Guía de la Cumbre de IA de código abierto 2026: fechas, ponentes, agenda e IA local

Eva Wong

IceWhale author

Eva Wong es la Redactora técnica y manitas residente en ZimaSpace. Una geek de toda la vida con pasión por los homelabs y el software de código abierto, se especializa en traducir conceptos técnicos complejos en guías accesibles y prácticas. Eva cree que el autoalojamiento debe ser divertido, no intimidante. A través de sus tutoriales, empodera a la comunidad para desmitificar las configuraciones de hardware, desde construir su primer NAS hasta dominar los contenedores Docker.

Open Source AI Summit 2026 Guide: Dates, Speakers, Agenda, and Local AI - Zima Store Online

La cuestión más importante de la IA de código abierto en 2026 ya no es si un portátil puede generar unos pocos tokens a partir de un modelo descargado. La cuestión es si puedes inspeccionar el sistema, elegir dónde van tus datos, sustituir un componente sin reconstruirlo todo y mantener en funcionamiento las partes útiles cuando un proveedor cambie su precio, sus políticas o su API.

Eso es lo que hace que Open Source AI Summit sea especialmente relevante. El evento de dos días en San Francisco no está organizado en torno al lanzamiento de un único modelo. Su agenda abarca la inferencia local, los marcos de agentes, la informática privada, el hardware verificable, la ciencia abierta, la economía, la seguridad y el derecho a la computación. En otras palabras, plantea qué haría falta para que las personas pudieran crear, ejecutar y poseer una mayor parte de su pila de IA.

Open Source AI Summit 2026 se celebra del 10 al 11 de septiembre en The Presidio, San Francisco. Las solicitudes ya están cerradas y el evento ha alcanzado el aforo máximo. A fecha del 10 de septiembre, el sitio web del evento no ha anunciado ninguna retransmisión pública en directo. Esta guía separa esos hechos confirmados de las suposiciones, destaca las sesiones más útiles para quienes desarrollan IA local y convierte los amplios temas de la cumbre en decisiones prácticas para un laboratorio doméstico o un servidor de IA privado.

Fechas, ubicación y estado del evento de Open Source AI Summit 2026

La cumbre se celebra durante dos días, el jueves 10 y el viernes 11 de septiembre de 2026, en The Presidio, San Francisco. El programa publicado comienza con el desayuno a las 9:00 a. m. ambos días. El jueves concluye con una hora feliz, mientras que las charlas programadas del viernes terminan a las 15:40, seguidas de un encuentro opcional.

Detalle	Información confirmada	Nota de planificación
Evento	Open Source AI Summit 2026	Un encuentro presencial de dos días centrado en la IA abierta, local, privada y descentralizada.
Fechas	10–11 de septiembre de 2026	El 11 de septiembre es el segundo día, no el día de apertura.
Ubicación	The Presidio, San Francisco	Los asistentes aceptados deben consultar el correo electrónico de confirmación para conocer las instrucciones de acceso.
Zona horaria	Hora local de San Francisco	En septiembre, San Francisco observa el horario de verano del Pacífico.
Asistencia	Se requiere solicitud; se ha alcanzado el aforo	La interfaz de solicitud indica actualmente que las solicitudes están cerradas.
Precio de la entrada	150 $ para solicitantes aceptados	Este era el precio de reserva, no una entrada de acceso libre.
Retransmisión en directo	No anunciado	No des por hecho que una charla informal remota significa que se retransmitirá toda la cumbre.

Los horarios y el acceso a los eventos pueden cambiar con poca antelación. Consulta el horario oficial de la cumbre antes de viajar o de dar por segura una sesión concreta.

¿Qué es Open Source AI Summit?

Open Source AI Summit es un encuentro seleccionado sobre sistemas de IA que las personas y las organizaciones pueden comprender, operar, modificar y controlar más directamente. El programa de 2026 abarca 12 temas relacionados: IA local para empresas, casos de uso de modelos abiertos, inferencia y computación, marcos agénticos, economía y mercados, IA para la ciencia, seguridad y barreras de protección, hardware verificable, IA privada, el derecho a computar, IA abierta frente a cerrada y la carrera mundial por la IA.

Esa combinación importa. Un modelo abierto no se convierte en un asistente privado útil simplemente porque sus pesos puedan descargarse. También necesita un motor de inferencia, almacenamiento, permisos, una interfaz, recuperación de contexto, acceso a herramientas, supervisión, actualizaciones y un perímetro de seguridad. La cumbre considera estas capas circundantes parte de la cuestión de la propiedad de la IA, en lugar de analizar las métricas comparativas de los modelos de forma aislada.

El evento está organizado por Presidio Bitcoin, un centro de San Francisco centrado en la tecnología privada y descentralizada. Ese contexto explica por qué el programa va más allá de la ingeniería y abarca la economía, las libertades civiles, las políticas públicas, la confianza en el hardware y el acceso a la capacidad de cómputo. Los asistentes deben esperar una perspectiva definida, no una feria comercial neutral que cubra por igual todos los sectores del mercado de la IA.

¿Quiénes hablarán en Open Source AI Summit 2026?

El sitio web del evento incluye a 47 ponentes de las áreas de modelos e inferencia, agentes y herramientas, privacidad y seguridad, ciencia abierta, políticas y derechos, y filosofía y economía. Entre los participantes destacados se encuentran Bryan Catanzaro, vicepresidente de Investigación en Aprendizaje Profundo Aplicado de NVIDIA; Jeff Boudier, vicepresidente de Producto de Hugging Face; Travis Oliphant, creador de NumPy y SciPy; Ravin Kumar, ingeniero de investigación sénior de Google DeepMind; investigadores de AI2; y profesionales de Together AI, Block, Spiral, Google, Prime Intellect, OpenTeams y empresas de IA centradas en la privacidad.

Una lista larga de ponentes no constituye automáticamente una agenda útil. Para quienes desarrollan IA local, el mejor filtro es la capa del sistema que cada sesión ayuda a esclarecer:

Si estás decidiendo...	Prioriza estos temas	En qué fijarse
Qué modelos pueden ejecutarse localmente	IA local, motores de inferencia y personalización de modelos abiertos	Uso de memoria, cuantización, rendimiento, límites de contexto, compatibilidad de hardware y compensaciones operativas.
Cómo crear un agente útil	Bucles de agentes, arneses, protocolos y herramientas	Estado, reintentos, permisos de herramientas, observabilidad, cambio de modelos y recuperación ante fallos.
Cómo proteger los prompts sensibles	IA privada, computación confidencial y seguridad	Dónde existe texto sin formato, quién controla las claves, qué se puede verificar y qué afirmaciones requieren confianza.
Si un modelo es realmente abierto	Pesos abiertos, ciencia abierta, licencias y personalización de modelos	Acceso a la información de entrenamiento, el código, los parámetros, los derechos de modificación y las condiciones de redistribución.
Quién controla la infraestructura de la IA	Derecho a la computación, economía, geopolítica y hardware verificable	Disponibilidad, concentración, regulación, confianza en el hardware y dependencia de proveedores centralizados.

Agenda de la Cumbre de IA de Código Abierto: Qué observar el 10 de septiembre

El primer día pasa del argumento político a favor de la IA abierta a la mecánica de la inferencia, la personalización de modelos, los agentes locales, los protocolos abiertos y la seguridad del software. Tres sesiones crean una secuencia técnica especialmente útil.

Estado de la IA local

«Estado de la IA local», de Ahmad M. Osman, es el punto de entrada más directo para quienes estén interesados en ejecutar IA en su propio hardware. Las preguntas útiles son prácticas: ¿Qué cargas de trabajo han pasado de las demostraciones al uso diario fiable? ¿Dónde siguen generando dificultades el ancho de banda de la memoria y el tamaño del modelo? ¿Cuándo reduce los costes la inferencia local y cuándo simplemente traslada los costes al hardware, la energía y el mantenimiento?

Cómo funcionan realmente los motores de inferencia

La sesión de Zain Hasan sobre motores de inferencia debería ayudar a separar la capacidad del modelo del rendimiento en tiempo de ejecución. Dos personas pueden descargar el mismo modelo y obtener resultados muy distintos porque el formato del modelo, la cuantización, el procesamiento por lotes, la longitud del contexto, la gestión de la caché, la compatibilidad del backend y el movimiento de memoria afectan a la velocidad y la estabilidad. Por tanto, «¿Puede esta máquina ejecutar el modelo?» es una pregunta incompleta. La pregunta adecuada es si puede ejecutar el contexto y la carga de trabajo necesarios con un tiempo de respuesta aceptable.

Diseño de bucles y grafos de agentes con modelos locales

La sesión de Dustin Dannenhauer pasa de un único prompt a un sistema de agentes. Esta distinción es importante. Un modelo local puede ser suficiente para clasificación, extracción, enrutamiento o una llamada acotada a una herramienta, aunque sea más débil que un modelo de frontera en la nube para el razonamiento abierto. Un buen diseño de agentes asigna a cada modelo una tarea que pueda realizar de forma fiable y añade límites para las herramientas, las credenciales, los reintentos y el estado.

Las sesiones posteriores, «Panorama de los sistemas agénticos» y «Protección del software de código abierto», añaden dos capas que faltaban: la orquestación y el riesgo de la cadena de suministro. El código descargable se puede inspeccionar, pero eso no lo hace seguro automáticamente. Los modelos, contenedores, extensiones, habilidades de los agentes, paquetes de Python y plantillas de la comunidad amplían la base informática de confianza.

Agenda de la Cumbre de IA de Código Abierto: ¿Qué sucede el 11 de septiembre?

El viernes 11 de septiembre es el segundo día. Presenta una progresión más compacta, desde la creación con modelos abiertos hasta la privacidad, la soberanía empresarial, la ciencia, la geopolítica, el hardware verificable y la perspectiva de NVIDIA sobre la infraestructura de IA abierta.

Hora	Sesión	Por qué importa
9:30–9:55	Cómo crear tu propia IA con modelos abiertos	Jeff Boudier, de Hugging Face, relaciona el acceso a los modelos con los componentes necesarios para convertir un modelo en un sistema utilizable.
10:05–10:35	Conversación junto a la chimenea sobre el Manifiesto de la Computación	Plantea el acceso al cómputo y el control del usuario como cuestiones sociales y económicas, no solo como decisiones de infraestructura.
10:45–11:15	Panel de privacidad	Útil para comparar la ejecución local, los entornos de ejecución confiables, los servicios cifrados y las afirmaciones que puede respaldar cada arquitectura.
11:30–12:00	Soberanía desde el diseño	Plantea cómo la propiedad de la infraestructura, los datos y el software afecta al valor empresarial y a la dependencia a largo plazo.
12:10–12:40	IA para la ciencia	Analiza cómo la infraestructura de investigación abierta puede facilitar la inspección y ampliación de modelos, métodos y resultados.
13:45–14:15	La geopolítica de la IA	Sitúa los chips, los modelos, la regulación y la capacidad de cómputo dentro de la competencia más amplia por el control tecnológico.
14:25–14:55	Hardware verificable	Traslada la cuestión de la confianza más allá del software, hacia el firmware, el hardware, la atestación y la máquina física.
15:05–15:35	Conversación junto a la chimenea con Bryan Catanzaro	Ofrece la perspectiva de NVIDIA sobre la investigación de modelos, la inferencia y la pila de hardware y software que sustenta la IA abierta.

La jornada termina a las 15:40, después de una breve sesión de clausura. A continuación, habrá una reunión y una hora feliz opcionales en 38 Keyes Avenue. Los asistentes deben seguir utilizando la confirmación de su evento para consultar los datos finales de acceso, en lugar de tratar un resumen en línea como un documento de admisión.

La IA de código abierto no es lo mismo que los pesos abiertos

La expresión «modelo de código abierto» suele usarse de manera imprecisa. Un proveedor puede publicar los pesos y, al mismo tiempo, ocultar información importante sobre los datos de entrenamiento, el código de entrenamiento o los derechos necesarios para modificar y redistribuir el sistema. Esto puede seguir siendo muy útil, pero no ofrece el mismo nivel de apertura.

La Definición de IA de Código Abierto se centra en cuatro libertades: usar el sistema para cualquier propósito, estudiar cómo funciona, modificarlo y compartirlo, con o sin cambios. También indica que la forma preferida para la modificación debe incluir información suficientemente detallada sobre los datos, el código pertinente y los parámetros del modelo.

Término	Lo que suele indicar	Lo que no garantiza
Pesos abiertos	Puedes obtener los parámetros del modelo entrenado conforme a las condiciones establecidas.	Transparencia total del entrenamiento, uso sin restricciones, reproducibilidad o una licencia alineada con la OSI.
IA de código abierto	El sistema está diseñado para proporcionar derechos significativos de uso, estudio, modificación y distribución.	Que una descarga determinada sea pequeña, segura, imparcial, precisa o fácil de operar.
IA local	Parte o la totalidad de la inferencia se ejecuta en hardware cercano que controlas.	Licencias abiertas, entrenamiento transparente, una buena configuración de seguridad o cero conexiones externas.
IA privada	La arquitectura está diseñada para limitar el acceso no autorizado a las indicaciones, los archivos, los resultados o la identidad.	Que todo se ejecute localmente o que todas las afirmaciones sobre privacidad puedan verificarse de forma independiente.

Estas etiquetas describen dimensiones distintas. Un modelo cerrado puede ofrecerse mediante un servicio que preserve la privacidad. Un modelo de pesos abiertos puede ejecutarse localmente. Un sistema verdaderamente abierto aún puede filtrar datos a través de una interfaz o una herramienta de agente mal configurada. Los compradores y desarrolladores deberían plantear preguntas separadas sobre las licencias, la ubicación de la ejecución, el flujo de datos, la seguridad y el control operativo.

Por qué la inferencia local es solo una capa de la propiedad de la IA

Descargar un modelo da la sensación de tenerlo en propiedad porque desaparece la dependencia más visible. Las dependencias menos visibles permanecen. Un servicio de IA útil necesita almacenamiento de datos, un entorno de ejecución, una interfaz de usuario, identidad, recuperación, registros, copias de seguridad, controles de red y, en ocasiones, acceso a herramientas externas.

En un laboratorio doméstico, resulta útil dividir la pila en cuatro capas:

Capa de datos: documentos, fotos, archivos multimedia, embeddings, bases de datos, archivos de modelos y copias de seguridad.
Capa de cómputo: CPU, GPU, memoria, motor de inferencia, formato del modelo y bibliotecas de aceleración.
Capa de servicios: API, interfaces web de IA local, procesos de recuperación, entornos de ejecución de agentes y automatización.
Capa de control: cuentas de usuario, permisos, secretos, exposición de red, registros, actualizaciones y recuperación.

Esas capas no tienen que estar en un mismo equipo. Una estación de trabajo con GPU puede realizar la inferencia, mientras un servidor doméstico siempre encendido almacena documentos, ejecuta la interfaz web, controla el acceso de los usuarios y realiza copias de seguridad de la configuración. Esta división suele tener más sentido que obligar a un NAS orientado al almacenamiento a convertirse en una estación de trabajo de IA de alta gama.

Si estás diseñando esa arquitectura desde cero, comienza con una configuración de servidor de IA local y define la carga de trabajo antes de comprar hardware. Un modelo pequeño que atiende a una persona tiene requisitos muy distintos de los de un agente multimodal que indexa una biblioteca multimedia compartida.

¿Qué debería ejecutarse localmente y qué puede permanecer en la nube?

El planteamiento de la cumbre sobre lo abierto frente a lo cerrado no exige una respuesta completamente local. Un diseño mejor sitúa cada tarea donde encajen sus requisitos de privacidad, latencia, capacidad y mantenimiento.

Carga de trabajo	Normalmente favorece la ejecución local	Normalmente favorece un modelo en la nube
Búsqueda en documentos privados	Archivos fuente sensibles, consultas repetidas, alcance predecible y acceso a la LAN.	Contextos muy extensos o razonamiento avanzado que un modelo local no pueda gestionar de forma fiable.
Clasificación y extracción	Tareas de gran volumen, repetitivas y acotadas, con un formato de salida comprobable.	Entradas poco frecuentes que requieran conocimientos más amplios o una comprensión multimodal más sólida.
Asistente de programación	Repositorios privados, trabajo sin conexión, autocompletado de código y preguntas específicas sobre repositorios.	Tareas complejas de depuración o arquitectura en las que un razonamiento más potente aporte más valor que el control local.
Uso de herramientas por parte de agentes	Archivos locales, servicios domésticos o API internas protegidas mediante permisos estrictos.	Investigación abierta o planificación exigente, siempre que se elimine o controle el contexto sensible.
Análisis de imágenes y contenido multimedia	Bibliotecas de fotos personales, grabaciones de seguridad, grabaciones privadas e indexación en segundo plano.	Generación o análisis ocasionales de alta gama que requerirían aceleradores locales costosos.

Un sistema híbrido puede dirigir el trabajo privado rutinario a un modelo local y derivar tareas seleccionadas a un modelo en la nube solo después de que el usuario apruebe los datos que se enviarán. La dificultad no está en conectar dos API, sino en hacer visible el enrutamiento, evitar filtraciones silenciosas de datos, conservar registros útiles sin almacenar secretos y actuar de forma segura cuando alguno de los servicios no esté disponible.

Cómo encaja un servidor doméstico en la pila de IA abierta

Un servidor doméstico es más valioso cuando se trata como infraestructura persistente y no como una máquina para pruebas de rendimiento. Puede permanecer disponible mientras los portátiles están en reposo, centralizar el almacenamiento de modelos y documentos, alojar una interfaz web para varios dispositivos, ejecutar la indexación programada y mantener las copias de seguridad separadas de los entornos experimentales de IA.

Un sistema de bajo consumo puede encargarse de la orquestación, la recuperación, la inferencia ligera, las bases de datos y las interfaces, incluso cuando la generación exigente se ejecuta en otro lugar. La guía de cargas de trabajo de IA de bajo consumo explica en qué casos una CPU sin GPU y un hardware modesto siguen siendo útiles. Para elegir una interfaz, compara las interfaces web de IA local según la autenticación, la compatibilidad con modelos, la compatibilidad con la recuperación y los controles multiusuario, en lugar de fijarte solo en su apariencia.

Los creadores que necesitan mucho almacenamiento pueden usar un sistema como el NAS de nube personal ZimaCube 2 como capa de datos y servicios, y después conectar una GPU independiente cuando los modelos más grandes lo requieran. Esta división mantiene estables los archivos valiosos y los servicios siempre activos, mientras que el entorno de modelos, que cambia más rápidamente, puede actualizarse, reconstruirse o aislarse de forma independiente.

Cinco preguntas para llevarte de la cumbre

Tanto si asistes en San Francisco como si sigues después los proyectos y a los ponentes, estas cinco preguntas son más perdurables que cualquier anuncio concreto:

¿Qué poseo realmente? Comprueba la licencia del modelo, la disponibilidad del código fuente, los datos, la configuración, las indicaciones, los embeddings y la vía de exportación.
¿Dónde existe texto sin cifrar? Rastrea las indicaciones, los documentos recuperados, las salidas de las herramientas, los registros, los archivos temporales, las copias de seguridad y la telemetría.
¿Qué componente puedo sustituir? Comprueba si el modelo, el motor de inferencia, la interfaz, el almacén vectorial y el marco del agente son realmente intercambiables.
¿Qué ocurre cuando el agente se equivoca? Limita los permisos, exige confirmación para las acciones importantes, conserva puntos de recuperación y haz visibles los fallos.
¿Qué carga de trabajo merece la pena ejecutar localmente? Mide el valor de la privacidad, la frecuencia, la latencia, el coste del hardware, el consumo energético, el mantenimiento y la diferencia de calidad frente a las alternativas alojadas.

La IA abierta adquiere sentido cuando esas preguntas tienen respuestas concretas. Descargar un modelo es un comienzo. Un sistema que puedes comprender, trasladar, reparar, proteger y mantener operativo se acerca mucho más a la propiedad real.

Preguntas frecuentes sobre la Cumbre de IA de Código Abierto de 2026

¿Cuándo se celebra la Cumbre de IA de Código Abierto de 2026?

La Cumbre de IA de Código Abierto se celebra el jueves 10 de septiembre y el viernes 11 de septiembre de 2026. El desayuno está programado a partir de las 9:00 a. m. ambos días. El 11 de septiembre es el segundo día de la cumbre.

¿Dónde se celebra la Cumbre de IA de Código Abierto?

El evento se celebra en el Presidio de San Francisco, California. Los asistentes aceptados deben utilizar la ubicación y las instrucciones de acceso proporcionadas por el organizador.

¿Todavía puedo conseguir entradas para la Cumbre de IA de Código Abierto?

Actualmente no hay una venta general de entradas disponible. La asistencia requería una solicitud, y la interfaz de solicitud del evento indica que la cumbre ha alcanzado el aforo completo. El precio de reserva publicado para los solicitantes aceptados era de 150 $, y anteriormente se ofreció un número limitado de pases gratuitos a desarrolladores y académicos de IA de código abierto.

¿Hay una retransmisión en directo de la Cumbre de IA de Código Abierto?

El organizador no ha anunciado una retransmisión pública en directo en el sitio web del evento hasta el 10 de septiembre de 2026. Un punto de la agenda está etiquetado como una charla informal remota, pero eso describe la participación del ponente y no debe interpretarse como una confirmación de que se retransmitirá el evento completo.

¿Quiénes son los principales ponentes de la Cumbre de IA de Código Abierto?

La lista de ponentes publicada incluye a Bryan Catanzaro, Jeff Boudier, Travis Oliphant, Ravin Kumar, David Sacks, investigadores del Allen Institute for AI y profesionales de Together AI, Google, Block, Spiral, Prime Intellect, OpenTeams y otras organizaciones de IA abiertas y privadas.

¿Cuál es la diferencia entre la IA de código abierto y la IA de pesos abiertos?

Que los pesos sean abiertos significa que los parámetros aprendidos de un modelo están disponibles conforme a los términos establecidos. La IA de código abierto es una afirmación más amplia que implica libertad significativa para usar, estudiar, modificar y compartir el sistema, junto con acceso a la forma preferida necesaria para modificarlo. La publicación de los pesos puede ser útil sin cumplir todos los aspectos de esa definición.

¿La IA local protege automáticamente la privacidad?

No. La inferencia local puede reducir la necesidad de enviar prompts y archivos a un proveedor de modelos externo, pero la privacidad también depende de la exposición de la red, la autenticación, los registros, las extensiones, los permisos de los agentes, la telemetría, las copias de seguridad y la seguridad de todas las herramientas conectadas.

¿Necesito una GPU para ejecutar modelos abiertos localmente?

No siempre. Los modelos pequeños cuantizados, los modelos de embeddings, los clasificadores y los asistentes ligeros pueden ejecutarse en CPU, aunque la velocidad de respuesta y la capacidad de contexto pueden ser limitadas. Los modelos más grandes, las cargas multimodales, los contextos extensos y los usuarios simultáneos suelen beneficiarse de un mayor ancho de banda de memoria y de la aceleración de GPU.

¿Puede un NAS ejecutar IA local?

Sí, dentro de límites realistas. Un NAS o servidor doméstico puede ejecutar modelos más pequeños, servicios de recuperación, bases de datos, interfaces y automatizaciones. Para inferencias exigentes, puede almacenar los datos y alojar la capa de servicios, mientras otra máquina con GPU se encarga de ejecutar el modelo.

¿Por qué es importante el hardware verificable para la IA privada?

La apertura del software no puede demostrar todo sobre la máquina que hay debajo. El firmware, la integridad del arranque, la identidad del dispositivo, los enclaves seguros, la certificación y las cadenas de suministro de hardware influyen en si las afirmaciones de seguridad de un sistema pueden verificarse. El hardware verificable extiende la cuestión de la confianza desde el código del modelo hasta la infraestructura física.