo una "versión resumida con menos volumen"

      "Resumen de los avances más importantes del último mes en el campo de los LLM (se lee en menos de 10 minutos)"
      https://simonwillison.net/about/

    • https://simonwillison.net
    • Por suerte también ofrece feed RSS, así que puedes revisar tanto código como noticias

  • No hace falta seguir a la fuerza las "tendencias"

    • Sí, ya es hora de dejarlo y probar otra cosa
    • En realidad, una opción es simplemente salir de la industria tech y construir una nueva carrera
      Los trabajos tech cada vez serán menos y en algún momento caerán con fuerza (la IA hará el trabajo de 10 personas con una sola, y después pasará lo mismo con white-collar y blue-collar, como los robots de centros logísticos de Amazon)
      En lo personal cancelé esta semana mi suscripción a GPT Plus; ya no quiero seguir alimentando a "ese monstruo"
      Para funciones como soporte de mapas (por ejemplo, rutas de viaje o recorridos en bici con amigos), la versión gratuita de Gemini incluso lo hace mejor

  • Si sigues solo la primera recomendación (leer el blog de simow), normalmente es más que suficiente

    • Incluso eso me da flojera, así que lo sustituyo con videos de Fireship junto al café de la mañana
    • Súper recomendado: resumen de muy buena calidad y casi sin clickbait

  • Las clases de Andrej Karpathy me ayudaron muchísimo
    También están en YouTube (https://www.youtube.com/@AndrejKarpathy)
    Yo estaba en posición de orientar y ayudar a investigadores de machine learning, pero cuando escucho la voz de Andrej siento que soy un estudiante que no sabe nada
    Al principio fue raro, pero ahora esa humildad me parece un recurso valiosísimo
    De verdad es importante tener esa mentalidad de "no sé nada"
 
makers 2025-07-22

T_T está demasiado difícil de leer
 
reagea0 2025-07-23

Si esto te parece tan ilegible, creo que el problema no está en el texto principal.
 
harris 2025-07-28

Coincido.
 
supermaxi 2025-07-22

Un tipo de escritura que es esencial en este momento.