El equipo de Nebraska se suma al impulso de IA-6G del DOE, pero la verdadera prueba está en el campo

University of Nebraska-Lincoln obtuvo una de las 278 selecciones de proyectos federales para un sistema 6G diseñado con IA, lo que llevó la investigación a Google News. El titular suena como otro anuncio de financiación universitaria. El proyecto subyacente plantea una prueba de ingeniería más difícil y relevante.

El equipo quiere crear un codiseñador de IA para redes de acceso por radio, que conectan los dispositivos inalámbricos con una infraestructura de comunicaciones más amplia. Su objetivo es reducir los ciclos de diseño de redes de semanas o meses a días. Esa promesa sigue siendo un objetivo del proyecto, no un resultado verificado de forma independiente.

El trabajo forma parte de la Genesis Mission del Department of Energy, una iniciativa federal para conectar la IA, la supercomputación, las instalaciones científicas y conjuntos de datos especializados. Los socios de Nebraska incluyen Brookhaven National Laboratory, ALPEMI Consulting y Hewlett Packard Enterprise. Su desafío no consiste simplemente en hacer más rápida una red inalámbrica.

Deben determinar si la IA puede configurar recursos de comunicaciones y computación para robots, sensores e instrumentos científicos que operan en condiciones cambiantes. Eso implica equilibrar cobertura, latencia, consumo energético, ubicación de la computación, fiabilidad y restricciones físicas.

La competencia central enfrenta el diseño de redes dirigido por IA con la iteración convencional liderada por personas. La ingeniería tradicional sigue siendo esencial, pero sus ciclos de planificación pueden convertirse en un cuello de botella cuando los dispositivos, el terreno, las cargas de trabajo y las condiciones de radio cambian constantemente.

Un aviso de selección no resuelve esa competencia. La evidencia llegará con pruebas de campo, reducciones medibles en los ciclos de diseño y un funcionamiento fiable en entornos de computación perimetral y de alto rendimiento.

Lo que el titular de Google News deja fuera

Nebraska fue seleccionada para probar una hipótesis de ingeniería específica, no para desplegar una red 6G terminada.

El Department of Energy anunció los primeros proyectos de la Genesis Mission el 22 de julio de 2026. Un informe de la universidad publicado cinco días después identificó a Mehmet Can Vuran como investigador principal del proyecto de Nebraska.

Vuran ocupa la Cátedra Dale M. Jensen y es profesor de informática en University of Nebraska-Lincoln. También dirige el Cyber-Physical Networking Laboratory de la universidad, que estudia las comunicaciones entre sistemas informáticos y dispositivos físicos.

Santosh Pitla, profesor de ingeniería de sistemas biológicos, también forma parte del equipo. Brookhaven National Laboratory, ALPEMI Consulting y Hewlett Packard Enterprise aportan al proyecto la participación de un laboratorio nacional y de la industria.

El resumen del proyecto de la universidad describe la adjudicación como una selección de Fase I. Se espera que los proyectos de Fase I identifiquen vías técnicas prometedoras, demuestren flujos de trabajo y produzcan evidencia para futuras decisiones de inversión.

Esa distinción importa. La Fase I se parece más a una prueba de viabilidad rigurosa que a un contrato de infraestructura a gran escala.

El aviso de financiación del DOE de marzo indicó que las adjudicaciones de Fase I oscilarían entre 500.000 y 750.000 dólares para proyectos de nueve meses. Las adjudicaciones de Fase II oscilarían entre 6 y 15 millones de dólares durante tres años. La universidad no ha especificado públicamente el importe exacto de la adjudicación de Nebraska.

La competencia más amplia fue inusualmente grande. El DOE seleccionó 278 proyectos tras recibir solicitudes de los 50 estados. La universidad caracterizó la respuesta de los solicitantes como la mayor para una oportunidad de financiación en la historia del departamento.

El proyecto de Nebraska se centra en el codiseño impulsado por IA para redes de acceso por radio 6G, a menudo abreviadas como RAN. Una RAN incluye radios, antenas, software y sistemas relacionados que conectan dispositivos inalámbricos con una red de comunicaciones.

Las futuras operaciones científicas pueden imponer exigencias difíciles a esa infraestructura. Los robots pueden desplazarse más allá de la visibilidad directa. Los sensores pueden generar datos en áreas con energía limitada o cobertura inestable. Los instrumentos pueden requerir baja latencia sin llevar grandes sistemas informáticos.

El codiseñador propuesto por el equipo evaluaría cómo debería configurarse la red para esas condiciones. Según Vuran, funcionaría como un piloto automático para el diseño de redes.

La analogía es útil, pero necesita límites. Un piloto automático sigue restricciones, entradas de sensores y una lógica de control validada. No elimina la necesidad de supervisión humana, comprobaciones de seguridad ni criterio de ingeniería.

Lo mismo debería aplicarse aquí. Un codiseñador de IA puede explorar un amplio espacio de configuraciones más rápido que una persona. Los investigadores aún deben definir sus objetivos y verificar que las configuraciones elegidas se comporten de forma segura.

La lista de Google News condensa todo esto en un titular sobre la selección. El cambio significativo es que Nebraska ahora cuenta con apoyo federal y socios identificados para probar el enfoque dentro de un programa nacional de IA para la ciencia.

El proyecto todavía no ha demostrado que pueda ofrecer infraestructura 6G lista para producción. Ha conseguido una oportunidad para demostrar si su método de diseño merece más inversión.

Por qué el DOE quiere IA dentro de la red científica

La Genesis Mission considera las redes como parte del instrumento científico, no como tecnología de la información de fondo.

El DOE lanzó la Genesis Mission para aumentar la productividad y el impacto de la ciencia y la ingeniería estadounidenses. Su ambición declarada es duplicar ese impacto en una década mediante la combinación de IA con infraestructura nacional de investigación.

El marco de financiación del departamento comprometió 293 millones de dólares para proyectos que abordan más de 20 desafíos científicos y tecnológicos. Estas áreas incluyen biotecnología, fabricación avanzada, materiales críticos, energía nuclear y ciencia de la información cuántica.

El alcance de la misión explica por qué un proyecto de investigación 6G pertenece a la cartera de un departamento de energía. Los experimentos modernos dependen cada vez más del traslado de grandes conjuntos de datos entre instrumentos, robots, computadoras perimetrales y supercomputadoras.

Una red lenta o inflexible puede limitar el valor de todos los demás sistemas. Un instrumento puede recopilar mediciones importantes, pero el flujo de trabajo sigue fallando si los datos no pueden llegar al recurso informático adecuado.

El DOE denomina American Science and Security Platform a la base que tiene prevista. La descripción de la plataforma del departamento señala que coordinará computadoras de alto rendimiento, instalaciones experimentales, recursos de datos y sistemas de IA.

Esto crea un problema de infraestructura con muchas variables. La computación podría realizarse en un robot, en una torre cercana, dentro de una instalación regional o en un laboratorio nacional.

Cada opción conlleva compromisos. El procesamiento local puede reducir las demoras de transmisión, pero requiere hardware y energía adecuados. El procesamiento centralizado ofrece mayor capacidad de cómputo, pero depende de una conectividad fiable.

La propuesta de Nebraska aborda esa decisión de ubicación. El equipo afirma que su sistema trasladaría la capacidad de cómputo hacia el lugar donde una tarea la necesita.

Por ejemplo, un robot móvil podría procesar localmente datos urgentes de control mientras envía conjuntos de datos científicos más grandes a infraestructura compartida. Un sensor estacionario podría utilizar un sistema perimetral cercano en lugar de llevar su propio procesador gráfico.

Esta arquitectura importa porque añadir una GPU dedicada a cada dispositivo de campo puede aumentar el coste, el calor, el tamaño y la demanda energética. La computación compartida puede evitar parte de esa duplicación, siempre que la red se mantenga disponible y responda con rapidez.

La universidad afirma que miles de dispositivos podrían acceder a recursos de IA sin llevar hardware de IA dedicado. Ese es un objetivo de diseño que requiere validación práctica, especialmente con señales débiles o cargas de trabajo cambiantes.

El interés del DOE refleja un cambio más amplio en la computación científica. Antes, los investigadores trataban la recopilación de datos, las redes y el análisis como etapas en gran medida separadas. Los experimentos impulsados por IA las conectan cada vez más en bucles continuos de retroalimentación.

Un laboratorio autónomo ofrece un ejemplo claro. El software propone un experimento, los instrumentos lo realizan, los modelos interpretan el resultado y el siguiente experimento cambia en consecuencia.

Una demora en cualquier punto de ese bucle reduce la productividad. Una conexión poco fiable también puede producir observaciones faltantes o impedir que el equipo responda en el momento requerido.

Por lo tanto, la Genesis Mission necesita más que grandes modelos y supercomputadoras. Necesita sistemas de comunicaciones que puedan conectar esos recursos con experimentos físicos.

El programa también implica una coordinación institucional importante. El DOE afirmó que el Genesis Mission Consortium incluía los 17 laboratorios nacionales, cinco instalaciones de la National Nuclear Security Administration y 41 organizaciones externas en julio.

Los participantes del consorcio informaron de más de 800 millones de dólares en compromisos de socios. El DOE señaló que ese apoyo incluía recursos informáticos, infraestructura en la nube, modelos de IA, conocimientos especializados, alianzas de investigación y financiación directa.

No todos esos compromisos pertenecen al proyecto de Nebraska. Muestran el entorno más amplio en el que se evaluará su sistema.

Ese entorno presiona a los equipos de proyecto para producir flujos de trabajo interoperables en lugar de demostraciones aisladas. Un método que funcione únicamente dentro de un laboratorio universitario ofrecería un valor limitado para una plataforma nacional.

El programa federal está preguntando, en efecto, si la IA puede coordinar recursos científicos a través de fronteras institucionales y físicas. El codiseñador de redes de Nebraska es un componente de esa prueba más amplia.

Codiseño con IA frente a iteración de redes liderada por personas

La verdadera apuesta del proyecto es que la IA pueda explorar configuraciones de red más rápido sin debilitar la responsabilidad de ingeniería.

Una red de acceso por radio presenta un espacio de diseño complejo. Los ingenieros deben considerar la ubicación de las radios, el uso del espectro, el movimiento de los dispositivos, las interferencias, la demanda de carga de trabajo, los límites de energía y la capacidad de cómputo.

Estas variables interactúan. Aumentar una forma de rendimiento puede reducir otra. Una configuración que mejora el rendimiento de transmisión podría consumir más energía o funcionar mal cuando los dispositivos se desplazan.

Los ingenieros humanos abordan estos problemas mediante modelado, simulación, pruebas y ajustes repetidos. Ese proceso genera un criterio valioso, pero puede llevar semanas o meses.

El equipo de Nebraska afirma que su codiseñador de IA reducirá esos ciclos a días. La herramienta generaría o evaluaría diseños de red candidatos, los probaría y utilizaría los resultados medidos para orientar iteraciones posteriores.

Esta es una afirmación sobre el mecanismo, no solo sobre la velocidad. El beneficio propuesto proviene de automatizar partes del proceso de búsqueda y retroalimentación.

La IA puede examinar más configuraciones candidatas de las que un pequeño equipo de ingeniería podría revisar manualmente. También puede reaccionar a las mediciones recogidas en un entorno de prueba.

Sin embargo, una búsqueda más rápida no garantiza una respuesta mejor. El resultado depende de la función objetivo, que indica al sistema qué constituye una configuración exitosa.

Si los investigadores premian demasiado el rendimiento de transmisión, el sistema podría descuidar el uso de energía o la fiabilidad. Si las simulaciones omiten efectos importantes del terreno, el diseño seleccionado puede fallar durante las pruebas físicas.

Por ello, el papel más creíble para la IA es el codiseño. Debe generar opciones y optimizar dentro de restricciones explícitas, mientras los ingenieros conservan la autoridad sobre la validación y el despliegue.

El laboratorio de Vuran proporciona al proyecto una base de pruebas relevante. Opera el Nebraska Experimental Testbed of Things, un entorno a escala de ciudad para evaluar sistemas inalámbricos y ciberfísicos en condiciones realistas.

Un banco de pruebas puede exponer los modelos a condiciones que las simulaciones controladas no detectan. Los edificios interfieren con las señales. Los dispositivos se mueven de manera impredecible. El clima, las limitaciones de los equipos y el tráfico competidor pueden alterar el rendimiento.

Brookhaven National Laboratory aporta otra perspectiva importante. Los laboratorios nacionales operan instalaciones científicas con exigentes requisitos de fiabilidad, seguridad y gestión de datos.

Hewlett Packard Enterprise aporta experiencia en infraestructura informática y sistemas distribuidos. ALPEMI Consulting incorpora otro participante del sector privado al equipo interinstitucional.

La alianza crea ventajas potenciales, pero también genera trabajo de integración. Cada organización puede utilizar sistemas, prácticas de seguridad, formatos de datos y procesos de decisión diferentes.

DOE identificó esas diferencias como un obstáculo recurrente durante sus conversaciones con universidades y organizaciones filantrópicas científicas. Los participantes mencionaron la propiedad intelectual, el intercambio de datos, la contratación y los incentivos institucionales incompatibles.

Esas barreras no son secundarias respecto de la tecnología. Una herramienta de IA no puede optimizar recursos a los que no puede acceder, observar o describir de forma coherente.

Por lo tanto, el proyecto debe definir cómo se mueve la información entre el co-diseñador, los equipos de red, los dispositivos y los sistemas informáticos. También debe determinar qué decisiones pueden producirse automáticamente.

Esa capa de gobernanza distingue a un co-diseñador útil de un experimento de optimización opaco. Los investigadores necesitan registros que muestren qué cambió el sistema, por qué lo cambió y cómo respondió el rendimiento.

La reproducibilidad también importa. Una configuración no debería considerarse exitosa solo porque funcionó durante una prueba favorable.

El equipo necesita pruebas repetidas con distintas cargas de trabajo y condiciones ambientales. También necesita comparaciones con referencias diseñadas por humanos.

Esas comparaciones deberían medir más que el tiempo transcurrido de diseño. Las métricas relevantes incluyen conectividad, latencia, consumo energético, recuperación ante fallos, utilización informática y estabilidad de los cambios de red.

Un resultado creíble podría mostrar que la IA acorta los ciclos de diseño mientras cumple el mismo umbral de fiabilidad. Un resultado más sólido mostraría mejoras de rendimiento medibles en condiciones que desafían el diseño manual.

Un resultado débil produciría una automatización visualmente impresionante sin una referencia justa. Otro resultado débil optimizaría un escenario de laboratorio limitado que no se transfiere a las operaciones de campo.

El tráfico de Google News puede atraer atención hacia la subvención, pero el diseño de los puntos de referencia determinará su valor científico. El proyecto necesita evidencia que explique cuándo ayuda la IA, cuándo falla y cuándo los ingenieros deberían intervenir.

La Etiqueta 6G Eleva Expectativas que el Proyecto Aún No Puede Resolver

La mayor incertidumbre es si un flujo de trabajo de investigación temprano puede seguir siendo útil mientras cambian los estándares, el hardware y los requisitos de seguridad de 6G.

El término 6G se refiere a la próxima generación de comunicaciones móviles estandarizadas internacionalmente, denominada formalmente IMT-2030. No es una plataforma comercial terminada.

La Unión Internacional de Telecomunicaciones ha establecido un marco de desarrollo y trabaja para alcanzar estándares finales al final de la década. Sus requisitos de 6G incluyen seis escenarios de uso.

Esos escenarios abarcan comunicaciones inmersivas, alta fiabilidad, poblaciones masivas de dispositivos, conectividad amplia, detección integrada y comunicaciones combinadas con IA.

Por lo tanto, la IA forma parte de la propia discusión sobre estándares. Se espera que las futuras redes admitan cargas de trabajo de IA mientras utilizan IA para algunas funciones de red.

Esto crea un objetivo móvil para Nebraska. El equipo puede probar principios de diseño antes de que los equipos comerciales de 6G se vuelvan comunes, pero no puede validar todas las implementaciones futuras.

Las capacidades del hardware cambiarán. Las interfaces de radio siguen en desarrollo. Los requisitos de seguridad y las restricciones regulatorias también evolucionarán.

El proyecto no debería juzgarse por si predice una arquitectura final de 6G. Una cuestión más práctica es si su método de co-diseño se transfiere entre componentes de red cambiantes.

Un método flexible aceptaría nuevos modelos de hardware, objetivos de rendimiento y normas de seguridad sin requerir una reconstrucción completa. Un sistema rígido dependería de supuestos ligados a un único banco de pruebas.

La seguridad merece un escrutinio especial. Trasladar el procesamiento de IA entre robots, torres y sistemas de alto rendimiento amplía el número de conexiones que requieren protección.

Un atacante podría manipular mediciones, interrumpir comunicaciones o introducir información falsa en el optimizador. Un objetivo comprometido podría llevar al sistema a elegir configuraciones inseguras.

Los riesgos aumentan cuando la red controla máquinas científicas o dispositivos autónomos. Un fallo de conectividad puede afectar más que la entrega de datos cuando los equipos dependen de comandos oportunos.

Los investigadores también deben gestionar la incertidumbre del modelo. Un sistema de IA puede mostrarse seguro de una recomendación incluso cuando sus datos de entrenamiento representan mal las condiciones actuales.

Un co-diseñador fiable necesita límites operativos definidos. Debe identificar condiciones desconocidas, comunicar la incertidumbre y devolver el control a los ingenieros cuando sea necesario.

La informática compartida presenta otra disyuntiva. Eliminar GPU dedicadas de dispositivos individuales puede reducir las exigencias de hardware local, pero hace que esos dispositivos dependan más de la infraestructura de comunicaciones.

Un sensor con capacidad integrada limitada podría perder acceso a funciones importantes de IA durante una interrupción de la red. Los ingenieros deben decidir qué operaciones permanecen locales y cuáles pueden depender de la informática remota.

El uso de energía también requiere mediciones a nivel de sistema. Un dispositivo podría consumir menos energía tras descargar el procesamiento, mientras las torres y los centros de datos consumen más.

La comparación relevante es la energía total de todo el flujo de trabajo. Medir solo el punto final puede hacer que la descarga de procesamiento parezca más eficiente de lo que realmente es.

Otra incertidumbre se refiere a la estructura competitiva del programa. Una subvención de Fase I establece una prueba financiada, no una vía garantizada hacia la Fase II.

La estructura publicada por DOE hace posibles subvenciones futuras de mayor tamaño. El avance dependerá de los resultados técnicos, las prioridades del programa y decisiones de selección posteriores.

La amplia cartera de Genesis Mission también crea competencia interna. Casi 300 equipos están probando distintas formas de combinar la IA con la ciencia y la ingeniería.

Nebraska debe demostrar que las redes no son meramente un gasto de apoyo. Debe demostrar que un mejor diseño de red mejora directamente los flujos de trabajo científicos.

Eso podría significar ciclos de experimentación más rápidos, operaciones robóticas más fiables, mejor uso de computadoras compartidas o acceso a entornos que los sistemas actuales no pueden atender eficazmente.

El equipo también debe separar el valor de su método de IA de las mejoras causadas por hardware más nuevo. Siempre que sea posible, una comparación debería utilizar equipos controlados.

Los informes públicos aún no han proporcionado esos detalles de referencia. Tampoco han identificado el valor exacto de la subvención del proyecto, los hitos formales ni las fechas de demostración previstas.

Esas omisiones son normales cerca del inicio de un proyecto de investigación. Evitan que los lectores traten la selección como prueba de que el enfoque propuesto ya funciona.

La misma cautela se aplica a las afirmaciones sobre la velocidad de 6G. La universidad afirma que se espera que las futuras redes ofrezcan velocidades al menos 100 veces superiores a las tecnologías actuales.

La velocidad máxima bruta no es la medida más significativa del proyecto. Los robots y sensores científicos suelen necesitar latencia predecible, cobertura y resiliencia más que una tasa máxima impresionante.

Por eso importa la cuestión del co-diseño. El sistema debe optimizar para la misión en cuestión, no para una única métrica llamativa.

Tres Señales que Mostrarán si la Apuesta Funciona

La próxima evidencia debería provenir de mejoras medidas en los flujos de trabajo, fiabilidad en el campo y una vía creíble más allá de la Fase I.

La primera señal es una comparación transparente entre el diseño asistido por IA y una referencia dirigida por humanos. La afirmación central del equipo se refiere a una iteración de diseño más rápida, por lo que necesita documentar ambos enfoques en condiciones equivalentes.

La comparación debería revelar la red inicial, las restricciones de ingeniería, la carga de trabajo de prueba y los criterios de éxito. Debería informar de las iteraciones fallidas junto con las exitosas.

Una reducción de meses a días respaldaría la tesis del equipo solo si la red resultante cumple los mismos requisitos de rendimiento y seguridad. La velocidad sin calidad equivalente debilitaría el argumento.

Los investigadores también deberían informar cuánto trabajo humano requiere el método de IA. Una búsqueda automatizada aún puede consumir una cantidad considerable de trabajo si los ingenieros reparan repetidamente las entradas o rechazan configuraciones inutilizables.

La segunda señal es un rendimiento fiable fuera de una simulación limitada. El banco de pruebas a escala de ciudad de Nebraska ofrece una vía hacia esa evidencia.

Una demostración significativa implicaría dispositivos en movimiento, condiciones de radio variables y tareas informáticas ubicadas en distintos lugares. Debería mostrar cómo reacciona la red cuando las condiciones se deterioran.

La recuperación ante fallos es especialmente importante. El sistema debería preservar las operaciones esenciales cuando se pierde una conexión o un recurso informático deja de estar disponible.

Si puede reconfigurar recursos mientras mantiene el servicio, el proyecto respaldará su afirmación de que la IA puede ayudar a las redes a adaptarse a entornos impredecibles. Una inestabilidad repetida debilitaría esa conclusión.

Las pruebas también deberían revelar dónde alcanza la IA sus límites. Límites claros de fallo aumentan la confianza porque ayudan a los ingenieros a diseñar salvaguardas.

La tercera señal es la respuesta de DOE tras la Fase I. Una subvención posterior mayor, una implementación ampliada en laboratorios o la integración en la American Science and Security Platform indicarían confianza institucional.

Una decisión de Fase II no demostraría por sí sola el éxito técnico. Mostraría que los revisores encontraron suficiente progreso y relevancia para la misión como para justificar un período de desarrollo más largo.

La ausencia de financiación posterior requeriría contexto. DOE podría cambiar sus prioridades, financiar otra vía técnica o concluir que el método necesita más trabajo.

Por lo tanto, los lectores deberían observar tanto el resultado de la financiación como el registro técnico que lo acompañe. Un artículo revisado por pares, un punto de referencia público o una demostración detallada aportarían más información que otro anuncio.

El calendario de los estándares globales proporciona un cuarto contexto, aunque no es una señal independiente del proyecto. El proceso IMT-2030 continúa hacia evaluaciones de candidatos y estándares finales.

El enfoque de Nebraska parecerá más sólido si se adapta a medida que esos requisitos se vuelven más específicos. Parecerá más débil si sus supuestos de diseño divergen de las interfaces y métodos de prueba emergentes.

Los desarrolladores deberían interesarse porque el proyecto prueba un patrón más amplio en la ingeniería de IA. La misma pregunta aparece en el software, la robótica, el diseño de chips y el descubrimiento científico.

¿Puede un sistema de IA explorar un espacio de diseño complejo mientras los humanos conservan un control comprensible sobre los objetivos y los riesgos? ¿O la generación más rápida simplemente desplaza el cuello de botella hacia la validación?

Los compradores de tecnología empresarial deberían interesarse por otra razón. La IA de borde suele llegar acompañada de afirmaciones sobre una colocación inteligente de cargas de trabajo y menores costes de dispositivos.

El trabajo de Nebraska ofrece una prueba del sector público de esa arquitectura en exigentes condiciones científicas. Sus resultados pueden aclarar cuándo la informática compartida es práctica y cuándo la capacidad local sigue siendo necesaria.

Los trabajadores del conocimiento también deberían observar cómo el proyecto documenta sus decisiones. La ingeniería asistida por IA genera más configuraciones, resultados de pruebas, supuestos y excepciones de los que los equipos pueden seguir fácilmente de forma manual.

El resultado útil no es solo una red recomendada. Es un conjunto de evidencias rastreable que conecta requisitos, elecciones de modelos, mediciones de campo y aprobaciones de ingeniería.

La historia inicial de Google News marca el comienzo de ese proceso, no su conclusión. La University of Nebraska-Lincoln cuenta ahora con un mandato financiado, socios experimentados y un objetivo técnico definido.

¿Qué deberían hacer los lectores a continuación? Mirar más allá del próximo titular sobre una adjudicación y pedir resultados comparativos. Estar atentos a una referencia inicial, una demostración de campo y una decisión de Fase II respaldada por evidencia técnica.

Si esas tres señales se alinean, Nebraska habrá demostrado que el codiseño dirigido por IA puede acortar un ciclo de ingeniería difícil sin ocultar sus compensaciones. Si no lo hacen, el proyecto seguirá proporcionando un límite útil para la automatización con IA.

Cualquiera de los dos resultados importaría más que la aparición en Google News. La verdadera historia es si un codiseñador de IA puede ganarse la confianza allí donde los fallos inalámbricos afectan al trabajo científico físico.