← Portada | Mercado

Rediseñar el Agent personal desde el preentrenamiento: la lógica full-stack y el despliegue de cómputo detrás del liderazgo de descargas de Muse

2026-11-11 · Fuente:虎嗅·中继

Rediseñar el Agent personal desde el preentrenamiento: la lógica full-stack y el despliegue de cómputo detrás del liderazgo de descargas de Muse

Muse alcanzó en menos de dos semanas la cima de las descargas de aplicaciones en Estados Unidos; Zuckerberg detalla los tres pilares (máquina virtual en la nube, memoria y sistema de permisos) y revela que, tras las desviaciones de Llama 4 respecto a lo previsto, reorganizó el equipo central de investigación y mantiene la apuesta creciente por el cómputo en su ruta de alcance.

Meta vuelve por fin a tener un producto de IA que se expande con rapidez. Según el texto de la noticia urgente, Muse llegó en menos de dos semanas al primer puesto del ranking de descargas de aplicaciones en Estados Unidos y, según las cifras de Sensor Tower, acumulaba a 22 de septiembre más de 2,5 millones de descargas. Para una empresa que lleva tiempo buscando el impacto en las aplicaciones de IA de consumo, el mérito de este resultado no está en la lista misma, sino en que valida una hipótesis de producto: los usuarios están dispuestos a entregar tareas reales, cuentas reales y decisiones reales a un Agent de IA que corre de forma permanente, y no solo a usarlo como ventana de chat.

En la conversación con el periodista tecnológico Alex Heath, Zuckerberg desmontó el diseño full-stack de este Agent personal. El primer pilar es la máquina virtual en la nube: Muse está dotada de capacidad de acción permanente, puede operar el ordenador en segundo plano, iniciar sesión en servicios y hacer avanzar los objetivos del usuario. Es una diferencia de fondo respecto a la mayoría de los asistentes del mercado, que dependen del dispositivo del usuario y solo viven durante la sesión. Una máquina virtual en ejecución permanente significa que el Agent puede «trabajar aunque no estés», esa es la base hardware del salto de «herramienta» a «apoderado», y exige de los centros de datos y de la capacidad de planificación de la virtualización de Meta un listón más alto.

El segundo pilar es la memoria. La memoria convierte a Muse de herramienta puntual en servicio de largo plazo, capaz de ajustar sus pasos siguientes según las tareas ya completadas y la retroalimentación del usuario, y de proponer nuevos proyectos por iniciativa propia. Esto implica que el modelo no solo debe entender la instrucción actual, sino dejar espacio, en el preentrenamiento y la arquitectura, para el contexto de largo plazo, el seguimiento del estado de las tareas y el modelado de las preferencias del usuario: y esta es justamente la razón por la que Zuckerberg subraya que «el modelo debe diseñarse desde el preentrenamiento para esto». Señala con claridad que entender los objetivos de largo plazo del usuario y decidir los límites del uso de la información privada no puede resolverse solo con el postentrenamiento de un modelo genérico. Este juicio tiene implicaciones profundas para toda la industria: si el Agent personal necesita de verdad un diseño nativo, los modelos fundacionales hechos a medida para los escenarios de Agent serán una nueva dimensión de competencia, y no la simple reutilización del modelo insignia genérico.

El tercer pilar es el sistema de permisos. Los permisos deciden cuántas cosas se atreve a entregar el usuario a la IA: iniciar sesión, pagar, enviar correos, revelar información sensible, todo exige autorización explícita, y el Agent solo recibe los permisos que la tarea en curso necesita. Meta planea además escribir la privacidad en la arquitectura del sistema mediante máquinas virtuales confidenciales y un almacén independiente de credenciales, reduciendo las oportunidades de que la empresa y el propio Agent núcleo toquen la información sensible. Este diseño de «autorización punto por punto + privilegios mínimos» intenta trazar, entre la comodidad y la confianza, una frontera verificable, y es la condición previa clave para que un producto Agent pueda escalar.

En lo comercial, Muse parte de una cuota gratuita como punto de arranque para ampliar su base de usuarios, y Zuckerberg espera que demuestre poco a poco el valor económico del Agent personal ayudando al usuario a ahorrar, a ganar y a gestionar su negocio. En el frente de la investigación de modelos, tras las desviaciones de Llama 4 respecto a lo previsto pasó a un equipo central de investigación más reducido y sigue aumentando la inversión en cómputo para alcanzar a los modelos de frontera por otra vía. Esta declaración merece la atención de los compradores de cómputo y de los inversores en infraestructura: aun reduciendo la organización, la dirección de la inversión de Meta en cómputo sigue siendo de expansión y no de contracción, y la ejecución permanente, el almacenamiento de memoria y el cálculo confidencial del Agent personal empujarán al alza el costo de cómputo por usuario.

En seguridad, Zuckerberg se mantiene en la tesis de la difusión: una IA poderosa en manos de unas pocas instituciones es igualmente arriesgada, y solo repartiendo capacidades entre más gente se forma el contrapeso. Explica que escribió aquel largo texto casi-manifiesto porque las instituciones que invierten a gran escala tienen la responsabilidad de explicar en qué cree su equipo de investigación; su juicio descansa en tres ideas: la potenciación de las capacidades individuales es una fuente importante de la prosperidad humana, el uso primordial de la IA es crear cosas nuevas y no automatizar el trabajo existente, y la base de la seguridad futura debe ser el contrapeso adecuado de poderes y no la restricción del uso.

Para los compradores de cómputo para IA, el episodio deja varias referencias de compra. La primera: las cargas de trabajo de Agent personal son de tipo residente y no de tipo puntual; la máquina virtual en la nube, la base de datos de memoria y el entorno de cálculo confidencial implican una demanda de cómputo básico estable, de modo que al comprar conviene priorizar los contratos de largo plazo y el suministro previsible, y no depender por completo del mercado al contado. La segunda: el sistema de permisos y credenciales exige entornos de ejecución confiables; las instancias con capacidad de cálculo confidencial y los planes de almacenamiento independiente serán opciones diferenciadoras y los compradores deberían incorporarlas a sus criterios de evaluación. La tercera: la evolución de la capa de modelos hacia el preentrenamiento «diseñado de forma nativa para Agent» implica que la demanda de cómputo del lado del entrenamiento no bajará porque el equipo de investigación se reduzca, sino que puede volverse más elástica por las iteraciones arquitectónicas, y los compradores deben reservar presupuesto para los ciclos de prueba y error.

[Datos de mercado reales] Según el criterio estadístico de las órdenes en venta de la Bolsa de Cómputo Wanan (AIXX), este modelo no cuenta actualmente con datos de precios de oferta en venta. Los compradores que necesiten pedir cotización o encargar una orden de venta pueden presentar su intención a través del terminal de operaciones de AIXX; el sistema de mercado actualizará el criterio del informe en cuanto se genere una nueva orden en venta.

En conjunto, el liderazgo de descargas en dos semanas de Muse es solo el punto de partida; lo que decidirá de verdad el resultado es si los tres pilares de la máquina virtual en la nube, la memoria y los permisos logran cumplir la promesa de «actuar en nombre de las personas», y si Meta encuentra un equilibrio sostenible entre la inversión sostenida en cómputo y la arquitectura de privacidad.

Q: ¿Cuáles son los datos clave del comportamiento de mercado de Muse?

A: Muse alcanzó en menos de dos semanas el primer puesto del ranking de descargas de aplicaciones de Estados Unidos y, según Sensor Tower, acumulaba a 22 de septiembre más de 2,5 millones de descargas.

Q: ¿Por qué insiste Zuckerberg en que el modelo debe diseñarse desde el preentrenamiento para el Agent personal?

A: Considera que entender los objetivos de largo plazo del usuario y decidir los límites del uso de la información privada no puede resolverse solo con el postentrenamiento de un modelo genérico; combinado con la máquina virtual en la nube, la memoria y el sistema de permisos de autorización punto por punto, el modelo debe diseñarse para ello desde el preentrenamiento; y, tras las desviaciones de Llama 4 respecto a lo previsto, pasó a un equipo central de investigación más reducido y sigue aumentando la inversión en cómputo.

Etiquetas: Meta · Muse · Mark Zuckerberg · Alex Heath · Llama 4 · AI Agent


Lecturas relacionadas


萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado