Serie AI-Native · Happy College
Tu tiro en suspensión es tu programa de estudios. Bienvenido a Happy College.
En un minuto: esto es lo que te llevas
Ya ejecutas el mejor algoritmo de aprendizaje del mundo cada vez que entrenas — intento, retroalimentación honesta, ajuste, otra vez, en tu borde. Happy College es un club de lectura de IA que apunta ese ciclo hacia temas técnicos: mapeos de deporte a ML que puedes robarte, ADEPT (el método de cinco movimientos de Kalid Azad, con el espíritu de Feynman) como el ejercicio, y un stack de IA —listas de lectura verificadas, grafos de conocimiento vivos, sparring de enseñanza— que hace que cada sesión termine con un artefacto, no con anotaciones.
La regla que mantiene todo unido, tomada de cómo certificamos software: sin evidencia ⇒ no. ~7 min.
Ya dominaste algo más difícil que álgebra lineal
Tal vez fue un tiro en suspensión que finalmente dejó de rebotar mal en el aro. Un escape de armlock que puedes ejecutar con los ojos cerrados. Un viraje de piscina, un vibrato limpio, el movimiento clave de un V4 del que te caíste treinta veces. Miles de repeticiones. Retroalimentación brutal e instantánea. Y —siendo honestos— alegría.
Nadie le llamó estudiar. Ese es todo el problema.
La mentira que aprendimos en la escuela
La escuela nos enseñó que aprender una materia técnica significa quedarte quieto mientras la información te ocurre a ti. Tu cuerpo sabe más. Toda habilidad física difícil que dominas se construyó con el mismo ciclo: intento → retroalimentación honesta → ajuste pequeño → otro intento, en el límite de tu capacidad.
La ciencia del aprendizaje tiene nombres para cada pieza — la práctica deliberada [1], práctica de recuperación [2], las dificultades deseables [3], la zona de desarrollo próximo [4]. Una cancha de baloncesto implementa todo esto de forma nativa. Un salón de clases no implementa nada de esto. El gimnasio te da lo único que una clase jamás te dará: un ciclo de retroalimentación con el que no puedes discutir. Al aro no le importan tus excusas. El agua no te evalúa con benevolencia. No puedes negociar con una rendición.
Digo esto con dos credenciales. Una es un doctorado. La otra es una década dejando que hombres más pequeños y más serenos me doblaran como origami. La primera institución cobró seis cifras y me mandó una carta con una calificación en diciembre. La segunda cobraba $150 al mes y me decía la verdad cada seis minutos, usando mi propio brazo como ayuda visual. Solo una de las dos me dejó volver a matricularme en la lección de inmediato — y es la que entrega el diploma en forma de moretón.
Así que la pregunta no es "can we learn transformers while playing basketball?" (Traducción: ¿podemos aprender sobre transformers mientras jugamos baloncesto?) Es más filosa: tú ya ejecutas el mejor algoritmo de aprendizaje del mundo cada vez que entrenas — Happy College simplemente lo apunta hacia materias técnicas.
El mapeo (róbatelo)
Fíjate en esta tabla. Toda sesión de estudio debe tener las tres columnas: repeticiones, retroalimentación con la que no puedes discutir, y un borde en el que de verdad estás parado.
Patrones
- Evaluación congelada. Rep contra un objetivo fijo; el test nunca se mueve para hacerte quedar bien.
- Enseña para sparrear. Explicar bajo preguntas adversariales es el rep que revela lo que de verdad dominas.
- Un artefacto por sesión. La unidad de progreso es algo que construiste, no páginas que subrayaste.
- La IA como compañera de sparring prolífica, el humano como verificador. Deja que la máquina genere movidas candidatas a volumen; tú te quedas con el silbato.
Anti-patrones
- Mover el aro. Cambiar el test (problemas más fáciles, jueces más benévolos) para proteger la sensación de progreso.
- Ver la cinta del partido de otro. Releer y reveer clases se siente como entrenar, pero transfiere como ver desde las gradas [2].
- Confiar en la prueba completa de la máquina. La salida de la IA es una candidata, nunca un veredicto — quienes lo vivieron más abajo aprendieron esto de la forma productiva.
- Notas sin artefactos. Un cuaderno que nunca reabres es una membresía de gimnasio que nunca usas.
El método: ADEPT, hecho como corresponde
El drill a nivel de concepto es ADEPT — creado por Kalid Azad de BetterExplained [5], en el espíritu del estilo de enseñanza de Richard Feynman: si no puedes reducir un concepto a una analogía que un amigo pueda seguir, todavía no lo dominas.
- Analogía — ancla lo nuevo a algo que ya entrenaste, no solo lo que leíste
- Diagrama — dibújalo; si no puedes dibujarlo, no puedes verlo
- Ejemplo — un caso concreto, resuelto de principio a fin
- Penguaje llano — explícaselo a tu compañero de sparring, sin jerga
- Técnico — la definición real, mapeada término por término de vuelta a la analogía
Sesenta segundos de ADEPT sobre la atención, el mecanismo dentro de todo modelo de IA moderno: un base sube el balón y lee la cancha (analogía). Cada compañero de equipo agita los brazos con cierto grado de apertura; el pase va casi siempre al jugador más abierto — pero la lectura del base es una mezcla ponderada de todos (lenguaje llano). Dibuja cinco jugadores con flechas engrosadas según su apertura (diagrama). Ejecuta una jugada: "the cat sat on the ___" (Traducción: "el gato se sentó en el ___") — ¿a qué palabras anteriores les presta atención el modelo? (ejemplo). Técnicamente: cada palabra emite una query, cada palabra ofrece una key; sus puntajes de coincidencia, tras un softmax, ponderan los values que se combinan — softmax(QKᵀ/√d)V — la query es la lectura del base, las keys son cuán abierto está cada compañero, los values son lo que cada compañero hace con el balón (técnico, término por término).
Eso es una repetición. Una sesión hace muchas.
Los mejores matemáticos vivos ya entrenan así
Esto no es una metáfora que esperamos que escale. Así es como empezó a funcionar la matemática de investigación [6]. Cuando Ernest Ryu resolvió un problema abierto de 42 años —la convergencia del método acelerado de Nesterov—, el modelo insistía en darle erradas pruebas completas que contenían correctos lemas intermedios. Él lo enfrentó como en un sparring: atacar, verificar, quedarse con lo que sobrevive. Su veredicto: "The use of ChatGPT really accelerated the discovery." (Traducción: "El uso de ChatGPT realmente aceleró el descubrimiento.") [6] La máquina aportaba volumen; el humano se quedaba con el silbato.
Cuando AlphaEvolve, de DeepMind, sacó a la luz una estructura oculta de hipercubo en los intervalos de Bruhat, el matemático Geordie Williamson dijo: "It's a structure that's been sitting there for 50 years in front of our nose. We just hadn't noticed it." (Traducción: "Es una estructura que ha estado ahí durante 50 años, frente a nuestras narices. Simplemente no la habíamos notado.") [6] Cincuenta años de expertos leyendo en silencio; un sistema haciendo repeticiones a gran volumen encontró lo que la mera observación pasó por alto.
Y Terence Tao, sobre para qué sirven realmente estos sistemas: son "very good at scouring big lists of problems for low-hanging fruit. It's tedious and thankless and not something humans want to do." (Traducción: "muy buenos para rastrear grandes listas de problemas en busca de fruta al alcance de la mano. Es tedioso, ingrato y no algo que los humanos quieran hacer.") [6] Ese es un ganador de la Medalla Fields describiendo su IA exactamente como un boxeador describe un saco pesado: repeticiones infinitas de la parte que nunca entrenarías solo. El mecanismo, en una sola frase: la IA abarata los intentos; la verificación honesta hace que cuenten; el humano aporta el criterio.
El stack de IA (esta parte no existía hace cinco años)
Un club de lectura con un grupo de chat es un club de lectura. Happy College es una instalación de entrenamiento, porque las herramientas por fin existen:
- Un currículo verificado, no un montón de enlaces. El listado comunitario de lecturas verificado (AI y AI-for-research disponibles hoy; matemáticas, física, CS, biología próximamente): cada enlace verificado por máquina, cada entrada con Statement · Quote · Evidence · Actions · Patterns · 1st Principle, cada vacío marcado con honestidad.
- Conocimiento vivo, no apuntes muertos. Herramientas como
/living-knowledgey/graphifyconvierten cada sesión en un grafo de conocimiento que se mantiene fresco — un mapa que puedes consultar, no un cuaderno que nunca vuelves a abrir. - Un gemelo que rastrea en quién te estás convirtiendo. Nuestro motor de participación modela dos versiones de ti — la que tus hábitos están construyendo y la que te propones ser — y convierte la brecha entre ambas en tu programa de estudios.
- Escucha → participa → crea, en una sola sesión. La condición de salida del club: no te vas habiendo leído sobre la atención; te vas habiendo enseñado, habiendo sido puesto a prueba en ella, y habiendo construido un pequeño artefacto con ella.
- Una sola puerta de entrada. allin-anything enruta cualquier intención — "domina este paper" — hacia la herramienta correcta, para que la maquinaria nunca se interponga entre tú y la repetición.
Cómo es realmente una sesión (60 minutos)
- Calentamiento (5 min): práctica de recuperación, no repaso — escribe lo que recuerdas de la semana pasada, en frío [2]. Sí, eso es un examen sorpresa. Le cambiamos el nombre, por la misma razón que nadie vende "sufrimiento voluntario" pero todo el mundo vende CrossFit.
- Sprint ADEPT (20 min): un concepto, cinco movimientos, que termina en el mapeo término por término.
- Sparring (20 min): en parejas. Uno enseña; el otro ataca con preguntas de "¿qué se rompe si…?". Rendirse es dato, no derrota.
- Repetición de construcción (10 min): un pequeño artefacto — 20 líneas de código, un diagrama, un ejemplo resuelto. Creadores, no tomadores de apuntes.
- Registro (5 min): el artefacto se suma al grafo de conocimiento vivo. El calentamiento de la próxima semana se saca de ahí.
Te vas con un artefacto, no con anotaciones. La métrica es binaria y pública: un artefacto por miembro por sesión, cero excepciones. Las rachas se registran; las excusas no cuentan como unidad.
Únete
Happy College es lo que la universidad debería haber sido: la alegría del gimnasio, el rigor del laboratorio, y un stack de IA que le da a cada estudiante lo que los atletas de élite siempre tuvieron — un entrenador, un compañero de sparring y un marcador que no miente.
Empieza donde empezamos nosotros: elige un ítem de la lista de lectura de IA, trae la habilidad física más difícil que hayas construido, y ven listo para mapear una sobre la otra. ¿Quieres entrar en la primera cohorte? Usa el botón ✉️ Free list en la parte superior de esta página.
Tu tiro en suspensión es tu programa de estudios. Nos vemos en Happy College.
Referencias
Elegidas por la prueba de supervivencia: cada una se ha mantenido vigente durante décadas de replicación y práctica, no por un solo ciclo de hype.
- Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. (Traducción: El papel de la práctica deliberada en la adquisición del desempeño experto.) Psychological Review, 100(3), 363–406. doi:10.1037/0033-295X.100.3.363
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. (Traducción: Aprendizaje potenciado por pruebas: hacer exámenes de memoria mejora la retención a largo plazo.) Psychological Science, 17(3), 249–255. doi:10.1111/j.1467-9280.2006.01693.x
- Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. (Traducción: Complicarte las cosas, pero de buena manera: crear dificultades deseables para potenciar el aprendizaje.) In M. A. Gernsbacher et al. (Eds.), Psychology and the Real World (pp. 56–64). Worth Publishers.
- Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
- Azad, K. Learn Difficult Concepts with the ADEPT Method. BetterExplained. betterexplained.com/articles/adept-method
- The AI Revolution in Math Has Arrived. Quanta Magazine (2026). quantamagazine.org — fuente de las citas de Ryu, Williamson y Tao, verificadas textualmente.