Si está buscando la mejor experiencia de IA en un teléfono, es probable que le vengan a la mente dos fabricantes de IA diferentes. Para el iPhone 16, Apple Intelligence es la respuesta, mientras que para la serie Pixel 9 (y los mejores teléfonos Android) es Gemini de Google. Por supuesto, también puedes descargar Gemini como una aplicación independiente en el iPhone, pero Apple Intelligence es la opción de IA predeterminada.
Ambas empresas ofrecen una gama de características casi idénticas, al menos en lo que prometen ofrecer, pero también existen diferencias matizadas. Google Gemini se centra principalmente en el uso de IA para ayudarle a crear, editar y generar contenido. Por el contrario, Apple Intelligence se centra más en casos de uso personal y en la integración entre una variedad de aplicaciones.
He estado usando Gemini y Apple Intelligence durante meses y ambos servicios de IA tienen sus pros y sus contras. Después de probar ambos durante meses, esto es lo que encontré.
Activar cualquiera de las plataformas de IA es bastante intuitivo, especialmente si has usado un teléfono Android o un iPhone antes. Gemini reemplaza al Asistente de Google como el asistente predeterminado en su teléfono, aunque puede desactivarlo, lo que quizás desee hacer, especialmente si confía en el Asistente de Google para su hogar inteligente. Gemini se puede activar más comúnmente deslizando el dedo desde la esquina inferior de la pantalla, aunque también está disponible a través de la palabra clave “Hey Google”.
De manera similar, Apple Intelligence está integrada en el Siri renovado, que se puede activar usando la palabra clave “Hey Siri” o presionando dos veces el botón de encendido. Cuando activas el nuevo Siri, obtendrás un efecto de iluminación estilo arcoíris alrededor del borde de toda la pantalla, en lugar de que Siri se apodere de toda la pantalla como lo hacía en la generación anterior.
Ambos son fáciles de activar y usar, así que este es un empate. Creo que Gemini es más sencillo de usar y activar, especialmente porque hay varias formas de activarlo, pero a la inversa, el método de activación puede cambiar entre diferentes teléfonos Android.
Ambas plataformas se centran en el uso de la IA para tres propósitos específicos: funciones generativas, como crear y editar imágenes o texto, así como funciones de productividad y un asistente de voz. El primero es el enfoque clave para la mayoría de los creadores de IA, pero a menudo he descubierto que las funciones de IA generativa pueden ser una especie de truco. Sí, crearán memes geniales, pero probablemente no cambiarán tu vida.
Ambas plataformas te permiten editar imágenes que ya has capturado para eliminar objetos no deseados. Google ha tenido esto integrado en Magic Editor en Google Photos durante varios años, mientras que iOS 18 trae esta función de forma nativa al iPhone por primera vez en la aplicación Apple Photos rediseñada.
Toma esta imagen que me tomó un amigo la mañana después de una intensa noche de fiesta. Pedí a ambos teléfonos que eliminaran el menú de la mesa y los resultados son bastante interesantes.
Primero, es inmediatamente obvio que Apple Intelligence no es tan bueno como Gemini, como puede ver que la veta de la madera en la mesa está inclinada en la misma dirección que el menú. Aparte de eso, Apple Intelligence hace un gran trabajo al completar los granos y garantizar que haya continuidad en el antes y el después de la misma foto.
¿Qué pasa con Google Géminis? Aquí es donde la historia más larga de Google entra en vigor: es mucho mejor. Primero, genera cuatro imágenes diferentes para que elijas. En segundo lugar, tiene más precisión al permitirle refinar su selección antes de realizar una edición. Sin embargo, al mismo tiempo, se necesitan más toques para acceder al Magic Editor y, a menos que haya usado Google Photos en el pasado, una persona promedio probablemente encontrará Apple Photos más intuitivo.
El enfoque de Google con Gemini se centra principalmente en las funciones generativas, además de convertirlo en un reemplazo del Asistente de Google. Logra lo primero muy bien, aunque aún necesita algo de trabajo como un verdadero reemplazo del Asistente de Google, especialmente si lo necesita para controles domésticos inteligentes.
Gemini viene con una variedad de funciones que disfruto usar, especialmente Circle to Search, que debutó el año pasado en la serie Galaxy S24 y facilita la búsqueda relacionada con algo en su pantalla. ¿Quieres saber dónde comprar los zapatos que acabas de ver en Instagram? Circle to search puede buscarlo en segundos.
Mientras tanto, Apple Intelligence adopta un enfoque diferente. Presenta muchas de las mismas funciones generativas, excepto un verdadero reemplazo de Circle to Search, pero también está diseñado para ser su asistente. Cualquiera que sea la aplicación que estés usando, Apple Intelligence puede editar, reescribir o resumir texto por ti, lo que lo hace particularmente conmovedor cuando usas una variedad de aplicaciones.
También hay otra diferencia clave entre ellos: los modelos que utilizan.
Si usó Siri antes del lanzamiento de Apple Intelligence, sabrá que no era tan bueno como el Asistente de Google; ni siquiera estuvo cerca. Con eso en mente, casi siempre parecía inevitable que Apple recurriera a otro proveedor para los modelos subyacentes que impulsan Apple Intelligence.
Google ya le paga a Apple para que sea el motor de búsqueda predeterminado en el iPhone, algo así como casi 20 mil millones de dólares por año, por lo que es algo sorprendente que Apple haya recurrido a ChatGPT para proporcionar los modelos subyacentes para Apple Intelligence.
Esta integración va mucho más allá y, cuando el nuevo Siri no puede ayudar, Apple ha integrado ChatGPT como copia de seguridad predeterminada. Esto significa que hay algunas funciones duplicadas (puede generar imágenes usando Image Playground o ChatGPT y lo mismo se aplica a algunas de las herramientas de escritura), pero también significa que tiene una amplia gama de información y datos con los que trabajar. Si tiene una cuenta ChatGPT gratuita o de pago, puede acceder a aún más funciones directamente desde Apple Intelligence.
Comparativamente, Google opta por un enfoque autónomo. El modelo subyacente detrás de Gemini es Gemini Advanced, siendo Gemini 1.5 Pro en particular el modelo actual no beta. Si accedes a Gemini a través de la web, también podrás seleccionar el modelo Gemini 2.0 de próxima generación.
Una de las diferencias clave entre estos dos modelos es que Gemini 1.5 tiene una ventana de contexto más grande, mientras que ChatGPT tiende a generar mejor texto similar a un humano. Ambas aplicaciones te permiten crear chatbots personalizados, pero ChatGPT también ofrece funciones más avanzadas y los usuarios Plus o Enterprise pueden crear chatbots ilimitados.
Una cosa un tanto irritante de Apple Intelligence es que no utiliza el último modelo GPT-4, que es mucho más avanzado y capaz. No está claro si Apple implementará esto en una fecha posterior o si se integrará en la próxima versión de Apple Intelligence, pero esto es algo que me gustaría que Apple integrara en Apple Intelligence. GPT-4 tiene un conjunto de datos mucho más reciente con el que trabajar, lo que plantea un desafío para la base de conocimientos con la que trabaja Apple Intelligence.
Por ejemplo, le pregunté a Apple Intelligence y Gemini quién ganó las elecciones de EE. UU. y generó una respuesta relacionada con las elecciones de 2020. Después de aclarar que me refería a las elecciones de 2024, me dio resultados de Búsqueda de Google. En este caso, en realidad era mejor que Géminis. — que no discutirá las elecciones — pero este es un caso extremo y Gemini suele ser más preciso a la hora de recordar información que Apple Intelligence.
Para todo lo que Gemini es excelente, hay una característica que Apple Intelligence hace bien. Al decidir cómo crear una IA útil, Apple se centró en su capacidad para afectar y mejorar su vida personal, y Apple Intelligence es mucho mejor que Gemini en esto.
Ya escribí que los resúmenes de notificaciones son mi uso favorito de la IA en este momento, pero Apple Intelligence va más allá de eso. Poder acceder a las herramientas de escritura (para redactar, refinar o editar texto) en cualquier aplicación es mucho mejor que Gemini, que actúa como una superposición para esa aplicación. De manera similar, pronto podrás recuperar información de cualquier aplicación, lo que debería convertir al nuevo Siri en un asistente personal mucho mejor.
He estado usando ambas plataformas durante meses y responder esta pregunta es más difícil de lo que esperaba. Por un lado, Google Gemini es una solución de IA generativa mucho mejor y tiene acceso a una base de conocimientos mucho más amplia que Apple Intelligence. Por otro lado, Apple Intelligence es un asistente personal mucho mejor y tiene una mejor integración con los dispositivos Apple.
Luego está el potencial a largo plazo de cada una de estas plataformas. Google Gemini es el proveedor de IA predeterminado que respalda el conjunto de IA en la mayoría de los dispositivos Android, mientras que Apple Intelligence se centra únicamente en los dispositivos Apple, pero se beneficia de las mejoras realizadas por ChatGPT (al menos una vez que ejecuta los últimos modelos).
Considerando todo esto, descubrí que si bien Gemini es mucho más avanzado que Apple Intelligence, es el enfoque de este último en funciones personales lo que garantiza que lo use con más frecuencia. Cuando quiero buscar algo o editar una foto, recurro a Gemini, pero para el uso diario, encuentro que Apple Intelligence (y en particular los resúmenes de notificaciones) es mucho más beneficioso para la vida diaria. Dicho esto, Gemini es sin duda la mejor plataforma de IA, al menos por ahora.
¿Operai está desarrollando una plataforma de redes sociales?
Según los informes, Openai está desarrollando una plataforma de redes sociales similar a X, con un prototipo interno que integra las capacidades de generación de imágenes de ChatGPT.
queso Cheddar
SAN FRANCISCO – El concurso en Silicon Valley para dominar la inteligencia artificial se está desarrollando en una nueva corte: los investigadores superestrella.
Si bien la lucha para atraer el mejor talento y mantenerlos felices siempre ha sido un sello distintivo de la industria tecnológica, desde que ChatGPT se lanzó a fines de 2022, el reclutamiento se ha intensificado a los niveles profesionales de atletas, una docena de personas que han estado involucradas en el reclutamiento de investigadores de IA dijeron a Reuters.
“Los laboratorios de IA se acercan a la contratación como un juego de ajedrez”, dijo Ariel Herbert-Voss, CEO de la startup de ciberseguridad Runsybil y un ex investigador de Operai que ingresó a la pelea de talentos después de lanzar su propia compañía. “Quieren moverse lo más rápido posible, por lo que están dispuestos a pagar mucho por candidatos con experiencia especializada y complementaria, al igual que las piezas del juego. Son como, ‘¿Tengo suficientes torres?
Empresas, incluidas OpenAi y Google, ansiosas por obtener o mantenerse por delante en la carrera para crear los mejores modelos de IA, cortan a estos llamados “IC”: los contribuyentes individuales cuyo trabajo puede hacer o romper empresas.
Noam Brown, uno de los investigadores detrás de los recientes avances de IA de OpenAi en el razonamiento complejo de matemáticas y ciencias, dijo que cuando exploró las oportunidades de trabajo en 2023, se encontró siendo cortejado por la élite de Tech: el almuerzo con el fundador de Google Sergey Brin, póker de Sam Altman’s y una visita de avión privado de un ansioso inversor. Elon Musk también hará llamadas para cerrar candidatos para Xai, su compañía de IA, dijeron que dos personas que han hablado con él. Xai no respondió a una solicitud de comentarios.
Finalmente, dijo Brown, eligió OpenAi porque OpenAi estaba dispuesto a poner recursos, tanto las personas como el cálculo, detrás del trabajo que estaba entusiasmado.
“En realidad, no era financieramente la mejor opción que tenía”, dijo, explicando que la compensación no es lo más importante para muchos investigadores. Eso no ha impedido que las empresas arrojen millones de dólares en bonos y paquetes de paquetes a los investigadores STAR, según siete fuentes familiarizadas con el asunto.
Algunos investigadores de los principales abiertos que han indicado interés en unirse a la nueva compañía de la ex científica jefe Ilya Sutskever, SSI, se les ofreció bonos de retención de $ 2 millones, además de aumentos de capital de $ 20 millones o más, si se quedaron, a dos fuentes le dijeron a Reuters. Algunos solo se les ha requerido que se queden durante un año para obtener la bonificación completa. SSI y OpenAi declinaron hacer comentarios.
Otros investigadores de Operai que han presentado ofertas de once laboratorios han recibido bonos de al menos $ 1 millón para quedarse en OpenAI, dijeron dos fuentes a Reuters. Los principales investigadores de OpenAI reciben regularmente paquetes de compensación de más de $ 10 millones al año, dijeron las fuentes.
Google Deepmind ha ofrecido a los principales investigadores $ 20 millones por año paquetes de compensación, otorgados con subvenciones de capital fuera del ciclo específicamente a los investigadores de IA, y también ha reducido la adjudicación de algunos paquetes de valores a 3 años, en lugar de los 4 años normales, dijeron las fuentes. Google declinó hacer comentarios.
Por el contrario, los principales ingenieros de Big Tech Companies reciben una compensación anual promedio de $ 281,000 en salario y $ 261,000 en capital, según CompreHensive.io, una compañía que rastrea la compensación de la industria tecnológica.
Si bien el talento siempre ha sido importante en Silicon Valley, la diferencia con el auge de la IA es cuán pocas personas están en este grupo de élite, dependiendo de a quién le pregunte, el número podría variar de unas pocas docenas a alrededor de mil, ocho fuentes dijeron a Reuters.
Eso se basa en la creencia de que este pequeño número de “IC” ha hecho contribuciones de gran tamaño al desarrollo de grandes modelos de idiomas, la tecnología en la que se basa el auge de IA de hoy y, por lo tanto, podría hacer o romper el éxito de un modelo de IA.
“Seguro que los ingenieros 10X son geniales, pero maldita sea esos 10,000x ingenieros/investigadores …”, tuiteó el CEO de OpenAI, Sam Altman, a finales de 2023, aludiendo a una máxima larga que los mejores ingenieros de software fueron 10 veces más buenos que el promedio (10X), pero ahora en la industria de la IA, los mejores investigadores son 10,000 veces (10,000x) tan efectivos que el promedio.
La partida de septiembre del director de tecnología de OpenAi, Mira Murati, quien luego fundó una startup rival de IA, ha intensificado la Guerra de Talento AI. Murati, conocido en Operai por sus habilidades de gestión y destreza de ejecución, reclutó a 20 empleados de Operai antes de anunciar su empresa en febrero. Ahora ha atraído aún más investigadores de Operai y otros laboratorios, y el equipo ahora tiene alrededor de 60 personas, dijeron dos fuentes a Reuters. Aunque la compañía no tiene ningún producto en el mercado, Murati está en medio de cerrar una ronda de semillas récord que se basa en la fuerza del equipo. Un representante de Murati declinó hacer comentarios.
La escasez de talento ha obligado a las empresas a acercarse a la contratación creativamente. Zeki Data, una empresa de datos centrada en identificar el talento de IA de los mejores IA, dijo que está empleando técnicas de análisis de datos de la industria del deporte como la popularizada por la película “Moneyball” para identificar talento prometedor pero no descubierto. Por ejemplo, los datos de Zeki descubrieron que Anthrope ha estado contratando investigadores con antecedentes de física teórica, y otras compañías de inteligencia artificial han contratado individuos con antecedentes de computación cuántica.
Anthrope no respondió a una solicitud de comentarios.
“En mi equipo, tengo matemáticos extraordinariamente talentosos que no habrían venido a este campo si no fuera por el rápido progreso que estamos viendo ahora”, dijo Sébastien Bubeck, quien dejó su papel como vicepresidente de investigación de Genai en Microsoft el año pasado para unirse a Openi. “Estamos viendo una afluencia de talento de todos los campos que están en IA ahora. Y algunas de estas personas son muy, muy inteligentes, y marcan la diferencia”.
Informes de Anna Tong en San Francisco; Edición de Kenneth Li y Claudia Parsons
Los chatbots de IA avanzan rápidamente y los probando hasta sus límites es lo que hago para vivir. El soneto Claude 4 de Anthrope y el chatgpt-4o de OpenAI son dos de las herramientas más inteligentes disponibles en este momento. Pero, ¿cómo se comparan realmente en el uso diario?
Para averiguarlo, le di a ambos modelos el mismo conjunto de 7 indicaciones; Cubriendo todo, desde narración de cuentos y productividad hasta apoyo emocional y pensamiento crítico.
“Escríbeme un resumen conciso de Misión imposible Personajes y tramas hasta la fecha ”, recientemente le pregunté a ChatGPT antes de atrapar la última entrada de franquicia. Se entregó. No necesitaba entender su código o conocer su conjunto de datos de capacitación. Todo lo que tenía que hacer era preguntar.
ChatGPT y otros chatbots impulsados por modelos de idiomas grandes, o LLM, son más populares que nunca. Los científicos están tomando nota. Las proteínas, los caballos de batalla moleculares de las células, mantienen nuestros cuerpos corriendo suavemente. También tienen un idioma propio. Los científicos asignan una letra abreviada a cada uno de los 20 aminoácidos que componen proteínas. Al igual que las palabras, las cadenas de estas letras se unen para formar proteínas de trabajo, su secuencia determina la forma y la función.
Inspirados en LLM, los científicos ahora están construyendo modelos de lenguaje de proteínas que diseñan proteínas desde cero. Algunos de estos algoritmos están disponibles públicamente, pero requieren habilidades técnicas. ¿Qué pasaría si su investigador promedio podría simplemente pedirle a una IA que diseñe una proteína con un solo mensaje?
El mes pasado, los investigadores dieron a Protein Design AI el tratamiento con chatgpt. De una descripción del tipo, estructura o funcionalidad de una proteína que está buscando, el algoritmo produce posibles candidatos. En un ejemplo, la IA, denominada pinal, hizo con éxito múltiples proteínas que podrían descomponer el alcohol cuando se analizó dentro de las células vivas. Puedes probarlo aquí.
Pinal es el último en un creciente conjunto de algoritmos que traducen el inglés cotidiano en nuevas proteínas. Estos diseñadores de proteínas entienden el lenguaje sencillo y la biología estructural, y actúan como guías para los científicos que exploran proteínas personalizadas, con poca experiencia técnica.
Es un “enfoque ambicioso y general”, el equipo internacional detrás de Pinal escribió en una preimpresión publicada en Biorxiv. La IA aprovecha el “poder descriptivo y la flexibilidad del lenguaje natural” para hacer que las proteínas de diseñador sean más accesibles para los biólogos.
Enfrentados contra los algoritmos de diseño de proteínas existentes, Pinal entendió mejor el objetivo principal de una proteína objetivo y aumentó las posibilidades de que funcionaría en las células vivas.
“Somos los primeros en diseñar una enzima funcional usando solo texto”, dijo Fajie Yuan, científica de IA de la Universidad de Westlake en China que dirigió el equipo. Naturaleza. “Es como la ciencia ficción”.
Las proteínas son los componentes básicos de la vida. Forman nuestros cuerpos, el metabolismo del combustible y son el objetivo de muchos medicamentos. Estas intrincadas moléculas comienzan a partir de una secuencia de “letras” de aminoácidos, que se unen entre sí y eventualmente se doblan en intrincadas estructuras 3D. Muchos elementos estructurales, un bucle aquí, un tejido o bolsillo allí, son esenciales para su función.
Los científicos han intentado durante mucho tiempo diseñar proteínas con nuevas habilidades, como enzimas que descomponen de manera eficiente los plásticos. Tradicionalmente, han personalizado las proteínas existentes para un cierto uso biológico, químico o médico. Estas estrategias “están limitadas por su dependencia de las plantillas de proteínas existentes y las limitaciones evolutivas naturales”, escribieron los autores. Los modelos de lenguaje de proteínas, en contraste, pueden soñar con un universo de nuevas proteínas sin ataduras de la evolución.
En lugar de absorber el texto, la imagen o los archivos de video, como LLMS, estos algoritmos aprenden el lenguaje de las proteínas entrenando en secuencias y estructuras de proteínas. ESM3 de EvolutionaryScale, por ejemplo, entrenó en más de 2.700 millones de secuencias de proteínas, estructuras y funciones. Los modelos similares ya se han utilizado para diseñar anticuerpos que luchan contra ataques virales y nuevas herramientas de edición de genes.
Pero estos algoritmos son difíciles de usar sin experiencia. Pinal, por el contrario, apunta al científico promedio-joe. Al igual que una cámara DSLR en Auto, el modelo “evita las especificaciones estructurales manuales”, escribió el equipo, lo que hace que sea más simple hacer su proteína deseable.
Para usar Pinal, un usuario le pide a la IA que construya una proteína con una solicitud de varias palabras clave, frases o un párrafo completo. En la parte delantera, la IA analiza los requisitos específicos en el aviso. En el back -end, transforma estas instrucciones en una proteína funcional.
Es un poco como pedirle a ChatGTP que le escriba una reseña de restaurante o un ensayo. Pero, por supuesto, las proteínas son más difíciles de diseñar. Aunque también están formados por “letras”, su forma final determina cómo (o si) funcionan. Un enfoque, denominado entrenamiento de extremo a extremo, traduce directamente un aviso en secuencias de proteínas. Pero esto abre la IA a un vasto mundo de secuencias potenciales, lo que hace que sea más difícil marcar las secuencias precisas de las proteínas de trabajo. En comparación con las secuencias, la estructura de proteínas, la forma 3D final, es más fácil para el algoritmo generar y descifrar.
Luego está el dolor de cabeza de los datos de entrenamiento. Aquí, el equipo recurrió a las bases de datos de proteínas existentes y usó LLM para etiquetarlas. El resultado final fue una vasta biblioteca de 1.700 millones de pares de texto proteico, en el que las estructuras de proteínas coinciden con descripciones de texto de lo que hacen.
El algoritmo completado utiliza 16 mil millones de parámetros, estas son las conexiones internas de una IA, para traducir el inglés simple al idioma de la biología.
Pinal sigue dos pasos. Primero traduce las indicaciones en información estructural. Este paso divide una proteína en elementos estructurales, o “fichas”, que son más fáciles de procesar. En el segundo paso, un modelo en idioma proteico llamado Saprot considera la intención del usuario y la funcionalidad de proteínas para diseñar secuencias de proteínas con mayor probabilidad de doblar en una proteína de trabajo que satisfaga las necesidades del usuario.
En comparación con los algoritmos de diseño de proteínas de última generación que también usan el texto como entrada, incluida ESM3, el pinal superó la precisión y la novedad, es decir, generar proteínas no conocidas por la naturaleza. Usando algunas palabras clave para diseñar una proteína, “la mitad de las proteínas de pinal exhiben funciones predecibles, solo alrededor del 10 por ciento de las proteínas generadas por ESM3 lo hacen”.
En una prueba, el equipo le dio a la IA un breve aviso: “Por favor, diseñe una proteína que sea una alcohol deshidrogenasa”. Estas enzimas descomponen el alcohol. De más de 1.600 proteínas candidatas, el equipo eligió los ocho más prometedores y las probó en células vivas. Dos rompieron con éxito el alcohol a temperatura corporal, mientras que otros fueron más activos a un sudor de 158 grados Fahrenheit.
Las indicaciones más elaboradas que incluían la función de una proteína y los ejemplos de moléculas similares, arrojaron candidatos a antibióticos y proteínas para ayudar a las células a recuperarse de la infección.
Pinal no es el único IA de texto a proteína. El Startup 310 AI ha desarrollado una IA denominada MP4 para generar proteínas a partir del texto, con los resultados que la compañía dice que podría beneficiar la enfermedad cardíaca.
El enfoque no es perfecto. Al igual que los LLM, que a menudo “alucinan”, los modelos de lenguaje de proteínas también sueñan secuencias poco confiables o repetitivas que reducen las posibilidades de un resultado final de trabajo. La redacción precisa de las indicaciones también afecta la estructura de proteína final. Aún así, la IA es como la primera versión de Dall-E: juega con ella y luego valida la proteína resultante usando otros métodos.
Remove.bg: La Revolución en la Edición de Imágenes que Debes Conocer
Cómo Comenzar a Utilizar ChatGPT: Una Guía Completa para Principiantes
Startups de IA en EE.UU. que han recaudado más de $100M en 2024
Cómo Empezar con Popai.pro: Tu Espacio Personal de IA – Guía Completa, Instalación, Versiones y Precios
Deepgram: Revolucionando el Reconocimiento de Voz con IA
Perplexity aplicado al Marketing Digital y Estrategias SEO
Curso de Inteligencia Artificial de UC Berkeley estratégico para negocios
Google Gemini: Guía Completa para Comenzar a usarlo y ganar tiempo en nuestras tareas diarias
Inside the OpenAI-DeepSeek Distillation Saga & Alibaba’s Most Powerful AI Model Qwen2.5-Max
De ChatGPT a mil millones de agentes
