0811 | El Reino Unido contra el anonimato, demanda a Sony, Zuckerberg y lenguajes para agentes

Clara Vega: Bienvenidos a Hacker News diario, el podcast de Bri. Soy Clara Vega, y me acompaña Mateo Ruiz. Hoy tenemos una conversación muy cargada: desde la guerra de la privacidad y el anonimato en línea hasta demandas a Sony.

Mateo Ruiz: Y no todo es polémica: también vamos a hablar de modelos de lenguaje abiertos, de lenguajes de programación para agentes, y de promesas de la inteligencia artificial que no siempre se cumplen.

Clara Vega: Además, exploraremos cómo humanizar las salidas de la IA puede ser un error, las herramientas que prometen resumir tus reuniones, y un vistazo a lo que pasa cuando la tecnología se cruza con lo absurdo.

Mateo Ruiz: Prepárense para una edición llena de matices, debates y sorpresas. Quédense con nosotros.

Clara Vega: Vamos a empezar con un reportaje de una organización de investigación llamada Effort, cuya tesis es que la guerra del Reino Unido contra el anonimato en internet ya llegó a Estados Unidos. Según su investigación, cinco organizaciones no gubernamentales extranjeras y sus afiliadas coordinaron una operación para influir en legisladores estadounidenses, con una estrategia unificada: usar la retórica de la seguridad infantil para impulsar leyes de identidad digital que impedirían a los adultos navegar por internet de forma anónima.

Mateo Ruiz: Y el caso es que, según Effort, en Reino Unido esas leyes ya se aprobaron y hoy forman parte de un sistema que vigila, arresta y encarcela a disidentes políticos. Su acusación es que esas mismas ONG británicas están ahora replicando ese plan en veintiún estados y también en el Congreso de Estados Unidos.

Clara Vega: El informe entra en detalle sobre dos organizaciones concretas. Dice que 5Rights se registró bajo la Ley de Registro de Agentes Extranjeros de Estados Unidos, la FARA, pero que no presentó información clave sobre quién está al frente de su liderazgo extranjero. Y por otro lado está el Centro para Contrarrestar el Odio Digital, el CCDH, fundado por los consultores laboristas británicos Imran Ahmed y Morgan McSweeney.

Mateo Ruiz: Al CCDH se le atribuye haber liderado el boicot contra la red social X tras la compra de Elon Musk, haber impulsado legislación de censura en Reino Unido y haber organizado eventos con funcionarios tanto de Estados Unidos como del Reino Unido. De hecho, America First Legal, un bufete vinculado a la administración Trump, acusó al CCDH en 2024 de violar la FARA por no haberse registrado.

Clara Vega: Ahora bien, hay que ser cuidadosos con el alcance de esto. Effort dice haber corroborado que Ahmed lidera ambas organizaciones y que es ciudadano británico, y que Clark y Brookes figuran como directores compartidos. Pero el Departamento de Justicia de Estados Unidos no ha anunciado públicamente ninguna investigación sobre el caso, y tampoco respondió cuando le pidieron comentarios. Así que lo que tenemos es una acusación seria, con nombres y fechas, pero sin confirmación oficial de las autoridades.

Mateo Ruiz: Cambiando de tema, hay una movilización legal que va directa contra una de las mayores plataformas de videojuegos del mundo. La campaña y la organización Stop Killing Games han lanzado un llamado a demandar a Sony, y el mensaje en Hacker News llega con un enlace a una página de una asociación de consumidores holandesa sobre acciones colectivas relacionadas con PlayStation.

Clara Vega: El contexto aquí es el problema de los juegos que desaparecen: cuando un servicio en línea se apaga, el jugador pierde el acceso a un título que pagó. La campaña Stop Killing Games lleva tiempo denunciando que cerrar servidores sin dar a los jugadores una vía para seguir jugando equivale a matar el juego.

Mateo Ruiz: Y en la discusión de Hacker News, más de un comentarista lo tomó con humor. Alguien dijo que esperaba que fuera el diss track de Geohot contra Sony, el famoso hacker que ha tenido enfrentamientos con la compañía. Otros apuntaron directamente al problema de fondo: que faltan versiones en otros idiomas para que la acción colectiva alcance más jugadores y más países.

Clara Vega: O sea, la demanda sería contra Sony porque los juegos que dependen de sus servidores dejan de funcionar sin que el usuario pueda hacer nada. Y la campaña está buscando sumar gente, especialmente jurisprudencia fuera del mundo anglófono. La conversación muestra que el enfado lleva tiempo acumulándose, pero ahora hay una vía concreta: llevar esto a los tribunales.

Mateo Ruiz: En el frente de la inteligencia artificial, Mark Zuckerberg publicó un ensayo en el que ataca a los rivales de IA que llama cerrados, y defiende el giro de Meta de vuelta a los modelos abiertos. El argumento central es que el futuro de la IA debe pertenecer a todo el mundo, algo que dejó dicho en la página oficial de la campaña: el futuro es para todos.

Clara Vega: Y este giro no es solo de palabra. Meta también anunció Muse Glimmer, un modelo de treinta mil millones de parámetros, o sea de treinta mil millones de pesos ajustables en su red, optimizado específicamente para funcionar de forma local y siempre activa en el dispositivo del usuario. En Hacker News, los comentarios celebraron que Meta vuelva a publicar pesos abiertos, que es la parte del modelo que los desarrolladores pueden descargar y adaptar.

Mateo Ruiz: La diferencia entre abierto y cerrado importa mucho para quien desarrolla: un modelo abierto se puede inspeccionar, modificar y ejecutar en tu propio hardware, mientras que uno cerrado solo se usa a través del servicio que ofrece la compañía. Que Meta apueste de nuevo por lo abierto, y además con un modelo pensado para correr localmente, va en dirección a que menos gente dependa de llamar a un servidor en la nube cada vez que quiere usar IA.

Clara Vega: Claro, y la lectura de fondo es estratégica: Zuckerberg enmarca a los rivales cerrados como el obstáculo, y a los modelos abiertos como el camino más democrático. Las palabras exactas del ensayo se publicaron junto a un enlace de respaldo archivado, pero la esencia es que Meta quiere que la conversación gire en torno a la apertura frente al control centralizado de la tecnología.

Mateo Ruiz: Y para cerrar, una pregunta que muchos equipos se hacen hoy: ¿cuál es el mejor lenguaje de programación para los agentes de código, esos asistentes de inteligencia artificial que escriben software por ti? El ensayista Dan Luu puso a prueba una afirmación muy repetida: que los lenguajes dinámicos y concisos son más eficientes en cuanto al gasto de tokens.

Clara Vega: Esa idea viene de que, al no declarar tipos, el código queda más compacto y el modelo necesita menos tokens para generarlo. Luu señala que el resumen de inteligencia artificial de Google repite esa creencia citando un estudio donde el lenguaje menos eficiente, C, quedaba a más del doble de distancia del más eficiente, Clojure. Pero Luu critica que esos ejemplos son problemas triviales, cosas que se resuelven en unas pocas decenas de tokens, y que el rendimiento en tareas tan simples no se puede extrapolar a problemas reales.

Mateo Ruiz: Y encontró un fallo experimental que merece la pena entender. En uno de los estudios, una prueba ejecutaba una ruta que no existía y fallaba; luego un agente creó un enlace simbólico de esa ruta hacia su propio ejecutable, con lo que todos los tests posteriores ejecutaban el binario de ese agente. Las fallas que se le atribuían a Rust o a otros lenguajes, en realidad solo significaban que su puntuación corrió antes de que el agente de Go hubiera enlazado todo. El experimento medía el orden de ejecución, no la capacidad de los lenguajes.

Clara Vega: Por eso Luu registró sus predicciones antes de comprobar los resultados: un noventa y cinco por ciento de confianza en que la ventaja de los dinámicos sobre los estáticos no se sostiene, un sesenta por ciento en que los estáticos serán algo mejores con un esfuerzo extremo, y un noventa y ocho por ciento en que tampoco se sostiene la supuesta superioridad de lenguajes poco comunes como J, porque los grandes laboratorios gastarán poco o nada de esfuerzo de refuerzo con datos sintéticos en lenguajes oscuros.

Mateo Ruiz: Y para probarlo él mismo, diseñó una tarea seria: implementar un decodificador completo del estándar de compresión zstd siguiendo la especificación oficial, sin acceso a internet ni a test que verifiquen el resultado. Con el modelo más avanzado al máximo esfuerzo, la prueba demuestra que preguntarse qué lenguaje es el mejor esconde una pregunta más difícil: qué lenguaje soporta el agente cuando la tarea deja de ser trivial. Y ese es un buen punto para continuar con lo que viene.

Clara Vega: Empecemos por la farmacia de Vermont que decidió dar marcha atrás con su asistente de inteligencia artificial para el teléfono. La cadena Kinney Drugs presentó en mayo a Burt, un asistente de voz que atendía a los pacientes sobre sus recetas y renovaciones. El nombre es un guiño al fundador de la cadena, pero el experimento no salió como esperaban.

Mateo Ruiz: Y es que tras el lanzamiento llegaron cientos de quejas de clientes. Hablamos de llamadas incoherentes, dosis incorrectas y notificaciones de recetas que simplemente se omitían. El caso lo destapó en primer lugar un medio local, VTDigger, y luego se extendió por todas partes.

Clara Vega: La respuesta del presidente de Kinney Drugs, John Marraffa, es bastante directa. Viene a decir que lograr que la privacidad y la seguridad estén bien no significa que hayan conseguido la experiencia correcta. Y camina por ahí: no lo logramos, y lo asumimos.

Mateo Ruiz: Ahora la cadena vuelve al sistema de teléfono clásico, el de tonos, para las llamadas entrantes de los pacientes. Eso significa que cuando tú llamas a la farmacia, vuelves a navegar por el menú tradicional. Burt solo se queda para las comunicaciones salientes, como los textos recordándote renovar una receta, y solo si tú aceptas recibirlos de forma explícita.

Clara Vega: Lo curioso es que Marraffa insiste en que Burt cumple totalmente con la ley de protección de datos de salud en Estados Unidos, la HIPAA, y que la inteligencia artificial no es de código abierto ni genera ni manipula datos. Aun así, los clientes tenían miedo de que su información personal de salud pudiera quedar expuesta a través de la plataforma.

Mateo Ruiz: La lección aquí es bastante clara: puedes hacer todo bien técnicamente en privacidad y seguridad, pero si la experiencia que le ofreces a la gente está rota, no importa. La confianza del paciente es lo que sostiene a una farmacia, y esta vez la tecnología se interpuso en el camino.

Clara Vega: Pasemos a un caso de seguridad mucho más serio, esta vez con plataformas de reuniones por video. Una empresa llamada tl;dv, que graba y resume reuniones con inteligencia artificial, dejó expuestas más de 180.000 reuniones de unas 84.000 usuarios, repartidas en más de 35.000 dominios de correo.

Mateo Ruiz: El origen del problema es una regla de seguridad que simplemente no existía en su base de datos en la nube. En la práctica, cualquier usuario autenticado podía consultar todas las reuniones, incluyendo el correo del creador, los identificadores de la videollamada original, el estado de la grabación y las marcas de tiempo. Y en un momento dado había unas mil reuniones en plena grabación, es decir, llamadas en vivo a las que se podía entrar sin invitación.

Clara Vega: El investigador que lo descubrió reportó el fallo el 28 de enero de 2026, y seis meses después seguía abierto. El director de tecnología de la empresa nunca respondió, y lo máximo que obtuvo fueron confirmaciones de lectura en sus correos. Como demostración entró sin ser invitado a una reunión del Ministerio de Educación de Malasia con más de 150 participantes, y también a una llamada de estudiantes de una universidad estadounidense que estaba configurando una aplicación en vivo.

Mateo Ruiz: Además, se identificaron reuniones de gobiernos de 23 países, todos con dominios oficiales, entre ellos Ucrania, Brasil, Colombia, Perú, México, Japón e Israel. En la discusión de Hacker News, parte de la comunidad se mostró indignada por los seis meses sin corregir algo tan crítico, y hubo quien apuntó que la dirección sabía del problema y no hizo nada. También hubo opiniones de que, si no lo arreglan en medio año, es razonable aprovecharse de la situación, aunque otros advirtieron del peligro de esa postura.

Clara Vega: Este caso deja una preocupación real de fondo. Una herramienta que graba y resume reuniones maneja conversaciones privadas de empresas y de organismos públicos, y una sola regla de seguridad ausente convierte eso en acceso abierto para cualquier usuario. Seis meses sin corrección es demasiado tiempo cuando hablamos de datos tan sensibles.

Mateo Ruiz: Cambiemos de tema, esta vez a Texas. OpenAI publicó a principios de agosto una carta dirigida al gobernador Greg Abbott sobre desarrollo responsable de infraestructura de inteligencia artificial en el estado. La compañía dice que apoya un crecimiento fiable y transparente que beneficie a los tejanos, y que espera trabajar con líderes estatales, empresas de servicios públicos y comunidades para que esta infraestructura genere beneficios significativos.

Clara Vega: La reacción en Hacker News fue bastante escéptica. Hay quien pregunta si ese compromiso es legalmente vinculante en Estados Unidos, y si no lo es, dice que no tiene sentido y lo califica de simple señal de buenas intenciones. Incluso pide que OpenAI publique sus libros para demostrar que tiene dinero para cumplir esos compromisos extra.

Mateo Ruiz: Y la respuesta a esa pregunta es que no, no es vinculante, y hay que verlo más bien como un intento de cabildeo. El contexto es importante: el gobernador Abbott acaba de pausar todo el desarrollo de nuevos centros de datos en Texas hasta que el estado pueda auditarlos. Detrás hay una cola de interconexión de unos 474 gigavatios, y el operador de la red eléctrica de Texas no puede manejarla. Para que te hagas una idea, eso es más de cinco veces la demanda máxima de electricidad de todo el estado.

Clara Vega: Y si lo ponemos en perspectiva nacional, algún comentarista añadía que eso supone más de la mitad de la carga total de la red eléctrica de todo Estados Unidos. O sea, hablamos de una demanda de energía colosal por parte de los centros de datos que estas empresas quieren construir.

Mateo Ruiz: Hay parte de la comunidad que fue incluso más cínica, sugiriendo que a la compañía le iría mejor con sobornos o cheques de contribución de campaña. Sea como sea, la carta no es vinculante, así que conviene leerla como lo que es: un gesto de buena voluntad en medio de una pelea por la energía y la infraestructura que Texas todavía tiene que resolver.

Clara Vega: Terminamos con un análisis fascinante que circuló por Hacker News, firmado por un investigador llamado Shrivu Shankar, sobre cómo averiguar secretos de entrenamiento de los modelos de inteligencia artificial más avanzados. La idea central es que se pueden aprender hechos ocultos sobre cómo se entrenaron estos modelos simplemente probándolos con peticiones cuidadosamente curadas.

Mateo Ruiz: Propone tres técnicas. Una es puntuar hechos muy nicho para aproximarse al tamaño de los parámetros de modelos como GPT-5 o Claude Opus. Otra es medir cómo descomponen los tokens, lo que puede revelar información sobre la mezcla de datos con la que se entrenaron o sobre su tokenizador. Y la tercera es usar preguntas de fecha o de autoidentificación para estimar cuándo completaron su entrenamiento.

Clara Vega: Ahora bien, el propio autor advierte que todo esto es una estimación, y que parte de la especulación podría ser totalmente incorrecta porque no hay datos oficiales públicos contra los que comprobar. Así que lo tomamos como lo que es: una aproximación razonada, no una certeza.

Mateo Ruiz: El artículo también describe cómo funciona el entrenamiento en tres etapas. Primero, un pre-entrenamiento con datos generales masivos, básicamente internet a gran escala. Después, datos más específicos de calidad superior para refinar el modelo base. Y por último, la conversión de ese modelo base en el asistente final, con personalidad, razonamiento y capacidad para llamar a herramientas.

Clara Vega: Y hay una pista interesante sobre cómo se llama a las versiones. Al parecer, los saltos grandes en el pre-entrenamiento suelen traducirse en versiones mayores, como pasar de GPT-4 a GPT-5, mientras que las mejoras de la etapa posterior se manifiestan como versiones menores. Además, los laboratorios tienden a destilar un único modelo final en variantes más pequeñas, que es de donde salen familias como las que ya conocemos en los catálogos de estos modelos.

Mateo Ruiz: Lo más útil de todo esto para quien sigue la industria es tener criterio a la hora de interpretar anuncios de nuevos modelos. Cuando una compañía lanza una versión mayor no es solo un parche: puede estar hablándonos de un salto real en datos de entrenamiento. Y cuando lanza una variante más pequeña, probablemente sea la versión destilada de algo mayor que ya existe. Eso cambia cómo leemos las noticias, aunque siempre con la precaución de que son estimaciones sobre un proceso que las empresas no hacen público.

Clara Vega: El ensayo de Kuber Mehta, que circula en Hacker News, tiene un título bastante provocador: «humanizar las salidas de los modelos es una tontería». Lo que sostiene es que pedirle a la IA que suene más humana es la abstracción equivocada, y que se está moviendo hacia otra cosa: indicios de la cultura de la IA que aparecen en X, en repositorios virales de GitHub y en Hacker News, como los famosos «skills» tipo «tengo TDAH», o instrucciones que exigen que las respuestas se produzcan en inglés técnico simplificado, el estándar aeronáutico para manuales.

Mateo Ruiz: Y su queja de fondo es interesante: esas instrucciones de estilo no se aplican después de que el modelo termina el trabajo, sino que pasan a ser parte del mismo trabajo. Quiero decir, el problema no es cómo suena la respuesta, sino que envolver y pulir el texto se convierte en la tarea en sí.

Clara Vega: En los comentarios, un usuario confesaba que frases como «llamadas directas a modelos como trabajadores semánticos reemplazables» le hacen exactamente lo mismo que la literatura florida: leer y no enterarse. Así que, tras cualquier respuesta larga, le dice al agente que vuelva atrás y descomprima cualquier «lenguaje de modelo» a la luz de los objetivos de nivel superior, y que elimine el lenguaje deíctico. Conserva la salida cruda para el uso futuro del agente, pero necesita una traducción intermedia para poder trabajar él.

Mateo Ruiz: Un matiz curioso: ese término, «lenguaje deíctico», generó su propia polémica. Un comentarista tuvo que preguntarle a un modelo de lenguaje qué significaba, y otro le respondió, con toda la razón, que también podía buscarlo en un diccionario. Hay quien compara el efecto de leer esa jerga con leer «Orientalism», de Edward Said, y hasta sugiere, medio conspirativo, que todo esto es una estrategia de encierro de cliente: que los mejores resultados se consiguen con agentes de la misma tribu.

Clara Vega: Pasamos a un estudio de salud que se está discutiendo mucho en Hacker News, publicado en una revista de neurología. Un comentarista lo sitúa muy bien: ya sabíamos que la salud cardíaca a los 50 predice la salud cerebral a los 75, pero este estudio cuantifica el beneficio. Las personas con carga vascular óptima en la mediana edad, es decir, sin factores de riesgo, tuvieron unos 30 años de supervivencia libre de demencia.

Mateo Ruiz: Frente a unos 17 años y medio para quienes tenían los tres factores de riesgo que midieron: presión arterial elevada, diabetes y tabaquismo. Eso es una diferencia de unos doce años y medio de vida libre de demencia. Y otro comentarista, citando el artículo, habla incluso de hasta doce coma seis años adicionales con salud vascular óptima.

Clara Vega: Lo más alentador es la parte práctica. Se señalaba que cambios moderados de dieta y de estilo de vida pueden impactar de forma significativa la última década de vida, porque estos efectos se acumulan durante décadas. Un comentarista insistía en que estos factores no solo marcan tu futuro, sino que empeoran con la edad, y por eso el momento de arreglar la salud es ahora.

Mateo Ruiz: Y la recomendación sensata que emergía del hilo era no entrar en pánico ni castigarse por los hábitos del pasado. El mensaje es esperanzador porque tienes margen de acción, pero conviene empezar cuanto antes, no esperar.

Clara Vega: Otro hilo nos trae un ensayo con un título delicioso: «porque no es lo bastante divertido». Está inspirado en una serie de artículos sobre por qué los lenguajes de programación suben y caen. La conclusión central, que cita a Simon Peyton Jones, es que la adopción de un lenguaje está muy débilmente conectada con sus méritos técnicos.

Mateo Ruiz: Y la tesis es que la programación es a la vez vocación, arte y trabajo. Un lenguaje que dificulte innecesariamente cualquiera de esas tres cosas no sobrevive más allá del momento en que se puede reemplazar. Lo ilustran con ejemplos clásicos: Pascal sin un tipo de cadena usable, o Tcl sin soportar programas pesados, fallaron como trabajo. Ada y PL/I fueron lenguajes de mandato, y nadie ama un mandato.

Clara Vega: Hay una distinción muy buena entre dos tipos de dificultad. Está la dificultad del violín: exigente, elegida, con recompensa, como C++ o Rust. Y está la fricción, que es dificultad sin retorno suficiente. Y en la discusión, algún comentarista extendía el argumento a la adopción de la inteligencia artificial: para la persona que solo quiere las notas, el sampler gana el trabajo por completo. Si el resultado es bueno y el esfuerzo de usarlo es bajo, nadie se queda con la herramienta difícil.

Clara Vega: Y cerramos con algo mucho más técnico y muy divertido: un repositorio de GitHub que explota lo que se llama System Management Mode, el modo de gestión del sistema. Para darte contexto: es un entorno de ejecución seguro y ultra privilegiado que corre invisiblemente en segundo plano en cada CPU x86. Este ataque usa una instrucción de máquina increíblemente larga para romperlo.

Mateo Ruiz: El truco es que ese modo exige que todos los núcleos estén a la vez dentro o fuera de él. Cuando un hilo entra, los demás también tienen que entrar. El ataque orquesta que el núcleo cero inicie una instrucción muy larga, que el núcleo uno invite al otro a entrar, se rinda, haga su trabajo secreto y salga, y solo entonces entre el núcleo cero. Así, un núcleo queda fuera mientras el otro está dentro, y puede atacarlo.

Clara Vega: Y aquí está lo cómico: la condición necesaria es una instrucción que dure unos 4.000 millones de ciclos, más de un segundo de tiempo real, cuando instrucciones normales tardan un solo ciclo. El autor dedica toda una sección al «timeout de un segundo» del firmware, y el propio archivo de descripción no se cansa de recalcar que la instrucción debe ser larguísima, con muchas oes.

Mateo Ruiz: La discusión es a juego. Alguien preguntaba en broma si serviría una instrucción corta, y la respuesta era que solo si la instrucción corta es increíblemente larga. Es un recordatorio de cuánto ingenio, y también cuánto humor, cabe en la seguridad de los sistemas.

Clara Vega: Vamos con Ante, un agente de codificación que su autor, Mohan, de Antigma Labs, presenta como un único binario de unos quince megas que funciona sin conexión. La apuesta es que no necesitas runtime, ni las típicas carpetas de dependencias, ni siquiera una cuenta para empezar. Trae su propia interfaz de terminal, un buscador de texto embebido, conversión de PDF a texto local y un motor de modelos de lenguaje gestionado de forma nativa.

Mateo Ruiz: La clave está en cómo maneja los modelos. Instala una build oficial del motor llama.cpp, fijada y verificada por checksum según tu máquina: Metal en los Apple Silicon, y CUDA, Vulkan o CPU en Linux. Además, detecta modelos GGUF que ya tengas en disco, se conecta a servidores llama que ya estén corriendo, y estima la RAM o VRAM necesaria antes de cargar nada.

Clara Vega: Y el flujo offline es directo: si escribes el comando con la ruta a un modelo local, arranca el servidor, ejecuta la sesión y lo apaga. Sin red ni clave de API una vez que el modelo está en disco, y con la telemetría desactivada no envía nada. Eso sí, Mohan reconoce que el modo offline está en desarrollo activo y tiene bordes ásperos.

Mateo Ruiz: Sobre rendimiento, ha publicado números medidos. Con un modelo local de 27 mil millones de parámetros, que supone una descarga de unos diecisiete gigas, obtienen un 56,2 por ciento en la referencia Terminal-Bench 2.1. Y él mismo admite que hay una brecha real frente a los modelos frontera. Su apuesta es mezclar proveedores alojados y modelos locales en un mismo catálogo y cambiar a mitad de sesión con un comando.

Clara Vega: Para contexto, el README en GitHub añade que la última ejecución pública alcanzó un 82,7 por ciento con el modelo DeepSeek V4 Flash, con unos 68 dólares de inferencia. Una cifra que el propio DeepSeek reporta igual con su propia prueba interna. El punto es que la brecha entre lo local y lo frontera sigue siendo real, pero el proyecto apuesta por dejar que cada sesión elija el proveedor que mejor encaje.

Mateo Ruiz: Cambiamos de plano con la optimización de llamadas finales en C, un tema que un artículo de LWN del verano pasado explica como relativamente reciente. Firmado por Anton, el artículo parte de la idea de que, en C, la convención de llamada no hace que la función llamada retire los argumentos de la pila. Eso obligaba al llamador a quitarlos entre la llamada y el return, y esa secuencia convertía la llamada en no final.

Clara Vega: Anton recuerda que en 1994 los compiladores de C no hacían esta optimización, y que fue en 2001 cuando Mark Probst la implementó en GCC con una convención de llamada separada, con limitaciones como no manejar llamadas indirectas. Tras leer el año pasado un artículo técnico sobre compilación eficiente, probó gcc y clang y comprobó que sí optimizan las llamadas finales mostradas.

Mateo Ruiz: Lo interesante es que la discusión en los comentarios matiza bastante el tema. Un usuario dice que no sabía que C hubiera tardado tanto, porque las implementaciones tipo ML ya las tenían en los años ochenta o noventa. Otro le corrige: C sigue sin tener llamadas finales propias, solo extensiones específicas de compilador, y el estándar ISO del lenguaje no las recoge, a diferencia de otros estándares. Y otra voz añade que ya se está redactando una especificación técnica formal al respecto.

Clara Vega: El corcho del debate es que los participantes hablaban de cosas distintas. Uno aclaró que se refería a la optimización de llamadas finales, no a las llamadas finales en sí. Y en el trasfondo está el artículo original de Anton conectado con la optimización en Python, además de su felicitación a la comunidad de Python por llegar primero en algo que él aún no ha incorporado a su propio proyecto.

Clara Vega: Pasamos a algo muy distinto: usar el SIMD portable de Rust, la parte de la biblioteca estándar para vectorización, directamente en la GPU. El proyecto VectorWare lo anuncia en su blog y afirma que está construyendo la primera empresa nativa de GPU. La idea central es sencilla: antes mapeaban cada hilo de Rust a un warp de GPU, y ahora ese warp, con sus 32 canales, se trata como una unidad vectorial completa.

Mateo Ruiz: La tesis del artículo es que el modelo de ejecución de las GPUs modernas es, en el fondo, SIMD: que un tipo vectorial de Rust se mapea directamente a un warp. El mismo código core::simd que en CPU baja a instrucciones x86 o Arm, en GPU baja a instrucciones warp, sin cambiar la fuente. Un ejemplo pequeño con una función principal sin anotaciones de GPU compila a un kernel y el resultado se imprime desde el propio dispositivo.

Clara Vega: El autor, que se presenta bajo el seudónimo LegNeato, hace un AMA en Hacker News, y una de las partes más jugosas es cómo capturan errores en tiempo de compilación. Usan tipos para modelar cosas como la forma de ejecución: por ejemplo, un tipo representa un desplazamiento de un canal hacia abajo, otro un broadcast, otro un patrón mariposa. Y si intentas usar una barrera de dispositivo en un ejecutor de warp, el compilador falla porque ese scope no está implementado para ese tipo.

Mateo Ruiz: Otro usuario pregunta dónde encaja esto en el panorama entre kernels CUDA y otras capas, y el tema del reparto de trabajo también está tipado por cantidad de trabajo y capacidad de canales. Los reducciones horizontales usan instrucciones de mezcla del warp. En conjunto, el proyecto intenta que tu código vectorial en Rust se exprese una vez y corra igual de natural en CPU y en GPU, con seguridad en tiempo de compilación sobre lo que puedes o no hacer en cada unidad de ejecución.

Clara Vega: Cerramos con Docker Sandboxes, presentado oficialmente como sandboxes desechables y aislados para agentes de codificación. Cada agente corre dentro de una microMáquina virtual dedicada, con el entorno de desarrollo y solo el workspace del proyecto montado. Los agentes pueden instalar paquetes, modificar configuraciones y levantar sus propios contenedores Docker mientras que la máquina del anfitrión queda intacta.

Mateo Ruiz: La promesa es que no hay revisión manual, ni prompts de permiso, ni supervisión. De hecho, el modo por defecto se llama explícitamente 'peligrosamente omitir permisos', lo que la comunidad llamaría modo YOLO. Aun así, se pueden definir controles de red y de sistema de archivos, y aplicarlos a nivel de organización con lo que llaman Docker AI Governance. Hay soporte de fábrica para varios agentes conocidos, como Claude Code, Gemini CLI, Copilot CLI, Codex, OpenCode y Kiro, y la posibilidad de crear los tuyos propios.

Clara Vega: En Hacker News, el punto más repetido es otro: la herramienta exige iniciar sesión. Un usuario la califica directamente de basura, otro se muestra decepcionado al saberlo, y otro rechaza tener que hacer login para una herramienta de desarrollo local. Luego alguien confirma el requisito y añade que existe una suscripción específica para gestionar políticas de sandbox en la empresa, que es justo la AI Governance que mencionábamos.

Mateo Ruiz: Y dejan una pregunta abierta que no está resuelta: cómo se puede hacer cumplir el uso de Docker Sandboxes frente a ejecut... bueno, frente al resto de formas en las que un desarrollador podría saltarse el sandbox. Esa pregunta queda sin respuesta en el hilo, pero apunta a que la promesa de confinamiento total depende de que el equipo realmente lo use como única vía.

Clara Vega: Y con eso cerramos el programa de hoy. Repasamos el regreso de Meta a los modelos abiertos, la batalla legal contra Sony por los juegos que matan a sus servidores, y también el curioso caso de la farmacia que retiró su asistente de IA telefónico después de cientos de quejas de clientes.

Mateo Ruiz: Hablamos además de los límites de conocimiento de Claude y GPT, de por qué humanizar las respuestas de la IA no siempre tiene sentido, y trajimos debates de Hacker News sobre el mejor lenguaje de programación para agentes de código y sobre los entornos de prueba desechables para desarrolladores.

Clara Vega: Un episodio lleno de matices, como siempre. Nos escuchamos en la próxima entrega. Cuídense mucho. [breath]