De la enciclopedia personal a la IA interoperable: memoria migrable, lectura cerebral no invasiva y ejecución más eficiente de grandes modelos

La IA está dejando de ser solo una herramienta para aprender o automatizar tareas. Cinco historias recientes muestran cómo la memoria, la voz y la capacidad de ejecución de grandes modelos están convergiendo en una experiencia más personal, más transferible y más eficiente.

La primera historia habla de WhoAmI.wiki, un proyecto de código abierto basado en MediaWiki que propone convertir fotos, vídeos, mensajes y otros contenidos digitales en una enciclopedia personal navegable. Lo que comenzó como un intento de ordenar 1.300 fotos de la abuela terminó convirtiéndose en una plataforma para curar recuerdos de toda una vida. El proyecto ha analizado unos 100.000 mensajes y miles de notas de voz, y muestra cómo la IA puede ayudar a reconstruir historias que de otra forma podrían perderse. Todo se mantiene local en el equipo del usuario para preservar la privacidad.

En paralelo, la investigación sobre el Neural Engine de Apple revela que el acelerador de IA presente en iPhone, iPad, Mac y Apple Watch encarna un hardware con 16 núcleos (y 4 en la línea de relojes). Aunque Apple no ofrece acceso irrestricto ni documentación detallada para desarrolladores, un investigador ha usado herramientas para entender qué es capaz de hacer este motor, y sugiere que podría facilitar el entrenamiento de modelos pequeños si hubiera una apertura por parte de la compañía. No obstante, no se plantea como sustituto de las soluciones actuales de NVIDIA o AMD y sigue sujeto a limitaciones de uso para terceros.

Otro hilo narrativo es la migración de memoria entre IA. Google, con Gemini, ha introducido una forma de importar la memoria de otras IA y el historial de chats para que el cambio de una plataforma a otra no implique empezar desde cero. El proceso es sencillo: Gemini ofrece una sección de importación de memoria y de chats, y sugiere prompts para solicitar la exportación de datos desde servicios como ChatGPT. La idea es que, en unos minutos, el nuevo sistema disponga de tu contexto y conversaciones previas, reduciendo la fricción de migrar entre modelos de IA.

En el frente de la interacción cerebro-computadora, otro hito es la lectura de la actividad cerebral mediante MEG sin intervención quirúrgica. Investigadores de Meta AI y la Academia China de Ciencias están combinando magnetoencefalografía con modelos de lenguaje para reconstruir frases continuas a partir de la actividad neuronal. Se trata de una decodificación semántica del habla que permite entender tanto el habla escuchada como la imaginada, abriendo la posibilidad de ayudar a personas con trastornos graves a recuperar una voz sin implantes. Aunque aún no alcanza la velocidad y la fluidez del habla, este enfoque evita la cirugía y se apoya en sensores externos y aprendizaje profundo.

Por último, Google está empujando la eficiencia de ejecución de modelos grandes con TurboQuant, una técnica que comprime la memoria de la IA para que modelos pesados corran en hardware más modesto. En pruebas con modelos abiertos como Gemma y Mistral, y frente a baselines como KIVI, TurboQuant consiguió mantener resultados cercanos al original mientras reducía el tamaño de la KV cache. En tareas de recuperación top-k dentro de la búsqueda vectorial, también superó a enfoques como Product Quantization o RabbiQ.

La mezcla de estos avances dibuja un panorama donde la memoria personal, la portabilidad entre plataformas de IA, la interacción no invasiva con el cerebro y la eficiencia de ejecución de modelos convergen para ampliar lo que es posible hacer con la tecnología. La promesa de una vida digital que podemos organizar, transferir y consultar con herramientas cada vez más potentes no está exenta de preguntas sobre privacidad, seguridad y ética; pero lo que se está logrando ya ofrece un vistazo claro a un futuro en el que la tecnología se teje más de cerca con nuestra experiencia diaria.