--- title: "Entidades · mentes y posibles mentes, ordenadas por evidencia · Hipótesis de la simulación" url: https://simulation-hypothesis.com/es/entities description: "Una guía con fuentes sobre las mentes: animales con neuronas contadas, sistemas colectivos y artificiales, y las pruebas publicadas de sintiencia y conciencia." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Hipótesis de la simulación (simulation-hypothesis.com)" --- # Entidades · mentes y posibles mentes, ordenadas por evidencia Si el mundo es una simulación, las mentes pueden ser de lo más difícil de calcular que hay en él. Esta guía enumera los casos conocidos, desde las células individuales hasta los humanos. También abarca los sistemas artificiales construidos hasta ahora y las mentes que científicos y filósofos han propuesto pero nadie ha observado. Cada cifra tiene una fuente y una etiqueta de confianza. medido es un recuento directo, estimación se calcula a partir de otros datos y no contado significa que nadie ha publicado un recuento. Si alguno de estos sistemas tiene experiencias es otra cuestión. La evidencia al respecto está en [criterios de sintiencia](https://simulation-hypothesis.com/es/entities/sentience) e [indicadores de conciencia](https://simulation-hypothesis.com/es/entities/indicators). ## Mentes individuales ## Animales: neuronas en la corteza y en todo el cerebro Corteza o palio Cerebro entero Todos Mamíferos Aves Neuronas de la corteza cerebral (mamíferos) o del palio (aves), una guía anatómica muy usada de la capacidad cognitiva. Escala logarítmica; las barras sólidas son recuentos, las rayadas estimaciones o recuentos discutidos (†). No se muestran reptiles ni invertebrados, porque no hay un recuento comparable. 1. Orca † 43,1 mil millones 2. Calderón común † 37,2 mil millones 3. [Humano](https://simulation-hypothesis.com/es/entities/human)▲1 16,3 mil millones 4. Marsopa común † 14,9 mil millones 5. [Delfín mular †](https://simulation-hypothesis.com/es/entities/dolphin) 12,7 mil millones 6. Zifio de Cuvier 9,1 mil millones 7. Gorila 8,5 mil millones 8. Orangután 8,5 mil millones 9. [Chimpancé](https://simulation-hypothesis.com/es/entities/chimp) 7,4 mil millones 10. Delfín común 6,7 mil millones 11. Foca de Groenlandia 6,1 mil millones 12. [Elefante africano](https://simulation-hypothesis.com/es/entities/elephant)▼1 5,6 mil millones 13. Rorcual común 5,2 mil millones 14. Ballena azul 5,1 mil millones 15. Rorcual aliblanco 3,2 mil millones Mostrar los 88 10^6 10^7 10^8 10^9 10^10 10^11 neurons Mostrar los números | # | Animal | Corteza o palio | Cerebro entero | | -- | ---------------------------- | ----------------- | ------------------ | | 1 | Orca † | 43,1 mil millones | | | 2 | Calderón común † | 37,2 mil millones | | | 3 | Humano | 16,3 mil millones | 86,1 mil millones | | 4 | Marsopa común † | 14,9 mil millones | | | 5 | Delfín mular † | 12,7 mil millones | | | 6 | Zifio de Cuvier | 9,1 mil millones | | | 7 | Gorila | 8,5 mil millones | | | 8 | Orangután | 8,5 mil millones | | | 9 | Chimpancé | 7,4 mil millones | | | 10 | Delfín común | 6,7 mil millones | | | 11 | Foca de Groenlandia | 6,1 mil millones | | | 12 | Elefante africano | 5,6 mil millones | 257 mil millones | | 13 | Rorcual común | 5,2 mil millones | | | 14 | Ballena azul | 5,1 mil millones | | | 15 | Rorcual aliblanco | 3,2 mil millones | 57,4 mil millones | | 16 | Babuino oliva | 2,88 mil millones | 10,95 mil millones | | 17 | Beluga | 2,7 mil millones | | | 18 | Cachalote pigmeo | 2,02 mil millones | | | 19 | Guacamayo azul y amarillo | 1,92 mil millones | 3,14 mil millones | | 20 | Macaco rhesus | 1,71 mil millones | 6,39 mil millones | | 21 | Jirafa | 1,67 mil millones | 11,21 mil millones | | 22 | Mono ardilla | 1,34 mil millones | 3,25 mil millones | | 23 | Búho real | 1,33 mil millones | 1,9 mil millones | | 24 | Kea | 1,28 mil millones | 2,15 mil millones | | 25 | Búho nival | 1,27 mil millones | 1,81 mil millones | | 26 | Cuervo común | 1,2 mil millones | 2,17 mil millones | | 27 | Cárabo común | 1,15 mil millones | 1,58 mil millones | | 28 | Mono capuchino | 1,14 mil millones | 3,69 mil millones | | 29 | Cacatúa de cresta amarilla | 1,14 mil millones | 2,12 mil millones | | 30 | Loro gris africano | 850 millones | 1,57 mil millones | | 31 | Grajo | 820 millones | 1,51 mil millones | | 32 | Cudú mayor | 793,07 millones | 6,09 mil millones | | 33 | Búho chico | 673 millones | 991,31 millones | | 34 | Cacatúa de Goffin | 599 millones | 1,16 mil millones | | 35 | León | 545,24 millones | 4,67 mil millones | | 36 | Pigargo europeo | 542,93 millones | 1,65 mil millones | | 37 | Arrendajo euroasiático | 529 millones | 1,09 mil millones | | 38 | Perro doméstico | 526 millones | | | 39 | Hiena rayada | 495,28 millones | 3,88 mil millones | | 40 | Grajilla occidental | 492 millones | 967,99 millones | | 41 | Avestruz común | 479,41 millones | 1,63 mil millones | | 42 | Urraca común | 443 millones | 897,27 millones | | 43 | Halcón sacre | 442,95 millones | 1,2 mil millones | | 44 | Emú | 439 millones | 1,34 mil millones | | 45 | Mapache | 437,94 millones | 2,15 mil millones | | 46 | Lechuza común | 437 millones | 689,54 millones | | 47 | Mochuelo europeo | 400,82 millones | 585,92 millones | | 48 | Buitre negro americano | 398,9 millones | 1,01 mil millones | | 49 | Mochuelo chico | 364 millones | 533,26 millones | | 50 | Busardo ratonero | 351,7 millones | 1 mil millones | | 51 | Ñandú grande | 330,34 millones | 1,03 mil millones | | 52 | Cisne vulgar | 323,66 millones | 1 mil millones | | 53 | Cerdo doméstico | 293 millones | 2,22 mil millones | | 54 | Ganso común | 258,65 millones | 738,23 millones | | 55 | Oso pardo | 250,97 millones | 9,59 mil millones | | 56 | Gato doméstico | 250 millones | 1,22 mil millones | | 57 | Tití común | 245 millones | 638 millones | | 58 | Cernícalo vulgar | 237,9 millones | 624,58 millones | | 59 | Cerceta común | 167,29 millones | 375,41 millones | | 60 | Periquito común | 149 millones | 321,82 millones | | 61 | Barnacla de cuello rojo | 148,62 millones | 482,71 millones | | 62 | Pato joyuyo | 138,21 millones | 305,82 millones | | 63 | Halcón pigmeo | 131,9 millones | 350,37 millones | | 64 | Cerceta pardilla | 130,14 millones | 386,92 millones | | 65 | Pavo real común | 129,62 millones | 570,93 millones | | 66 | Paují de carúncula amarilla | 124,62 millones | 652,99 millones | | 67 | Paloma coronada de Victoria | 118,45 millones | 578,7 millones | | 68 | Ánade real | 112,26 millones | 367,47 millones | | 69 | Pavo salvaje | 105,65 millones | 492,87 millones | | 70 | Gavilán común | 87,83 millones | 401,75 millones | | 71 | Faisán de Reeves | 80,69 millones | 387,17 millones | | 72 | Paloma bravía | 72 millones | 310 millones | | 73 | Conejo europeo | 71,5 millones | 513 millones | | 74 | Gallo bankiva | 60,7 millones | 220,84 millones | | 75 | Tinamú chileno | 59,13 millones | 241,37 millones | | 76 | Diamante mandarín | 55,2 millones | 135,98 millones | | 77 | Tinamú crestado elegante | 51,38 millones | 217,77 millones | | 78 | Paloma torcaz | 51,33 millones | 258,68 millones | | 79 | Tinamú crestado de quebracho | 48,29 millones | 235,67 millones | | 80 | Tórtola de collar africana | 40 millones | 139,27 millones | | 81 | Colín de Virginia | 39,11 millones | 148,4 millones | | 82 | Perdiz pardilla | 36,88 millones | 170,29 millones | | 83 | Rata | 31 millones | 200 millones | | 84 | Codorniz común | 22,57 millones | 117,76 millones | | 85 | Codorniz china | 20,52 millones | 80,48 millones | | 86 | Tórtola diamante | 18,21 millones | 87,88 millones | | 87 | Ratón | 13,7 millones | 70,9 millones | | 88 | Rata topo desnuda | 5,31 millones | 33,62 millones | ## Sistemas de IA: parámetros frente a sinapsis Todos los parámetros Usados por token All Lenguaje Multimodal Visión Otros (voz, biología, juegos, robótica…) Parámetros entrenables (pesos de conexión), en escala logarítmica: todos los modelos notables de la base de datos de Epoch AI con un recuento de parámetros (consultado 3 de octubre de 2026). Las barras sólidas son recuentos que Epoch califica de fiables; las rayadas son recuentos que califica de probables o especulativos. Las barras marcadas con \* son estimaciones para modelos cerrados cuyos desarrolladores no publican su tamaño, recopiladas 2 de octubre de 2026 a partir de análisis de terceros; el bigote muestra el rango de la estimación. Gemini 3 y posteriores: sin estimación publicada. Las filas huecas son recuentos de sinapsis: un parámetro se parece más a una sinapsis que a una neurona. 1. Neocórtex humano 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Mostrar los 725 10^4 10^6 10^8 10^10 10^12 10^14 parámetros o sinapsis Mostrar los números | # | Sistema | Todos los parámetros | Usados por token | Año | Tipo | | --- | ------------------------------------------------------------------------------------------- | -------------------- | ---------------- | ---- | ------------------------------------------------- | | 1 | Neocórtex humano | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | sinapsis | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | estimación | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | estimación | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | estimación | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | estimación | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | estimación | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | estimación | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | arquitectura no indicada | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | mezcla de expertos | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | estimación | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | estimación | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | estimación | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | estimación | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | estimación | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | mezcla de expertos (recuento activo no publicado) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | mezcla de expertos (recuento activo no publicado) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | mezcla de expertos (recuento activo no publicado) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | estimación | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mezcla de expertos (recuento activo no publicado) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mezcla de expertos (recuento activo no publicado) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | estimación | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | arquitectura no indicada | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | estimación | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | estimación | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | mezcla de expertos (recuento activo no publicado) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | estimación | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | mezcla de expertos | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | estimación | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | estimación | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | estimación | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | estimación | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | estimación | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | mezcla de expertos | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | mezcla de expertos | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | mezcla de expertos | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | mezcla de expertos | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | arquitectura no indicada | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | estimación | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | estimación | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | estimación | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | estimación | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | denso | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | estimación | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | estimación | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | estimación | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | mezcla de expertos | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | mezcla de expertos | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | mezcla de expertos | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | denso | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | estimación | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | mezcla de expertos (recuento activo no publicado) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | estimación | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | mezcla de expertos (recuento activo no publicado) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | estimación | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | estimación | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | mezcla de expertos | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | estimación | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | estimación | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | denso | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | estimación | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | estimación | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | estimación | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | estimación | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | denso | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | mezcla de expertos (recuento activo no publicado) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | estimación | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | denso | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | estimación | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | estimación | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | arquitectura no indicada | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mezcla de expertos (recuento activo no publicado) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mezcla de expertos (recuento activo no publicado) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | arquitectura no indicada | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | estimación | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | estimación | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | estimación | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | mezcla de expertos | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | estimación | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | estimación | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | denso | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | arquitectura no indicada | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | estimación | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | estimación | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | denso | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | estimación | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | arquitectura no indicada | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | arquitectura no indicada | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | arquitectura no indicada | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | arquitectura no indicada | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | mezcla de expertos (recuento activo no publicado) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | denso | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | arquitectura no indicada | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | estimación | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | estimación | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | estimación | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | estimación | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | mezcla de expertos | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | arquitectura no indicada | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | estimación | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | estimación | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | denso | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | arquitectura no indicada | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | denso | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | arquitectura no indicada | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | estimación | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | arquitectura no indicada | | 127 | Neocórtex de ratón | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | sinapsis | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | denso | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | estimación | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | denso | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimación | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | denso | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | denso | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimación | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimación | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | arquitectura no indicada | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | arquitectura no indicada | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | denso | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | denso | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | estimación | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | denso | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | arquitectura no indicada | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | denso | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | estimación | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | denso | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | estimación | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | estimación | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | arquitectura no indicada | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | arquitectura no indicada | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | denso | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | denso | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | mezcla de expertos (recuento activo no publicado) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | estimación | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | arquitectura no indicada | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | denso | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | mezcla de expertos | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | denso | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | arquitectura no indicada | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | arquitectura no indicada | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | estimación | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | arquitectura no indicada | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | denso | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | estimación | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | arquitectura no indicada | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitectura no indicada | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitectura no indicada | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitectura no indicada | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitectura no indicada | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | estimación | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | arquitectura no indicada | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | estimación | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | arquitectura no indicada | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | arquitectura no indicada | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | arquitectura no indicada | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | arquitectura no indicada | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | arquitectura no indicada | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | arquitectura no indicada | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | estimación | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | mezcla de expertos (recuento activo no publicado) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | estimación | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | denso | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitectura no indicada | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitectura no indicada | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | estimación | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | estimación | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | estimación | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitectura no indicada | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | estimación | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | estimación | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | arquitectura no indicada | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | estimación | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | arquitectura no indicada | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | denso | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | arquitectura no indicada | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | estimación | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | arquitectura no indicada | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | arquitectura no indicada | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | arquitectura no indicada | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitectura no indicada | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | denso | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | arquitectura no indicada | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | denso | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitectura no indicada | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitectura no indicada | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | estimación | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitectura no indicada | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitectura no indicada | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | denso | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | estimación | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | estimación | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | estimación | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | estimación | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | estimación | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | estimación | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | estimación | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | denso | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | denso | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitectura no indicada | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitectura no indicada | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | estimación | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | arquitectura no indicada | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitectura no indicada | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | denso | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | denso | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | estimación | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | estimación | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | arquitectura no indicada | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | mezcla de expertos (recuento activo no publicado) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | estimación | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | estimación | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | arquitectura no indicada | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | mezcla de expertos (recuento activo no publicado) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | estimación | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | estimación | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | estimación | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | arquitectura no indicada | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | denso | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | estimación | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | arquitectura no indicada | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | arquitectura no indicada | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | arquitectura no indicada | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | estimación | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | estimación | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | denso | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | denso | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | denso | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | arquitectura no indicada | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | arquitectura no indicada | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | estimación | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | arquitectura no indicada | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | arquitectura no indicada | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | arquitectura no indicada | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | estimación | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | denso | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | arquitectura no indicada | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | estimación | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | estimación | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | arquitectura no indicada | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | mezcla de expertos (recuento activo no publicado) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | arquitectura no indicada | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | denso | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | arquitectura no indicada | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | estimación | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | estimación | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | estimación | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | denso | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | estimación | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | estimación | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | estimación | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | arquitectura no indicada | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | arquitectura no indicada | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | arquitectura no indicada | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | estimación | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | estimación | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | arquitectura no indicada | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | arquitectura no indicada | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitectura no indicada | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitectura no indicada | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitectura no indicada | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitectura no indicada | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | arquitectura no indicada | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | estimación | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | denso | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | denso | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | arquitectura no indicada | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | estimación | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | estimación | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | arquitectura no indicada | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | denso | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | denso | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | estimación | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | arquitectura no indicada | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | arquitectura no indicada | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | denso | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | arquitectura no indicada | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | arquitectura no indicada | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | arquitectura no indicada | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | estimación | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | arquitectura no indicada | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | denso | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | estimación | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | arquitectura no indicada | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | arquitectura no indicada | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | arquitectura no indicada | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | estimación | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | arquitectura no indicada | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | estimación | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | estimación | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | estimación | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | arquitectura no indicada | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | arquitectura no indicada | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | estimación | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | arquitectura no indicada | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | arquitectura no indicada | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | denso | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | arquitectura no indicada | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | denso | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | denso | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | estimación | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | arquitectura no indicada | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | arquitectura no indicada | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | arquitectura no indicada | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | arquitectura no indicada | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | arquitectura no indicada | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | estimación | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | denso | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | estimación | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | denso | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | estimación | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | arquitectura no indicada | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | estimación | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | estimación | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | estimación | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | arquitectura no indicada | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | arquitectura no indicada | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | arquitectura no indicada | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | denso | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | estimación | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | arquitectura no indicada | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | estimación | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | estimación | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | arquitectura no indicada | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | arquitectura no indicada | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | estimación | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | arquitectura no indicada | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | estimación | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | arquitectura no indicada | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | estimación | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | arquitectura no indicada | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | estimación | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | denso | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | arquitectura no indicada | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | denso | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | estimación | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | denso | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | estimación | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | arquitectura no indicada | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | arquitectura no indicada | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | denso | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | estimación | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | estimación | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | denso | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | estimación | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | arquitectura no indicada | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | denso | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | denso | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | arquitectura no indicada | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | estimación | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | arquitectura no indicada | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | estimación | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | arquitectura no indicada | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | estimación | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | estimación | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | estimación | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | arquitectura no indicada | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | denso | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | arquitectura no indicada | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | denso | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | estimación | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | denso | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | denso | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | estimación | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | denso | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | estimación | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | denso | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | estimación | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | denso | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | estimación | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | denso | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | estimación | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | denso | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | estimación | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | estimación | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | arquitectura no indicada | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | estimación | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | estimación | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | denso | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | estimación | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | arquitectura no indicada | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | arquitectura no indicada | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | arquitectura no indicada | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | denso | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | estimación | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | estimación | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | denso | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | estimación | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | denso | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | estimación | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | estimación | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | arquitectura no indicada | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | arquitectura no indicada | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | arquitectura no indicada | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | estimación | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | denso | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | estimación | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | denso | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | estimación | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | arquitectura no indicada | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | estimación | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | denso | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | estimación | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | estimación | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | estimación | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | denso | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | denso | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | estimación | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | arquitectura no indicada | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | denso | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | denso | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | estimación | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | estimación | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | arquitectura no indicada | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | estimación | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | estimación | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | denso | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | estimación | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | estimación | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | estimación | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | denso | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | denso | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | denso | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | denso | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | estimación | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | estimación | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | estimación | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | estimación | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | estimación | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | estimación | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | estimación | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | estimación | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | denso | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | denso | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | estimación | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | denso | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | estimación | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | estimación | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | denso | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | arquitectura no indicada | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | estimación | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | denso | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | arquitectura no indicada | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | estimación | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | estimación | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | arquitectura no indicada | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | estimación | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | denso | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | estimación | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | estimación | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | estimación | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | estimación | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | estimación | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | estimación | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | arquitectura no indicada | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | estimación | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | arquitectura no indicada | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | denso | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | estimación | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | estimación | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | estimación | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | denso | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | estimación | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | estimación | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | arquitectura no indicada | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | estimación | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | denso | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | denso | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | estimación | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | denso | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | estimación | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | estimación | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | arquitectura no indicada | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | estimación | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | estimación | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | denso | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | denso | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | denso | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | denso | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | denso | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | denso | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | estimación | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | estimación | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | denso | | 507 | Cerebro de mosca de la fruta | 5.5 × 10⁷ | 5.5 × 10⁷ | | sinapsis | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | denso | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | denso | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | denso | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | denso | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | denso | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | estimación | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | estimación | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | estimación | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | estimación | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | denso | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | estimación | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | denso | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | denso | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | denso | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | denso | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | denso | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | denso | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | denso | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | denso | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | denso | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | estimación | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | estimación | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | denso | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | denso | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | estimación | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | estimación | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | estimación | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | denso | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | denso | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | denso | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | denso | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | arquitectura no indicada | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | arquitectura no indicada | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | denso | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | estimación | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | estimación | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | estimación | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | denso | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | denso | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | estimación | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | denso | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | denso | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | denso | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | estimación | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | estimación | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | denso | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | estimación | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | arquitectura no indicada | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | estimación | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | denso | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | estimación | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | estimación | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | denso | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | estimación | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | arquitectura no indicada | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | estimación | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | estimación | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | denso | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | denso | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | estimación | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | estimación | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | denso | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | estimación | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | denso | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | denso | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | denso | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | denso | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | denso | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | estimación | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | denso | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | denso | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | estimación | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | estimación | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | estimación | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | arquitectura no indicada | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | estimación | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | denso | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | denso | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | estimación | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | denso | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | denso | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | denso | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | estimación | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | estimación | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | estimación | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | estimación | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | estimación | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | denso | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | estimación | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | denso | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | denso | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | denso | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | denso | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | arquitectura no indicada | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | denso | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | denso | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | denso | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | denso | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | denso | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | denso | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | estimación | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | estimación | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | arquitectura no indicada | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | estimación | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | estimación | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | denso | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | denso | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | denso | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | estimación | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | estimación | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | estimación | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | estimación | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | arquitectura no indicada | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | denso | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | estimación | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | estimación | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | estimación | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | denso | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | arquitectura no indicada | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | estimación | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | denso | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | estimación | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | denso | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | estimación | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | estimación | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | estimación | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | estimación | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | denso | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | arquitectura no indicada | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | estimación | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | denso | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | estimación | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | estimación | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | denso | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | estimación | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | denso | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | denso | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | denso | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | denso | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | estimación | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | arquitectura no indicada | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | estimación | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | estimación | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | estimación | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | denso | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | denso | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | denso | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | denso | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | denso | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | estimación | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | denso | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | denso | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | estimación | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | estimación | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | estimación | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | estimación | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | estimación | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | denso | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | denso | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | denso | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | estimación | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | estimación | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | denso | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | estimación | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | denso | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | denso | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | denso | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | denso | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | estimación | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | denso | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | denso | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | estimación | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | denso | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | denso | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | estimación | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | estimación | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | denso | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | denso | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | estimación | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | denso | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | estimación | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | denso | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | estimación | | 691 | Nematodo (C. elegans) | 7 × 10³ | 7 × 10³ | | sinapsis | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | denso | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | denso | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | denso | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | denso | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | estimación | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | estimación | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | denso | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | estimación | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | denso | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | estimación | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | denso | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | estimación | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | estimación | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | estimación | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | denso | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | estimación | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | estimación | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | estimación | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | mezcla de expertos (recuento activo no publicado) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | denso | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | estimación | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | denso | | 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | estimación | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | denso | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | denso | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | estimación | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | estimación | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | estimación | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | denso | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | estimación | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | denso | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | denso | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | denso | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | estimación | ## Colectivos Estos gráficos ordenan las sociedades animales, las religiones, los estados, los partidos y las empresas de dos maneras. Una es por miembros. La otra es por equivalentes de neuronas, que ponderan a cada miembro según la parte de su tiempo despierto que dirigen las instrucciones del grupo. Los códigos religiosos, las leyes, las reglas de los partidos y las descripciones de puestos cuentan igual. Todos son conjuntos de instrucciones, así que los medimos con la misma regla. [Cómo se estima el tiempo dirigido](https://simulation-hypothesis.com/es/entities/control). ## Sociedades animales: neuronas en actividad grupal coordinada Neuronas del grupo En actividad de grupo Miembros de un grupo típico × neuronas en la corteza o el palio de cada miembro (cerebro entero en los insectos), en escala logarítmica. Las barras rayadas usan un tamaño de grupo estimado o el número de neuronas de una especie emparentada. 1. Comunidad de chimpancés▲1 7.4 × 10¹¹ 2. Colonia de hormigas cortadoras de hojas▼1 6.3 × 10¹¹ 3. Comunidad de bonobos▲2 4.4 × 10¹¹ 4. Campamento hadza (humanos, como referencia de escala) 4.1 × 10¹¹ 5. Grupo de orcas de Bigg▼2 2.6 × 10¹¹ 6. Línea matrilineal de orcas residentes 2.4 × 10¹¹ 7. Tropa de babuinos 8.6 × 10¹⁰ 8. Alianza de delfines mulares▲1 7.6 × 10¹⁰ 9. Unidad social de cachalotes▲1 6.4 × 10¹⁰ 10. Colonia de abejas melíferas▼2 5.8 × 10¹⁰ 11. Familia de elefantes 5.6 × 10¹⁰ 12. Bandada de arrendajos piñoneros 5.3 × 10¹⁰ 13. Clan de hienas manchadas 2.2 × 10¹⁰ 14. Manada de licaones 7.2 × 10⁹ 15. Manada de lobos 4.2 × 10⁹ 16. Grupo de suricatos 1.7 × 10⁹ 17. Colonia de ratas topo desnudas 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons Mostrar los números | # | Grupo | Neuronas del grupo | En actividad de grupo | Miembros | Proporción dirigida | Tipos de llamada | | -- | ----------------------------------------------------- | ------------------ | --------------------- | ------------ | ------------------- | ---------------- | | 1 | Comunidad de chimpancés | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | Colonia de hormigas cortadoras de hojas | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 millones | 80% | — | | 3 | Comunidad de bonobos | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | Campamento hadza (humanos, como referencia de escala) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | Grupo de orcas de Bigg | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | Línea matrilineal de orcas residentes | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | Tropa de babuinos | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | Alianza de delfines mulares | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | Unidad social de cachalotes | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | Colonia de abejas melíferas | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | Familia de elefantes | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | Bandada de arrendajos piñoneros | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | Clan de hienas manchadas | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | Manada de licaones | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | Manada de lobos | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | Grupo de suricatos | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | Colonia de ratas topo desnudas | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [Cómo se puntúan los grupos](https://simulation-hypothesis.com/es/entities/control). ## Religiones: miembros y neuronas que siguen sus instrucciones Miembros Siguiendo sus instrucciones Religiones completas Sectas y movimientos Adherentes, en escala logarítmica. Las sectas y los movimientos se muestran aparte de las religiones que los contienen. Las barras sólidas son recuentos; las rayadas son estimaciones. 1. Cristianismo▲1 2,27 mil millones 2. Islam▼1 2,02 mil millones 3. Hinduismo 1,18 mil millones 4. Religiones populares 400 millones 5. Budismo 324,19 millones 6. Religiones tradicionales africanas▲1 98,73 millones 7. Sintoísmo▲1 87,92 millones 8. Sijismo▲1 25 millones 9. Judaísmo▼3 14,78 millones 10. Taoísmo▲1 8 millones 11. Fe bahaí▲1 8 millones 12. Falun Gong▲1 7 millones 13. Jainismo▼3 4,45 millones 14. Espiritismo 3,8 millones 15. Cao Đài 2,5 millones 16. Tenrikyo 1,12 millones 17. Brahma Kumaris 1 millón 10^5 10^6 10^7 10^8 10^9 10^10 miembros Mostrar los números | # | Religión | Miembros | Siguiendo sus instrucciones | Proporción dirigida | Horas a la semana | | -- | ---------------------------------- | ----------------- | --------------------------- | ------------------- | ----------------- | | 1 | Cristianismo | 2,27 mil millones | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | Islam | 2,02 mil millones | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | Hinduismo | 1,18 mil millones | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | Religiones populares | 400 millones | 2 × 10¹⁷ | 0.59% (sustituto) | 0.6 h | | 5 | Budismo | 324,19 millones | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | Religiones tradicionales africanas | 98,73 millones | 5 × 10¹⁶ | 0.59% (sustituto) | 0.6 h | | 7 | Sintoísmo | 87,92 millones | 4.5 × 10¹⁶ | 0.59% (sustituto) | 0.6 h | | 8 | Sijismo | 25 millones | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | Judaísmo | 14,78 millones | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | Taoísmo | 8 millones | 4.1 × 10¹⁵ | 0.59% (sustituto) | 0.6 h | | 11 | Fe bahaí | 8 millones | 4.1 × 10¹⁵ | 0.59% (sustituto) | 0.6 h | | 12 | Falun Gong | 7 millones | 3.6 × 10¹⁵ | 0.59% (sustituto) | 0.6 h | | 13 | Jainismo | 4,45 millones | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | Espiritismo | 3,8 millones | 1.9 × 10¹⁵ | 0.59% (sustituto) | 0.6 h | | 15 | Cao Đài | 2,5 millones | 1.3 × 10¹⁵ | 0.59% (sustituto) | 0.6 h | | 16 | Tenrikyo | 1,12 millones | 5.7 × 10¹⁴ | 0.59% (sustituto) | 0.6 h | | 17 | Brahma Kumaris | 1 millón | 5.1 × 10¹⁴ | 0.59% (sustituto) | 0.6 h | [Cada práctica, proporción y fuente](https://simulation-hypothesis.com/es/entities/control). ## Estados: residentes y neuronas que siguen sus instrucciones Residentes Siguiendo sus instrucciones Todos América Latina y el Caribe América del Norte Asia meridional Asia oriental y el Pacífico Europa y Asia central Oriente Medio, Norte de África, Afganistán y Pakistán África subsahariana Población, en escala logarítmica. Las barras sólidas son recuentos; las rayadas son estimaciones. 1. India▲1 1,46 mil millones 2. China▼1 1,41 mil millones 3. Estados Unidos 341,78 millones 4. Indonesia 285,72 millones 5. Pakistán▲5 255,22 millones 6. Nigeria▲1 237,53 millones 7. Brasil▼2 212,81 millones 8. Bangladés▲5 175,69 millones 9. Rusia▼3 143,51 millones 10. Etiopía▲7 135,47 millones 11. México▼2 131,95 millones 12. Japón▲11 123,37 millones 13. Egipto▼2 118,37 millones 14. Filipinas 116,79 millones 15. R. D. del Congo▼3 112,83 millones Mostrar los 196 10^4 10^6 10^8 10^10 residentes Mostrar los números | # | Estado | Residentes | Siguiendo sus instrucciones | Proporción dirigida | Horas a la semana | | --- | ---------------------------- | ----------------- | --------------------------- | ------------------- | ----------------- | | 1 | India | 1,46 mil millones | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | China | 1,41 mil millones | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | Estados Unidos | 341,78 millones | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | Indonesia | 285,72 millones | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | Pakistán | 255,22 millones | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | Nigeria | 237,53 millones | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | Brasil | 212,81 millones | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | Bangladés | 175,69 millones | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | Rusia | 143,51 millones | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | Etiopía | 135,47 millones | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | México | 131,95 millones | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | Japón | 123,37 millones | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | Egipto | 118,37 millones | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | Filipinas | 116,79 millones | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | R. D. del Congo | 112,83 millones | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | Vietnam | 101,6 millones | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | Irán | 92,42 millones | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | Turquía | 85,88 millones | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | Alemania | 83,49 millones | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | Tailandia | 71,62 millones | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | Tanzania | 70,55 millones | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | Reino Unido | 69,49 millones | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | Francia | 68,72 millones | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | Sudáfrica | 64,75 millones | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | Italia | 58,92 millones | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | Kenia | 57,53 millones | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | Myanmar | 54,85 millones | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | Colombia | 53,43 millones | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | Corea del Sur | 51,68 millones | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | Sudán | 51,66 millones | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | Uganda | 51,38 millones | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | España | 49,36 millones | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | Argelia | 47,44 millones | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | Irak | 47,02 millones | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | Argentina | 45,85 millones | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | Afganistán | 43,84 millones | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | Yemen | 41,77 millones | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | Canadá | 41,65 millones | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | Angola | 39,04 millones | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | Ucrania | 38,98 millones | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | Marruecos | 38,43 millones | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | Uzbekistán | 37,05 millones | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | Arabia Saudita | 36,97 millones | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | Polonia | 36,44 millones | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | Malasia | 35,98 millones | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | Mozambique | 35,63 millones | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | Ghana | 35,06 millones | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | Perú | 34,58 millones | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | Madagascar | 32,74 millones | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | Costa de Marfil | 32,71 millones | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | Camerún | 29,88 millones | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | Nepal | 29,62 millones | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | Venezuela | 28,52 millones | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | Níger | 27,92 millones | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | Australia | 27,61 millones | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | Corea del Norte | 26,57 millones | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | Siria | 25,62 millones | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | Malí | 25,2 millones | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | Burkina Faso | 24,07 millones | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | Taiwán | 23,31 millones | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | Malaui | 22,22 millones | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | Zambia | 21,91 millones | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | Sri Lanka | 21,76 millones | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | Chad | 21 millones | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | Kazajistán | 20,84 millones | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | Chile | 19,86 millones | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | Somalia | 19,65 millones | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | Rumanía | 19,02 millones | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | Senegal | 18,93 millones | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | Guatemala | 18,69 millones | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | Ecuador | 18,29 millones | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | Países Bajos | 18,09 millones | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | Camboya | 17,85 millones | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | Zimbabue | 16,95 millones | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | Guinea | 15,1 millones | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | Benín | 14,81 millones | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | Ruanda | 14,57 millones | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | Burundi | 14,39 millones | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | Bolivia | 12,58 millones | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | Túnez | 12,35 millones | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | Sudán del Sur | 12,19 millones | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | Bélgica | 11,94 millones | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | Haití | 11,91 millones | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | Jordania | 11,52 millones | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | República Dominicana | 11,52 millones | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | Emiratos Árabes Unidos | 11,51 millones | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | Honduras | 11,01 millones | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | Cuba | 10,94 millones | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | Chequia | 10,89 millones | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | Portugal | 10,8 millones | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | Tayikistán | 10,79 millones | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | Papúa Nueva Guinea | 10,76 millones | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | Suecia | 10,6 millones | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | Grecia | 10,41 millones | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | Azerbaiyán | 10,25 millones | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | Israel | 10,12 millones | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | Hungría | 9,51 millones | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | Austria | 9,21 millones | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | Suiza | 9,09 millones | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | Bielorrusia | 9,09 millones | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | Sierra Leona | 8,82 millones | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | Togo | 8,59 millones | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | Laos | 7,87 millones | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | Turkmenistán | 7,62 millones | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | Libia | 7,46 millones | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | Kirguistán | 7,34 millones | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | Paraguay | 7,01 millones | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | Nicaragua | 7,01 millones | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | Serbia | 6,55 millones | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | República del Congo | 6,48 millones | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | Bulgaria | 6,43 millones | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | El Salvador | 6,37 millones | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | Singapur | 6,11 millones | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | Dinamarca | 6,01 millones | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | Líbano | 5,85 millones | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | Liberia | 5,73 millones | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | Finlandia | 5,65 millones | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | Noruega | 5,61 millones | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | República Centroafricana | 5,51 millones | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | Omán | 5,49 millones | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | Irlanda | 5,48 millones | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | Eslovaquia | 5,41 millones | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | Palestina | 5,41 millones | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | Nueva Zelanda | 5,32 millones | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | Mauritania | 5,32 millones | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | Costa Rica | 5,15 millones | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | Kuwait | 4,87 millones | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | Panamá | 4,57 millones | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | Georgia | 3,94 millones | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | Croacia | 3,88 millones | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | Eritrea | 3,61 millones | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | Mongolia | 3,57 millones | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | Uruguay | 3,38 millones | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | Bosnia y Herzegovina | 3,14 millones | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | Namibia | 3,09 millones | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | Armenia | 3,09 millones | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | Catar | 2,97 millones | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | Lituania | 2,89 millones | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | Jamaica | 2,84 millones | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | Gambia | 2,82 millones | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | Gabón | 2,59 millones | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | Botsuana | 2,56 millones | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | Lesoto | 2,36 millones | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | Moldavia | 2,36 millones | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | Albania | 2,35 millones | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | Guinea-Bisáu | 2,25 millones | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | Eslovenia | 2,13 millones | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | Guinea Ecuatorial | 1,94 millones | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | Letonia | 1,85 millones | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | Macedonia del Norte | 1,82 millones | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | Baréin | 1,6 millones | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | Kosovo | 1,58 millones | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | Timor Oriental | 1,42 millones | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | Chipre | 1,37 millones | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | Trinidad y Tobago | 1,37 millones | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | Estonia | 1,37 millones | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | Esuatini | 1,26 millones | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | Mauricio | 1,24 millones | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | Yibuti | 1,18 millones | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | Fiyi | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | Comoras | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | Islas Salomón | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | Guyana | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | Bután | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | Luxemburgo | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | Surinam | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | Montenegro | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | Maldivas | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | Cabo Verde | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | Brunéi | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | Belice | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | Bahamas | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | Islandia | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | Vanuatu | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | Barbados | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | Santo Tomé y Príncipe | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | Samoa | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | Santa Lucía | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | Kiribati | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | Seychelles | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | Granada | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | Micronesia | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | Tonga | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | San Vicente y las Granadinas | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | Antigua y Barbuda | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | Andorra | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | Dominica | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | San Cristóbal y Nieves | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | Liechtenstein | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | Mónaco | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | Islas Marshall | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | San Marino | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | Palaos | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | Nauru | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | Tuvalu | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [Qué se cuenta y qué no](https://simulation-hypothesis.com/es/entities/control). ## Partidos políticos: miembros y neuronas que siguen sus instrucciones Miembros Siguiendo sus instrucciones Miembros según los declara el partido, en escala logarítmica. Las barras sólidas son recuentos; las rayadas son estimaciones o afirmaciones. 1. Bharatiya Janata Party (India)▲1 140 millones 2. Partido Comunista Chino▼1 101,29 millones 3. Partido Demócrata (EE. UU.)▲13 44,9 millones 4. Partido Republicano (EE. UU.)▲16 38 millones 5. Congreso Nacional Indio▼2 26 millones 6. AIADMK (India)▼2 20,04 millones 7. DMK (India)▼2 20 millones 8. Partido de la Prosperidad (Etiopía)▼1 15,7 millones 9. TVK (India)▼1 15 millones 10. Chama Cha Mapinduzi (Tanzania)▼1 13 millones 11. All Progressives Congress (Nigeria)▼1 12,9 millones 12. AK Party (Turquía)▼1 11,71 millones 13. Morena (México)▼1 11,63 millones 14. Telugu Desam Party (India)▼1 10,05 millones 15. Partido Popular de Camboya▼1 7 millones Mostrar los 59 10^4 10^5 10^6 10^7 10^8 10^9 miembros Mostrar los números | # | Partido | Miembros | Siguiendo sus instrucciones | Proporción dirigida | Horas a la semana | | -- | -------------------------------------------- | --------------- | --------------------------- | ------------------- | ----------------- | | 1 | Bharatiya Janata Party (India) | 140 millones | 6.3 × 10¹⁶ | 0.52% (sustituto) | 0.6 h | | 2 | Partido Comunista Chino | 101,29 millones | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | Partido Demócrata (EE. UU.) | 44,9 millones | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | Partido Republicano (EE. UU.) | 38 millones | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | Congreso Nacional Indio | 26 millones | 1.2 × 10¹⁶ | 0.52% (sustituto) | 0.6 h | | 6 | AIADMK (India) | 20,04 millones | 9 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 7 | DMK (India) | 20 millones | 9 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 8 | Partido de la Prosperidad (Etiopía) | 15,7 millones | 7 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 9 | TVK (India) | 15 millones | 6.7 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 10 | Chama Cha Mapinduzi (Tanzania) | 13 millones | 5.8 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 11 | All Progressives Congress (Nigeria) | 12,9 millones | 5.8 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 12 | AK Party (Turquía) | 11,71 millones | 5.2 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 13 | Morena (México) | 11,63 millones | 5.2 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 14 | Telugu Desam Party (India) | 10,05 millones | 4.5 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 15 | Partido Popular de Camboya | 7 millones | 3.1 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 16 | Partido de los Trabajadores de Corea | 6,18 millones | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO (Mozambique) | 6 millones | 2.7 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 18 | Partido Comunista de Vietnam | 5,6 millones | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | Partido Democrático de Corea | 5 millones | 2.2 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 20 | Partido del Poder Popular (Corea del Sur) | 4,44 millones | 2 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 21 | PSUV (Venezuela) | 4,24 millones | 1.9 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 22 | ZANU-PF (Zimbabue) | 4,06 millones | 1.8 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 23 | UMNO (Malasia) | 3,25 millones | 1.5 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 24 | Partido Justicialista (Argentina) | 3,1 millones | 1.4 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 25 | Partido Colorado (Paraguay) | 3 millones | 1.3 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 26 | Rusia Unida | 2,6 millones | 1.2 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 27 | UzLiDeP (Uzbekistán) | 2,31 millones | 1 × 10¹⁵ | 0.52% (sustituto) | 0.6 h | | 28 | PLD (República Dominicana) | 2,18 millones | 9.7 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 29 | MDB (Brasil) | 2,02 millones | 9 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 30 | CHP (Turquía) | 1,88 millones | 8.4 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 31 | Unión Cívica Radical (Argentina) | 1,79 millones | 8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 32 | Partido de los Trabajadores, PT (Brasil) | 1,67 millones | 7.5 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 33 | PRM (República Dominicana) | 1,55 millones | 6.9 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 34 | Partido Liberal Radical Auténtico (Paraguay) | 1,55 millones | 6.9 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 35 | Partido Federal ng Pilipinas | 1,5 millones | 6.7 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 36 | PAS (Malasia) | 1,3 millones | 5.8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 37 | PRD (Brasil) | 1,29 millones | 5.8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 38 | Progresistas (Brasil) | 1,29 millones | 5.8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 39 | PSDB (Brasil) | 1,26 millones | 5.6 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 40 | PKR (Malasia) | 1,15 millones | 5.2 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 41 | Economic Freedom Fighters (Sudáfrica) | 1,09 millones | 4.9 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 42 | PDT (Brasil) | 1,07 millones | 4.8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 43 | União Brasil | 1,07 millones | 4.8 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 44 | CPI(M) (India) | 1,02 millones | 4.6 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 45 | Partido Liberal Democrático (Japón) | 1 millón | 4.5 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 46 | FLN (Argelia) | 1 millón | 4.5 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 47 | Partido Liberal, PL (Brasil) | 952,881 | 4.3 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 48 | Partido Comunista de Cuba | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | Congreso Nacional Africano | 688,454 | 3.1 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 50 | Partido Conservador de Canadá | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU (Alemania) | 364,202 | 1.6 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 52 | SPD (Alemania) | 357,116 | 1.6 × 10¹⁴ | 0.52% (sustituto) | 0.6 h | | 53 | Partido Laborista (Reino Unido) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | Partido Liberal de Canadá | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | Los Verdes (Alemania) | 155,296 | 7 × 10¹³ | 0.52% (sustituto) | 0.6 h | | 56 | CSU (Alemania) | 125,153 | 5.6 × 10¹³ | 0.52% (sustituto) | 0.6 h | | 57 | Partido Conservador (Reino Unido) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | Nuevo Partido Democrático (Canadá) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | AfD (Alemania) | 51,335 | 2.3 × 10¹³ | 0.52% (sustituto) | 0.6 h | [Reuniones, encuestas y fuentes](https://simulation-hypothesis.com/es/entities/control). ## Empresas: empleados y neuronas que siguen sus instrucciones Empleados Siguiendo sus instrucciones Empleados según el último informe anual o lista, en escala lineal. 1. Walmart 2,1 millones 2. Amazon▲1 1,58 millones 3. State Grid▼1 1,36 millones 4. China National Petroleum 1,03 millones 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Ferrocarriles Rusos (RZD)▲2 677,363 11. Grupo Volkswagen▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Mostrar los 71 0 0.5M 1M 1.5M 2M 2.5M employees Mostrar los números | # | Corporación | Empleados | Siguiendo sus instrucciones | Horas a la semana | Proporción dirigida | | -- | ------------------------------------ | ------------- | --------------------------- | ------------------------ | ------------------- | | 1 | Walmart | 2,1 millones | 6.3 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 2 | Amazon | 1,58 millones | 4.7 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 3 | State Grid | 1,36 millones | 5.5 × 10¹⁶ | 49 h (China) | 47% | | 4 | China National Petroleum | 1,03 millones | 4.1 × 10¹⁶ | 49 h (China) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (China) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (China) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (India) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Estados Unidos) | 35% | | 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (China) | 47% | | 10 | Ferrocarriles Rusos (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Rusia) | 38% | | 11 | Grupo Volkswagen | 662,942 | 2 × 10¹⁶ | 35.95 h (Alemania) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (China) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Alemania) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (India) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Alemania) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (China) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Rusia) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Estados Unidos) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (China) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Estados Unidos) | 38% | | 23 | Agricultural Bank of China | 457,835 | 1.8 × 10¹⁶ | 49 h (China) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Filipinas) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (India) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Indonesia) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (India) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (India) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Alemania) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (China) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Alemania) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (China) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (China) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Rusia) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Japón) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Estados Unidos) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Rusia) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Estados Unidos) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Estados Unidos) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Alemania) | 30% | | 48 | China Construction Bank | 378,344 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (México) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Japón) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Reino Unido) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (India) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Japón) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (India) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (India) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Estados Unidos) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Estados Unidos) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Rusia) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Estados Unidos) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Alemania) | 34% | | 64 | Bank of China | 313,746 | 1.3 × 10¹⁶ | 49 h (China) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Estados Unidos) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Estados Unidos) | 39% | | 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Reino Unido) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Estados Unidos) | 35% | [Horas y fuentes](https://simulation-hypothesis.com/es/entities/control). ## Animales y otros organismos Desde células sueltas sin neuronas hasta el cerebro humano. Donde existen, los recuentos de neuronas son medidos. ### Sin neuronas * [Escherichia coli](https://simulation-hypothesis.com/es/entities/ecoli)Escherichia coli 0 medido Una sola célula sin neuronas. Se orienta hacia la comida y tiene una memoria química que dura unos segundos. * [Moho mucilaginoso](https://simulation-hypothesis.com/es/entities/physarum)Physarum polycephalum 0 medido Una sola célula gigante sin neuronas. Resuelve laberintos y forma redes de transporte eficientes. * [Planta sensitiva](https://simulation-hypothesis.com/es/entities/mimosa)Mimosa pudica 0 medido Una planta cuyas hojas se pliegan al tocarlas. Un estudio informó de que aprende a ignorar los toques inofensivos. Un nuevo análisis posterior lo puso en duda. * [Esponja](https://simulation-hypothesis.com/es/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 medido Un animal sin neuronas ni sinapsis que aun así contrae todo su cuerpo de forma coordinada. ### Redes nerviosas, sin cerebro * [Hidra](https://simulation-hypothesis.com/es/entities/hydra)Hydra vulgaris unos 3.000 a 5.000 estimación Un pequeño cnidario de agua dulce. Lo controla una red nerviosa difusa y no tiene cerebro. * [Cubomedusa](https://simulation-hypothesis.com/es/entities/jellyfish)Tripedalia cystophora Sin recuento publicado Una cubomedusa no tiene cerebro central, y aun así mostró aprendizaje asociativo. ### Invertebrados con cerebro * [Gusano redondo](https://simulation-hypothesis.com/es/entities/celegans)Caenorhabditis elegans 302 medido Un gusano de aproximadamente un milímetro con exactamente 302 neuronas. Fue el primer animal cuyo diagrama de conexiones completo se cartografió. * [Mosca de la fruta](https://simulation-hypothesis.com/es/entities/drosophila)Drosophila melanogaster 139,255 medido El mayor diagrama de conexiones cerebrales completo cartografiado hasta ahora, con unas 139.000 neuronas. * [Abeja melífera](https://simulation-hypothesis.com/es/entities/honeybee)Apis mellifera alrededor de 1 millón estimación Cerca de un millón de neuronas, y las abejas pueden aprender conceptos abstractos como igual y diferente. * [Hormiga (Camponotus / Formica)](https://simulation-hypothesis.com/es/entities/ant)Camponotus spp. Sin recuento publicado Un cerebro pequeño que se encarga de la navegación de larga distancia contando pasos (integración de trayectoria) y recordando puntos de referencia. * [Araña saltarina Portia](https://simulation-hypothesis.com/es/entities/portia)Portia fimbriata / labiata Sin recuento publicado Una araña saltarina que planea rodeos. Toma rutas que se alejan de su presa y la pierden de vista. * [Cangrejo de orilla / cangrejo de río](https://simulation-hypothesis.com/es/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. Sin recuento publicado Cangrejos y cangrejos de río. Una revisión del gobierno de 2021 encontró evidencia sólida de que los cangrejos verdaderos son sintientes. * [Pulpo común](https://simulation-hypothesis.com/es/entities/octopus)Octopus vulgaris 500 millones estimación La mayoría de sus neuronas están en los brazos. Una revisión de 2021 encontró evidencia muy sólida de que es sintiente. ### Peces y anfibios * [Pez cebra](https://simulation-hypothesis.com/es/entities/zebrafish)Danio rerio Sin recuento publicado Un pez pequeño muy usado en neurociencia. Sus neuronas no se han contado por completo. El cerebro adulto tiene unos 10 millones de células. * [Lábrido limpiador](https://simulation-hypothesis.com/es/entities/wrasse)Labroides dimidiatus Sin recuento publicado Un pez de arrecife que superó una versión de la prueba de la marca ante el espejo. Hay desacuerdo sobre qué demuestra eso. * [Rana](https://simulation-hypothesis.com/es/entities/frog)Anura (e.g. Xenopus / Rana) Sin recuento publicado La Declaración de Nueva York de 2024 dice que existe una posibilidad realista de experiencia consciente en los anfibios. ### Aves * [Paloma bravía](https://simulation-hypothesis.com/es/entities/pigeon)Columba livia 310 millones medido Cientos de millones de neuronas en un cerebro pequeño. Las palomas pueden clasificar imágenes complejas en categorías. * [Cuervo común](https://simulation-hypothesis.com/es/entities/raven)Corvus corax 2,17 mil millones medido Más de dos mil millones de neuronas, muy densamente empaquetadas. Los cuervos recuerdan a competidores individuales. * [Cuervo de Nueva Caledonia](https://simulation-hypothesis.com/es/entities/nccrow)Corvus moneduloides Sin recuento publicado Fabrica herramientas con gancho a partir de ramitas y alambre. Sus neuronas no se han contado. * [Loro gris africano](https://simulation-hypothesis.com/es/entities/greyparrot)Psittacus erithacus 1,57 mil millones medido Unos 1,6 mil millones de neuronas. Décadas de estudio de laboratorio sobre numerosidad y categorización. ### Mammals * [Ratón](https://simulation-hypothesis.com/es/entities/mouse)Mus musculus 70,9 millones medido Unos 71 millones de neuronas. Los ratones muestran expresiones faciales de dolor que se pueden medir. * [Rata](https://simulation-hypothesis.com/es/entities/rat)Rattus norvegicus 200 millones medido Unos 200 millones de neuronas. Las ratas liberan a sus compañeros de jaula atrapados. * [Gato doméstico](https://simulation-hypothesis.com/es/entities/cat)Felis catus 1,22 mil millones medido Unos 250 millones de neuronas en la corteza cerebral. * [Perro doméstico](https://simulation-hypothesis.com/es/entities/dog)Canis familiaris de 1,8 a 2,6 mil millones, según el perro medido Hasta unos 600 millones de neuronas corticales, según el perro. Es más que los gatos. * [Cerdo doméstico](https://simulation-hypothesis.com/es/entities/pig)Sus scrofa domesticus 2,22 mil millones medido Los cerdos aprenden lo que muestra un espejo y lo usan para encontrar comida. * [Delfín mular](https://simulation-hypothesis.com/es/entities/dolphin)Tursiops truncatus Sin recuento publicado Supera las pruebas de autorreconocimiento en el espejo. No hay recuento medido de neuronas para el delfín mular. * [Elefante africano](https://simulation-hypothesis.com/es/entities/elephant)Loxodonta africana 257 mil millones medido 257 mil millones de neuronas, el triple que un humano, casi todas en el cerebelo. * [Chimpancé](https://simulation-hypothesis.com/es/entities/chimp)Pan troglodytes unos 28 mil millones (predicho a partir de reglas de escala, no contado) estimación Uno de nuestros dos parientes vivos más cercanos (junto con el bonobo). Supera la prueba del espejo. * [Humano](https://simulation-hypothesis.com/es/entities/human)Homo sapiens 86,1 mil millones medido 86 mil millones de neuronas, 16 mil millones de ellas en la corteza cerebral. Somos la única especie cuyos miembros pueden dar informes verbales de su experiencia. ## Sistemas colectivos Grupos que toman decisiones que ningún miembro toma por sí solo. Se estudian como inteligencia colectiva, no como mentes. * [Colonias de hormigas](https://simulation-hypothesis.com/es/entities/c-ants)Las colonias eligen el mejor nido porque cada hormiga sigue un umbral de quórum. Ninguna hormiga compara los sitios en conjunto. * [Enjambres de abejas melíferas](https://simulation-hypothesis.com/es/entities/c-bees)Los enjambres eligen la mejor cavidad mediante la competencia entre exploradoras y un quórum. Las señales de parada aportan inhibición cruzada, que rompe los bloqueos. * [Bandadas de estorninos](https://simulation-hypothesis.com/es/entities/c-starlings)Cada ave sigue a un número fijo de vecinas (unas 6-7), no a todas las aves dentro de una distancia fija. Esto se llama interacción topológica, no métrica. * [Bancos de peces](https://simulation-hypothesis.com/es/entities/c-fish)Los bancos usan reglas de quórum para decidir. Los grupos grandes pueden detectar gradientes ambientales que ningún pez puede detectar solo. ## Sistemas artificiales Tipos de inteligencia de las máquinas, ordenados según cómo funcionan. Ningún sistema actual se considera un candidato sólido a la conciencia. * [Sistemas expertos basados en reglas](https://simulation-hypothesis.com/es/entities/ai-expert)Programas que codifican el conocimiento de un experto en un dominio como reglas explícitas si-entonces. Un motor de inferencia aplica las reglas en secuencia para llegar a conclusiones, normalmente con una explicación de su razonamiento. * [Motores de búsqueda en árboles de juego (ajedrez)](https://simulation-hypothesis.com/es/entities/ai-chess)Programas que enumeran secuencias posibles de jugadas hasta una profundidad fija y puntúan las posiciones resultantes con una función de evaluación hecha a mano. Podan las ramas que no pueden cambiar la elección (minimax con poda alfa-beta). * [Agentes de aprendizaje por refuerzo profundo](https://simulation-hypothesis.com/es/entities/ai-drl)Redes neuronales entrenadas por ensayo y error para maximizar una señal de recompensa. Aprenden una política o una función de valor interactuando con un entorno, a menudo simulado, como un juego. * [Grandes modelos de lenguaje](https://simulation-hypothesis.com/es/entities/ai-llm)Redes neuronales transformer entrenadas para predecir el siguiente token en corpus de texto muy grandes, y luego a menudo ajustadas con retroalimentación humana. * [Robots corporizados](https://simulation-hypothesis.com/es/entities/ai-robots)Máquinas con sensores y actuadores que actúan en el mundo físico. A menudo usan un control reactivo por capas en lugar de un modelo central del mundo, de modo que la conducta surge del bucle entre cuerpo y entorno. * [Hardware neuromórfico](https://simulation-hypothesis.com/es/entities/ai-neuromorphic)Chips cuyos circuitos imitan neuronas y sinapsis de disparo. Funcionan por eventos y consumen poca energía, a diferencia del diseño convencional de procesador y memoria. ## Mentes hipotéticas Mentes propuestas en la literatura científica y filosófica. Nadie ha observado ninguna. * [Emulación de cerebro completo](https://simulation-hypothesis.com/es/entities/h-wbe)no observado Escanear un cerebro con gran detalle y ejecutar un modelo de él en software. * [Mentes simuladas en simulaciones de antepasados](https://simulation-hypothesis.com/es/entities/h-ancestor)no observado El trilema de Bostrom: o casi ninguna civilización llega a una etapa poshumana, o casi ninguna ejecuta simulaciones de antepasados, o casi con certeza vivimos en una. * [Cerebros de Boltzmann](https://simulation-hypothesis.com/es/entities/h-boltzmann)no observado Observadores con forma de cerebro que surgen de fluctuaciones térmicas o cuánticas raras. * [Carga de la mente por sustitución gradual](https://simulation-hypothesis.com/es/entities/h-uploading)no observado Sustituir las neuronas una por una con piezas artificiales funcionalmente idénticas. * [Superinteligencia](https://simulation-hypothesis.com/es/entities/h-superintelligence)no observado Un intelecto hipotético que supera con creces el desempeño humano en prácticamente todos los ámbitos. El libro de Bostrom analiza las vías para llegar a él (emulación de cerebro completo, cognición biológica, IA), sus formas y los problemas de control. Versión de los datos 2.0.0\. [Descargar (JSON)](https://simulation-hypothesis.com/entities/minds.json).