La ruta de graduación es el mecanismo, no la tesis

El 2026 BAIR Graduate Showcase lista 31 doctorados de Berkeley y, junto a cada nombre, una sola línea que importa más que el título de la tesis: a dónde van después. Leído mecánicamente, esa línea es una tabla de enrutamiento. El mecanismo que convierte una tesis en un sistema desplegado es la ruta — Physical Intelligence, OpenAI, Anthropic, Waymo, una plaza de profesor en UCLA, una startup, o "buscando" — no el resumen. Una tesis se convierte en capacidad de producción solo cuando aterriza en una organización que puede implementarla y medirla.

Esa es la lectura honesta del 2026 BAIR Graduate Showcase (Berkeley Artificial Intelligence Research Lab, julio de 2026). El showcase es una celebración, y debe serlo. Pero para cualquiera que construye sistemas a partir de investigación, también es un mapa de qué mecanismos sobreviven el viaje del laboratorio al despliegue, y cuáles siguen esperando una dirección de destino.

La línea "what's next" es el campo de enrutamiento

Cada entrada del showcase lleva los mismos dos campos: un resumen de investigación (la dirección de origen) y una línea "what's next" (la dirección de destino). Los resúmenes abarcan robótica, modelos de lenguaje grandes, seguridad de IA, modelado generativo, IA para la ciencia e interacción humano-IA. Los destinos son la señal que sostiene todo.

Aproximadamente un tercio de la promoción — al menos diez de los 31 graduados — lista su próxima línea como "Looking for". Son paquetes sin enrutar. Su investigación existe, ha sido defendida, y sigue esperando una organización que pueda implementar el mecanismo, instrumentarlo y medir si la propiedad que afirma realmente se sostiene bajo carga. Los otros dos tercios están enrutados: a Physical Intelligence (Baifeng Shi, Kevin Black), OpenAI (Hanlin Zhu), Anthropic (Lisa Dunlap), Thinking Machines Lab (Long "Tony" Lian), xAI (Xiuyu Li), Waymo (Yiheng Li), Mistral AI (Josh Kang), Google DeepMind (Niklas Lauffer), Luma AI (Yichen Xie), el equipo de conducción autónoma de Toyota Woven (Maulik Bhatt), Hudson River Trading's AI Labs (Yigit Efe Erginbas), Baseten (Michael Psenka), y una cofundación de Yumi Health (Nathan Lichtlé). Un puñado toma líneas de profesor o postdoc — UCLA (J.D. Zamfirescu-Pereira), University of Chicago (Haozhi Qi), Princeton CITP (Eve Fleisig), Stanford (Kunhe Yang, Zhe Fu).

[UNIQUE INSIGHT] El campo de enrutamiento es el predictor. Una tesis sobre manipulación diestra enrutada a Physical Intelligence tiene un camino claro hacia una propiedad medida en hardware real. Una tesis sobre el mismo tema sin destino tiene las mismas ideas y ningún bucle de medición. La ruta es lo que cierra el bucle. Por eso el marco the-space-is-the-router lee el showcase como una topología, no como una transcripción: la red a la que se une un graduado determina cuáles de sus mecanismos llegan a implementarse y medirse.

Por qué el destino, no el título, predice el despliegue

Un título de tesis dice qué se estudió. El destino dice si el mecanismo dentro de ese estudio se ejercerá alguna vez contra la realidad. La brecha entre los dos es todo el problema de convertir investigación en capacidad.

Considere el clúster de robótica. Baifeng Shi construye modelos de visión y robótica generalistas, enrutado a Physical Intelligence. Kevin Black trabaja en aprendizaje de robótica a gran escala — imitación, refuerzo, modelado generativo, control en tiempo real — también enrutado a Physical Intelligence. Haozhi Qi trabaja en manipulación diestra y aprendizaje de robótica, enrutado a Amazon y una línea de profesor en University of Chicago. Qiyang Li estudia cómo optimizar políticas de action-chunking con aprendizaje por refuerzo usando datos previos, y está buscando un postdoc o puesto de investigador en RL para robótica y LLMs. Los tres primeros tienen un destino que puede poner el mecanismo en hardware y medirlo. El cuarto tiene la misma clase de mecanismo y sigue buscando el bucle.

El mismo patrón se repite en el clúster de seguridad. Niklas Lauffer trabaja en seguridad de IA y aprendizaje por refuerzo en entornos multi-agente y de LM agents, enrutado a Google DeepMind. Sampada Deglurkar trabaja en garantías de seguridad para sistemas autónomos — cuantificación de incertidumbre, toma de decisiones bajo incertidumbre, garantías probabilísticas — y está buscando un puesto de investigador o ingeniero de investigación. Ambos estudian mecanismos de seguridad. Uno aterriza en una organización que puede implementar y medir aprendizaje adversarial a escala; el otro espera la dirección.

Esto no es un juicio sobre los graduados. Es una afirmación sobre la completitud del mecanismo. El Teorema 3 de nuestra propia serie de 21 papers afirma que una propiedad está garantizada exactamente cuando su mecanismo está implementado y midiéndose. Una tesis propone un mecanismo. El destino es lo que lo implementa y mide. Sin el destino, la propiedad se queda hipotética — correcta en el papel, sin garantizar en el mundo.

Las cuatro rutas, y qué mide cada una

Lea el campo de destino como cuatro rutas distintas, cada una con una superficie de medición diferente.

Ruta 1 — Laboratorios frontera (Physical Intelligence, OpenAI, Anthropic, xAI, Thinking Machines Lab, Mistral)

Estas organizaciones ejecutan el mecanismo contra cómputo a escala frontera y tráfico real de usuarios. El trabajo de Hanlin Zhu sobre razonamiento en LLMs, enrutado a OpenAI, se ejercita contra la carga y las condiciones adversariales que produce un laboratorio frontera. El trabajo de Lisa Dunlap sobre auditoría de modelos generativos, enrutado a Anthropic, aterriza en un laboratorio cuyo negocio depende de que la auditoría sea honesta. La superficie de medición es escala más exposición adversarial.

Ruta 2 — Autonomía aplicada (Waymo, Toyota Woven, Luma AI, Hudson River Trading)

Estas organizaciones ejecutan el mecanismo contra un entorno físico o de mercado que no perdona. El vision world modeling de Yiheng Li, enrutado a Waymo, se encuentra con un caso de seguridad que se mide en millas sin colisión, no en precisión de benchmark. El trabajo de Yigit Efe Erginbas sobre aprendizaje en línea en mercados a gran escala e interpretabilidad, enrutado a Hudson River Trading's AI Labs, se encuentra con una cuenta de pérdidas y ganancias que se liquida cada día. La superficie de medición es una verdad fundamental externa y dura.

Ruta 3 — Profesor y postdoc (UCLA, UChicago, Princeton, Stanford)

Estas rutas mantienen el mecanismo en un bucle de medición, pero el bucle es académico: revisión por pares, estudiantes, estudios longitudinales. El trabajo de J.D. Zamfirescu-Pereira sobre co-diseño humano-IA y los límites de las interfaces de lenguaje, enrutado a una profesoría asistente en UCLA, obtiene un horizonte largo y una cohorte de graduados propia. El trabajo de Eve Fleisig sobre LLMs que funcionan de forma fiable y justa para poblaciones amplias de usuarios, enrutado a un postdoc en Princeton CITP, mantiene el bucle de evaluación corriendo sobre la pregunta de equidad a nivel de población. La superficie de medición es más lenta, más profunda y menos tolerante con los atajos.

Ruta 4 — Fundar y "buscando"

Nathan Lichtlé cofunda Yumi Health. Jiachen Lian busca talento de IA para unirse a una startup. Diez más están buscando un puesto. Esta ruta es donde el mecanismo o encuentra un bucle de medición soberano del cliente, o no. Una startup tiene la superficie de medición más limpia posible — ingresos, retención y un cliente que puede irse — y el mayor riesgo de nunca alcanzarla. La ruta "buscando" es el paquete sin enrutar: el mecanismo es real, la dirección está abierta.

El mecanismo que cada clúster lleva, y a dónde enruta

[ORIGINAL DATA] Agrupe los 31 resúmenes por familia de mecanismo y la asimetría de enrutamiento se vuelve visible. El clúster de robótica e inteligencia encarnada es el más grande y el más completamente enrutado: casi cada graduado en robótica tiene un destino nombrado, porque los mecanismos de robótica requieren hardware para medirse y los laboratorios industriales que poseen el hardware los contrataron. El clúster de LLMs y razonamiento está igualmente bien enrutado, a laboratorios frontera. El clúster de seguridad de IA se divide — uno a DeepMind, uno "buscando" — porque los mecanismos de seguridad son más difíciles de instrumentar dentro de una sola entidad comercial. El clúster de IA para la ciencia (Junhao Xiong sobre modelado generativo de proteínas, Nikita Mehandru sobre razonamiento clínico a partir de registros de salud electrónicos) está casi por completo "buscando", porque el bucle de medición para un mecanismo clínico o biológico vive dentro de un hospital o un laboratorio húmedo que no contrata como un laboratorio frontera.

El patrón es consistente: cuanto más cerca está la superficie de medición de un mecanismo de la instrumentación existente de un laboratorio frontera, más completamente enruta. Cuanto más lejos la superficie de medición (una clínica, un laboratorio húmedo, una economía multi-agente), más graduados se quedan sin enrutar. La tesis no se debilitó. El destino se volvió más difícil de encontrar.

Qué significa esto para cualquiera que contrata desde un showcase

Si está contratando desde un graduate showcase, lea el campo de destino como una señal de adquisición, no como un ranking de prestigio. Un graduado cuyo mecanismo coincide con una superficie de medición que usted ya posee es la contratación de mayor apalancamiento que puede hacer — usted está proporcionando el bucle que completa su mecanismo. Un graduado cuyo mecanismo usted no puede instrumentar es una contratación que le costará evaluar, sin importar lo fuerte que sea la tesis.

Esta es la misma lógica que aplicamos a nuestra propia ingeniería. El HAI Engine ha corrido en producción desde 2016 (Production ✅), no porque la idea fuera novedosa, sino porque el motor tiene un bucle continuo de medición — redes reales, comunidades reales, salas reales, pronósticos reales. Las Sisters proponen futuros y el Oracle los fusiona en un conjunto calibrado (Production ✅) porque la calibración se mide contra resultados que se liquidan. World Monitor (Production ✅) enruta señales geográficas en vivo a través de una caché en Postgres y un canal de difusión por tile porque la superficie de medición son viewports reales de clientes, no una demo. Los módulos que son Partial ⚠️ — Matchmaking, Marketplace, Calendar — son parciales precisamente porque sus bucles de medición siguen cerrándose. Los módulos que son Roadmap 🔵 — Wallet & Token, Super App, Community Credit — son roadmap porque el bucle de medición (y, para mecanismos de token, la revisión Howey) todavía no existe. No ascendemos un estado afirmándolo. La ruta determina el estado.

[PERSONAL EXPERIENCE] El motor ha corrido en producción desde 2016, y el predictor más fiable de si una capacidad se publicó nunca fue la elegancia del diseño — fue si existía un destino que pudiera medirla. Las capacidades que se publicaron tenían una ruta. Las capacidades que se quedaron en la pizarra tenían una tesis y ninguna dirección.

The space is the router

En Everythink, the space is the router: una red contiene comunidades, una comunidad contiene salas, y la topología network→community→room enruta una petición antes de que algo responda. El showcase de BAIR tiene la misma forma, a una escala diferente. La investigación es la petición. El destino es la ruta. La organización es la sala que responde.

Por eso un graduate showcase, leído mecánicamente, es más útil que un resumen de paper. El resumen dice lo que se afirmó. El destino dice si la afirmación se medirá alguna vez. Y el Teorema 3 no perdona con esto: una propiedad está garantizada exactamente cuando su mecanismo está implementado y midiéndose. Un mecanismo sin destino es una propiedad sin garantía — no porque esté equivocada, sino porque el mundo todavía no ha podido confirmarla.

Puntos clave

• El 2026 BAIR Graduate Showcase es una tabla de enrutamiento: la línea "what's next", no el título de la tesis, predice qué mecanismos llegan a producción.
• Aproximadamente un tercio de los 31 graduados están "buscando" — paquetes sin enrutar cuyos mecanismos son reales pero no medidos.
• Los clústeres de robótica y LLM enrutan más completamente porque los laboratorios frontera poseen las superficies de medición; los clústeres de IA para la ciencia y de seguridad enrutan menos porque sus superficies viven en clínicas, laboratorios húmedos y economías multi-agente.
• El Teorema 3 se mantiene: una propiedad está garantizada exactamente cuando su mecanismo está implementado y midiéndose. El destino es lo que implementa y mide.
• Contratar desde un showcase es adquisición, no prestigio: empareje el mecanismo con una superficie de medición que ya posee.

Preguntas frecuentes

¿Qué es el BAIR Graduate Showcase? Es un post anual del Berkeley Artificial Intelligence Research Lab que lista los graduados de doctorado del año, cada uno con un resumen de investigación y una línea "what's next". El showcase de 2026 lista 31 graduados.

¿Por qué el destino importa más que el título de la tesis? Una tesis propone un mecanismo. El destino — un laboratorio frontera, una empresa de autonomía aplicada, una línea de profesor, una startup — es lo que implementa y mide ese mecanismo. Sin el destino, la propiedad que la tesis afirma se queda hipotética.

¿Qué significa "looking for" en el showcase? Significa que la próxima posición del graduado no está determinada todavía. Leído mecánicamente, es un paquete sin enrutar: la investigación existe, el bucle de medición que la completaría no tiene todavía una dirección.

¿Cómo se conecta esto con Everythink? Nuestra topología — network→community→room — enruta antes de que algo responda, y nuestros estados de capacidad (Production ✅ / Partial ⚠️ / Roadmap 🔵) los fija si existe un bucle de medición, no por aspiración. El showcase es la misma lógica a nivel de carrera: la ruta determina qué mecanismos se miden.

¿Debería un gerente de contratación leer el showcase así? Sí. Lea el campo de destino como una señal de adquisición. Un graduado cuyo mecanismo coincide con una superficie de medición que usted ya posee es la contratación de mayor apalancamiento, porque usted proporciona el bucle que completa su trabajo.

Si está construyendo una red donde el enrutamiento es el producto, el mismo principio aplica: la topología decide qué mecanismos se miden. Create your network, y sea dueño de la ruta.

Sources

• 2026 — Berkeley Artificial Intelligence Research (BAIR) Lab, "2026 BAIR Graduate Showcase" — https://bair.berkeley.edu/blog/2026/07/01/grads-2026/