En el correo de hoy:

Axis Robotics acaba de cerrar una ronda semilla de $12 millones liderada por Hack VC (con Nomad Capital, Pi Network Ventures y 10K Ventures), y su tesis apunta a un problema muy concreto: los modelos de lenguaje pudieron escalar gracias a billones de tokens ya disponibles en internet, pero la IA física no tiene ese lujo.

No existe un "internet" de movimientos humanos-robot; hay que generarlo desde cero.

La apuesta de Axis es resolverlo con lo que llaman un "compounding data engine": una plataforma que combina generación de datos sintéticos (simulación), recolección de datos reales vía teleoperación desde el navegador (sin necesidad de robot físico ni GPU propia) y entrenamiento de modelos, todo en un mismo loop.

Cualquier persona con una laptop puede "operar" un robot virtual y esos movimientos se convierten en datos de entrenamiento.

Hoy dicen tener más de 100,000 contribuyentes activos, 2M+ trayectorias generadas y resultados medibles: su Sim Dataset V1 mejoró el desempeño del modelo base π0.5 en el benchmark LIBERO-Plus.

Lo interesante es dónde entra cripto. Axis no lo usa como gancho especulativo, sino como capa de coordinación: cada trayectoria de datos, modelo o "skill module" se registra on-chain como activo verificable y valuable, y las recompensas se calculan por calidad de la contribución (no solo volumen), evitando el clásico esquema de puntos-y-airdrop.

Es la tesis de "robotic intelligence belongs to all": si los LLMs los construyeron corporaciones con datos de internet, la inteligencia robótica, dicen, debe emerger de una red humana distribuida y no centralizada.

¿Cómo se compara? Axis no está solo en esta narrativa "robótica x cripto": compite y coopera con BitRobot Network (con quien tiene alianza directa), se compara con PrismaX (protocolo de datos humano-robot respaldado por a16z crypto) y con Peaq, que ataca el problema desde la identidad on-chain de robots más que desde los datos de entrenamiento.

La diferencia clave de Axis frente a la mayoría de proyectos del sector (que siguen en fase de deck y testnet) es que ya tiene producto en uso real, con partnerships de comercialización con Booster Robotics, Geely y otras empresas de robótica.

El riesgo: liderazgo anónimo y tokenomics aún no definidos.

¿Qué te parece este modelo de entrenamiento para robots?

🛡️ Anthropic aclara su postura sobre modelos abiertos: Dario Amodei dice que no se opone a open-weight en general, pero sí teme específicamente las capacidades de IA china sin restricciones de seguridad. Leer mas

🎯 Satya Nadella: confiar en una sola IA es suicidio empresarial: El CEO de Microsoft advierte que las empresas necesitan múltiples modelos y capas de infraestructura (AI gateways) para sobrevivir en la era de la IA. Leer mas

🔒 Microsoft lanza su primer modelo de ciberseguridad: Nuevo modelo especializado en seguridad más un sistema agéntico para detectar y responder a amenazas cibernéticas de forma autónoma. Leer mas

🚨 El hackeo de OpenAI reabre el debate sobre alineación vs contención: El ataque a Hugging Face expone visiones opuestas: ¿deberíamos alinear mejor la IA o contenerla con más controles de seguridad? Leer mas

✍️ ChatGPT bloquea peticiones directas para copiar estilos de autores: OpenAI implementa nuevas restricciones que impiden clonar la voz de escritores famosos, aunque aún permite capturar "cualidades amplias" de su estilo. Leer mas

📅 El mito común: "El hackeo de OpenAI a Hugging Face fue un incidente aislado y sin precedentes."

💡 La realidad: MIT Technology Review reveló esta semana algo incómodo: ya hemos estado aquí antes. Los modelos de IA escapando de sus contenedores, explorando sistemas externos y explotando vulnerabilidades no es nuevo. Lo que cambió es la escala y la sofisticación. Cada vez que un modelo se vuelve más capaz, sus intentos de "salirse de la caja" se vuelven más creativos.

🚀 La propuesta: En lugar de ver estos incidentes como fallos de seguridad, deberías verlos como el nuevo panorama de amenazas. Las empresas que sobrevivan serán las que asuman que la IA intentará hacer cosas inesperadas y diseñen sistemas defensivos en capas.

Tres pasos para implementar hoy:

1. Audita tus integraciones de IA: Revisa cada API, cada modelo que uses. ¿Qué acceso tiene? ¿Qué puede tocar? Aplica el principio de mínimo privilegio: la IA solo debe acceder a lo estrictamente necesario.

2. Implementa AI gateways: Como sugiere Satya Nadella, necesitas capas intermedias entre tus prompts y los modelos. Estos gateways filtran, monitorean y registran todas las interacciones. Herramientas como LangSmith, Portkey o Helicone son un buen inicio.

3. Diseña asumiendo el escape: Pregúntate: "¿Qué pasa si mi modelo de IA se comporta de forma hostil?" Diseña sandboxes, límites de red, timeouts agresivos y kill switches. La paranoia es tu mejor aliada.

Prompt reutilizable para evaluar riesgos de IA:

"Actúa como un red team de ciberseguridad. Analiza el siguiente sistema que usa IA: [describe tu sistema]. Identifica: 1) Qué accesos tiene el modelo de IA, 2) Qué podría salir mal si el modelo se comporta de forma adversarial, 3) Tres controles de seguridad específicos que deberías implementar. Sé específico y técnico."

Última pregunta para ti

¿Qué quieres aprender de IA?

Respóndeme este email, me encanta leer lo que piensas (para traer ese contenido para ti 👀).

Nos vemos mañana con más tech 🚀