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. Es una geek de toda la vida apasionada por los laboratorios domésticos y el software de código abierto, y se especializa en traducir conceptos técnicos complejos en guías prácticas y fáciles de seguir. Eva cree que alojar servicios propios debería ser divertido, no intimidante. A través de sus tutoriales, ayuda a la comunidad a desmitificar la configuración del hardware, desde montar su primer NAS hasta dominar los contenedores Docker.

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

La pregunta más importante sobre la IA de código abierto en 2026 ya no es si un portátil puede generar unos cuantos tokens con un modelo descargado. La cuestión es si puedes inspeccionar el sistema, elegir dónde van tus datos, sustituir un componente sin tener que reconstruirlo todo y mantener en funcionamiento las partes útiles cuando un proveedor cambia sus precios, políticas o API.

Eso es lo que hace que la Cumbre de IA de código abierto sea especialmente relevante. El evento de dos días en San Francisco no gira en torno al lanzamiento de un único modelo. Su programa aborda la inferencia local, los marcos de trabajo para agentes, la informática privada, el hardware verificable, la ciencia abierta, la economía, la seguridad y el derecho a computar. En otras palabras, plantea qué haría falta para que las personas construyan, ejecuten y controlen una mayor parte de su pila de IA.

La Cumbre de IA de código abierto 2026 se celebra del 10 al 11 de septiembre en el Presidio de San Francisco. Las solicitudes están cerradas y el evento ha alcanzado el aforo máximo. Al 10 de septiembre, el sitio web del evento no ha anunciado ninguna transmisión pública en directo. Esta guía distingue los 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 privado de IA.

Fechas, ubicación y estado del evento de la Cumbre de IA de código abierto 2026

La cumbre dura dos días, el jueves 10 y el viernes 11 de septiembre de 2026, en el Presidio de San Francisco. El programa publicado empieza con el desayuno a las 9:00 a. m. ambos días. El jueves termina con una hora feliz, mientras que las charlas programadas del viernes concluyen a las 3:40 p. m., seguidas de un encuentro opcional.

Detalle	Información confirmada	Nota de planificación
Evento	Cumbre de IA de código abierto 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	El Presidio, San Francisco	Los asistentes aceptados deben seguir las instrucciones de acceso del correo electrónico de confirmación.
Zona horaria	Hora local de San Francisco	En septiembre, San Francisco utiliza el horario de verano del Pacífico.
Asistencia	Se requiere solicitud; se alcanzó el aforo	La interfaz de solicitud indica actualmente que las solicitudes están cerradas.
Precio de la entrada	150 $ para los solicitantes aceptados	Este era el precio de reserva, no una entrada para asistir sin reserva.
Transmisión en directo	No anunciado	No des por hecho que una charla informal a distancia significa que se transmite toda la cumbre.

Los horarios y el acceso al evento pueden cambiar con poca antelación. Consulta el programa oficial de la cumbre antes de viajar o de contar con una sesión en particular.

¿Qué es el Open Source AI Summit?

El Open Source AI Summit es un encuentro seleccionado sobre sistemas de IA que personas y organizaciones pueden comprender, operar, modificar y controlar de forma más directa. El programa de 2026 abarca 12 temas relacionados: IA local para empresas, casos de uso de modelos abiertos, inferencia y computación, marcos de trabajo con agentes, economía y mercados, IA para la ciencia, seguridad y salvaguardas, hardware verificable, IA privada, el derecho a la computación, 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 solo porque se puedan descargar sus pesos. También necesita un motor de inferencia, almacenamiento, permisos, una interfaz, recuperación de contexto, acceso a herramientas, supervisión, actualizaciones y un límite de seguridad. La cumbre considera esas capas que rodean al modelo como parte de la cuestión de la propiedad de la IA, en lugar de hablar de los modelos de referencia de forma aislada.

El evento está organizado por Presidio Bitcoin, un centro de San Francisco centrado en la tecnología privada y descentralizada. Ese trasfondo 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 computación. Los asistentes deben esperar un punto de vista, no una feria comercial neutral que cubra por igual todos los sectores del mercado de la IA.

¿Quiénes participarán en el Open Source AI Summit 2026?

El sitio web del evento enumera a 47 ponentes que abordarán modelos e inferencia, agentes y herramientas, privacidad y seguridad, ciencia abierta, políticas y derechos, y filosofía y economía. Entre los participantes destacados están Bryan Catanzaro, vicepresidente de investigación aplicada en aprendizaje profundo 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 larga lista de ponentes no convierte automáticamente un programa en una agenda útil. Para quienes desarrollan IA local, un mejor filtro es la capa del sistema que cada sesión ayuda a comprender:

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

Programa de la cumbre de IA de código abierto: qué ver el 10 de septiembre

El primer día pasa de la defensa política de la IA abierta a los aspectos prácticos de la inferencia, la personalización de modelos, los agentes locales, los protocolos abiertos y la seguridad del software. Tres sesiones forman 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 ser demostraciones a formar parte del uso diario fiable? ¿Dónde siguen causando dificultades el ancho de banda de memoria y el tamaño de los modelos? ¿Cuándo reduce 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 distinguir la capacidad del modelo del rendimiento del entorno 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 datos en memoria afectan a la velocidad y la estabilidad. Por lo tanto, «¿Puede esta máquina ejecutar el modelo?» es una pregunta incompleta. La pregunta más 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 clasificar, extraer, enrutar o ejecutar una llamada acotada a una herramienta, aunque sea menos capaz 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 establece límites para las herramientas, las credenciales, los reintentos y el estado.

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

Programa de la Cumbre de IA de Código Abierto: ¿qué ocurre el 11 de septiembre?

El viernes 11 de septiembre es el segundo día. El programa sigue una progresión más ajustada: 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 a. m.	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 a. m.	Charla junto a la chimenea sobre el manifiesto de la computación	Presenta el acceso al cómputo y el control de los usuarios como cuestiones sociales y económicas, no solo como decisiones de infraestructura.
10:45–11:15 a. m.	Panel sobre 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 a. m.–12:00 p. m.	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 p. m.	IA para la ciencia	Explora cómo la infraestructura de investigación abierta puede facilitar la inspección y ampliación de modelos, métodos y resultados.
1:45–2:15 p. m.	La geopolítica de la IA	Sitúa los chips, los modelos, la regulación y la capacidad de cómputo en el contexto más amplio de la competencia por el control tecnológico.
2:25–2:55 p. m.	Hardware verificable	Lleva la cuestión de la confianza más allá del software, hasta el firmware, el hardware, la atestación y la máquina física.
3:05–3:35 p. m.	Charla junto a la chimenea con Bryan Catanzaro	Presenta 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 3:40 p. m., después de una breve sesión de cierre. Luego habrá una hora feliz y un encuentro opcionales en 38 Keyes Avenue. Los asistentes deben seguir usando la confirmación de su evento para consultar los detalles finales de acceso, en lugar de considerar un resumen en línea como 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, retener información importante sobre los datos de entrenamiento, el código de entrenamiento o los derechos necesarios para modificar y redistribuir el sistema. Aun así, puede ser 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 el formato preferido para modificarlo 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 aprendidos del modelo según las condiciones especificadas.	Transparencia total del entrenamiento, uso sin restricciones, reproducibilidad o una licencia alineada con la OSI.
IA de código abierto	El sistema está pensado para otorgar derechos significativos de uso, estudio, modificación y distribución.	Que una descarga en particular sea pequeña, segura, imparcial, precisa o fácil de operar.
IA local	Una parte o la totalidad de la inferencia se ejecuta en hardware cercano que controlas.	Licencias abiertas, transparencia en el entrenamiento, una configuración de seguridad adecuada o ausencia de conexiones externas.
IA privada	La arquitectura está diseñada para limitar el acceso no autorizado a las instrucciones, 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 protege la privacidad. Un modelo con pesos abiertos puede ejecutarse localmente. Incluso un sistema realmente abierto puede filtrar datos si una interfaz o una herramienta de agente está mal configurada. Quienes compran o desarrollan deberían plantearse preguntas por separado sobre las licencias, dónde se ejecuta el modelo, 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 sensación de propiedad porque desaparece la dependencia más visible. Las dependencias menos visibles siguen ahí. Un servicio de IA útil necesita almacenamiento de datos, un entorno de ejecución, una interfaz de usuario, gestión de identidades, recuperación de información, registros, copias de seguridad, controles de red y, a veces, acceso a herramientas externas.

Para un laboratorio doméstico, conviene dividir la pila en cuatro capas:

Capa de datos: documentos, fotos, contenido multimedia, incrustaciones, 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 de información, entornos de ejecución de agentes y automatización.
Capa de control: cuentas de usuario, permisos, secretos, exposición a la red, registros, actualizaciones y recuperación.

No es necesario que esas capas estén en una sola caja. 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 crea copias de seguridad de la configuración. A menudo, esta división tiene más sentido que forzar 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, empieza con un montaje 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 enfoque de la cumbre sobre lo abierto frente a lo cerrado no obliga a que todo se ejecute localmente. Un mejor diseño asigna cada tarea al entorno que mejor se adapte a sus requisitos de privacidad, latencia, capacidad y mantenimiento.

Carga de trabajo	Suele convenir más la ejecución local	Suele convenir más un modelo en la nube
Búsqueda en documentos privados	Archivos fuente confidenciales, consultas repetidas, alcance predecible y acceso a la red local.	Contexto muy amplio o razonamiento avanzado que un modelo local no pueda gestionar de forma fiable.
Clasificación y extracción	Tareas repetitivas de gran volumen y alcance definido, con un formato de salida que se pueda comprobar.	Entradas poco frecuentes que requieren conocimientos más amplios o una comprensión multimodal más avanzada.
Asistente de programación	Repositorios privados, trabajo sin conexión, autocompletado de código y consultas específicas sobre repositorios.	Tareas complejas de depuración o arquitectura en las que un razonamiento más sólido aporta más valor que el control local.
Uso de herramientas por agentes	Archivos locales, servicios domésticos o API internas protegidos por permisos estrictos.	Investigación abierta o planificación exigente, siempre que se elimine la información confidencial o se controle.
Análisis de imágenes y contenido multimedia	Bibliotecas personales de fotos, grabaciones de seguridad, grabaciones privadas e indexación en segundo plano.	Tareas ocasionales de generación o análisis de alto nivel que requerirían aceleradores locales costosos.

Un sistema híbrido puede dirigir las tareas privadas rutinarias a un modelo local y escalar tareas específicas 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 si alguno de los servicios no está disponible.

Cómo encaja un servidor doméstico en la pila de IA abierta

Un servidor doméstico ofrece el mayor valor cuando se trata como infraestructura permanente, no como una máquina para pruebas de rendimiento. Puede estar 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 gestionar la orquestación, la recuperación de información, la inferencia ligera, las bases de datos y las interfaces, incluso cuando las tareas de generación más exigentes se ejecutan en otro lugar. La guía de cargas de trabajo de IA de bajo consumo explica en qué casos siguen siendo útiles los equipos modestos y solo con CPU. Para elegir una interfaz, compara las interfaces web de IA local según la autenticación, la compatibilidad con modelos, la compatibilidad con recuperación de información y los controles multiusuario, no solo por su aspecto.

Quienes necesitan mucho almacenamiento pueden usar un sistema como la nube personal NAS ZimaCube 2 como capa de datos y servicios, y luego conectar una GPU independiente para el procesamiento 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 rápido, puede actualizarse, reconstruirse o aislarse de forma independiente.

Cinco preguntas para llevarte de la cumbre

Tanto si asistes en San Francisco como si sigues los proyectos y ponentes más adelante, estas cinco preguntas perdurarán más que cualquier anuncio puntual:

¿Qué es lo que realmente poseo? Comprueba la licencia del modelo, la disponibilidad del código fuente, los datos, la configuración, las instrucciones, las incrustaciones y las opciones de exportación.
¿Dónde hay texto sin cifrar? Rastrea las instrucciones, los documentos recuperados, los resultados 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 de agentes 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? Evalúa el valor de la privacidad, la frecuencia, la latencia, el coste del hardware, el consumo eléctrico, el mantenimiento y la diferencia de calidad frente a las alternativas alojadas.

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

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 y el viernes 11 de septiembre de 2026. El desayuno está programado para 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, en San Francisco, California. Los asistentes aceptados deben seguir las indicaciones de ubicación y acceso proporcionadas por los organizadores.

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

Actualmente no hay entradas generales a la venta. Para asistir era necesario presentar una solicitud, y la interfaz de solicitud del evento indica que la cumbre ha alcanzado su capacidad máxima. El precio publicado de la reserva para los solicitantes aceptados era de 150 $, y anteriormente se había ofrecido un número limitado de pases gratuitos a desarrolladores de IA de código abierto y académicos.

¿Se retransmitirá en directo el Open Source AI Summit?

A fecha del 10 de septiembre de 2026, el organizador no ha anunciado una retransmisión pública en directo en el sitio web del evento. Un punto del programa aparece como una charla informal a distancia, 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 del Open Source AI Summit?

Entre los participantes anunciados figuran 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 abierta y privada.

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

Que los pesos sean abiertos significa que los parámetros aprendidos de un modelo están disponibles bajo unas condiciones determinadas. La IA de código abierto es una afirmación más amplia que implica una libertad real para usar, estudiar, modificar y compartir el sistema, junto con el acceso al formato preferido necesario para modificarlo. La publicación de 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 indicaciones y archivos a un proveedor externo de modelos, 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 de forma local?

No siempre. Los modelos pequeños cuantizados, los modelos de incrustaciones, 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 de trabajo multimodales, los contextos largos y los usuarios simultáneos suelen beneficiarse de un mayor ancho de banda de memoria y de la aceleración por GPU.

¿Puede un NAS ejecutar IA local?

Sí, dentro de límites realistas. Un NAS o un servidor doméstico puede ejecutar modelos pequeños, servicios de recuperación de información, bases de datos, interfaces y automatización. Para tareas de inferencia 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 lo ejecuta. El firmware, la integridad del arranque, la identidad del dispositivo, los enclaves seguros, la atestación y las cadenas de suministro de hardware influyen en que puedan verificarse las afirmaciones de seguridad de un sistema. El hardware verificable amplía la cuestión de la confianza: del código del modelo a la infraestructura física.