De AlphaFold a un auricular perdido: la visión de la IA y sus límites

Isomorphic Labs afirma que su motor de diseño de fármacos avanza hacia pruebas preclínicas, mientras su presidente sostiene que la IA podría acabar diseñando todos los medicamentos. En otros frentes, un chatbot encontró un auricular en una foto de grava y las noticias sobre salud, derechos de autor e infraestructura muestran por qué importan el reconocimiento visual y la supervisión humana.

Isomorphic Labs quiere convertir el diseño de fármacos en un problema de predicción

Isomorphic Labs, la empresa derivada de Google DeepMind fundada por Demis Hassabis, intenta acortar el camino entre una molécula prometedora y un medicamento. En una entrevista con Business Insider en septiembre, el presidente Max Jaderberg describió una compañía que trabaja en fármacos para el cáncer, enfermedades relacionadas con el sistema inmunitario y trastornos inflamatorios. Isomorphic mantiene alianzas de investigación con Novartis, Johnson & Johnson y Eli Lilly, y afirma que su nuevo motor de diseño de fármacos le ha dado una base para empezar a probar candidatos diseñados con IA en ensayos preclínicos. La empresa dice que los ensayos en humanos no están lejos, pero Jaderberg no ofreció un calendario. Esa diferencia importa: la ambición es considerable, pero los candidatos aún no han superado el proceso de ensayos clínicos.

La apuesta técnica consiste en modelar cómo interactúa una molécula farmacológica propuesta con otras moléculas del organismo, en vez de depender únicamente de rondas sucesivas de ensayo y error físico. Jaderberg dice que la empresa quiere utilizar sus modelos y recursos informáticos para predecir interacciones a una escala cuya comprobación manual sería prohibitivamente costosa. El motor de diseño de fármacos presentado en febrero se describe como una mejora de AlphaFold, el sistema de DeepMind para cartografiar proteínas asociado con el Nobel de Hassabis. Isomorphic busca diseñar moléculas que funcionen con la dosis efectiva mínima, lo que potencialmente limitaría complicaciones por concentraciones elevadas del fármaco en el torrente sanguíneo. La ambición de fondo es mecanística: construir un modelo suficientemente amplio de la biología que represente interacciones entre proteínas y las reacciones químicas que regulan el crecimiento y la muerte celular.

La oportunidad comercial parte de una realidad exigente. Los medicamentos diseñados con IA están en desarrollo desde hace más de una década, pero ninguno ha recibido aprobación de la FDA ni completado el proceso de ensayos clínicos, y alrededor del 90 % de los candidatos farmacológicos fracasa. Jaderberg sostiene que muchos fracasos reflejan una comprensión incorrecta de la biología, no solo una selección imperfecta de moléculas. Las biotecnológicas tradicionales también pueden tener restricciones de financiación y avanzar moléculas que afectan proteínas no deseadas, aumentando el riesgo de toxicidad u otros efectos imprevistos. “There's no world in five years' time, where all drugs aren't designed by AI”, dijo a Business Insider. Es una predicción, no un resultado demostrado: la empresa aún debe comprobar que sus predicciones resisten el trabajo de laboratorio y las pruebas clínicas.

La relación con la computación visual es indirecta, pero importante. El mapeo de proteínas de AlphaFold ayudó a abrir una vía hacia medicamentos guiados por IA; el siguiente paso de Isomorphic es razonar sobre moléculas que interactúan y mecanismos biológicos. Jaderberg dijo que los avances internos, antes mensuales, llegaban semanalmente durante los tres años anteriores, pero una investigación más veloz no equivale a un beneficio probado para pacientes. Su visión del destino final es llamativa: los científicos quizá no necesiten entrar en un laboratorio durante la fase de diseño. Por ahora, el trabajo preclínico, el desarrollo clínico y la revisión regulatoria siguen siendo etapas esenciales entre la predicción de un modelo y un tratamiento que pueda llegar de forma segura a una persona.

Un campo de grava se convierte en una pequeña prueba de visión artificial

Una persona de Reddit con el nombre Just-a-fungi893 contó que perdió un auricular blanco de Bose en grava clara mientras estaba con su familia. Tras buscar durante unos 10 minutos, cuando se acercaba el atardecer, tomó una foto y pidió ayuda a ChatGPT. Según su relato, el chatbot señaló dónde estaba el auricular y ambos se reencontraron unos cinco minutos después. Es un ejemplo pequeño, pero vívido, de asistencia visual: en vez de pedirle a alguien que examine una superficie visualmente repetitiva, la persona proporcionó una imagen y pidió identificar un objeto pequeño. TechRadar presentó el resultado como reconocimiento de patrones, no como magia; esa diferencia es esencial al interpretar una sola anécdota.

El artículo no identifica la arquitectura del modelo, el flujo de procesamiento de imágenes ni la interfaz exacta utilizada, así que no sería correcto atribuir el resultado a un detector o método de localización concreto. En términos generales, un chatbot capaz de procesar imágenes puede comparar patrones visuales de una foto con la descripción del usuario y señalar una zona probable. La tarea es difícil porque el objeto es pequeño, su color se parece al fondo y la imagen puede tener reflejos o iluminación desigual. Una persona que comentó la publicación propuso una técnica sencilla sin IA: acercar al suelo la linterna del teléfono y orientarla casi horizontalmente, para que el auricular brillante refleje la luz de manera distinta a la grava. También se sugirieron las funciones de búsqueda de auriculares del teléfono, si existen, o escuchar si el dispositivo está conectado. Cada método tiene condiciones y posibilidades de fallo propias.

Los comentarios también aportan la cautela necesaria. Otra persona dijo que ChatGPT había afirmado encontrar un tornillo en una foto tomada al aire libre, pero que había modificado la imagen e insertado un tornillo cualquiera. Un comentarista distinto contó que pidió a un chatbot localizar libros en la foto de una librería y recibió títulos inventados. No son evaluaciones controladas, pero sí muestran por qué una respuesta visual segura de sí misma no debe tomarse como prueba. El hallazgo del auricular y los relatos de invenciones deben leerse juntos: el reconocimiento de imágenes puede ayudar a señalar un lugar probable, mientras que los detalles generados pueden ser incorrectos. El artículo advierte que los resultados varían según la tarea y el modelo.

Para quienes trabajan en visión artificial, la lección no es que los chatbots sustituyan la observación cuidadosa. Es que una imagen cotidiana puede convertirse en una interfaz útil para hacer preguntas concretas, siempre que la respuesta se pueda comprobar. En este caso, el usuario podía revisar el punto indicado y verificar si el auricular estaba allí. Eso vuelve la tarea menos arriesgada que la interpretación de imágenes médicas o de seguridad. La historia también plantea una cuestión de diseño y accesibilidad: los modelos deberían expresar incertidumbre y orientar a la persona para que verifique el resultado, en vez de limitarse a nombrar un objeto. Una foto de grava es una prueba de bajo riesgo, pero la diferencia entre “mira aquí” y “lo encontré con certeza” es fundamental para una asistencia visual fiable.

Las noticias sobre IA se cruzan con infraestructura, gobernanza y límites prácticos

El resumen de ResearchBuzz del 30 de octubre de 2026 reúne varias noticias distintas, no un único resultado de investigación. En San Diego, una persona que se presentó como “Lord Farquaad” criticó en una reunión municipal un centro de datos propuesto de 400 megavatios y relacionó los intereses de esos centros con las cámaras Flock utilizadas para vigilar a los residentes. En Nevada, una junta de apelaciones devolvió a revisión un proyecto para construir el primer centro comercial de datos en terrenos públicos de Estados Unidos, al exigir una revisión ambiental separada. Además, documentos citados por Politico indicaron que el personal del gobernador de Texas, Greg Abbott, se reunió con empresas tecnológicas y de transmisión eléctrica el 16 de diciembre de 2025, dos días antes de que el estado anunciara cambios para acelerar el acceso de centros de datos a la red. Estas noticias tratan de infraestructura y decisiones públicas; no demuestran que la IA causara esos hechos.

Otros elementos del resumen hacen más concretas las cuestiones técnicas e institucionales. West Side Rag informó que el Departamento de Transporte de la ciudad de Nueva York analizaba un piloto de seis meses en el que Automotus utilizó dos cámaras CurbSight con IA en Broadway, entre las calles West 74 y 75, para vigilar el comportamiento de estacionamiento. Stanford Daily relató que la universidad retiró una imagen generada con IA de su banda de marcha después de que sus integrantes encontraran una representación exclusivamente blanca y masculina. El resumen también informó que el rector de Dartmouth, Santiago Schnell, renunció después de que un comité docente concluyera que había utilizado IA para dar forma a textos, incluida una columna invitada en The Washington Post sobre las trampas con IA. Cada caso implica un sistema y una pregunta distintos: vigilancia, representación o autoría; no un único modo de fallo técnico.

Las noticias sobre infraestructura también muestran por qué el rendimiento de un modelo no puede separarse de las decisiones de implementación. Un piloto de cámaras puede recopilar información visual sobre el uso del bordillo, pero el artículo no detalla los algoritmos de reconocimiento, la precisión, las políticas de retención ni los resultados analizados del piloto. Harían falta esos datos para valorar con qué fiabilidad clasifica el estacionamiento y qué salvaguardas rigen las imágenes. Otras cifras del resumen precisan el contexto político: la red de agentes de IA de Meta pretende atender a más de mil millones de personas, mientras que una presentación de Anthropic habría señalado que más de la mitad de los clientes que gastan al menos 100.000 dólares anuales utilizan tanto la plataforma Claude como una aplicación propia, como Claude Code o Cowork. La proporción había subido desde aproximadamente el 30 % al final del año anterior. La escala y la integración comercial vuelven más difíciles de ignorar las preguntas sobre supervisión.

Mi lectura desde la visión artificial: esta recopilación funciona mejor como un mapa de las fricciones de la implementación de IA. Incluye también una noticia según la cual un modelo de IA superó a modelos tradicionales al predecir la trayectoria del primer huracán atlántico de la temporada, y un estudio de la Universidad de Maryland en el que 11 participantes ciegos describieron limitaciones de las aplicaciones de “ojos” de IA. Una persona quería consejos prácticos para cocinar, no descripciones repetidas de si las salchichas aún se veían rosadas. La diferencia entre describir píxeles y ayudar a tomar una decisión resume un reto de diseño concreto. El resumen no afirma que todos los acontecimientos involucren visión artificial, ni deberían combinarse para sostener una sola conclusión sobre la IA. Muestra por qué la capacidad técnica, el impacto comunitario y las necesidades de los usuarios deben analizarse caso por caso.

La prueba de autoría humana del copyright choca con los medios generados

Pluralistic sostiene que la Oficina de Copyright de Estados Unidos acierta al reservar los derechos de autor para la autoría humana, y que los textos o imágenes generados con IA no quedan protegidos automáticamente solo porque alguien haya invertido esfuerzo en producirlos. El ensayo distingue entre expresión creativa y “sweat of the brow”, o el sudor del trabajo: la labor y la inversión, por sí solas, no constituyen la base del copyright. Cita la disputa del autorretrato de un mono, en la que el fotógrafo de fauna David Slater no pudo reclamar derechos sobre una imagen tomada por un macaco, y sostiene que un algoritmo es aún menos humano que un mono. Esta es la explicación y el argumento del autor sobre la doctrina de copyright, no una nueva sentencia judicial anunciada en el artículo.

El ensayo describe varias formas en que las contribuciones humanas todavía podrían recibir protección. Un prompt suficientemente creativo podría estar protegido, mientras que la imagen producida a partir de él permanecería sin protección bajo la postura descrita. Las modificaciones creativas de material generado podrían protegerse como elementos de autoría humana; elegir una imagen entre muchas podría obtener un copyright “limitado” por el acto de selección. El ejemplo de animación hace visible el problema de separar componentes: un personaje creado por una persona podría estar protegido aunque el movimiento lo genere una IA, o una animación humana podría utilizar fondos generados mediante procedimientos. En una obra compleja, identificar qué píxeles, movimientos o pasajes proceden de cada parte se convierte en un desafío práctico de prueba.

Eso tiene consecuencias para estudios y equipos creativos. El ensayo dice que la manera más fiable de asegurar que una obra sea plenamente elegible para copyright consiste en utilizar personas durante todo el proyecto, adoptar una política de no usar IA, supervisar el trabajo y conservar registros. También sostiene que los litigios de copyright dependen mucho de los hechos y son caros, mientras que la casi eliminación de las formalidades de registro ha dejado una enorme cantidad de obras sin un registro sencillo y uniforme de autoría y propiedad. Históricamente, el copyright estadounidense se apoyaba en depósito, registro y aviso; la Ley de Copyright de 1976 alineó a Estados Unidos con el Convenio de Berna y abolió la mayoría de esas formalidades. El registro sigue siendo importante para reclamar daños legales, que pueden alcanzar los 150.000 dólares por obra, pero el artículo afirma que una proporción abrumadora de obras protegidas no está registrada.

Para la tecnología visual, la procedencia empieza a ser tan importante como la generación de imágenes. Un modelo puede producir una imagen, un artista puede revisarla y un programa puede generar el movimiento o los fondos; una disputa futura podría depender de los registros de cada paso. El argumento central del ensayo no es que toda obra asistida por IA sea jurídicamente inutilizable, sino que las partes de creación humana y las generadas por máquinas podrían recibir un trato diferente. Por ello, documentar resulta valioso: qué herramienta se empleó, qué modificó la persona y qué elementos reclama como originales. La visión artificial puede ayudar a inspeccionar medios, pero no puede resolver por sí sola la cuestión legal de autoría. Esa cuestión depende de la ley aplicable y de las pruebas de las decisiones creativas humanas.

OPH Health conecta atención comunitaria, dispositivos y una base de datos médicos

Leona Tong, fundadora y directora ejecutiva de OPH Health, empresa de salud digital con sede en Singapur, fue seleccionada para la lista Forbes China 100 Most Influential Chinese de 2026. La ceremonia se celebró el 29 de octubre de 2026. Tong fundó la empresa en Singapur en 2023; OPH afirma que sus actividades ya se extienden a más de 10 países y regiones. La compañía conecta dispositivos médicos y software clínico entre comunidades, clínicas, hospitales y hogares, con énfasis en atención primaria y salud digital. El anuncio describe servicios para sistemas públicos y grupos privados, incluidos cribados, derivaciones, telemedicina y seguimiento de enfermedades crónicas. Se trata de un comunicado de la empresa, que presenta la descripción de OPH sobre sus productos y planes.

El producto más concreto relacionado con visión es VIOLA, utilizado en policlínicas públicas de Singapur. Su armario de vacunas y software de gestión ayudan al personal de enfermería a vigilar temperaturas, verificar mediante visión artificial la retirada de vacunas y controlar inventario y fechas de caducidad, manteniendo registros trazables de la manipulación. El comunicado señala que equipos de enfermería de primera línea participaron en su desarrollo y perfeccionamiento. En el resto de la oferta de OPH, las estaciones de atención primaria combinan cribados, atención ambulatoria, manejo de enfermedades crónicas y telemedicina; Capsule Clinic ofrece evaluaciones de salud comunitaria y consultas remotas, y Smart Pharmacy puede permitir recoger medicamentos recetados. Los espirómetros portátiles y su software complementario apoyan pruebas de función pulmonar y seguimiento. Estos elementos muestran cómo una tarea visual concreta —verificar la retirada de una vacuna— puede formar parte de un flujo clínico más amplio y no funcionar como una cámara aislada.

OPH afirma que está desarrollando gradualmente un sistema distribuido de IA médica que conecta dispositivos, software clínico y modelos de IA de gran tamaño. La arquitectura prevista contempla servidores de IA en clínicas y hospitales que ejecutarían modelos localmente para ayudar con documentación clínica, interpretación de informes y apoyo a decisiones. El personal clínico revisaría las respuestas antes de incorporarlas a los historiales médicos. La empresa también describe un “gemelo digital” de salud para cada persona: un perfil actualizado con resultados de pruebas, registros verificados por profesionales y datos de monitorización. Asistentes de IA podrían apoyar planes de atención, recordatorios y seguimiento entre consultas. OPH dice que las actualizaciones de modelos requerirían validación y aprobación antes del uso clínico, y que los datos sin procesar se procesarían localmente con controles adecuados. Son planes e intenciones de diseño declarados por la empresa, no pruebas independientes de resultados clínicos.

El énfasis operativo resulta notable: la continuidad de la atención depende de conectar registros y seguimiento, no solo de generar una predicción durante una consulta. Vincular una estación clínica con la monitorización en casa podría ofrecer al personal médico una cronología más completa, pero también vuelve centrales la calidad de los datos, los permisos y los procedimientos de revisión. En el armario de vacunas, la visión artificial cumple una tarea acotada de verificación junto con la monitorización de temperatura e inventario. Ese rol delimitado es más fácil de evaluar que una afirmación abierta de que una IA puede tomar decisiones clínicas. La empresa de Tong describe un modelo en el que los profesionales de primera línea siguen participando, con revisión clínica y etapas de validación. En la IA sanitaria, esos pasos no son salvaguardas decorativas: determinan cómo se comprueba una respuesta antes de que afecte a la atención.

Dónde encaja Robles.AI

Las fuentes no describen los productos, clientes ni servicios implementados de Robles.AI, así que no puedo afirmar responsablemente que la empresa ya ofrezca un sistema médico o de visión artificial concreto. La capacidad más claramente relacionada que sugieren estas noticias es el análisis y la evaluación de imágenes: detectar un objeto pequeño en un entorno desordenado, verificar un evento visual y comunicar el nivel de certeza. Si Robles.AI trabaja en este ámbito, los ejemplos ofrecen pruebas concretas que considerar en lugar de una promesa genérica de “IA”. Un buscador de auriculares debería señalar una ubicación comprobable; un armario de vacunas debería producir un evento de verificación trazable; y un asistente visual para usuarios no debería presentar una conjetura incierta como un hecho.

Para un servicio de visión artificial propuesto, la evaluación debería diseñarse en torno a la tarea real y al coste de sus errores. En el ejemplo de la grava, las pruebas útiles incluirían objetos blancos pequeños sobre fondos claros, distintas condiciones de luz al atardecer, reflejos y casos donde no haya ningún auricular. En un entorno clínico como VIOLA de OPH Health, las preguntas pertinentes incluyen si el sistema verifica correctamente la retirada, cómo actúa el personal ante una lectura incierta y cómo se registra el resultado junto con los datos de temperatura e inventario. Son recomendaciones derivadas de los ejemplos de las fuentes, no afirmaciones sobre las capacidades actuales de Robles.AI. Las pruebas deberían medir tanto detecciones correctas como falsas seguridades, con supervisión humana proporcional a las consecuencias de un error.

Isomorphic Labs presenta un reto relacionado, pero distinto: su objetivo declarado es modelar interacciones entre moléculas, apoyándose en el mapeo de proteínas asociado con AlphaFold. Eso no es reconocimiento ordinario de imágenes, y las fuentes no dicen que Robles.AI trabaje en descubrimiento de fármacos. La relación es metodológica, no una afirmación de productos compartidos: las respuestas de un modelo necesitan validarse frente al mundo que pretenden representar. Para sistemas visuales, eso significa contrastar detecciones con imágenes anotadas y resultados para los usuarios; para los candidatos a fármacos, Isomorphic dice que las pruebas preclínicas y clínicas siguen siendo el camino hacia los pacientes. Una estrategia tecnológica responsable debe mantener claros esos límites y evitar tratar una predicción plausible como un resultado demostrado.

Las noticias sobre copyright e infraestructura cívica añaden otros dos requisitos de diseño: procedencia y gobernanza. En flujos de trabajo visuales o generativos, registrar qué elementos fueron generados por máquinas y cuáles editados por personas puede hacer más comprensibles las reclamaciones de autoría, aunque los registros no resuelvan todas las cuestiones legales. En instalaciones de cámaras, documentar qué se recopila, qué clasifica el sistema y cómo se revisan los resultados permite una evaluación pública. Si coincide con su trabajo real, Robles.AI podría optar por abordar áreas concretas: evaluación de visión artificial, comunicación de incertidumbre, revisión humana trazable y documentación clara. Ese es un encaje específico con las tecnologías de este reportaje, no una afirmación de que Robles.AI ya las haya construido o implementado.

Centro de Noticias AI