TheVortiq

¿Qué ha ocurrido?

Un equipo liderado por el patólogo e investigador biomédico Dudley Lamming ha publicado una revisión en la revista Cell Press Blue que examina más de 350 estudios realizados en humanos, ratones, insectos, levaduras y otros organismos. La conclusión principal es que comer menos proteína, o menos de ciertos aminoácidos que la componen, podría activar procesos corporales asociados con un envejecimiento más saludable y una mejor función metabólica.

Esta revisión desafía la creencia popular de que un mayor consumo de proteínas es siempre beneficioso, especialmente en el contexto de dietas altas en proteínas y suplementos. Según el doctor Lamming, para adultos que ya consumen suficiente proteína, "comer más podría ofrecer poco beneficio", y algunos estudios sugieren que reducir la ingesta podría ser más favorable para la salud a largo plazo.

¿Por qué es importante?

La proteína es un macronutriente esencial, pero su consumo excesivo se ha convertido en una tendencia global, impulsada por la industria del fitness y los productos altos en proteína. Esta revisión aporta una perspectiva matizada: el exceso no solo podría ser innecesario, sino potencialmente contraproducente para algunos procesos metabólicos.

Uno de los mecanismos clave identificados es la hormona FGF21. Cuando se reduce la ingesta de proteínas, los niveles de FGF21 aumentan, lo que promueve el gasto energético y la termogénesis en el tejido adiposo. En palabras de Lamming: "esencialmente aumenta la termogénesis en tu tejido adiposo, así que no solo almacenas grasa, sino que la quemas como combustible". Esto podría explicar por qué algunas dietas bajas en proteínas se asocian con menos grasa corporal, mejor control del azúcar en sangre y un metabolismo más saludable.

Además, la reducción de proteínas puede influir en las señales celulares que controlan el crecimiento, la reparación del daño y el reciclaje de componentes celulares viejos (autofagia), procesos que se cree que desempeñan un papel en el envejecimiento.

Consecuencias para la industria y los consumidores

Este hallazgo podría tener implicaciones significativas para la industria de alimentos y suplementos proteicos, así como para las recomendaciones nutricionales. Si bien no se trata de eliminar la proteína de la dieta, sí se cuestiona la necesidad de consumir cantidades muy elevadas.

Para los consumidores, el mensaje es claro: la cantidad óptima de proteína depende de cada individuo. La revisión no aboga por una dieta baja en proteínas para todos, sino por evitar el exceso innecesario. Es importante diferenciar entre restricción de proteínas y deficiencia proteica; la primera puede ser beneficiosa, la segunda es perjudicial.

Qué deben saber los lectores

• No se trata de eliminar la proteína. La restricción se refiere a reducir la ingesta cuando ya se cubren las necesidades básicas, no a privar al cuerpo de un nutriente esencial.
• La evidencia es preliminar. Aunque la revisión abarca numerosos estudios, la mayoría son observacionales o en modelos animales; se necesitan más ensayos clínicos en humanos para confirmar estos efectos.
• La cantidad adecuada varía. Factores como la edad, el nivel de actividad, el estado de salud y los objetivos individuales determinan las necesidades proteicas.
• La calidad de la proteína también importa. No todas las fuentes proteicas son iguales; el perfil de aminoácidos y la presencia de otros nutrientes pueden influir en los efectos metabólicos.

Contexto histórico y comparaciones

La relación entre la ingesta de proteínas y la longevidad ha sido objeto de debate desde hace décadas. Estudios previos en animales han mostrado que la restricción de proteínas puede extender la vida útil, pero los resultados en humanos han sido inconsistentes. Esta revisión destaca por su amplitud y por integrar múltiples líneas de evidencia, lo que le otorga mayor solidez.

Comparado con investigaciones anteriores, el estudio de Lamming pone énfasis en los mecanismos moleculares, como la vía de FGF21 y la autofagia, lo que podría abrir nuevas vías para intervenciones farmacológicas o dietéticas personalizadas.

Especulaciones y preguntas abiertas

Es importante señalar que esta revisión no establece una relación causal definitiva. La mayoría de los estudios revisados son observacionales, y los efectos observados en modelos animales no siempre se replican en humanos. Además, no se especifica qué niveles de reducción de proteína serían óptimos ni durante cuánto tiempo deben mantenerse.

Los investigadores sugieren que futuros estudios deberían centrarse en identificar los aminoácidos específicos que influyen en estos procesos, así como en determinar si los beneficios se mantienen en diferentes poblaciones y etapas de la vida.

Conclusión

Esta revisión científica plantea un cambio de paradigma en la forma en que concebimos el consumo de proteínas. En lugar de buscar siempre más, tal vez deberíamos preguntarnos cuánto necesitamos realmente. Para la mayoría de las personas, una dieta equilibrada que cubra las necesidades proteicas sin excesos podría ser la clave para un envejecimiento más saludable.

Como siempre, es recomendable consultar con un profesional de la salud antes de realizar cambios drásticos en la dieta. La ciencia avanza, y esta revisión es un recordatorio de que las recomendaciones nutricionales deben basarse en evidencia y no en modas.

Qué ha ocurrido: el nacimiento de Inkling-Small

Dos semanas después de lanzar su primer modelo de lenguaje de código abierto, Thinking Machines, la startup liderada por la exdirectora de tecnología de OpenAI, Mira Murati, ha presentado Inkling-Small, un modelo multimodal de razonamiento con 276 mil millones de parámetros totales y 12 mil millones de parámetros activos por token. Este nuevo modelo, disponible bajo licencia permisiva Apache 2.0, acepta entradas de texto, imagen y audio, y genera texto, con una ventana de contexto de hasta un millón de tokens.

Lo más sorprendente es que, según el Artificial Analysis Intelligence Index, Inkling-Small obtiene una puntuación de 40, solo un punto por debajo de la puntuación de 41 de su predecesor, Inkling, que tiene 975 mil millones de parámetros totales y 41 mil millones de parámetros activos. Es decir, casi el mismo rendimiento con una cuarta parte del tamaño.

Por qué es importante: eficiencia sin sacrificar rendimiento

Este lanzamiento es significativo porque aborda uno de los mayores desafíos de la IA generativa: el alto coste de despliegue y operación. Al reducir los requisitos de computación y memoria, Inkling-Small permite a las empresas ejecutar modelos de alto rendimiento con menos infraestructura, lo que se traduce en menores costes de inferencia y una mayor viabilidad para organizaciones con recursos limitados.

Además, Thinking Machines ha publicado los pesos completos en Hugging Face y ha integrado soporte para ajuste fino a través de su API Tinker. Esta apertura permite a los desarrolladores personalizar el modelo según sus necesidades, fomentando la innovación y la adopción en la comunidad.

Rendimiento: casi a la par, a veces superior

En varias evaluaciones, Inkling-Small supera a su hermano mayor. Por ejemplo, en SWE-bench Verified, obtiene un 80.2% frente al 77.6% de Inkling, y en Terminal Bench 2.1, un 64.7% frente al 63.8%. También mejora en SciCode, Humanity's Last Exam, GPQA Diamond y CritPt. Sin embargo, no todo son ventajas: Inkling conserva una clara superioridad en conocimiento factual y en algunas tareas de agente, como demuestra su puntuación de 23.7% en τ³-Banking frente al 15.5% de Inkling-Small, y su índice de omnisciencia (AA Omniscience) es negativo, lo que indica una cobertura factual más débil.

Este equilibrio entre rendimiento y eficiencia es crucial para las empresas. Como señala VentureBeat, "el atractivo no es simplemente que Inkling-Small sea más pequeño, sino que los desarrolladores renuncian a relativamente poca capacidad mientras reducen los requisitos de computación, los costes de inferencia y la huella de despliegue".

Precios y accesibilidad

Para incentivar la adopción, Thinking Machines ofrece un 50% de descuento por tiempo limitado en los precios de API. El modelo estándar de 64K de contexto cuesta $0.58 por millón de tokens de prefill (entrada), $1.44 por millón de tokens de muestreo (salida) y $1.73 por millón de tokens de entrenamiento, con tokens de prefill en caché a $0.116 por millón. También hay una variante de 256K de contexto a precios más altos.

Estos precios competitivos, combinados con la naturaleza open source, podrían democratizar el acceso a la IA avanzada, permitiendo que startups y pymes experimenten y desplieguen soluciones que antes solo estaban al alcance de grandes corporaciones.

Consecuencias: impacto en el mercado y en la industria

El lanzamiento de Inkling-Small podría intensificar la competencia en el mercado de modelos de IA de código abierto, donde ya compiten gigantes como Meta (Llama), Mistral y Alibaba (Qwen). La estrategia de Thinking Machines de ofrecer modelos de alta eficiencia podría presionar a otros actores a optimizar sus propios modelos para reducir costes, beneficiando a los usuarios finales.

Para las empresas, la posibilidad de desplegar un modelo de 276 mil millones de parámetros en hardware propio con menos GPUs es atractiva. Aunque todavía es demasiado grande para una laptop convencional, es mucho más manejable que el modelo insignia de 975 mil millones, lo que lo convierte en una opción viable para organizaciones con cierta capacidad de cómputo.

Sin embargo, hay que tener en cuenta las limitaciones. La menor cobertura factual puede ser un problema para aplicaciones que requieren precisión en conocimientos generales, como asistentes virtuales o sistemas de recuperación de información. Las empresas deberán evaluar cuidadosamente si el equilibrio entre rendimiento y coste se ajusta a sus casos de uso específicos.

Qué deben saber los lectores

• Rendimiento casi equivalente: Inkling-Small está a solo un punto de su predecesor en el índice de inteligencia de Artificial Analysis, y en algunas pruebas incluso lo supera.
• Eficiencia significativa: Con 276 mil millones de parámetros totales y 12 mil millones activos, reduce los costes de inferencia y despliegue en comparación con el modelo insignia.
• Open source y personalizable: Disponible bajo Apache 2.0 con pesos completos en Hugging Face y soporte para ajuste fino mediante la API Tinker.
• Precios promocionales: Descuento del 50% en las tarifas de API durante un tiempo limitado, con precios que oscilan entre $0.58 y $1.73 por millón de tokens según el tipo.
• Limitaciones factuales: Su cobertura de conocimiento general es más débil que la de Inkling, lo que puede afectar a aplicaciones que requieran información factual precisa.

"La eficiencia es el nuevo campo de batalla en la IA. Inkling-Small demuestra que es posible lograr un alto rendimiento sin necesidad de infraestructuras masivas, lo que podría acelerar la adopción empresarial y reducir la barrera de entrada."

Contexto histórico y comparaciones

Este movimiento de Thinking Machines se produce en un momento en que la industria de la IA busca modelos más eficientes. Ya hemos visto ejemplos como Inkling, que se centró en bajo coste y resistencia a la censura, y ahora con Inkling-Small se refuerza la tendencia hacia la optimización.

Comparado con otros modelos open source, como Llama 3.1 de Meta, que tiene 405 mil millones de parámetros, Inkling-Small ofrece un rendimiento superior en algunas tareas de razonamiento, pero con una huella menor. Esto podría cambiar las expectativas sobre lo que se necesita para obtener resultados de vanguardia.

En resumen, Inkling-Small es un paso adelante en la democratización de la IA, ofreciendo un equilibrio atractivo entre rendimiento y coste. Las empresas que buscan implementar soluciones de IA generativa deberían considerar seriamente esta opción, especialmente si tienen necesidades de razonamiento y multimodalidad sin requerir un conocimiento factual exhaustivo.

El 23 de junio de 2026, Cloudflare anunció que cdnjs, uno de los CDNs de código abierto más transitados de Internet, ahora opera exclusivamente sobre su plataforma para desarrolladores. Esta migración, detallada en el blog oficial de la compañía, no solo marca un hito técnico sino que redefine el papel de cdnjs en un ecosistema web dominado por bundlers y asistentes de IA.

¿Qué ha ocurrido?

cdnjs es un CDN gratuito y de código abierto que sirve librerías JavaScript y CSS. Desde 2011, cuando los bundlers eran una rareza y npm apenas nacía, cdnjs se convirtió en la forma estándar de cargar jQuery, Bootstrap o Lodash mediante una simple etiqueta <script>. Hoy, con más de 108.000 peticiones por segundo y 9 mil millones de peticiones diarias, cdnjs es utilizado por aproximadamente el 12% de todos los sitios web, con una cuota del 48,3% en el mercado de CDNs para JavaScript.

La migración traslada toda la infraestructura de cdnjs a los servicios de Cloudflare: Workers para la lógica de servidor, Workflows para procesos de larga duración, D1 como base de datos, Queues para mensajería, Workers Cache para caché, R2 para almacenamiento de objetos, KV para datos clave-valor y Containers para cargas específicas. Antes, cdnjs dependía de una combinación de servicios heredados y sistemas propietarios, pero ahora todo corre sobre la plataforma unificada de Cloudflare.

¿Por qué es importante?

La migración tiene varias implicaciones de calado:

• Madurez de la plataforma: Cloudflare ha demostrado que su plataforma puede sostener una carga masiva y diversa. cdnjs no es un proyecto trivial: sirve 9 mil millones de peticiones diarias con un 98,6% de aciertos de caché. Si la plataforma puede con esto, puede con casi cualquier cosa.
• El auge de la IA generativa: El artículo de Cloudflare destaca que los modelos de lenguaje como ChatGPT, Claude o Cursor utilizan cdnjs de forma recurrente al generar prototipos HTML. La consistencia de las URLs y la inmutabilidad de las versiones hacen de cdnjs una fuente fiable para la IA, lo que explica en parte su enorme tráfico.
• Seguridad y confianza: cdnjs ofrece hashes SRI (Subresource Integrity) que verifican la integridad de los archivos, algo crucial en un contexto de crecientes ataques a la cadena de suministro. La migración a la plataforma de Cloudflare refuerza la seguridad y la auditabilidad del servicio.
• Gratuidad sostenible: cdnjs seguirá siendo gratuito para siempre, sin claves API ni límites de tasa. Cloudflare asume el costo como parte de su estrategia de 'dogfooding', es decir, usar sus propios productos para validarlos.

Consecuencias para el ecosistema

Para los desarrolladores, el cambio es transparente: las URLs de cdnjs.cloudflare.com siguen funcionando igual. Sin embargo, la migración podría acelerar la adopción de la plataforma de Cloudflare entre empresas que hasta ahora dudaban de su capacidad para manejar picos extremos. Si cdnjs corre sobre Workers, R2 y D1, cualquier startup puede plantearse migrar su infraestructura a estos servicios con mayor confianza.

Además, el hecho de que cdnjs sea ahora un 'producto de referencia' de la plataforma de Cloudflare puede influir en la hoja de ruta de la compañía. Cloudflare ya ha señalado que la migración reveló límites en la plataforma que fueron superados durante el proceso, lo que sugiere que seguiremos viendo mejoras en Workers, D1 y otros servicios.

Qué deben saber los lectores

• No hay cambios para los usuarios: Si usas cdnjs en tus proyectos, no tienes que hacer nada. Las URLs y el funcionamiento son idénticos.
• La IA depende de cdnjs: Si utilizas asistentes de IA para generar código, es muy probable que las librerías que cargan provengan de cdnjs. La migración garantiza que este flujo se mantenga estable.
• La plataforma de Cloudflare es seria: Este es un caso de uso de producción a gran escala que valida la plataforma. Si estabas considerando Workers o R2, es una buena señal.
• El futuro de cdnjs: Cloudflare planea seguir mejorando cdnjs, incluyendo la corrección de hashes SRI heredados que no coinciden con los archivos reales. La comunidad puede esperar una mayor transparencia y herramientas de auditoría.

“cdnjs es un pilar de Internet que a menudo se da por sentado. Su migración a la plataforma de Cloudflare no solo garantiza su sostenibilidad, sino que demuestra que la infraestructura de borde puede manejar cargas que antes requerían soluciones a medida.”

En resumen, la migración de cdnjs es un hito técnico y estratégico. Refuerza la posición de Cloudflare como líder en infraestructura de borde, asegura un servicio crítico para la web y la IA, y ofrece una lección sobre cómo el 'dogfooding' puede llevar a una plataforma a su máximo nivel.

¿Qué ha ocurrido?

Nvidia ha dado un paso histórico al presentar su primera CPU completamente personalizada, denominada Vera, junto con sus núcleos Olympus. Este lanzamiento, detallado en un whitepaper reciente, marca la entrada directa de Nvidia en el mercado de CPUs para centros de datos, compitiendo frontalmente con Intel y AMD. Vera está diseñada para funcionar tanto como nodo principal de los sistemas de IA (gestionando GPUs en las próximas plataformas Vera Rubin) como para alojar agentes de IA, un mercado emergente que no depende de GPUs.

La arquitectura de Vera es notable: un die de cómputo monolítico de 88 núcleos Armv9.2, fabricado en el proceso de 3nm de TSMC, rodeado de chiplets para memoria e I/O. Esta configuración, similar a la de Amazon Graviton 4, busca maximizar el ancho de banda y reducir la latencia entre núcleos. Además, Vera soporta configuraciones de doble socket (Vera CPU Superchip) con una interconexión NVLink-C2C de 1.8 TB/s bidireccional, ofreciendo un total de 176 núcleos y 352 hilos.

¿Por qué es importante?

Este movimiento es importante por varias razones. Primero, Nvidia, conocida principalmente por sus GPUs, ahora compite en el segmento de CPUs, un mercado dominado por Intel y AMD durante décadas. Segundo, la adopción temprana por parte de grandes nombres como Alibaba, ByteDance, Meta, Oracle, CoreWeave, Lambda, Nebius y NScale indica una fuerte demanda de CPUs especializadas para IA. Tercero, el diseño de núcleos Olympus, aunque basado en IP de Arm, muestra la capacidad de Nvidia para innovar en arquitectura de procesadores, con un decodificador de 10 vías y 8 ALUs de enteros, enfocado en eliminar cuellos de botella en la ejecución de tareas de IA y agentes.

El contexto histórico es crucial: Nvidia ya había incursionado en CPUs con la serie Grace, pero utilizando núcleos Arm estándar. Con Vera, Nvidia demuestra su intención de controlar toda la pila tecnológica, desde la CPU hasta la GPU, ofreciendo soluciones integradas que podrían reducir la dependencia de arquitecturas x86.

¿Qué consecuencias tendrá?

Las consecuencias son múltiples. Para Intel y AMD, Vera representa una amenaza seria, especialmente en el segmento de centros de datos donde la IA es prioridad. La alta eficiencia energética y el ancho de banda de memoria de Vera (2.4 TB/s en configuraciones Superchip, el doble que AMD Turin Epyc) podrían atraer a hyperscalers que buscan maximizar el rendimiento por vatio. Para el mercado, la entrada de Nvidia podría acelerar la adopción de arquitecturas Arm en servidores, erosionando el dominio de x86.

Además, el enfoque en agentes de IA es estratégico: a medida que los modelos de lenguaje se vuelven más eficientes, los agentes que ejecutan lógica y razonamiento no requieren GPUs, y Vera podría convertirse en la CPU preferida para esas cargas. Esto podría cambiar la dinámica de costos en los centros de datos, ya que los agentes son más ligeros y requieren menos recursos.

¿Qué deben saber los lectores?

Los lectores deben saber que, aunque Vera es una CPU prometedora, su éxito dependerá de la disponibilidad de software optimizado y del ecosistema. Nvidia ha asegurado compatibilidad con Armv9.2, pero los desarrolladores necesitarán herramientas para aprovechar sus características específicas. Además, la estrategia de Nvidia de vender Vera como plataforma independiente (sin GPUs obligatorias) es un cambio importante, ya que anteriormente sus CPUs eran complementos de sus GPUs.

Especulación: aunque no está confirmado, es probable que veamos versiones futuras de Vera con más núcleos y mejoras en el proceso de fabricación. También es posible que Nvidia ofrezca paquetes integrados con sus GPUs para simplificar el despliegue, pero esto es solo una conjetura basada en tendencias del mercado.

En resumen, Vera es un hito en la historia de Nvidia y del mercado de CPUs. Su impacto se sentirá en los próximos años, y los profesionales de TI y tomadores de decisiones deben estar atentos a su evolución.