Resumen ejecutivo
El costo de cómputo es hoy la principal barrera de entrada a la IA: los optimizadores estándar desperdician memoria, los pesos de los Transformers son estáticos y la atención se vuelve intratable en contextos largos — y todo eso empuja los precios de la RAM y agrava la escasez de chips. La propuesta de Jesús Zárate ataca el problema desde la arquitectura: M.A.T.E.R.I.A., un motor multiagente de estructura toroidal donde un HUB central orquesta agentes especializados sobre un contexto compartido y persistente; y HSAQ, un mecanismo de cuantización y poda adaptativa que, según sus mediciones en un modelo de 1.33B de parámetros, reduce la VRAM de entrenamiento de 24.8 a 10.07 GB (−59.4%) y la memoria del optimizador a la mitad. La tercera pieza, Noctua-C, aterriza el enfoque en ciberseguridad: un framework de ingeniería inversa con más de 80 módulos que un agente de IA puede operar dentro de un sandbox. El objetivo declarado del proyecto: que la IA sea accesible "desde civiles hasta gobiernos".
1. Introducción
Este artículo sintetiza la charla «Arquitectura M.A.T.E.R.I.A. HSAQ y ciberseguridad aplicada», presentada por Jesús Zárate en el I Congreso IA-LATAM (julio de 2026), a partir de su presentación oficial y de la grabación del video. Una advertencia honesta antes de empezar: se trata de investigación independiente en curso — las cifras y comparativas provienen de los experimentos del propio autor con su prototipo, no de una publicación revisada por pares. Eso no le quita interés: le pone contexto.
La motivación es concreta y muy latinoamericana: el hardware es caro. Si entrenar y servir modelos exige decenas de gigabytes de VRAM, la IA queda en manos de quien puede pagar esa memoria. Zárate propone atacar el problema de raíz — en la arquitectura y en el optimizador — en vez de parcharlo.
2. El problema: tres cuellos de botella de los Transformers
La charla identifica tres limitaciones estructurales de los LLM actuales, que en conjunto explican por qué el cómputo se ha vuelto el recurso crítico:
- Atención computacionalmente intratable en secuencias y contextos extendidos: los modelos se degradan en tareas largas, y las mitigaciones actuales son — en palabras de Zárate — "un parche y no la solución".
- Pesos estáticos: un Transformer entrenado no puede modularizar ni adaptar dinámicamente su procesamiento.
- Desperdicio de memoria en los optimizadores: en lugar de aliviar la carga del entrenamiento, la multiplican — y ese sobreconsumo, señala el autor, se conecta con el alza de precios de la RAM y la escasez mundial de chips.
| LLM tradicional | M.A.T.E.R.I.A. |
|---|---|
| Modelo monolítico: la inteligencia depende de un único modelo entrenado. | Arquitectura modular: varios modelos unificados generan un modelo base. |
| Arquitectura fija. | Arquitectura configurable: cada ranura acepta el modelo que elijas. |
| Contexto centrado en el modelo. | Contexto compartido y persistente entre todos los agentes. |
3. Análisis: la arquitectura toroidal de M.A.T.E.R.I.A.
M.A.T.E.R.I.A. — Multi-Agentic Toroidal Engine for Recursive Intelligent Analysis — organiza la inteligencia como un toroide (una dona, en tres dimensiones). En la ranura central va el HUB: el modelo puente que orquesta todo. Idealmente un JEPA o una red neuronal de picos (SNN) para aprovechar HSAQ al máximo, pero la ranura acepta cualquier modelo — un LLM, un SM o un módulo personalizado. Alrededor del anillo se montan los agentes especializados: generación de audio, escucha de voz, imágenes, video — sin un límite fijo de ranuras (el prototipo del autor usa seis).
Dos propiedades definen el diseño. La primera es obligatoria: un sistema de contexto compartido y persistente — de ahí el "análisis recursivo inteligente" del nombre — que todos los módulos leen y alimentan. La segunda es la más ambiciosa: la arquitectura es anidable — cada ranura del toroide puede contener a su vez otro M.A.T.E.R.I.A. completo, componiendo sistemas de sistemas. En la comparación del propio Zárate, esa flexibilidad es lo que acerca el diseño "a lo más cercano a una AGI" que busca construir: no un modelo más grande, sino una estructura donde muchos modelos cooperan.
4. HSAQ: podar como el cerebro
HSAQ — Hyper Sparse Adaptive Quantization — es el segundo aporte, y el que trae los números. Es un mecanismo de cuantización y poda adaptativa por activaciones, integrado en la arquitectura, que silencia la información que no le sirve al modelo para entrenarse. La analogía que usa Zárate es la poda sináptica del cerebro humano: no procesarlo todo, sino aprender qué cortar. La diferencia con esquemas de cuantización fija es justamente esa: las máscaras de HSAQ son aprendibles — el sistema "aprende a saber cuándo tiene que cortar y cuándo no".
Tres pilares técnicos lo sostienen, explicados en lenguaje llano: un umbral dinámico que calcula la mediana de activaciones por lote para silenciar las inactivas; el gradiente STE (Straight-Through Estimator), que permite que la actualización de pesos atraviese la máscara en el paso de retropropagación; y la optimización de VRAM: sustituir los 8 bytes por parámetro del optimizador AdamW por SGD Nesterov con máscaras adaptativas, a 4 bytes por parámetro.
| Criterio | AdamW (estándar) | HSAQ + SGD Nesterov | Beneficio |
|---|---|---|---|
| Memoria del optimizador | 8 bytes/parám. | 4 bytes/parám. | 50% menos memoria |
| VRAM (modelo 1.33B) | 24.8 GB | 10.07 GB | −14.7 GB (59.4%) |
| Sparsity de activaciones | 0% (densa) | 30% autorregulada | Menos cómputo |
| Convergencia JEPA | N/A | Loss 1.08 → 0.006 | −99.3% |
Tabla — Comparativa reportada por el autor en el entrenamiento de su prototipo M.A.T.E.R.I.A. v4 (1.33B de parámetros, tokenización BPE). La curva de sparsity se autorreguló en torno a un objetivo calibrado de 0.047, lo que según Zárate demuestra la estabilidad de la poda adaptativa a esa escala — y anticipa que el beneficio crece con modelos más grandes.
5. Ciberseguridad aplicada: Noctua-C
La tercera pieza baja la arquitectura a un caso de uso: Noctua-C, un framework de ingeniería inversa desarrollado por Zárate para profesionales de ciberseguridad — con o sin IA. Integra un sandbox que aísla el malware analizado para proteger el equipo del operador, y más de 80 módulos que un agente de IA puede operar para aplicar distintas técnicas de análisis y generar la documentación forense de hallazgos, lista para presentarse a un CSIRT, a la ANCI o a la empresa que contrató el análisis.
En la demostración en vivo de la charla, Zárate le entrega a un agente de IA el escenario de un stealer que ataca cifrado de tipo bancario (AES-256-CBC) y lo deja actuar: el agente ejecuta Noctua-C, monta la red aislada sobre un sandbox de sistema de archivos, extrae las evidencias criptográficas — la clave válida y su vector de inicialización de 128 bits — y entrega el resumen técnico completo, generado por la propia IA. El flujo completo: tú das el contexto, el agente opera la herramienta, y recibes el informe detallado.
6. Propuesta y hoja de ruta
El proyecto tiene una hoja de ruta declarada: el primer prototipo en 2026 (el modelo base ya entrenado), modelos comerciales para consumo en 2027, trabajo con gobiernos y empresas hacia 2028, y como meta de fondo hacia 2029, seguir reduciendo el consumo de cómputo. La dirección es consistente con la motivación inicial: si la barrera es el costo del hardware, cada punto de eficiencia ganado es acceso ganado — para investigadores independientes, para pymes y para Estados de la región que hoy no pueden costear infraestructura de IA a precios de frontera.
7. Conclusiones
Tres ideas para llevarse, en los términos de la propia charla. Primero, M.A.T.E.R.I.A. es una apuesta arquitectónica: la inteligencia como estructura modular y configurable de agentes cooperando sobre contexto compartido, no como un monolito cada vez más grande. Segundo, HSAQ demuestra — a escala de prototipo — que la eficiencia se puede aprender: poda adaptativa en vez de cuantización fija, con un ahorro de VRAM que convierte un entrenamiento de tarjeta de 24 GB en uno de 10. Tercero, la ciberseguridad es el terreno natural de prueba: Noctua-C muestra a un agente de IA haciendo ingeniería inversa real dentro de un sandbox, con informe forense incluido.
La meta declarada del proyecto resume su espíritu: reducir la potencia de cómputo necesaria para que la inteligencia artificial sea accesible desde los civiles hasta los gobiernos — investigación de frontera hecha de forma independiente, desde Chile.
Referencias
- Zárate, J. (2026). Arquitectura M.A.T.E.R.I.A. HSAQ y ciberseguridad aplicada [presentación]. I Congreso IA-LATAM. PDF de la charla.
- Zárate, J. (2026). Arquitectura M.A.T.E.R.I.A. HSAQ y Ciberseguridad aplicada [video]. Canal de Comunidad IA LATAM en YouTube. youtube.com/watch?v=5W-lapmQjc4.
Sobre el autor
Jesús Zárate es ingeniero en ciberseguridad y desarrollador de software independiente (MethodWhite, Chile), especialista en arquitectura de inteligencia artificial e ingeniería de contexto. Es el creador de la arquitectura M.A.T.E.R.I.A. y del optimizador HSAQ, desarrollador principal del framework Noctua-C y de servidores MCP como Sinapsis y Obra, e investigador en IA orientada a ciberseguridad local. LinkedIn · methodwhite@pm.me
Artículo elaborado por la Comunidad IA LATAM a partir de la presentación oficial y la transcripción del video de la charla. Las cifras corresponden a mediciones del autor sobre su prototipo; las citas fueron levemente editadas por claridad.