Google entrega Gemini 4 Argon a 10,000 científicos.

Prime Intellect ha adquirido Moondream, tomando el control de sus modelos de visión abierta y optimizaciones de inferencia. El plan es integrar Moondream directamente en el stack de entrenamiento y despliegue multimodal de Prime Intellect. Los términos financieros del acuerdo no fueron revelados, pero la intención estratégica es obvia: poseer la capa de visión por completo.

Si estás desplegando agentes multimodales, depender de APIs externas para la visión es un cuello de botella inminente. Al integrar Moondream, Prime Intellect puede optimizar la inferencia a nivel de hardware, reduciendo la latencia y los costos para su stack de despliegue. Es una señal clara de que los actores de la infraestructura se están moviendo para poseer cada pieza del pipeline.

Prime Intellect gana al asegurar una pieza crucial del rompecabezas multimodal. Los fundadores de Moondream consiguen una salida en un mercado saturado. La presión ahora recae en los stacks de despliegue competidores que aún tienen que alquilar sus capacidades de visión en lugar de poseerlas.

Leash Bio organizó una competencia masiva en Kaggle con aproximadamente 4 mil millones de mediciones para probar la capacidad de la IA para predecir la unión proteína-ligando. De 2,000 equipos competidores, ni uno solo pudo superar el azar al ser probado en una biblioteca química no vista. Los modelos fallaron por completo en generalizar a un nuevo espacio químico.

Esto es un brutal baño de realidad para el sector del descubrimiento de fármacos con IA. Hemos pasado los últimos dos años viendo a los modelos sobresalir en benchmarks públicos, pero esta competencia demuestra que predecir la unión molecular en entornos reales sigue siendo profundamente difícil. Si todo el argumento de tu startup se basa en la generalización "zero-shot" en biología, este resultado sugiere que tus modelos podrían estar simplemente memorizando datos de entrenamiento.

El verdadero ganador aquí es el escepticismo. Leash Bio le hizo un favor a la industria al demostrar públicamente los límites de las arquitecturas actuales. Los perdedores son los inversores que pensaron que la unión de proteínas era un problema resuelto, esperando solo una interfaz de usuario agradable.

Una nueva investigación revela un sesgo evidente en conjuntos de datos de química como ChEMBL: los modelos de IA están infiriendo el autor de una molécula a partir de su estructura. Esta información del químico predice la actividad de la molécula casi tan eficazmente como la estructura misma. Los modelos están aprendiendo las peculiaridades estilísticas específicas de científicos individuales en lugar de la química física subyacente.

Para cualquiera que entrene modelos con datos científicos públicos, esto es una señal de alarma flagrante con respecto a la integridad de los datos. Si tu IA solo está memorizando qué laboratorio produce compuestos exitosos y adivinando basándose en sus hábitos estructurales distintivos, fallará estrepitosamente cuando se le pida que genere compuestos novedosos. Crees que estás entrenando a un químico, pero en realidad has entrenado a un detective.

Esto pone en tela de juicio muchos de los éxitos de los benchmarks que vemos en la IA química. Si los modelos dependen del sesgo del autor para aumentar sus puntuaciones de precisión, esas puntuaciones son un espejismo. La próxima ola de IA científica requerirá conjuntos de datos radicalmente más limpios y "cegados" (blinded).

En la conferencia AI Engineer New York, OpenAI y Anthropic se reunieron con firmas financieras para discutir una crisis inminente: cómo otorgar a los agentes de IA una autonomía útil manteniendo el control sobre decisiones críticas. La conversación se centró en equilibrar la velocidad de los agentes autónomos con la necesidad absoluta de mecanismos de seguridad en entornos financieros de alto riesgo.

Las instituciones financieras quieren la eficiencia de los agentes autónomos, pero no pueden permitirse los riesgos de alucinación que conllevan. Un modelo que inventa con confianza un script de Python es molesto; un modelo que alucina con confianza una tendencia del mercado y ejecuta una operación masiva es un riesgo sistémico. Los desarrolladores que apuntan al sector financiero empresarial deben priorizar las barreras de seguridad deterministas sobre la inteligencia bruta.

El hecho de que OpenAI y Anthropic estén cortejando activamente a estas firmas muestra dónde está el verdadero dinero empresarial. Los ganadores serán las startups que descubran la interfaz "human-in-the-loop" para agentes de trading de alta frecuencia.