Fallos críticos en PHP explotados con IA & La seguridad de la IA llega al mainstream - Noticias de IA (22 oct 2026)

Una buena parte de la web funciona sobre un lenguaje con fallos graves que llevaban casi una década escondidos. Lo llamativo es que quien ayudó a convertirlos en ataques reales no fue un hacker veterano, sino la propia inteligencia artificial. Enseguida te lo cuento. Bienvenidos a The Automated Daily, edición de noticias de IA. El podcast creado por inteligencia artificial generativa. Soy TrendTeller y hoy es 22 de octubre de 2026. Tenemos un programa cargado: seguridad, tensiones éticas en las grandes tecnológicas, agentes por todas partes y la IA metiéndose de lleno en la biología. Vamos con ello.

Fallos críticos en PHP explotados con IA

Empezamos con la noticia del gancho. Wiz Research ha descubierto varias vulnerabilidades críticas de memoria en el núcleo de PHP, el lenguaje que sostiene una enorme porción de internet. Afectan a casi todas las versiones publicadas en los últimos diez años y, en determinados escenarios, permiten ejecutar código a distancia sin autenticarse o leer de la memoria contraseñas, tokens y claves de API. El problema no está en WordPress, Drupal o Joomla, sino en la capa que hay debajo, así que incluso una aplicación PHP sencilla podría quedar expuesta. PHP publicó los parches ayer, 21 de octubre. Lo más inquietante es la reflexión de Wiz: herramientas de IA de frontera redujeron drásticamente el tiempo y la experiencia necesarios para convertir errores antiguos y difíciles de aprovechar en exploits funcionales. El mensaje para los defensores es claro: parchear más rápido, porque la barrera de entrada para atacar acaba de bajar.

La seguridad de la IA llega al mainstream

Pasamos al debate sobre la seguridad de la IA. Un artículo de Rufus Knuppel sostiene que la renuncia de Jacob Coxon a Anthropic fue el momento en que esta preocupación dejó de ser cosa de una subcultura y entró en el mainstream estadounidense. El texto retrata una escena en la Bahía de San Francisco, con Constellation en Berkeley como punto de encuentro, donde laboratorios, altruistas eficaces y racionalistas viven una carrera entre el riesgo catastrófico y la promesa utópica. Y señala una contradicción curiosa: dentro del altruismo eficaz hay quien quiere frenar la IA y quien ayuda a construir precisamente los sistemas que teme. Según Knuppel, la advertencia pública de Coxon, sumada a varios saltos de capacidad y a la atención mediática, llevó esas ansiedades a la política y la cultura general.

Renuncias en DeepMind por uso militar

Y esa tensión ética también se nota dentro de Google. Según la BBC, varios empleados actuales y antiguos de Google DeepMind han renunciado o alzado la voz por el creciente trabajo de IA para clientes militares, en especial proyectos de defensa de Estados Unidos e Israel. Una ingeniera de investigación explicó que se fue porque sentía que la empresa construía cada vez más sistemas para operaciones militares. La preocupación de fondo es que la IA tome decisiones en el campo de batalla más rápido de lo que un humano puede revisarlas, con el consiguiente riesgo de errores y escalada. Algunos añaden que sus contratos desaconsejan criticar públicamente a la compañía. Google responde que tiene procesos de revisión, políticas de uso aceptable y canales internos para expresar inquietudes.

Pichai y la estrategia de Gemini

Seguimos con Google, en una historia que ya veníamos siguiendo. En una nueva entrevista, Sundar Pichai insiste en que la compañía no se conformará con modelos suficientemente buenos y presenta Gemini 4 Argon como prueba de ello, aunque eso implique renunciar a algo de ingresos de nube a corto plazo. Reconoce que el desarrollo depende cada vez más de la automejora recursiva, pero afirma que aún están lejos de un ciclo totalmente automatizado y que hacen falta mejores sistemas de seguridad y estándares en la industria. También defiende los modelos del mundo para la robótica, admite que la escasez de cómputo es real y anticipa asistentes que trabajen de forma continua en segundo plano.

TorchTPU une PyTorch y los TPU de Google

Y hablando de Google, hay una colaboración llamativa con Meta: TorchTPU, un backend de código abierto que permite ejecutar modelos de PyTorch en los TPU de Google con cambios mínimos de código. Viene a superar las limitaciones de integraciones anteriores, que exigían retocar bastante el código, y ya se usa en producción tanto para entrenamiento como para inferencia, con compatibilidad con librerías populares. Si cumple lo que promete, los TPU dejarían de ser una opción incómoda para gran parte del ecosistema PyTorch, que hoy gira casi por completo alrededor de las GPU.

Inferencia distribuida: llm-d y DeepInfer

En infraestructura para servir modelos, el proyecto llm-d llega a su versión 1.0. Se presenta como una pila abierta y lista para producción para inferencia distribuida de LLM sobre Kubernetes, con recetas probadas para los casos de uso más habituales y soporte para hardware muy variado. Y en una novedad de otra historia que ya cubrimos, DeepSeek ha liberado DeepInfer, el sistema con el que sirve DeepSeek V4.1 Flash. Separa distintas fases del trabajo en máquinas diferentes, admite chips de varios fabricantes y conserva datos intermedios durante días para no repetir cálculos con prompts recurrentes. Ambas noticias apuntan en la misma dirección: servir modelos a escala ya es un problema de sistemas distribuidos tanto como de los propios modelos.

Infraestructura y memoria para agentes de IA

Los agentes siguen ganando terreno, y con ellos la infraestructura que los sostiene. Vercel ha publicado durable-harness, un paquete de código abierto para que agentes de programación como Codex o Claude Code sobrevivan a caídas y reconexiones sin perder el trabajo hecho ni repetir acciones peligrosas. Ramp, la fintech, explica que construyó su propia plataforma de agentes, Laminar, para no depender de un único proveedor de modelos y controlar a fondo la observabilidad; asegura que la primera versión la escribieron agentes en seis semanas. Y Databricks presenta MemCurrent, una memoria persistente que combina el historial bruto de sesiones con lecciones destiladas e incluso una fase nocturna de consolidación que llaman soñar. En sus pruebas internas triplicó la tasa de éxito de sus agentes y además gastó menos tokens.

Controlar el coste de la programación con IA

La propia Databricks firma otra reflexión oportuna: las herramientas de programación con IA disparan la productividad, pero a escala sus costes pueden crecer más rápido que los ingresos. Su receta pasa por usar modelos más baratos o abiertos cuando basta, enrutar cada tarea al modelo capaz más económico, mejorar la caché y aplicar controles de gasto progresivos en lugar de cortes bruscos. La conclusión: el gasto desbocado no es inevitable, es un problema de ingeniería y de gobierno.

Agentes de OpenAI en biología y fármacos

Ahora, ciencia. OpenAI, junto a PerturbAI y Scripps Research, usó miles de agentes basados en GPT-Rosalind para analizar un enorme conjunto de datos CRISPR de millones de células cerebrales de ratón. Tardaron treinta y dos minutos. Cada agente estudió una alteración genética, revisó la literatura y propuso explicaciones, y el resultado coincidió mejor con el criterio de expertos humanos que un solo agente trabajando en solitario. Entre los hallazgos, una posible relación entre la regulación del colesterol y la neurodegeneración, que ahora habrá que comprobar en laboratorio. En la misma línea, OpenAI ha adquirido Orchestra Bio, una plataforma que coordina el complejo proceso de desarrollo de fármacos, para integrarla con Rosalind y crear agentes que conecten descubrimientos con ensayos y decisiones.

Nuevas métricas de monitorización en OpenAI

Desde el equipo de alineamiento de OpenAI llega un trabajo más técnico pero relevante: proponen dos métricas nuevas para medir hasta qué punto se puede vigilar el comportamiento de un modelo. La idea central es que una sola puntuación engaña, porque los modelos pueden evaluarse sobre ejemplos distintos o porque la propia vigilancia cambia cómo se comporta el sistema desplegado. Recomiendan reportar varias medidas juntas, ya que cuando discrepan, eso también aporta información.

Chats bloqueados en ChatGPT y Meta Muse

En el terreno del consumo, ChatGPT estrena los chats bloqueados: puedes proteger conversaciones concretas con un PIN o con reconocimiento facial o de huella. Ojo, OpenAI aclara que esto no añade cifrado de extremo a extremo ni cambia las políticas de retención; es más bien una cerradura para dispositivos compartidos. Mientras tanto, Meta presume de músculo: su app de compañía con IA, Muse, superó los diez millones de descargas en Estados Unidos en solo cuarenta días, un ritmo que hasta ahora solo habían logrado grandes videojuegos y Disney+. Ayudan la distribución a través de Facebook e Instagram y una fuerte inversión publicitaria, y además retiene usuarios mejor que ChatGPT, Claude o Grok.

Mistral entra en los agentes de voz

La voz es otro frente caliente. Mistral lanza Voxtral 3, una plataforma que reúne transcripción, síntesis de voz y herramientas para crear agentes conversacionales multilingües en tiempo real. Su baza diferencial es la soberanía: se puede usar desde su API alojada en Europa o desplegar en la infraestructura del propio cliente. Llega a un mercado donde ElevenLabs acaba de mover ficha con sus propios modelos de voz en tiempo real, así que la competencia por el agente de voz empresarial se intensifica.

Modelos pequeños para ejecutar en local

Para quienes prefieren ejecutar modelos en local, XHToken publica Spark-X2.6-4B, un modelo pequeño con licencia Apache 2.0 que mejora en programación, contexto largo y razonamiento sin cambiar de arquitectura, solo afinando el post-entrenamiento. Permite elegir cuánto piensa antes de responder, para equilibrar calidad y velocidad.

Los límites del hardware diseñado por IA

Y cerramos con un ensayo que pone los pies en la tierra. Su autor cree que la IA pronto superará a los humanos diseñando hardware, pero advierte que lo difícil viene después: fabricar, probar e iterar en un mundo físico donde las mediciones son imperfectas y cada prueba cuesta tiempo y dinero. Diseñar como un superhumano está cerca; ser un ingeniero de hardware superhumano todavía requiere resolver muchos problemas muy terrenales.

Y esto ha sido todo por hoy en The Automated Daily, edición de noticias de IA. Si administras servidores con PHP, ya sabes cuál es tu tarea para hoy. Encontrarás los enlaces a todas las historias en las notas del episodio. Soy TrendTeller, gracias por escuchar y nos oímos mañana.

Fallos críticos en PHP explotados con IA & La seguridad de la IA llega al mainstream - Noticias de IA (22 oct 2026)

Our Sponsors

Today's AI News Topics