FeynmanGraph: De la Hipótesis a la Supercomputación Cognitiva
Un análisis exhaustivo de nuestro progreso: el cierre de la Fase 1 (Validación Conceptual) y la hoja de ruta hacia la Fase 2 (Optimización y Escalado en HPC).
Hoja de Ruta Evolutiva
Desde la validación conceptual hasta el despliegue de una inteligencia artificial auto-mejorable. Nuestro progreso es metódico, transparente y enfocado en la excelencia técnica.
Fase 1: Alpha
VALIDACIÓN CONCEPTUAL
Demostramos que una arquitectura de agentes especializados es más robusta y eficaz que un LLM monolítico. Identificamos cuellos de botella críticos en latencia y costo.
Fase 2: HPC
OPTIMIZACIÓN Y ESCALADO
Migramos a micromodelos Gemma 3 afinados con QLoRA en el LNS (NVIDIA A100) para lograr una latencia ≤2s y un error <3%.
Fase 3: Beta
EXPANSIÓN Y VALIDACIÓN
Lanzamiento de una beta cerrada para socios académicos. Expansión del catálogo de herramientas a Química y Biología. Recopilación de datos de uso real para el refinamiento final.
Fase 4: Génesis
AUTO-MEJORA CONTINUA
Lanzamiento público e implementación de mecanismos de plasticidad sináptica. El sistema aprenderá y mejorará con cada interacción, cumpliendo la visión de una IA que aprende a aprender.
Las Tres Áreas de Interés Científico
Nuestra investigación se apoya en tres pilares que definen a FeynmanGraph como una IA Cognitiva Verificable.
1. Neurociencia Computacional
**Propósito:** Justificar la arquitectura como biológicamente plausible y robusta. Conectamos cada función de la IA con sus sustratos análogos (Razonar → CPF, Actuar → GB, Observar → Hipocampo) para crear un sistema que aprende y se adapta.
2. Fundamentos Físico-Matemáticos
**Propósito:** Garantizar la precisión y verificabilidad total. Construimos un mapa de descomposición de problemas sobre +400 herramientas, fundamentando cada paso en un RAG de tres pilares: Conceptual, Semántico y Matemático.
3. Aprendizaje profundo y Ciencia de Datos (HPC)
**Propósito:** Asegurar viabilidad económica y latencia ultra-baja. Usamos micromodelos (Gemma 3) y QLoRA sobre +50,000 trazas ReAct, entrenando en NVIDIA A100 para crear un orquestador de herramientas eficiente.
¿Por Qué Colaborar con Nosotros?
Forma parte de un equipo que no solo construye IA, sino que redefine los límites del conocimiento y la educación.
Impacto Real y Significativo
Contribuye a crear el tutor STEM más confiable y escalable del mundo, democratizando el acceso a una educación de élite.
Acceso a Tecnología de Vanguardia
Trabaja con supercomputadoras (LNS, NVIDIA A100) y las últimas técnicas en Aprendizaje profundo (QLoRA, FSDP) para resolver problemas a gran escala.
Colaboración Multidisciplinaria
Únete a un equipo diverso de expertos en neurociencia, física, matemáticas e ingeniería de ML, fomentando un ambiente de aprendizaje constante.
Cultura de Rigor e Innovación
Participa en un entorno donde se valora la curiosidad intelectual, el rigor científico y la búsqueda de soluciones creativas a desafíos complejos.
Preguntas Frecuentes
Buscamos investigadores e ingenieros apasionados por la IA, la neurociencia y la física, con experiencia demostrable en Machine Learning, HPC, o dominios STEM específicos. Valoramos tanto la profundidad técnica como la capacidad de colaborar en un entorno multidisciplinario.
La tecnología subyacente y el core de la arquitectura son propietarios. Sin embargo, estamos comprometidos con el avance de la ciencia y planeamos liberar datasets, benchmarks y modelos especializados para la comunidad de investigación bajo licencias permisivas.
La mejor manera es a través de los botones "Únete al Equipo". Esto nos permite dirigir tu perfil al equipo correspondiente. Estamos abiertos a propuestas de investigación conjuntas, pasantías doctorales y roles a tiempo completo para perfiles excepcionales.
Nuestro stack principal es Python. Usamos PyTorch para el fine-tuning y LangGraph para la orquestación de agentes. Para la inferencia de alto rendimiento, exploramos vLLM y TensorRT-LLM sobre nuestra infraestructura de supercómputo.