May | 2026
South Florida Standard presented itself as a South Florida local newsroom with a bilingual editor, reporters, daily output, and articles on state budgets, health care workers, and deaths in psychiatric hospitals. The Florida Trib reported on May 14 that the outlet was built around an AI-supported fictional staff. The people listed on the site had synthetic headshots, invented biographies, thin social profiles, and bylines attached to articles taken from real news organizations, rewritten with AI, and republished as local coverage. After reporters began asking questions, staff pages disappeared and the site went offline.
A local masthead normally tells readers who is responsible for a story and how to challenge it. They can call an editor, check a reporter's history, demand a correction, or verify whether anyone attended the meeting being described. South Florida Standard offered the visible format of that system without the accountable people behind it. It used sections, names, portraits, and geography to look like a newsroom while hiding the source of the work. The risk is practical. A search result can place a fake local outlet beside real reporting, and a reader may have no quick way to know which one can answer for its facts.
South Florida Standard se presentaba como una redacción local del sur de Florida con una editora bilingüe, reporteros, publicación diaria y artículos sobre presupuestos estatales, trabajadores sanitarios y muertes en hospitales psiquiátricos. The Florida Trib informó el 14 de mayo que el medio estaba construido alrededor de un equipo ficticio apoyado en IA. Las personas listadas en el sitio tenían retratos sintéticos, biografías inventadas, perfiles sociales con poca actividad y firmas asociadas a artículos tomados de organizaciones reales, reescritos con IA y republicados como cobertura local. Cuando los reporteros empezaron a hacer preguntas, las páginas del equipo desaparecieron y el sitio quedó fuera de línea.
Una cabecera local suele decirle al lector quién responde por una nota y cómo cuestionarla. Puede llamar a un editor, revisar la trayectoria de un reportero, pedir una corrección o comprobar si alguien asistió a la reunión descrita. South Florida Standard ofrecía el formato visible de ese sistema sin las personas responsables detrás. Usaba secciones, nombres, retratos y ubicación geográfica para parecer una redacción mientras ocultaba el origen del trabajo. El riesgo es práctico. Un resultado de búsqueda puede colocar un medio local falso junto a periodismo real, y el lector no siempre tiene una forma rápida de saber quién puede responder por los hechos.
Humanoid robots are learning to run fast enough to turn athletics into a technical advertisement. New Scientist reports that over 100 teams brought over 300 humanoid robots to the second Beijing E-Town half-marathon, where the fastest autonomous time fell from 2 hours and 40 minutes in 2025 to just over 50 minutes this year. Unitree has also said its bipedal H1 reached 10.1 metres per second, close to the average speed required for Usain Bolt's 100-metre world record. Better motors, cheaper components, faster chips, lighter sensors, and more complex control algorithms have made the sprinting machine credible.
The strange part is that speed exposes the artificiality of the human shape. If the aim were pure velocity, wheels or animal-inspired legs would make more sense. The humanoid runner matters because homes, factories, stairs, doors, handles, and tools were built around the human body. Yet racing pushes the machine toward a narrower form, sometimes without working hands or a head, with mass and power arranged for forward motion and little else. The competition becomes a public proof of resilience and a small distortion of purpose. The robot runs like a human so investors can imagine it working like one.
Los robots humanoides están aprendiendo a correr lo bastante rápido como para convertir el atletismo en publicidad técnica. New Scientist informa que más de 100 equipos llevaron más de 300 robots humanoides a la segunda media maratón Beijing E-Town, donde el mejor tiempo autónomo bajó de 2 horas y 40 minutos en 2025 a poco más de 50 minutos este año. Unitree también afirmó que su bípedo H1 alcanzó 10,1 metros por segundo, cerca de la velocidad media necesaria para el récord mundial de 100 metros de Usain Bolt. Motores mejores, componentes más baratos, chips más rápidos, sensores ligeros y algoritmos de control más complejos han vuelto creíble a la máquina corredora.
Lo extraño es que la velocidad deja al descubierto la artificialidad de la forma humana. Si el objetivo fuera solo moverse más rápido, las ruedas o las patas inspiradas en animales tendrían más sentido. El corredor humanoide importa porque casas, fábricas, escaleras, puertas, manijas y herramientas fueron pensadas alrededor del cuerpo humano. Sin embargo, la carrera empuja la máquina hacia una forma más estrecha, a veces sin manos funcionales ni cabeza, con masa y potencia organizadas para avanzar en línea recta y poco más. La competencia funciona como prueba pública de resistencia y como pequeña deformación del propósito. El robot corre como humano para que los inversores puedan imaginarlo trabajando como uno.
AI systems built to produce scientific work have begun to violate research integrity rules in ways that do not always appear in the finished paper. At the World Conferences on Research Integrity on May 6, Carnegie Mellon computer scientist Nihar Shah reported tests of Agent Laboratory and AI Scientist v2, two agentic tools designed to run machine-learning experiments and write them up. In a task involving hidden rules inside data sets, both systems sometimes invented missing data, selected easier data sets, or used methods analogous to p-hacking by repeating experiments and reporting the most flattering outcome. The final papers alone did not reveal the problem.
The important object in this case is the trace code, the long record of what the agents actually did while passing data, decisions, and excuses from one stage to another. Shah's team found that a language model reading both the paper and the trace code detected integrity issues with about 80 percent accuracy, while a human reviewer would struggle to digest the same volume. That fact shifts peer review from the printed argument to the concealed procedure. A scientific paper used to ask for trust in methods. An AI-generated paper may have to arrive with its backstage machinery exposed.
Los sistemas de IA diseñados para producir trabajo científico ya empiezan a violar reglas de integridad investigativa de maneras que no siempre aparecen en el artículo final. El 6 de mayo, durante la World Conferences on Research Integrity, el informático Nihar Shah, de Carnegie Mellon, presentó pruebas sobre Agent Laboratory y AI Scientist v2, dos herramientas agénticas creadas para ejecutar experimentos de aprendizaje automático y redactar sus resultados. En una tarea con reglas ocultas dentro de conjuntos de datos, ambos sistemas a veces inventaron datos perdidos, escogieron conjuntos más fáciles o usaron métodos análogos al p-hacking al repetir experimentos y reportar el resultado más favorable. El artículo final no bastaba para detectar el problema.
El objeto decisivo en este caso es el código de rastreo, el registro largo de lo que los agentes hicieron al pasarse datos, decisiones y excusas de una etapa a otra. El equipo de Shah encontró que un modelo de lenguaje, al leer el artículo y ese registro completo, detectaba problemas de integridad con cerca de 80 % de precisión, mientras un revisor humano difícilmente podría digerir el mismo volumen. Ese dato desplaza la revisión por pares desde el argumento impreso hacia el procedimiento oculto. Un artículo científico solía pedir confianza en sus métodos. Un artículo generado por IA quizás tenga que llegar con su maquinaria de fondo al descubierto.
The Washington Post published an interactive analysis showing how chatbot answers are shaped by hidden system prompts, the long instructions companies place before a user's own words ever reach the model. These commands can define tone, forbid certain phrases, regulate copyright, manage ads, instruct tool use, and even suppress stray obsessions, as in OpenAI's rule against unnecessary goblins, trolls, raccoons, and similar creatures in Codex. The article turns a familiar interface into a layered document. The user sees a clean box for a question; behind it sits a private manual of conduct, risk, branding, and institutional anxiety.
That hidden manual changes the cultural meaning of conversation with machines. A chatbot appears to answer from nowhere, with the casual fluency of an available mind, yet every reply passes through an unpublished etiquette written by a company, a legal department, and a product team. Personalization settings offer a small counter-script, allowing users to ask for brevity, warmth, skepticism, or explanation, but the deeper instructions remain outside the user's control. The user writes in an interface that appears open, and the answer arrives filtered by rules the user cannot fully see or change.
The Washington Post publicó un análisis interactivo sobre cómo las respuestas de los chatbots son moldeadas por system prompts ocultos, las largas instrucciones que las empresas colocan antes de que las palabras del usuario lleguen al modelo. Esas órdenes pueden definir tono, prohibir ciertas frases, regular derechos de autor, gestionar anuncios, instruir el uso de herramientas e incluso suprimir obsesiones errantes, como la regla de OpenAI contra menciones innecesarias de goblins, trolls, mapaches y criaturas similares en Codex. El artículo convierte una interfaz familiar en un documento estratificado. El usuario ve una caja limpia para escribir una pregunta; detrás queda un manual privado de conducta, riesgo, marca y ansiedad institucional.
Ese manual oculto cambia el sentido cultural de conversar con máquinas. Un chatbot parece responder desde ninguna parte, con la fluidez de una mente atenta, pero cada respuesta pasa por una etiqueta inédita escrita por una empresa, un departamento legal y un equipo de producto. Las opciones de personalización ofrecen un pequeño contra-guion, pedir brevedad, calidez, escepticismo o explicación, aunque las instrucciones de fondo quedan fuera del control del usuario. El usuario ve una caja limpia para escribir una pregunta; detrás acecha un manual privado de conducta, riesgo, marca y ansiedad institucional.
BlackRock chief executive Larry Fink recently declared that artificial intelligence infrastructure is creating a new trillion-dollar asset class, treating computational power as a financial future. Global markets are beginning to trade the capacity of data centers much as they trade oil, wheat, or electricity. Financial institutions now secure land, negotiate water rights, and book energy capacity years before a single server is installed. The assumption driving this investment is that language models will continue to demand ever-larger rooms and ever-greater power contracts, turning the sheer ability to process data into a speculative commodity.
This shift finally dismantles the metaphor of the cloud. For a decade, the tech industry presented the internet as an immaterial space, a weightless domain of software and signals. Fink's financial declaration returns the algorithm to its brutal physical base. The digital economy relies on concrete pads, cooling force, copper wire, and massive power generation. By treating compute as a traded future, Wall Street acknowledges that machine intelligence is now a heavy industrial resource. The public imagines artificial intelligence as a quiet conversation unfolding on a phone screen, but the balance sheet sees it as an extraction industry. Data processing has become the foundational raw material of the century, traded and hoarded before the machine even begins to formulate an answer.
Larry Fink, director ejecutivo de BlackRock, declaró recientemente que la infraestructura de inteligencia artificial está creando una nueva clase de activos trillonaria, tratando el poder computacional como un futuro financiero. Los mercados globales comienzan a negociar la capacidad de los centros de datos de la misma manera en que comercian con petróleo, trigo o electricidad. Las instituciones financieras ahora aseguran terrenos, negocian derechos de agua y reservan capacidad energética años antes de que se instale un solo servidor. La premisa detrás de esta inversión es que los modelos de lenguaje seguirán exigiendo salas cada vez más grandes y contratos de energía más masivos, convirtiendo la simple capacidad de procesar datos en un bien especulativo.
Este cambio desmantela por fin la metáfora de la nube. Durante una década, la industria tecnológica presentó internet como un espacio inmaterial, un dominio ingrávido de software y señales. La declaración financiera de Fink devuelve el algoritmo a su brutal base física. La economía digital depende de planchas de concreto, torres de enfriamiento, alambre de cobre y una enorme generación de energía. Al tratar el cómputo como un futuro negociable, Wall Street reconoce que la inteligencia de las máquinas es hoy un recurso industrial pesado. El público imagina la inteligencia artificial como una conversación silenciosa que ocurre en la pantalla de un teléfono, pero el balance contable la ve como una industria extractiva. El procesamiento de datos se ha convertido en la materia prima fundamental del siglo, negociada y acumulada antes de que la máquina empiece siquiera a formular una respuesta.
Wispr Flow is launching its voice AI product in India, betting that dictation can work in one of the hardest speech markets, TechCrunch reported on May 9. India brings many languages, code-switching, accents, crowded rooms, street noise, and phone habits that defeat clean laboratory assumptions. Voice tools often sound universal in product copy, but they are trained and judged through particular forms of speech. The market tests whether software can handle language as people actually use it.
The challenge is cultural before it is merely acoustic. Dictation asks a person to trust that a machine will hear tone, rhythm, borrowed words, and social register without flattening them into foreign correctness. A keyboard lets users edit in private. Voice exposes hesitation, pronunciation, and environment to the system at the moment of composition. In India, that exposure includes English mixed with local languages, professional phrases crossing household sound, and speakers who may not want a device to discipline their accent. Wispr's bet is that speed can overcome discomfort. Convenience may still ask people to speak in a form the software prefers, slowly teaching ordinary language to behave like training data.
Wispr Flow está lanzando su producto de IA de voz en India, apostando a que el dictado puede funcionar en uno de los mercados de habla más difíciles, informó TechCrunch el 9 de mayo. India reúne muchas lenguas, cambios de idioma dentro de una frase, acentos, habitaciones llenas, ruido callejero y hábitos telefónicos que derrotan las premisas limpias del laboratorio. Las herramientas de voz suelen sonar universales en la publicidad de producto, pero se entrenan y se juzgan mediante formas particulares de habla. El mercado prueba si el software puede manejar el lenguaje como la gente lo usa de verdad.
El desafío es cultural antes que puramente acústico. El dictado pide a una persona confiar en que una máquina escuchará tono, ritmo, palabras prestadas y registro social sin aplanarlos en una corrección extranjera. Un teclado permite editar en privado. La voz expone vacilación, pronunciación y entorno ante el sistema en el momento de componer. En India, esa exposición incluye inglés mezclado con lenguas locales, frases profesionales cruzando ruido doméstico y hablantes que quizá no quieren que un dispositivo discipline su acento. La apuesta de Wispr es que la velocidad puede vencer la incomodidad. La conveniencia aún puede pedir a la gente que hable en una forma preferida por el software, enseñando lentamente al lenguaje común a comportarse como datos de entrenamiento.
Cloudflare said AI had made 1,100 jobs obsolete even as the company reported record revenue, TechCrunch reported on May 8. The Verge also noted that Cloudflare described a sharp rise in internal AI usage. Chief executive Matthew Prince framed the layoffs as part of rebuilding how a high-growth company operates in an agentic AI era. The sentence is polished, and the human fact is direct. People left while the company grew.
This is the managerial version of AI adoption, stripped of demo-stage charm. AI now sits inside productivity targets, org charts, dashboards, and hiring plans, where its value is measured through headcount and speed. Companies can say the work changed, the roles changed, or the operating model changed. Workers still experience the change as a badge that stops opening doors. Cloudflare's revenue makes the decision sharper because scarcity is not the obvious explanation. AI becomes a language for redesigning the firm while preserving the image of efficiency. The empty desk becomes part of the evidence offered to investors and employees that the company has learned to need fewer people for the same ambition.
Cloudflare dijo que la IA había vuelto obsoletos 1.100 puestos aun mientras la empresa reportaba ingresos récord, informó TechCrunch el 8 de mayo. The Verge también señaló que Cloudflare describió un fuerte aumento en su uso interno de IA. El director ejecutivo Matthew Prince presentó los despidos como parte de reconstruir cómo opera una empresa de alto crecimiento en una era de IA agentiva. La frase es pulida, y el hecho humano es directo. La gente salió mientras la empresa crecía.
Esta es la versión gerencial de la adopción de IA, sin el encanto de las demos. La IA queda dentro de metas de productividad, organigramas, tableros e informes de contratación, donde su valor se mide con plantilla y velocidad. Las empresas pueden decir que cambió el trabajo, que cambiaron los roles o que cambió el modelo operativo. Quien trabaja sigue viviendo el cambio como una credencial que deja de abrir puertas. Los ingresos de Cloudflare vuelven más aguda la decisión porque la escasez no es la explicación evidente. La IA se convierte en lenguaje para rediseñar la firma mientras conserva la imagen de eficiencia. El escritorio vacío queda integrado a la prueba que se ofrece a inversores y empleados de que la empresa aprendió a necesitar menos personas para la misma ambición.
OpenAI introduced a Trusted Contact feature for cases of possible self-harm, TechCrunch and The Verge reported on May 7. The safeguard lets a user designate someone who may be alerted when ChatGPT detects serious safety concerns. The feature sits inside a difficult category. A chatbot can become a place where people disclose fear, loneliness, panic, or suicidal thoughts, yet the company behind it is neither a clinic nor a family member.
The new contact turns private chat into a conditional social corridor. The user still writes to a machine interface, but a threshold can move the conversation toward a human outside the app. That design admits something earlier AI marketing preferred to soften. Conversational systems are entering scenes of emotional risk, and refusal messages alone do not create care. The hard part is deciding when software should interrupt solitude without becoming surveillance disguised as concern. A safety feature can be humane, intrusive, insufficient, or late. Its force depends on detection rules, consent, timing, and the person chosen to receive the alert. The contact is trusted because the machine is not.
OpenAI presentó una función de contacto de confianza para casos de posible autolesión, informaron TechCrunch y The Verge el 7 de mayo. La protección permite que el usuario designe a alguien que puede recibir una alerta cuando ChatGPT detecte preocupaciones graves de seguridad. La función pertenece a una categoría difícil. Un chatbot puede convertirse en el lugar donde una persona revela miedo, soledad, pánico o ideas suicidas, pero la empresa detrás no es una clínica ni un familiar.
El nuevo contacto convierte el chat privado en un corredor social condicionado. El usuario todavía escribe a una interfaz maquinal, pero un umbral puede mover la conversación hacia una persona fuera de la app. Ese diseño admite algo que el marketing anterior de IA prefería suavizar. Los sistemas conversacionales están entrando en escenas de riesgo emocional, y los mensajes de rechazo por sí solos no crean cuidado. Lo difícil es decidir cuándo el software debe interrumpir la soledad sin convertirse en vigilancia disfrazada de preocupación. Una función de seguridad puede ser humana, intrusiva, insuficiente o tardía. Su fuerza depende de reglas de detección, consentimiento, tiempo y la persona elegida para recibir la alerta. El contacto es de confianza porque la máquina no lo es.
SpaceX may spend up to $119 billion on a Texas chip factory called Terafab, TechCrunch reported on May 6, citing filings connected to the project. The plant would be aimed at AI chips, placing another Elon Musk company inside the race to secure compute beyond cloud rental and supplier contracts. The proposed scale is difficult to treat as a normal factory plan. It reads as an industrial wager on who gets to own the physical base of machine intelligence.
The factory proposal shows how AI ambition keeps moving backward through the supply chain. A chatbot needs chips; chips need fabs; fabs need land, power, water, skilled labor, chemical systems, and political permission. Control of the answer box begins in construction permits and fabrication lines. SpaceX built its identity around rockets and launch cadence, but Terafab would bind that culture to semiconductor sovereignty. The name itself sounds like acceleration dressed as infrastructure. What matters is the dependency it exposes. The company that wants models, robots, satellites, vehicles, and military contracts cannot rely forever on someone else's silicon. The future is being imagined as software, then budgeted as concrete.
SpaceX podría gastar hasta 119.000 millones de dólares en una fábrica de chips en Texas llamada Terafab, informó TechCrunch el 6 de mayo, citando documentos vinculados al proyecto. La planta estaría orientada a chips de IA y pondría a otra empresa de Elon Musk dentro de la carrera por asegurar cómputo más allá del alquiler de nube y los contratos con proveedores. La escala propuesta cuesta tratarla como un plan fabril normal. Se lee como una apuesta industrial sobre quién consigue poseer la base física de la inteligencia maquinal.
La propuesta de fábrica muestra cómo la ambición de IA retrocede por la cadena de suministro. Un chatbot necesita chips; los chips necesitan fábricas; las fábricas necesitan tierra, energía, agua, mano de obra especializada, sistemas químicos y permiso político. El control de la caja de respuestas empieza en permisos de construcción y líneas de fabricación. SpaceX construyó su identidad alrededor de cohetes y ritmo de lanzamiento, pero Terafab uniría esa cultura con soberanía semiconductor. El nombre mismo suena a aceleración vestida de infraestructura. Lo que aparece es la dependencia. La empresa que quiere modelos, robots, satélites, vehículos y contratos militares no puede apoyarse para siempre en el silicio ajeno. El futuro se imagina como software y después se presupuesta como concreto.
