0822 | Cargos por borrar datos en frontera, sin acusación por cámara, ensayo y estudio sobre IA

Clara Vega: Bienvenidos a Hacker News diario, en Bri Radio. Soy Clara Vega.

Mateo Ruiz: Y yo soy Mateo Ruiz.

Clara Vega: Hoy arrancamos con un caso que genera debate: cargos por delito grave contra un ciudadano que borró los datos de su teléfono en un puesto fronterizo de Estados Unidos. También hablaremos de un hombre en Ohio a quien un gran jurado no acusó por destruir una cámara de Flock, y de la decisión de la policía de no reponer esas cámaras por confianza pública.

Mateo Ruiz: Además, un ensayo sobre quedarse ciego a la inteligencia artificial, una curiosa prueba corriendo Photoshop en un chip de sesenta centavos, y la historia de Japón intentando construir su propio sistema operativo mundial. Prepárense para un recorrido por lo más destacado de la semana en tecnología.

Clara Vega: El caso contra Samuel Tunick nos deja una pregunta incómoda sobre quién es responsable cuando se borran datos en la frontera. Según la cobertura, Tunick dio a un funcionario fronterizo el PIN de emergencia, o duress PIN, de su teléfono con GrapheneOS, y fue ese oficial quien terminó erasing los datos.

Mateo Ruiz: Mmm. Y aun así terminó con cargos por delito grave. O sea, el diseño mismo del duress PIN es justamente esa función: desbloquear un teléfono a la fuerza y limpiarlo para proteger el resto del contenido. Si el propio funcionario fue el que ejecutó el borrado, el argumento de que Tunick la destruyó deliberadamente se vuelve mucho más endeble.

Clara Vega: Exacto, y ahí está el matiz legal que hace raro el resultado. La acusación es que el ciudadano borró datos de su propio equipo frente a un agente, pero la versión de la defensa apunta a que fue la herramienta de seguridad la que cumplió su función cuando se la activó. Todavía está abierto cómo va a resolver el tribunal ese punto, y mientras tanto el caso ya quedó como referencia en la discusión por lo incómodo del precedente.

Mateo Ruiz: Del caso de Tunick pasamos a otro desenlace en el extremo opuesto: un gran jurado en Ohio decidió no acusar a un hombre que había sido señalado por destruir una cámara de Flock. La conversación en Hacker News lo enmarcó casi como justicia poética, porque el argumento de fondo era que esas mismas cámaras de vigilancia han operado con poca rendición de cuentas, y en varias ciudades los fiscales directamente se negaron a perseguir a Flock cuando cometen irregularidades.

Clara Vega: Y claro, en el hilo alguien preguntó cuándo fue exactamente que eso pasó, porque no es un precedente famoso. La respuesta que circuló apuntaba a que los acuerdos y decisiones de no perseguir se toman caso por caso, casi siempre fuera del radar y sin un gran fallo que los haga visibles. Por eso la decisión del gran jurado de no presentar cargos se lee distinto según a quién le preguntes: para unos es la prueba de que la vigilancia no puede amparar el vandalismo, y para otros es que el sistema ya tolera ese tipo de destrucción como reacción.

Clara Vega: Siguiendo con Flock, la policía de Winona anunció que no va a reemplazar las cámaras que le robaron, y la razón oficial es la confianza pública. Es decir, que en lugar de reponer el equipo sustraído, decidieron dejar de operar esa red de vigilancia en esa zona.

Mateo Ruiz: Y en la discusión alguien preguntó si entonces iban a cambiarlas por cámaras de Axon, dando por hecho que el servicio de vigilancia continuaría con otro proveedor. Pero la noticia pone del lado opuesto: la decisión no es cambiar de marca, sino no reponerlas, y justo por el daño que el caso le hizo a la confianza de la vecindad. Es un desenlace que deja en el aire cuánto alcance real va a tener esa renuncia, sobre todo porque no aclara si es una postura permanente o solo de este ciclo.

Mateo Ruiz: Para cerrar el bloque, el ingeniero Rafal Cymerys publicó un ensayo que tituló "Me estoy volviendo ciego a la IA", y describe algo muy concreto: cuando intenta leer documentos con huella clara de generación por IA, su cerebro se niega a analizarlos. Los lee, pero no logra concentrarse en el contenido, y termina en idas y venidas interminables con el remitente preguntando cosas que ya estaban cubiertas en lo enviado.

Mateo Ruiz: Los ejemplos que da son tres: un documento de diseño que le pareció un copia y pega de Claude, con jerga específica de esa herramienta; una presentación de marketing de veinte páginas que mezclaba una estrategia razonable con disparates de arquitectura técnica; y un documento de requisitos que describía un concepto sencillo de forma muy verbosa, con un razonamiento interno que le sonaba a modelo de lenguaje. Él mismo admite que hay debate abierto sobre si los humanos detectamos bien el texto generado, y cita a Florian Roth por un resumen de patrones comunes en redes sociales.

Mateo Ruiz: Su hipótesis es que su cerebro se entrenó con publicaciones, correos y páginas generadas por IA, llenos de texto pero vacíos de significado, y que ahora los filtra automáticamente, como una especie de ceguera de banner. Y en la discusión de Hacker News el usuario josefritzish entró a debatir ese punto, porque si la detección humana es real, cambia cómo valoramos estas herramientas.

Clara Vega: Un estudio siguió a veintisiete mil estudiantes de doce a dieciocho años en China durante seis meses, y el resultado es un contraste fuerte: quienes usaron IA subieron su nota media de tareas un dieciocho por ciento en todas las asignaturas, pero en exámenes sin acceso a IA rindieron un veinte por ciento peor que los compañeros que no la habían usado. Ese veinte por ciento es la brecha con el grupo de control, el veinte por ciento de estudiantes que declaró no usar modelos como Doubao y DeepSeek mientras que el ochenta por ciento restante sí los usaba.

Mateo Ruiz: Es el patrón clásico de que la herramienta resuelve la tarea pero no consolida la capacidad. El artículo lo firman David Stromberg, de la Universidad de Estocolmo, con Victor Lei y Wu Yanhui, de la Universidad de Hong Kong, y lo difundió The Economist el dieciocho de agosto, antes de la publicación original del veintiuno. Y encaja con lo que los profesores ya habían señalado: The Economist recogió que corrigen ensayos formularios y de sonido sospechosamente parecido que creen generados por chatbots como ChatGPT.

Clara Vega: También da contexto a una adopción más amplia. El artículo cita una encuesta del año pasado de la empresa educativa Chegg según la cual el ochenta por ciento de los estudiantes de grado en países ricos dijo usar IA en sus estudios, y sondeos más recientes que suben la cifra al noventa y cuatro por ciento en Gran Bretaña y al noventa y tres por ciento en Alemania. La conclusión que deja el estudio es que antes de esto faltaba evidencia robusta sobre el efecto real de la IA en el aprendizaje; ahora tenemos el dato de que mejora las tareas pero no el dominio medido en condiciones sin IA.

Mateo Ruiz: Un ensayo del blog 8 Ball Rambles, publicado el veintiuno de agosto, sostiene que la búsqueda ha empeorado en silencio: los primeros resultados suelen ser contenido SEO, la misma respuesta reformulada y rellena, porque los algoritmos premiaron históricamente la extensión y la densidad de palabras clave. Cada vez aparecen más páginas generadas por IA que suenan seguras pero a veces yerran detalles técnicos sin ninguna señal clara, y la respuesta original útil queda enterrada.

Clara Vega: La causa de fondo es económica: la web premia posicionarse ante el algoritmo más que ser correcto, y la IA generativa amplió esa brecha al producir volumen plausible más rápido de lo que se puede verificar. Los buscadores responden añadiendo resúmenes generados por IA, que reducen los clics, pero entregan una paráfrasis sin fuente fácil de comprobar; y quienes más necesitan respuestas fiables son justamente los menos preparados para detectar los errores.

Mateo Ruiz: Para el autor, la preocupación central es la erosión de la habilidad de investigar: sostener una hipótesis, contrastar fuentes y notar desacuerdos. Aclara que no está contra estas herramientas, las usa por ejemplo para mejorar un currículum, pero distingue entre la herramienta que amplía capacidad y la que hace el pensar por el usuario manteniendo la sensación de control. En el hilo de la discusión, un usuario llamado manmal dice que externaliza las búsquedas tediosas a ChatGPT porque lo no obvio aparece enterrado tanto en Google como en DuckDuckGo, y otro llamado andai responde que los modelos no son buenos buscando, pero compensan consultando de otra forma.

Clara Vega: Hay una herramienta nueva llamada Claudette, en el proyecto nobuzz, que promete justo lo que describe el título: hacer que Claude deje de hablar como un artículo de BuzzFeed. En la discusión de Hacker News, un usuario llamado mcv resume la incomodidad: desearía no necesitarlo, pero la forma de hablar de Claude puede resultar cansina, y se pregunta si el modelo realmente fue entrenado con material de BuzzFeed o si Gemini es así de superior.

Mateo Ruiz: Detrás de esta historia está un artículo de Catalyst Neuro llamado "What Happens When the Cost of Intelligence Drops 100x" — qué pasa cuando el costo de la inteligencia baja cien veces. El autor, bajo el usuario bkd9, cuenta que hizo sus propios gráficos porque llevaba meses buscando exactamente eso y no encontraba lo que quería: cómo ha cambiado en el tiempo la forma más barata de alcanzar un nivel fijo de capacidad. Explica que los datos publicados por Artificial Analysis son suficientes para reconstruirlo, y pide que si alguien conoce una fuente que ya haga seguimiento de esto, con mayor resolución, se la mencione.

Clara Vega: Esa es justo la pregunta de fondo que une las dos cosas: si el costo de llegar a una capacidad fija cae cien veces, lo que cambia no es solo el precio, sino qué significa producir respuestas que suenan competentes. Y si esa producción se abarata tanto, herramientas como Claudette, que suben el control del usuario sobre el tono, se vuelven parte de la misma conversación: el ruido generado por IA se vuelve más barato que detectarlo.

Clara Vega: Anna's Archive, la biblioteca pirata que se dedica a escanear y subir libros, publicó un posteo donde deja claro cuál es su ideal: digitalizar todas las publicaciones del mundo antes de que los editores bloqueen el conocimiento por completo y antes de que las empresas de inteligencia artificial destruyan todos los libros y artículos. Y en Hacker News, un lector lanzó una pregunta directa: ¿no estarían haciendo el trabajo por las empresas de IA? Si el archivo ya subió todo, los modelos podrían simplemente descargar una copia completa de Anna's Archive.

Mateo Ruiz: Es una objeción que toca el corazón de la misión. Por un lado, el objetivo declarado es preservar material físico que está desapareciendo, libros raros que las editoriales o los escáneres corporativos están dejando de lado. Por el otro, sí, un depósito completo de obras digitalizadas se convierte automáticamente en un dataset enorme para entrenar modelos. La tensión real está en que la misma colección que salva el material también lo hace más fácil de explotar.

Clara Vega: Y eso no tiene una respuesta clara dentro del propio posteo. La misión de preservación y el riesgo de alimentar a las empresas de IA conviven sin resolverse, porque el archivo no plantea un mecanismo para impedir que alguien baje todo y lo use para entrenar. El comentario en Hacker News queda como una pregunta abierta: si el resultado práctico es que los modelos terminan con una copia completa, la frontera entre archivar y hacer el trabajo de la IA se vuelve difusa.

Mateo Ruiz: Un desarrollador publicó la historia de cómo, sin querer, terminó registrando cientos de miles de llamadas telefónicas dirigidas a bases militares. El incidente viene de explorar un protocolo antiguo que está parcialmente implementado pero al que casi nadie presta atención: el dominio e.164.arpa, un espacio que en teoría debería enrutar números de teléfono de manera equivalente a como el DNS tradicional resuelve nombres de dominio.

Clara Vega: Y lo interesante es que esto es justo lo que un comentario en Hacker News señaló: la pregunta que despierta es cuántos protocolos así existen, medio implementados y luego ignorados. El propio lector mencionó la clásica historia de Clifford Stoll en El huevo del cuco, donde una pequeña inconsistencia en la contabilidad de un sistema revela una intrusión seria. El autor no llegó a ese nivel de revelación, pero el episodio deja abierta esa misma sospecha sobre toda una capa de infraestructura olvidada.

Mateo Ruiz: De hecho, la cantidad de llamadas que pasó por su sistema no fue un número pequeño ni marginal: cientos de miles, todas apuntando a bases militares. Es decir, hay tráfico real circulando por un espacio de nombres que casi nadie mantiene ni audita. Ese volumen es lo que vuelve el hallazgo incómodo: no es un experimento de laboratorio, es tráfico vivo que nadie estaba vigilando en serio.

Clara Vega: Japón intentó en su momento construir un sistema operativo para el mundo entero, y Estados Unidos intervino. La crónica cuenta ese intento y, según un comentario destacado en Hacker News, la lección es más de ecosistema que de tecnología: el software, y especialmente los sistemas operativos, no tiene que ser el mejor, solo necesita tener la suerte de convertirse en el estándar y construir un foso alrededor de ese lugar. Ya para mediados de los ochenta, esos fosos estaban muy profundos.

Mateo Ruiz: El mismo comentario pone un ejemplo concreto: Amiga no pudo superar esa barrera. No importaba cuán buena fuera la tecnología si no estaba ya adentro del círculo donde el ecosistema, los desarrolladores, los usuarios y los fabricantes se refuerzan entre sí. El proyecto japonés llegó tarde a esa carrera, y la intervención estadounidense de la historia hay que leerla en ese contexto: cuando ya no se trata de ganar por mérito técnico sino de quién controla el estándar instalado.

Clara Vega: Y ese es el punto más duro del relato: el resultado no se decidió por calidad. El sistema japonés pudo haber sido técnicamente competitivo en abstracto, pero el juego ya estaba cerrado a nivel de adoptabilidad. La intervención de Estados Unidos entierra la posibilidad de competir en igualdad, y lo que queda es entender que en los sistemas operativos la batalla decisiva se da antes, en conseguir el lugar de estándar antes que los demás.

Mateo Ruiz: Hay un posteo que explica qué pasa cuando una GPU lee memoria, y la discusión en Hacker News llevó la cosa a un terreno más especulativo. Un comentarista recordó que durante mucho tiempo los fabricantes de chips tuvieron la inclinación de simplificar el hardware y dejar que el software se adaptara y optimizara. Durante décadas esa apuesta falló. Ahora aparece la inteligencia artificial capaz de ajustar kernels relativamente rápido, y la pregunta que deja flotando es si el hardware más simple por fin va a funcionar esta vez.

Clara Vega: O sea, el argumento es que la razón por la cual el hardware se volvió tan complejo fue que compiladores y programadores humanos no podían extraer suficiente rendimiento de una máquina sencilla. La IA que afina los kernels automáticamente debilitaría esa razón de ser. El propio comentarista aclara que no está seguro de si solo aplica a unidades como las TPU o NPU, esa clase de aceleradores, o si alcanza también a las GPU clásicas. Es una hipótesis sobre el futuro, no un resultado medido.

Mateo Ruiz: Justo, y ahí está el límite de la conversación: nadie lo ha demostrado. Es un escenario donde la capacidad de la IA para optimizar código cambia la ecuación de diseño de chips, pero sigue siendo una especulación de un lector en el hilo. Lo que sí está sobre la mesa es que el ciclo histórico de la industria, hardware caro y complejo para compensar un software lento, podría invertirse si la optimización automática madura lo suficiente.

Clara Vega: Pasando del lado del hardware, hay un post que está causando revuelo en Hacker News: un equipo reconstruyó su pila completa de microVM de Linux para que corra en Apple Silicon. Usan Firecracker en Linux, así que buscaron la API equivalente de alto nivel en macOS para hacer lo mismo en chips de Apple.

Mateo Ruiz: Y la elección de esa API es la discusión interesante. En los comentarios se debate cuánto es realmente limitado Virtualization.framework o si Hypervisor.framework es la mejor analogía con KVM, que es el punto de referencia que ya conocen del mundo Linux. Un comentarista sostiene que VZ.framework es muy limitado y que Hypervisor.framework es el análogo más cercano a KVM.

Clara Vega: Pero otro matiza: Virtualization.framework no es particularmente limitado para lo que es, y como en Linux usan Firecracker, tiene sentido usar una API de alto nivel similar en macOS. Hypervisor.framework funciona más cerca del metal, más parecido a KVM, pero la comparación no es trivial.

Clara Vega: Cambiando de reconstrucciones sobre chips caros a lo contrario, hay un relato sobre alguien que corrió Photoshop en un chip de ordenador de sesenta centavos, y el hilo en Hacker News puso esa máquina a prueba. Uno de los comentaristas lo tomó como inspiración y contó que Antix corre bien en su EEEPC 4G Surf de casi veinte años, que modificó para tener más almacenamiento.

Mateo Ruiz: Y ante la pregunta de si alcanza para algo como Photoshop, la respuesta directa fue que en blanco y negro, sí. O sea que el punto no era prometer que el chip hace milagros, sino mostrar hasta dónde alcanza con lo mínimo. El límite no está solo en el hardware sino en lo que uno está dispuesto a sacrificar.

Clara Vega: Cerramos recordando dos historias paralelas: los cargos por delito grave por borrar datos de un teléfono en la frontera de Estados Unidos, y ese jurado en Ohio que se negó a acusar al hombre que destruyó una cámara de Flock.

Mateo Ruiz: Historia cotidiana, ciencia, justicia... gracias por acompañarnos hasta aquí. Nos escuchamos en la próxima entrega.