Meta y Apple, dos rivales que durante años se evitaban o atacaban públicamente, ahora están juntos en una colaboración que cambia el equilibrio de poder en inteligencia artificial. El anuncio llegó el jueves pasado (15 de octubre), cuando Meta liberó los pesos de Muse Spark Open, un modelo de lenguaje con 816 mil millones de parámetros capaz de correr localmente en dos Mac Studios con chips M5 Ultra — irónicamente, hardware que la propia Apple fabrica y aún no está a la venta.
El modelo es el más capaz creado por un laboratorio estadounidense en formato open-weight. Con 816 mil millones de parámetros totales pero solo 42 mil millones activados por token (arquitectura mixture-of-experts), procesa texto, imágenes, audio y video con una ventana de contexto de un millón de tokens. En términos prácticos, puede "leer" un libro entero mientras analiza simultáneamente imágenes y clips de audio adjuntos sin perder el hilo.
La elección de una arquitectura de especialistas dispersos no es casual. Mientras los modelos densos de compañías como OpenAI y Google activan todos sus parámetros en cada llamada —lo que significa que los costos de inferencia escalan linealmente—, Muse Spark Open activa solo alrededor del 5% de sus parámetros por token. El resultado es un modelo que, en términos de costo operativo por llamada, compite con redes neuronales de fracción del tamaño, pero mantiene capacidad de razonamiento de frontera.
El detalle de hardware, sin embargo, es el cuello de botella. Dos Mac Studios con chips M5 Ultra y 512 GB de memoria unificada cada uno ofrecen un terabyte unificado —el mínimo necesario para ejecutar el checkpoint 4-bit NVFP4 (aproximadamente 530 GB en la práctica). El framework MLX de Apple, desarrollado internamente para facilitar la ejecución de modelos de IA en siliconas Apple, divide cada capa entre ambas máquinas, con comunicación vía Thunderbolt 5 y RDMA. Cuatro Mac Studios de 256 GB también funcionan, pero el costo total de hardware supera los $40.000 —un precio que excluye a la mayoría de los desarrolladores independientes y limita el uso a laboratorios de investigación o empresas con presupuesto de workstation.
Esto no significa que el modelo sea inútil fuera del escenario de dos Mac Studios. Meta ya liberó una versión hospedada vía API, disponible a través de proveedores como Together AI, Groq y OpenRouter. Para la vasta mayoría de los desarrolladores, esta será la vía real de adopción —la misma estrategia que GitHub Copilot persiguió cuando los IDEs locales no pudieron escalar.
La improbable alianza entre Meta y Apple
El acuerdo es tan simbólico como técnico. En 2021, Apple introdujo cambios de privacidad en iOS que restringieron el rastreo de usuarios —un golpe directo al modelo de negocio de Meta, que depende de anuncios segmentados. La relación llegó al punto mínimo, con Zuckerberg diciendo en la época que Apple estaba "traicionando" a los desarrolladores. Alexandr Wang, CEO de Meta AI, resumió el estado actual con una frase: "Me alegro de que mamá y papá estén portándose bien".
Detrás de la ironía hay un motivo financiero claro. La carrera por modelos de frontera cerrados está empujando los costos de inferencia a niveles insostenibles. OpenAI, que reportó un ingreso anualizado de $20 mil millones, enfrenta presión de inversionistas para alcanzar su meta de $50 mil millones. Meta, cuyas acciones cayeron 10% este año, necesita mostrar que sus inversiones en inteligencia artificial generan retorno. El modelo open-weight permite a Meta distribuir el costo de inferencia a los usuarios —o, en el caso de Muse Spark Open, a los proveedores de API que alquilan hardware bajo demanda.
La colaboración con Apple es otra pieza del rompecabezas. El framework MLX fue creado para mantener el ecosistema de desarrolladores de Apple atrapado en el hardware Apple. Al optimizar los pesos de su mayor competidor para MLX, Meta obtiene compatibilidad nativa con el hardware de IA personal más potente disponible hoy; Apple, a su vez, refuerza el argumento de que el Mac es la plataforma premier para IA personal.
El contexto chino y la geopolítica de los modelos abiertos
Meta posiciona a Muse Spark Open como respuesta directa a los avances chinos en modelos open-weight. Startups como Moonshot AI (Kimi K3, 2,8 billones de parámetros), Alibaba (Qwen3.8-Max, 2,4 billones) y DeepSeek (V4-Flash) ya ofrecen sistemas que compiten en calidad con los líderes estadounidenses, pero con licencias permissivas que permiten modificaciones comerciales sin restricciones.
Zuckerberg, en declaraciones recientes, argumentó que los laboratorios extranjeros tienen ventajas reales: restricciones más flexibles sobre datos de entrenamiento, menos barreras para la distilación (técnica de entrenar modelos más pequeños con la salida de modelos más grandes) y menos escrutinio regulatorio sobre seguridad. "Los laboratorios extranjeros tienen actualmente varias ventajas aquí porque los laboratorios estadounidenses deben cumplir muchas restricciones adicionales sobre datos de entrenamiento", dijo.
Esto refleja una tendencia más amplia. Mientras OpenAI y Anthropic mantienen sus modelos más avanzados como black boxes —accesibles solo vía API, con precios que escalan por token—, las compañías chinas adoptaron el open-weight como estrategia de mercado. El resultado es un ecosistema donde los modelos chinos dominan segmentos de código abierto (GitHub Copilot ya acepta extensiones de modelos locales) y la competencia por mercados de APIs cerradas se vuelve cada vez más un juego de costos.
Qué esperar a continuación
Muse Spark Open es un hito, pero no el final de la línea. Meta confirmó que los benchmarks no fueron verificados de forma independiente —lo que significa que la afirmación de "el más capaz de EE.UU." aún carece de validación externa. La Muse Model License tiene términos comerciales limitados; los desarrolladores deben leer las letras pequeñas antes de enviar productos basados en los pesos.
La pregunta central es: cuánto tiempo toma hasta que un modelo open-weight de 816 mil millones de parámetros corra en un solo dispositivo de consumo? La respuesta probablemente no venga de Meta ni de Apple, sino de un chip especializado —tal vez de Groq, tal vez de otra startup de inferencia— que encuentre la forma de comprimir un terabyte de memoria unificada en un formato que quepa en un datacenter asequible.
Mientras tanto, la colaboración Meta-Apple en Mac Studios sirve como prueba de concepto y un recordatorio de que, en inteligencia artificial, la arquitectura del hardware es tan importante como la arquitectura del modelo. Y, por ahora, quien controla la memoria controla el futuro.
Fuentes: The Verge, CNBC, Technology.org
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
