La República Checa parece ser un buen lugar para Suiza y su selección nacional de hockey sobre hielo. En 1992, los suizos derrotaron a Alemania por 3-1 en los cuartos de final del Mundial de Praga y volvieron a aparecer en la escena pública por primera vez después de décadas llenas de derrotas y humillaciones. Ahora fue otra victoria por 3-1 contra Alemania el jueves, pero esta vez en Ostrava, a unos 300 kilómetros de Praga, que los liberó del trauma de los cuartos de final y de Alemania como un oponente temible.

Fue la primera victoria de los suizos contra los alemanes en un partido realmente importante después de cuatro derrotas, a veces dolorosas. El último, hace un año en Riga, puso en duda todo: el trabajo del entrenador, la calidad de la liga, el rendimiento de los jugadores.

Todas las críticas parecen haber sido borradas

Todo eso ahora parece haber sido borrado. Los suizos volverán a enfrentarse a Canadá el sábado en su primera semifinal desde 2018 en Copenhague (a partir de las 18:20). Hace seis años, los suizos fueron imparables allí y irrumpieron en la final contra Suecia con una victoria por 3-2, que solo perdieron en la tanda de penaltis.

¿Y qué viene este año? Patrick Fischer dijo después de la victoria contra Alemania que se había quitado un peso de encima. «Estoy muy orgulloso de mi equipo». Nunca tuvo miedo de que el partido terminara como hace tres años a pesar de una ventaja de 2-0.

Por supuesto, hubo momentos difíciles, como el inmediatamente después del gol de Dominik Kahun. “Pero mantuvimos la calma, bloqueamos tiros y todos luchamos unos por otros. Me alegro por todos aquellos que nunca perdieron la fe en nosotros».

Los suizos impresionan especialmente en la República Checa como unidad armoniosa. De principio a fin, todos los jugadores trabajan juntos de forma solidaria. Fischer bromeó diciendo que solía ser un delantero ofensivo. Hoy sabe que la defensa es más importante para el éxito. La selección suiza de hockey sobre hielo se encuentra en medio de un proceso sorprendente. En los últimos cuatro años de Mundiales, ha perdido 4 de 28 partidos en la fase de grupos; En tres ocasiones terminó esta fase del torneo en uno de los dos primeros lugares.

Ahora los suizos han vuelto a superar el obstáculo de los cuartos de final. La recompensa por ello es el duelo con Canadá, la patria del hockey sobre hielo. Es posible que los canadienses ya no sean la fuerza dominante que alguna vez fueron. Durante décadas, sólo la Unión Soviética y más tarde los rusos pudieron representar una amenaza seria para ellos. El hockey sobre hielo ha cambiado significativamente debido a la apertura de la NHL y su mayor demanda de jugadores, especialmente de Europa. En los últimos años, los suecos y los finlandeses también han ganado títulos en repetidas ocasiones.

Pero los canadienses siguen siendo campeones mundiales récord con 28 títulos. También ganaron la final contra Alemania hace un año en Tampere. Su equipo en Praga está bien dotado de personal. Pero faltan las estrellas absolutas como Nathan MacKinnon de Colorado o Connor McDavid de Edmonton, así como el mejor defensor, Quinn Hughes de los Vancouver Canucks. El jugador más conocido del equipo es probablemente John Tavares de Toronto, quien jugó brevemente para el SC Bern durante el cierre patronal de 2012-13.

Pero, irónicamente, el jugador de la NHL más consistente de los últimos años está en la selección suiza. Roman Josi no sólo es un defensor confiado en Nashville, sino también un goleador habitual. La temporada pasada, el bernés de 33 años marcó 88 goles. Este es un valor absolutamente superior incluso en el extranjero.

Los jugadores quieren “disfrutar” de las semifinales

Josi es una de las razones por las que los suizos serán cualquier cosa menos forasteros y sin posibilidades contra los altamente valorados canadienses el sábado. El tenor de la selección suiza es unánime: “Queremos disfrutar de este partido”. Hay mucho del pasado enterrado en la declaración; Las repetidas derrotas en cuartos de final y el eco mediático que provocaron han dejado su huella. Fischer dice: «No se nos pasó por alto el hecho de que siempre tropezábamos en los cuartos de final».

El técnico afirmó este jueves que ahora es el momento de tomar aire y disfrutar. Pero luego seguimos adelante. No sólo estás feliz de seguir ahí. La confianza de Zuger radica en la certeza de contar con un equipo que no tiene que esconderse de nadie. Además de Josi, en este equipo también están Nico Hischier, que marca goles con regularidad, Nino Niederreiter, que puede desafiar a cualquier rival con su juego físico y, por supuesto, Kevin Fiala, este sutil artista que va camino de formar parte del equipo de estrellas del Mundial y que con sus dos goles y el polémico gol de cinco minutos fue pieza clave en el 2-3 de la ronda preliminar contra los canadienses. multa.

Pero desde la victoria en cuartos de final contra Alemania, quedó claro: este equipo es más que una selección suiza de la NHL, complementada con algunos jugadores de la liga nacional. Los ganadores del partido del jueves fueron el doble goleador Christoph Bertschy y el portero Leonardo Genoni, dos jugadores que juegan en el Fribourg-Gottéron y en el EV Zug de Suiza. Tampoco tienen que esconderse de nadie.

Google ha introducido otra capacidad para su función Circle to Search en la conferencia anual de desarrolladores de E/S de la compañía, y es algo que podría ayudar a los estudiantes a comprender mejor temas de clase potencialmente difíciles. La función ahora podrá mostrarles instrucciones paso a paso para una «variedad de problemas planteados de física y matemáticas». Sólo tienen que activar la función presionando prolongadamente el botón de inicio o la barra de navegación y luego rodeando el problema que los tiene desconcertados, aunque algunos problemas matemáticos requerirán que los usuarios se registren en la función experimental Search Labs de Google.

La compañía dice que la nueva capacidad de Circle to Search fue posible gracias a su nueva familia de modelos de inteligencia artificial llamada LearnLM, que fue creada y ajustada específicamente para el aprendizaje. También planea hacer ajustes a esta capacidad particular y lanzar una versión mejorada a finales de este año que podría resolver problemas aún más complejos «que involucran fórmulas simbólicas, diagramas, gráficos y más». Google lanzó Circle to Search a principios de este año en un evento Samsung Unpacked, porque la función estaba disponible inicialmente en Galaxy 24, así como en dispositivos Pixel 8. Ahora también está disponible para los dispositivos Galaxy S23, Galaxy S22, Z Fold, Z Flip, Pixel 6 y Pixel 7, y probablemente llegará a más hardware en el futuro.

Además de la nueva capacidad Circle to Search, Google también ha revelado que los dispositivos que admiten el asistente de chatbot Gemini para Android ahora podrán mostrarlo como una superposición encima de la aplicación que está actualmente abierta. Luego, los usuarios pueden arrastrar y soltar imágenes directamente desde la superposición en aplicaciones como Gmail, por ejemplo, o usar la superposición para buscar información sin tener que alejarse de lo que estén haciendo. Pueden tocar «Preguntar a este video» para buscar información específica dentro de un video de YouTube que esté abierto y, si tienen acceso a Gemini Advanced, pueden usar la opción «Preguntar a este PDF» para buscar información en documentos extensos.

Google también está implementando capacidades multimodales en Nano, el modelo más pequeño de la familia Gemini que puede procesar información en el dispositivo. El Gemini Nano actualizado, que podrá procesar imágenes, sonidos y lenguaje hablado, llegará al lector de pantalla TalkBack de Google a finales de este año. Gemini Nano permitirá que TalkBack describa imágenes en pantalla más rápidamente e incluso sin conexión a Internet. Finalmente, Google está probando actualmente una función Gemini Nano que puede alertar a los usuarios mientras se realiza una llamada si detecta patrones de conversación comunes asociados con estafas. Los usuarios recibirán alertas, por ejemplo, si están hablando con alguien que les pide sus PIN o contraseñas o si alguien les pide que compren tarjetas de regalo.

Póngase al día con todas las novedades de Google I/O 2024 aquí!

Los algoritmos de aprendizaje por refuerzo en sistemas como ChatGPT o Gemini de Google pueden hacer maravillas, pero normalmente necesitan cientos de miles de intentos en una tarea antes de ser buenos en ella. Por eso siempre ha sido difícil transferir este rendimiento a los robots. No se puede permitir que un coche autónomo se estrelle 3.000 veces sólo para que aprenda que chocar es malo.

Pero ahora un equipo de investigadores de la Universidad Northwestern puede haber encontrado una manera de evitarlo. «Esto es lo que creemos que será transformador en el desarrollo de la IA incorporada en el mundo real», dice Thomas Berrueta, quien dirigió el desarrollo del aprendizaje por refuerzo de máxima difusión (MaxDiff RL), un algoritmo diseñado específicamente para robots.

Introduciendo el caos

El problema con la implementación de la mayoría de algoritmos de aprendizaje por refuerzo en robots comienza con la suposición incorporada de que los datos de los que aprenden son independientes y están distribuidos de manera idéntica. La independencia, en este contexto, significa que el valor de una variable no depende del valor de otra variable en el conjunto de datos: cuando lanzas una moneda dos veces, obtener cruz en el segundo intento no depende del resultado del primer lanzamiento. . Distribución idéntica significa que la probabilidad de ver cualquier resultado específico es la misma. En el ejemplo del lanzamiento de una moneda, la probabilidad de obtener cara es la misma que la de obtener cruz: 50 por ciento para cada una.

En sistemas virtuales e incorpóreos, como los algoritmos de recomendación de YouTube, obtener dichos datos es fácil porque la mayoría de las veces cumplen con estos requisitos desde el principio. “Tienes un grupo de usuarios de un sitio web, obtienes datos de uno de ellos y luego obtienes datos de otro. Lo más probable es que esos dos usuarios no estén en el mismo hogar, no estén muy relacionados entre sí. Podrían serlo, pero es muy poco probable”, afirma Todd Murphey, profesor de ingeniería mecánica en Northwestern.

El problema es que, si esos dos usuarios estuvieran relacionados entre sí y estuvieran en el mismo hogar, podría ser que la única razón por la que uno de ellos viera un vídeo fuera porque su compañero de casa lo vio y les dijo que lo vieran. Esto violaría el requisito de independencia y comprometería el aprendizaje.

“En un robot, en general, no es posible obtener estos datos independientes y distribuidos de manera idéntica. Existes en un punto específico en el espacio y el tiempo cuando estás encarnado, por lo que tus experiencias tienen que estar correlacionadas de alguna manera”, dice Berrueta. Para resolver esto, su equipo diseñó un algoritmo que empuja a los robots a ser lo más aventureros posible para obtener el mayor conjunto de experiencias de las cuales aprender.

Dos sabores de entropía

La idea en sí no es nueva. Hace casi dos décadas, la gente del mundo de la IA descubrió algoritmos, como el aprendizaje por refuerzo de máxima entropía (MaxEnt RL), que funcionaba aleatorizando acciones durante el entrenamiento. “La esperanza era que cuando se toma un conjunto de acciones tan diverso como sea posible, se exploran conjuntos más variados de futuros posibles. El problema es que esas acciones no existen en el vacío”, afirma Berrueta. Cada acción que realiza un robot tiene algún tipo de impacto en su entorno y en su propia condición; ignorar por completo esos impactos a menudo genera problemas. En pocas palabras, un automóvil autónomo que estuviera aprendiendo por sí solo a conducir usando este enfoque podría estacionar elegantemente en su camino de entrada, pero tendría la misma probabilidad de chocar contra una pared a toda velocidad.

Para solucionar esto, el equipo de Berrueta se alejó de maximizar la diversidad de acciones y optó por maximizar la diversidad de cambios de estado. Los robots impulsados ​​por MaxDiff RL no agitaron sus articulaciones robóticas al azar para ver qué hacía. En cambio, conceptualizaron objetivos como «¿puedo llegar a este lugar delante de mí?» y luego intentaron determinar qué acciones los llevarían allí de manera segura.

Berrueta y sus colegas lograron eso a través de algo llamado ergodicidad, un concepto matemático que dice que un punto en un sistema en movimiento eventualmente visitará todas las partes del espacio en el que se mueve el sistema. Básicamente, MaxDiff RL alentó a los robots a alcanzar todos los estados disponibles en su entorno. Y los resultados de las primeras pruebas en entornos simulados fueron bastante sorprendentes.

Fideos de piscina de carreras

«En el aprendizaje por refuerzo existen puntos de referencia estándar con los que las personas ejecutan sus algoritmos, de modo que podemos tener una buena manera de comparar diferentes algoritmos en un marco estándar», dice Allison Pinosky, investigadora de Northwestern y coautora del estudio MaxDiff RL. Uno de esos puntos de referencia es un nadador simulado: un cuerpo de tres brazos que descansa en el suelo en un ambiente viscoso y que necesita aprender a nadar lo más rápido posible en una dirección determinada.

En la prueba de nadador, MaxDiff RL superó a otros dos algoritmos de aprendizaje por refuerzo de última generación (NN-MPPI y SAC). Estos dos necesitaron varios reinicios para descubrir cómo mover a los nadadores. Para completar la tarea, siguieron un proceso de aprendizaje de IA estándar dividido en una fase de entrenamiento en la que un algoritmo pasa por múltiples intentos fallidos para mejorar lentamente su rendimiento, y una fase de prueba en la que intenta realizar la tarea aprendida. MaxDiff RL, por el contrario, lo logró, adaptando inmediatamente sus comportamientos aprendidos a la nueva tarea.

Los algoritmos anteriores terminaron sin aprender porque se quedaron atascados al probar las mismas opciones y nunca avanzaron hasta donde pudieran aprender que las alternativas funcionan. «Experimentaron los mismos datos repetidamente porque estaban realizando ciertas acciones localmente, asumieron que eso era todo lo que podían hacer y dejaron de aprender», explica Pinosky. MaxDiff RL, por otro lado, continuó cambiando de estado, explorando, obteniendo datos más ricos de los cuales aprender y finalmente tuvo éxito. Y debido a que, por diseño, busca alcanzar todos los estados posibles, potencialmente puede completar todas las tareas posibles dentro de un entorno.

Pero, ¿significa esto que podemos tomar MaxDiff RL, cargarlo en un vehículo autónomo y dejarlo en la carretera para que resuelva todo por sí solo? No precisamente.

Pokémon GO no suele regalar Pokémon legendarios o míticos, y siempre es un placer cuando Niantic anuncia que un mítico como Diancie estará disponible para capturar. Lo mejor es que Diancie será gratuita para todos los jugadores de Pokémon GO a partir de mayo de 2024.

Cómo reclamar la investigación gratuita de Diancie en Pokémon GO

Diancie estará disponible para todos los jugadores de forma gratuita a partir del 1 de mayo, pero solo para aquellos que completen la investigación especial. Para reclamar la Investigación Especial Diancie gratuita, los jugadores deben iniciar sesión en Pokémon GO después del 1 de mayo de 2024. Esto activará automáticamente el diálogo que otorga a todos los jugadores acceso a la línea de misiones de Investigación Especial.

¿Caduca la investigación especial de Diancie?

Una vez que haya reclamado la investigación, no caducará. Puedes completar las tareas de investigación especial tan lenta o rápidamente (siempre que no haya misiones de puertas de tiempo) como quieras.

Dicho esto, hay un período de tiempo en el que debes iniciar sesión o perderás la oportunidad de reclamar la investigación especial. No sabemos cuál es ese período de tiempo, pero sí sabemos que el evento que marca el lanzamiento de la investigación dura hasta el 3 de mayo. Es probable que los jugadores puedan reclamar la investigación después del día 3, pero es posible que desees iniciar sesión. el 1 de mayo solo para estar seguros.

Tareas de investigación especiales gratuitas de Diancie Glitz y Glam

Ostentación y glamour Página 1/6

Tarea	Recompensas
Gira 5 Pokeparadas o Gimnasios	5 pokebolas
Enciende Pokémon 10 veces	Encuentro Nosepass
Atrapa 20 Pokémon	3 bayas de piña
Reclamar premios	2000 xp, encuentro con Roggenrola, 1 módulo de señuelo

Ostentación y glamour Página 2/6

Tarea	Recompensas
Completa 5 tareas de investigación de campo.	Encuentro Spritzee
Enciende Pokémon 20 veces	3 bayas de piña
Usa 20 bayas para ayudar a atrapar Pokémon.	Encuentro con remolinos
Reclamar premios	2000 XP, Encuentro con Sableye, 1 Incienso

Ostentación y glamour Página 3/6

Tarea	Recompensas
Usa un incienso	15 pokebolas
Enciende Pokémon 20 veces	Encuentro ónix
Atrapa 15 especies diferentes de Pokémon	3 bayas de piña
Reclamar premios	2000 XP, encuentro con Carbink, 1 huevo de la suerte

Ostentación y glamour Página 4/6

Tarea	Recompensas
Completa 5 tareas de investigación de campo	10 pokebolas
Enciende Pokémon 25 veces	10 grandes bolas
Atrapa 30 Pokémon	10 ultrabolas
Reclamar premios	2000 XP, Encuentro con Diancie2000 Polvo de estrellas

Ostentación y glamour Página 5/6

Tarea	Recompensas
Evoluciona 5 Pokémon	1 caramelo raro
Potencia 15 Pokémon tipo Hada	1 caramelo raro
Potencia 15 Pokémon tipo Roca	1 caramelo raro
Reclamar premios	2000 XP, 300 Diancie Mega Energy, 3 Frambuesas

Ostentación y glamour Página 6/6

Tarea	Recompensas
Reclamar premios	2000 XP
Reclamar premios	2000 polvo de estrellas
Reclamar premios	2000 XP
Reclamar premios	2000 XP, 100 Diancie Mega Energy, 25 pegatinas Diancie

¡Vuelve a esta sección el 1 de mayo para las tareas especiales de investigación de Diancie en Pokémon GO!

---

Apple presentó el iPhone 15 Pro y el iPhone 15 Pro Max el año pasado con 8 GB de RAM, lo que la convierte en la primera vez desde la línea iPhone 14 que la compañía supera el límite de 6 GB de RAM. Sin embargo, dado que la IA en el dispositivo y otras funciones consumen mucha memoria, la empresa no tendrá más remedio que introducir una actualización. Lamentablemente, quienes esperan con impaciencia el lanzamiento del iPhone 16 se sentirán decepcionados, ya que un analista predice que los 12 GB de RAM debutarán en el iPhone 17 Pro y el iPhone 17 Pro Max.

Apple también está explorando aumentar el almacenamiento, comenzando con la serie iPhone 16; la empresa podría conservar esas configuraciones para el iPhone 17

El iPhone 16 podría ser el primer receptor del próximo paquete de software impulsado por IA de Apple, pero el analista de Haitong International Securities, Jeff Pu, cree que aquellos que deseen mejorar su experiencia en lo que respecta a RAM deberían esperar al iPhone 17 Pro y al iPhone 17 Pro Max. Según lo informado por AppleInsider, los modelos 2025 podrían ver sus especificaciones pasar de 8 GB de RAM a 12 GB de RAM, lo que resulta en una serie de mejoras, comenzando con la multitarea. El aumento del recuento de memoria permitirá que las aplicaciones se almacenen en la RAM cuando se minimicen y se restauren exactamente en el mismo estado en el que las dejó el usuario.

Además, ejecutar IA en el dispositivo requiere grandes cantidades de memoria, y una estimación anterior indicaba que los fabricantes de teléfonos inteligentes Android eventualmente tendrían que comenzar a ofrecer 20 GB de RAM como estándar para ejecutar cómodamente modelos de lenguaje grande (LLM) localmente. Se ha informado que Apple está trabajando en una forma de ejecutar estos LLM utilizando la memoria flash del dispositivo en lugar de RAM. Desafortunadamente, por lo que parece, al gigante de Cupertino todavía le queda mucho progreso porque el iPhone 17 Pro y el iPhone 17 Pro Max pueden incluir esa actualización de RAM de 12 GB.

La IA en el dispositivo también requiere una gran cantidad de almacenamiento interno con velocidades rápidas de lectura y escritura para realizar billones de cálculos por segundo. Esta podría ser la razón por la que Apple podría introducir flash NAND de celda de cuatro niveles (QLC) en el iPhone 16, ya que esta tecnología permite almacenar más bits por celda, lo que resulta en más almacenamiento en la misma superficie. Sin embargo, donde la ventaja aquí es que obtienes más memoria integrada, el inconveniente es que la memoria flash QLC NAND es menos duradera que la tecnología de celda de triple nivel o de celda de varios niveles. Otro beneficio de la actualización de 12 GB de RAM para el iPhone 17 Pro y el iPhone 17 Pro Max es el rendimiento en los juegos.

Apple ha demostrado que el A17 Pro en el iPhone 15 Pro y el iPhone 15 Pro Max puede ejecutar juegos AAA, pero ese aumento en la memoria significa que los desarrolladores tendrían libertad adicional para llevar texturas de alto nivel al puerto iOS. Con Resident Evil Village, informamos anteriormente que el título de terror y supervivencia de Capcom de 2021 puede consumir hasta 11 GB de memoria de video en la versión de RAM unificada de 16 GB del iPad Pro M2. Sin embargo, el lado positivo es que el juego se ejecuta con la máxima calidad de imagen y una resolución de 2732 x 2048, superando el límite QHD.

Sin duda, dado que los juegos se vuelven visualmente más impresionantes, sus requisitos de VRAM también se dispararán y, suponiendo que la predicción de 12 GB de RAM se haga realidad para el iPhone 17 Pro y el iPhone 17 Pro Max, no será sorprendente ver que los consumidores los elijan en manadas.

Los recordatorios que has anotado en Google Keep pronto aparecerán en Tareas. Google dice la integración tan solicitada llegará durante el próximo año, lo que le permitirá ver, editar y completar sus recordatorios de Keep en Tareas, Calendario y Asistente.

El cambio hará que Tasks sea el centro de todas las tareas pendientes y recordatorios, lo que con suerte hará que sean mucho más fáciles de administrar. Es algo que sugirió mi colega David Pierce cuando hablaba de La aplicación Keep actualizada de Google el año pasado, diciendo: “Ahora, Google, haz que los recordatorios de Keep aparezcan en Tareas. ¡Está justo ahí!»

Aunque Tasks no admite recordatorios basados ​​en la ubicación como lo hace Keep, Google afirma (refiriéndose a Keep) que aún puedes «agregar recordatorios basados ​​en la hora o la ubicación a cualquier nota».

Según se informa, Apple está incorporando varias funciones relacionadas con la IA a la próxima familia de iPhone 16, y se dice que la IA generativa estará integrada en iOS 18. También se dice que la compañía incorporará el procesamiento en el dispositivo en lugar de utilizar la infraestructura basada en la nube, lo que resultará en operaciones más rápidas. . Sin embargo, todo esto será extremadamente agotador para los componentes, como el chipset, la memoria flash NAND y la RAM, por lo que un informante señala que la solución de refrigeración se actualizará y diseñará específicamente para manejar estas tareas. También mencionó que Apple mantendría el chip de memoria integrado alejado del SoC.

Mantener el flash NAND separado de la placa lógica aparentemente ayudará en la transferencia de calor, afirma un informante

Anteriormente se rumoreaba que el iPhone 16 albergaba un sistema térmico de grafeno, lo que permitía a los modelos más nuevos disipar el calor más rápido. Desafortunadamente, @negativeonehero no ha especificado qué tipo de refrigerador Apple pretende agregar a la próxima línea, aunque ciertamente esperamos ver cámaras de vapor como en la familia Galaxy S24 de Samsung. En cualquier caso, el informante señala que el refrigerador mejorado estará diseñado para manejar los pesados ​​requisitos informáticos de la IA y puede disipar efectivamente 6W de potencia sin permitir que los componentes se aceleren térmicamente.

El umbral de 6W no especifica si será sólo del lado del chipset, que en este caso sería el A18 Pro, o si este límite de potencia es para todos los componentes combinados. Para ayudar con la transferencia de calor, se dice que la memoria flash NAND permanece separada de la placa lógica, pero si ese es el caso, ¿significa eso que Apple tendrá otra placa lógica más pequeña en la serie iPhone 16? Una vez más, el rumor no especifica, pero ya era hora de que finalmente consiguiéramos un refrigerador mejorado.

La solución térmica del iPhone 16 está diseñada para los exigentes requisitos informáticos de la IA. Ahora puede manejar hasta 6W de potencia.
El chip NAND se coloca por separado (¿de la placa SoC?), mejorando la eficiencia de la transferencia térmica.

– Nguyen Phi Hung (@negativeonehero) 23 de abril de 2024

Después de todo, el A17 Pro de 3 nm que alimenta el iPhone 15 Pro y el iPhone 15 Pro Max no pudo funcionar al máximo porque Apple no incorporó una solución de enfriamiento capaz. Además del nuevo refrigerador, la batería de un supuesto prototipo de iPhone 16 Pro se mostró en una carcasa de metal, y este movimiento podría ser otra de las técnicas de Apple para mantener las térmicas bajo control. Con suerte, veremos estos cambios internos cuando se publique el primer desmontaje del iPhone 16 más adelante este año.

Fuente de noticias: @negativoonehero

Las Parcas trabajan de maneras misteriosas, desvelando poco a poco sus maquinaciones. Aquí están todas las tareas de Fated Lists y cómo completarlas en infierno 2.

Cada profecía del destino y cómo completarlas en Hades 2

Las Profecías del Destino son algo que los veteranos de infierno recordará. Pero para obtener acceso a esta larga lista de eventos que sucederán, necesitarás usar el caldero para el encantamiento de intervención predestinada. Una vez que hayas hecho esto, simplemente debes salir a correr y morir.

Una vez que lo hagas, serás visitado por el presagio de la perdición, Moros. Luego, Moros instalará la Lista de Destino fuera de la tienda de Melinoe. Al igual que con los encantamientos y las cartas del tarot, cuanto más desbloquees, más partes de la lista revelarás. Aquí están todas las tareas de Fated Lists y cómo completarlas en infierno II.

Tarea de lista predestinada	Descripción de la tarea	Como desbloquear	Premio
Herramientas de lo invisible	La hija del dios de los muertos poseerá cada una de las herramientas de recolección de reactivos reveladas en Silver Pool: Crescent Pick, Silver Spade, Tablet of Peace, Rod of Fishing.	Inmediatamente disponible.	Ceniza x 40
Hojas de plata pura	La hija del dios de los muertos usará Silver Pool para desbloquear las espadas llamadas Lim y Oros.	Inmediatamente disponible.	Molibdeno x 1
Bruja de la encrucijada	La hija del dios de los muertos alguna tarde se probará contra su superior en las afueras del Erebus.	Inmediatamente disponible.	Tela predestinada x 1
Presagio de la fatalidad	La hija del dios de los muertos alguna tarde convocará a nuestro temido emisario a su morada. En un instante, realizará el encantamiento para lograrlo.	Debes completar La Bruja de la Encrucijada.	Néctar x 1
Nota personal	La hija del dios de los muertos deberá eliminar 3 nomeolvides después de adquirir los recursos que se están rastreando.	Debes completar el encantamiento Nomeolvides.	Psique x 25
Regalo habitual	La hija del dios de los muertos dará 5 néctar a sus camaradas.	Debe encontrar néctar	Ceniza x 10
Guardián de las sombras	La hija del dios de los muertos revelará una parte del Libro de las Sombras que le ha sido confiado.	Derrota a Hécate tres veces.	Huesos x 120

Y eso es todo las Cartas del Tarot y cómo desbloquearlas en infierno 2!

---

Los modelos de IA generativa se están incorporando cada vez más a los entornos sanitarios, en algunos casos quizás de forma prematura. Los primeros usuarios creen que desbloquearán una mayor eficiencia y al mismo tiempo revelarán conocimientos que de otro modo se pasarían por alto. Mientras tanto, los críticos señalan que estos modelos tienen fallas y sesgos que podrían contribuir a peores resultados de salud.

Pero, ¿existe una forma cuantitativa de saber qué tan útil o dañino podría ser un modelo cuando se le asignan tareas como resumir registros de pacientes o responder preguntas relacionadas con la salud?

Hugging Face, la startup de IA, propone una solución en una prueba comparativa recientemente lanzada llamada Open Medical-LLM. Creado en asociación con investigadores de la organización sin fines de lucro Open Life Science AI y el Grupo de Procesamiento del Lenguaje Natural de la Universidad de Edimburgo, Open Medical-LLM tiene como objetivo estandarizar la evaluación del desempeño de los modelos generativos de IA en una variedad de tareas relacionadas con la medicina.

Open Medical-LLM no es un desde cero punto de referencia, per se, sino más bien una unión de conjuntos de pruebas existentes (MedQA, PubMedQA, MedMCQA, etc.) diseñados para probar modelos para el conocimiento médico general y campos relacionados, como anatomía, farmacología, genética y práctica clínica. El punto de referencia contiene preguntas abiertas y de opción múltiple que requieren razonamiento y comprensión médicos, basándose en material que incluye exámenes de licencia médica de EE. UU. e India y bancos de preguntas de exámenes universitarios de biología.

“[Open Medical-LLM] permite a investigadores y profesionales identificar las fortalezas y debilidades de diferentes enfoques, impulsar mayores avances en el campo y, en última instancia, contribuir a una mejor atención y resultados al paciente”, escribió Hugging Face en una publicación de blog.

Hugging Face está posicionando el punto de referencia como una “evaluación sólida” de los modelos de IA generativa destinados a la atención médica. Pero algunos expertos médicos en las redes sociales advirtieron que no se debe dar demasiada importancia a Open Medical-LLM, para que no se produzcan despliegues mal informados.

En X, Liam McCoy, médico residente en neurología de la Universidad de Alberta, señaló que la brecha entre el “entorno artificial” de las respuestas a preguntas médicas y actual la práctica clínica puede ser bastante amplia.

La científica investigadora de Hugging Face, Clémentine Fourrier, coautora de la publicación del blog, estuvo de acuerdo.

“Estas tablas de clasificación sólo deben usarse como una primera aproximación de qué [generative AI model] explorar para un caso de uso determinado, pero siempre se necesita una fase más profunda de prueba para examinar los límites y la relevancia del modelo en condiciones reales”. Fourier respondió en X. “Médico [models] Los pacientes no deben usarlos por sí solos, sino que deben capacitarse para que se conviertan en herramientas de apoyo para los médicos”.

Esto recuerda la experiencia de Google cuando intentó llevar una herramienta de detección de retinopatía diabética con inteligencia artificial a los sistemas de salud en Tailandia.

Google creó un sistema de aprendizaje profundo que escanea imágenes del ojo en busca de evidencia de retinopatía, una de las principales causas de pérdida de visión. Pero a pesar de la alta precisión teórica, la herramienta resultó poco práctica en pruebas del mundo real, frustrando tanto a los pacientes como a las enfermeras con resultados inconsistentes y una falta general de armonía con las prácticas sobre el terreno.

Es revelador que de los 139 dispositivos médicos relacionados con la IA que la Administración de Alimentos y Medicamentos de EE. UU. ha aprobado hasta la fecha, ninguno utiliza IA generativa. Es excepcionalmente difícil probar cómo se trasladará el rendimiento de una herramienta de IA generativa en el laboratorio a hospitales y clínicas ambulatorias y, quizás lo más importante, cómo los resultados podrían evolucionar con el tiempo.

Eso no quiere decir que Open Medical-LLM no sea útil o informativo. La tabla de clasificación de resultados, al menos, sirve como recordatorio de cuán mal Los modelos responden a preguntas básicas sobre salud. Pero Open Medical-LLM, y ningún otro punto de referencia, es un sustituto de las pruebas del mundo real cuidadosamente pensadas.