Comparación entre Switches Gigabit no administrables de 24 puertos: NETGEAR GS324 vs TP-Link TL-SG1024

Comparando dos switches gigabit no administrables de 24 puertos, muy similares en concepto pero con diferencias importantes en calidad eléctrica, fiabilidad y uso a largo plazo.

---

🆚 Comparación directa (24 puertos)

🔹 NETGEAR GS324

Puntos fuertes

• Marca con reputación muy sólida en hardware empresarial

• Muy estable eléctricamente

• Silencioso (fanless)

• Buen manejo de tráfico sostenido (streams, cámaras, servidores)

• Ideal para uso 24/7

Puntos débiles

• Suele ser un poco más caro

• Diseño más sobrio (menos “bonito”)

---

🔹 TP-Link TL-SG1024S

Puntos fuertes

• Más barato

• Muy popular (muchas ventas)

• Silencioso (fanless)

• Plug & Play real

Puntos débiles

• Electrónica interna más básica

• Menor tolerancia a picos eléctricos

• En cargas largas puede calentarse más

• Más orientado a hogar / SOHO que a infraestructura

---

📊 Comparativa rápida

Característica	NETGEAR GS324	TP-Link TL-SG1024S
Puertos	24 × Gigabit	24 × Gigabit
Tipo	Unmanaged	Unmanaged
Ruido	🔇 Fanless	🔇 Fanless
Calidad eléctrica	⭐⭐⭐⭐½	⭐⭐⭐½
Uso 24/7	✅ Excelente	⚠️ Aceptable
Durabilidad	Alta	Media-Alta
Precio	💲💲	💲
Enfoque	Semi-profesional	Hogar / Oficina

---

🏆 ¿Quién es mejor?

✅ GANA: NETGEAR GS324

Elijo Netgear si:

• Vas a conectar muchos dispositivos

• Habrá tráfico constante (PCs, NAS, cámaras, servidores)

• Planeas usarlo años sin tocarlo

• Quieres algo “instalar y olvidar”

Elijo TP-Link si:

• Presupuesto más ajustado

• Uso ligero o medio

• Red doméstica sin cargas pesadas

---

🔮 Consejo extra (modo estratega ON)

Si piensas meterle UPS, NAS, cámaras IP o servidores más adelante →
👉 Netgear envejece mejor.
Menos resets raros, menos degradación con el tiempo.

Si quieres, dime:

• ¿Para casa, lab, cámaras o servidores?

• ¿Cuántos equipos reales vas a conectar ahora y a futuro?

Y te digo si incluso vale la pena subir un escalón más 😉

📡 Cómo Construir una Cámara de Seguridad con Inteligencia Artificial

Blueprint abierto para crear tu propio sistema de vigilancia inteligente (sin nube)

---

🧠 Introducción

Las cámaras de seguridad tradicionales solo graban.
Las cámaras modernas “con IA” detectan, pero suelen depender de la nube, suscripciones y decisiones externas.

En este tutorial aprenderás a construir tu propia cámara con inteligencia artificial, usando una cámara IP común (como D-Link), una Raspberry Pi o mini-PC, y software abierto.

👉 El resultado no es solo una cámara:
es un sistema que ve, decide y actúa.

---

🧩 ¿Qué vamos a construir exactamente?

Un sistema capaz de:

• Leer video en tiempo real desde una cámara IP

• Detectar personas, objetos o vehículos

• Reducir falsas alarmas

• Ejecutar acciones inteligentes:

  • Grabar

  • Enviar alertas

  • Hablar (voz)

  • Tomar decisiones según contexto (hora, duración, movimiento)

Todo local, sin depender de servidores externos.

---

🏗️ Arquitectura general (Blueprint)

Cámara IP (D-Link u otra)
        │  RTSP
        ▼
Dispositivo local (Raspberry Pi / Mini PC)
        │
        ▼
Motor de Visión Artificial (YOLO / OpenCV)
        │
        ▼
Lógica Inteligente (reglas, alertas, voz, IA)

Este diseño es modular: puedes cambiar piezas sin romper el sistema.

---

🧰 Requisitos de Hardware

🔹 Cámara

Cualquier cámara IP con RTSP funciona:

• D-Link

• Reolink

• TP-Link

• Hikvision (en red local)

📌 Lo importante no es la marca, sino que exponga un stream RTSP.

Ejemplo típico:

rtsp://usuario:password@IP:554/live.sdp

---

🔹 Procesador local (elige uno)

Opción 1 – Económica

• Raspberry Pi 4 (4GB o 8GB)

• MicroSD rápida

• Disipador / ventilación

Opción 2 – Más potencia

• Mini PC (Intel N100, i5 viejo, etc.)

• Ubuntu o Debian

---

💿 Sistema Operativo

Recomendado:

• Raspberry Pi OS 64-bit
  o

• Ubuntu Server 22.04+

---

🧠 Software: el corazón del sistema

🔹 Lenguaje

• Python 3.9+

🔹 Librerías principales

• OpenCV (video)

• YOLOv8 (detección por IA)

• Ultralytics (modelo preentrenado)

---

⚙️ Instalación base

sudo apt update
sudo apt install python3-opencv python3-pip -y
pip install ultralytics

---

👁️ Primer objetivo: detección de personas

Este ejemplo convierte tu cámara IP en una cámara inteligente funcional.

📄 Código base (Python)

import cv2
from ultralytics import YOLO

# Cargar modelo de IA
model = YOLO("yolov8n.pt")

# Stream RTSP de la cámara
rtsp_url = "rtsp://user:password@192.168.1.50:554/live.sdp"
cap = cv2.VideoCapture(rtsp_url)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.4)
    annotated = results[0].plot()

    cv2.imshow("AI Security Camera", annotated)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

🎯 Resultado:

• Personas detectadas en tiempo real

• Cajas delimitadoras

• Sin nube

• Sin pagos

---

🔔 Añadiendo inteligencia real (acciones)

Aquí es donde deja de ser una cámara normal.

---

🔊 Voz automática (advertencias)

import os
os.system("espeak 'Warning. You are being recorded.'")

---

📲 Alertas (idea general)

Puedes integrar:

• Telegram

• WhatsApp

• Email

• Home Assistant

• MQTT

---

🧠 Lógica contextual

Ejemplo simple:

if person_detected and hour >= 23:
    threat_level = "ALTO"

Esto permite:

• Reglas nocturnas

• Diferenciar visitas normales vs sospechosas

• Reducir falsas alarmas

---

🤖 Nivel avanzado: cámara con razonamiento

Aquí puedes integrar un modelo de lenguaje (LLM) para analizar eventos.

Ejemplo conceptual:

Entrada

Persona detectada 2:13 AM
Tiempo de permanencia: 48s
Sin movimiento normal

Salida

Probabilidad de intrusión alta.
Acción recomendada: advertencia vocal + grabación extendida.

👉 La cámara no solo ve, interpreta.

---

🔐 Privacidad y control

Ventajas clave de este sistema:

• Nada sale de tu red (si no quieres)

• No hay servidores externos

• Control total del comportamiento

• Transparencia total del código

---

🚀 Posibles ampliaciones

• Reconocimiento facial (solo local)

• Detección de vehículos

• Contador de personas

• Grabación selectiva (solo eventos)

• Integración con domótica

• Panel web propio

---

🧭 Conclusión

Una cámara con IA no es un producto,
es un sistema de decisión visual.

Con hardware accesible y software abierto, cualquiera puede construir una vigilancia:

• más inteligente

• más privada

• más poderosa

Este blueprint no es el final, es el inicio.

---

📚 Recursos recomendados

• OpenCV – visión por computadora

• YOLO / Ultralytics – detección moderna

• Frigate NVR (open source)

• Shinobi CCTV

• Home Assistant

---

📡 How to Build an AI-Powered Security Camera

An Open Blueprint for Creating Your Own Intelligent Surveillance System (No Cloud Required)

---

🧠 Introduction

Traditional security cameras only record.
Modern “AI cameras” detect, but usually depend on cloud services, subscriptions, and external decision-making.

In this tutorial, you’ll learn how to build your own AI-powered security camera, using a standard IP camera (such as D-Link), a Raspberry Pi or mini PC, and open-source software.

👉 The result is not just a camera —
it’s a system that sees, decides, and acts.

---

🧩 What Are We Building?

A system capable of:

• Reading live video from an IP camera

• Detecting people, objects, or vehicles

• Reducing false alarms

• Executing intelligent actions:

  • Recording

  • Sending alerts

  • Speaking warnings (voice)

  • Making decisions based on context (time, duration, movement)

All locally, without relying on the cloud.

---

🏗️ System Architecture (Blueprint)

IP Camera (D-Link or similar)
        │  RTSP
        ▼
Local Device (Raspberry Pi / Mini PC)
        │
        ▼
Computer Vision Engine (YOLO / OpenCV)
        │
        ▼
Intelligent Logic (rules, alerts, voice, AI)

This design is modular: each component can be replaced or upgraded independently.

---

🧰 Hardware Requirements

🔹 Camera

Any RTSP-capable IP camera will work:

• D-Link

• Reolink

• TP-Link

• Hikvision (LAN mode)

📌 Brand is less important than RTSP support.

Typical RTSP format:

rtsp://username:password@IP:554/live.sdp

---

🔹 Local Processing Device

Option 1 – Budget-friendly

• Raspberry Pi 4 (4GB or 8GB)

• Fast microSD card

• Cooling (recommended for AI workloads)

Option 2 – More Power

• Mini PC (Intel N100, older i5, etc.)

• Ubuntu or Debian

---

💿 Operating System

Recommended:

• Raspberry Pi OS (64-bit)
  or

• Ubuntu Server 22.04+

---

🧠 Software Stack

🔹 Programming Language

• Python 3.9+

🔹 Core Libraries

• OpenCV (video processing)

• YOLOv8 (AI object detection)

• Ultralytics (pretrained models)

---

⚙️ Base Installation

sudo apt update
sudo apt install python3-opencv python3-pip -y
pip install ultralytics

---

👁️ First Goal: Person Detection

This example turns your IP camera into a fully working AI camera.

📄 Base Python Code

import cv2
from ultralytics import YOLO

# Load AI model
model = YOLO("yolov8n.pt")

# RTSP stream from IP camera
rtsp_url = "rtsp://user:password@192.168.1.50:554/live.sdp"
cap = cv2.VideoCapture(rtsp_url)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.4)
    annotated = results[0].plot()

    cv2.imshow("AI Security Camera", annotated)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

🎯 Result:

• Real-time person detection

• Bounding boxes

• No cloud

• No subscriptions

---

🔔 Adding Real Intelligence (Actions)

This is where the system becomes more than a camera.

---

🔊 Voice Warnings

import os
os.system("espeak 'Warning. You are being recorded.'")

---

📲 Alerts (Conceptual)

You can integrate:

• Telegram

• WhatsApp

• Email

• Home Assistant

• MQTT

---

🧠 Contextual Logic

Simple example:

if person_detected and hour >= 23:
    threat_level = "HIGH"

This allows:

• Nighttime rules

• Differentiating normal visits vs suspicious behavior

• Fewer false alarms

---

🤖 Advanced Level: A Camera That Reasons

At this stage, you can integrate a language model (LLM) to interpret events.

Conceptual example:

Input

Person detected at 2:13 AM
Standing for 48 seconds
No normal movement

Output

High probability of intrusion.
Recommended action: voice warning + extended recording.

👉 The camera doesn’t just see — it interprets.

---

🔐 Privacy and Control

Key advantages of this system:

• No forced cloud usage

• No external servers

• Full control over behavior

• Complete transparency of code

---

🚀 Possible Extensions

• Local facial recognition

• Vehicle detection

• People counting

• Event-only recording

• Smart home integration

• Custom web dashboard

---

🧭 Conclusion

An AI camera is not a product —
it’s a visual decision-making system.

With affordable hardware and open software, anyone can build surveillance that is:

• Smarter

• More private

• More powerful

This blueprint is not the end — it’s the foundation.

---

📚 Recommended Resources

• OpenCV (Computer Vision)

• YOLO / Ultralytics

• Frigate NVR (open source)

• Shinobi CCTV

• Home Assistant

---

---

🥗 La Nueva Pirámide Alimentaria en EE. UU.: El Cambio Oficial que Corrige Décadas de Errores Nutricionales

Durante décadas, la pirámide alimentaria promovida en Estados Unidos fue presentada como una verdad científica incuestionable. Sin embargo, las autoridades sanitarias reconocen hoy fallos estructurales en ese modelo, especialmente su enfoque excesivo en carbohidratos refinados y su demonización de grasas naturales.

En comunicados recientes y en la actualización de las Dietary Guidelines for Americans, impulsadas por la Food and Drug Administration junto al United States Department of Agriculture, se anuncia una reformulación profunda del enfoque nutricional, abandonando la vieja pirámide rígida y reemplazándola por un modelo basado en calidad de alimentos, densidad nutricional y grado de procesamiento.

---

📜 ¿Por qué se abandona la pirámide clásica?

El antiguo modelo:

• Priorizaba granos y cereales refinados en la base

• Recomendaba limitar huevos, carnes y grasas saturadas naturales

• Subestimaba el impacto de azúcares añadidos y alimentos ultraprocesados

Hoy, incluso funcionarios federales reconocen que este enfoque contribuyó al aumento de obesidad, diabetes tipo 2 y síndrome metabólico, en lugar de prevenirlos.

---

🆕 El Nuevo Modelo Alimentario Oficial (según guías actuales)

Aunque ya no se presenta como una pirámide clásica, sí existe una jerarquía clara de prioridad alimentaria:

🥇 Nivel 1 – Base de la alimentación (prioridad máxima)

Alimentos reales, mínimamente procesados

• Vegetales variados (especialmente hojas verdes)

• Frutas enteras (no jugos)

• Legumbres

• Frutos secos y semillas

• Aceites naturales (oliva, aguacate)

👉 Principio clave: calidad antes que cantidad.

---

🥈 Nivel 2 – Proteínas completas y nutrientes esenciales

Rehabilitación oficial de alimentos antes demonizados

• Huevos

• Pescado

• Carnes magras y no procesadas

• Lácteos naturales (según tolerancia)

🔎 La FDA reconoce que las grasas saturadas naturales no son el enemigo principal, cuando provienen de alimentos reales y no ultraprocesados.

---

🥉 Nivel 3 – Carbohidratos complejos (con moderación)

• Granos integrales reales

• Tubérculos

• Arroz y cereales sin refinar

⚠️ Ya no ocupan la base del modelo, como antes.

---

🚫 Nivel 4 – Consumo limitado (zona de riesgo metabólico)

• Azúcares añadidos

• Harinas refinadas

• Bebidas azucaradas

• Alimentos ultraprocesados

📌 Este es el “punto ciego” reconocido oficialmente, que durante décadas fue minimizado.

---

🧠 El principio rector del nuevo enfoque

No todos los alimentos son iguales, aunque tengan las mismas calorías.

El foco ahora está en:

• Densidad nutricional

• Impacto metabólico

• Nivel de procesamiento

• Respuesta inflamatoria

---

🔍 Lo que no dicen abiertamente (pero está implícito)

Aunque el lenguaje oficial sigue siendo prudente, el mensaje es claro:

• La antigua pirámide no fracasó por error, sino por suposiciones incompletas

• La ciencia nutricional fue influenciada por paradigmas industriales

• El cambio actual es una rectificación histórica

---

📚 Fuentes oficiales y verificables

• Dietary Guidelines for Americans (HHS–USDA)
  https://www.dietaryguidelines.gov

• FDA – Nutrition Science & Policy
  https://www.fda.gov/food/nutrition

• USDA – MyPlate (modelo vigente)
  https://www.myplate.gov

---

✨ Pensamiento final

No se trata de conspiración ni de moda.
Se trata de una corrección silenciosa de un sistema que enseñó durante décadas una nutrición incompleta.

La nueva guía no grita, no se disculpa…
simplemente reordena la verdad.

Si quieres, en el próximo post puedo:

• recrear la pirámide visual exacta en versión gráfica

• comparar pirámide antigua vs modelo actual

• o llevarlo al terreno metabólico–espiritual, como te gusta 🌿

 Afinando Stockfish 17.x en ChessBase

🔧 Parámetros visibles

• Threads: 16

• Skill Level: 20 (máximo)

• Move Overhead: 10 ms

• nodestime: 0

• SyzygyProbeDepth: 100

• Syzygy50MoveRule: ✅ activado

• SyzygyProbeLimit: 7

• EvalFile: nn-1c0000000000.nnue

• EvalFileSmall: nn-37f18f62d772.nnue

---

Guía práctica de parámetros clave (Blitz · Engine vs Engine · Online)

Cuando empiezas a jugar motores contra motores en ChessBase / Playchess, tarde o temprano llegas a esta pantalla:
un montón de parámetros técnicos que si no se entienden bien, pueden restar fuerza en lugar de sumarla.

Este post organiza los parámetros más importantes, explica qué hacen de verdad y cómo usarlos correctamente en torneos online de blitz.

---

🧠 Contexto real de uso (importante)

Este artículo asume que tú:

• Juegas engine vs engine en Playchess

• Usas blitz (3–5 min) o time controls rápidos

• Quieres rendimiento real, no benchmarks artificiales

• Usas Syzygy 3-4-5 piezas

• Trabajas con Stockfish 17.x + NNUE

---

⚙️ Parámetros visibles y explicación real

---

🔹 Threads = 16

Qué hace:
Define cuántos hilos de CPU usa el motor.

Regla práctica:

• Usa threads reales, no virtuales.

• En servidores online, más no siempre es mejor.

Recomendación:

✔️ 16 threads → correcto y estable para blitz online

📌 Subir más:

• Puede generar latencia

• No escala linealmente en blitz

---

🔹 Skill Level = 20 (máximo)

Qué hace:
Controla si el motor “se limita” para jugar como humano.

Importante:

• Cualquier valor < 20 = debilitar el motor

Recomendación:

✔️ Siempre 20 en engine vs engine

---

🔹 Move Overhead = 10 ms

Qué hace:
Tiempo de seguridad que el motor reserva por jugada para no perder por reloj.

En blitz online:

• Muy bajo → riesgo de flag

• Muy alto → pierde calidad de cálculo

Recomendación:

✔️ 10 ms es un punto dulce para 3–5 min

---

🔹 nodestime = 0

Qué hace:
Limita el tiempo por nodo de búsqueda.

Uso real:

• Se usa en testing específico

• No es necesario en partidas online

Recomendación:

✔️ 0 (desactivado)

---

♟️ Syzygy Tablebases (EGTB)

Aquí es donde mucha gente se equivoca.

---

🔹 SyzygyProbeDepth = 100 ❌ (demasiado alto)

Qué hace:
Hasta qué profundidad el motor considera que puede llegar a un final con tablas.

Problema en blitz:

• El motor “sueña” con finales lejanos

• Pierde tiempo

• Juega menos práctico

Recomendación realista:

✅ 12–16 para blitz online

---

🔹 SyzygyProbeLimit = 7 ❌ (si solo tienes 3-4-5)

Qué hace:
Número máximo de piezas para las que el motor intentará usar tablas.

Si solo tienes 3-4-5 piezas instaladas:

• 7 = búsquedas inútiles

• Tiempo perdido

Regla de oro:

ProbeLimit = número REAL de piezas que tienes

Recomendación en tu caso:

✅ SyzygyProbeLimit = 5

---

🔹 Syzygy50MoveRule = ON ✅

Qué hace:
Hace que el motor respete la regla oficial de las 50 jugadas.

Por qué es importante:

• Evita perseguir mates imposibles

• Juega como en torneo real

• Menos decisiones erráticas

Recomendación:

✔️ Siempre activado

---

🧠 NNUE (EvalFile y EvalFileSmall)

🔹 EvalFile

nn-1c0000000000.nnue

🔹 EvalFileSmall

nn-37f18f62d772.nnue

Qué hacen:
Son las redes neuronales que evalúan la posición.

Cómo se usan:

• El motor cambia automáticamente entre ellas

• Tú NO debes tocarlas si son oficiales

Recomendación:

✔️ Usar las NNUE incluidas con Stockfish 17.x

---

✅ Setup final recomendado (blitz engine vs engine)

Threads:              16
Skill Level:          20
Move Overhead:        10 ms
nodestime:            0
SyzygyProbeDepth:     12–16
SyzygyProbeLimit:     5
Syzygy50MoveRule:     ON
EvalFile / Small:     Oficiales Stockfish

Este setup prioriza:

• ⚡ Velocidad

• 🧠 Decisiones prácticas

• ♟️ Finales exactos cuando toca

• 🤖 Rendimiento real en blitz online

---

🧩 Concepto clave para recordar

Syzygy NO hace fuerte al motor en la apertura.
Hace correcto el final solo cuando existe en tus tablas.

En blitz:

• Mejor gestión del tiempo > profundidad artificial

• Book local + NNUE > tablas profundas

---

📚 Referencias recomendadas (para seguir profundizando)

Para quienes están en este mismo camino:

• Stockfish Official Documentation
  (parámetros UCI, NNUE, Syzygy)

• ChessBase Help / Engine Parameters Guide

• Syzygy Tablebases – Ronald de Man

• TCEC engine configuration discussions

• TalkChess / Computer Chess forums

• ChessBase Engine Room best practices

No son teoría académica:
son las mismas fuentes que usan quienes compiten en serio.

¿Cuál es mejor para torneos online en blitz? Book Tree LOCAL vs LiveBook Tree?

 

🧠 Book Tree LOCAL vs LiveBook Tree

¿Cuál es mejor para torneos online en blitz?

---

🌳 1️⃣ Opening Book Tree LOCAL (el tuyo)

Qué es

Es el árbol construido con:

• Tus partidas

• Partidas de tus engines

• Juegos importados

• Aprendizaje (AutoLearn)

✅ Ventajas (MUY importantes en blitz)

• Juega al instante (cero latencia)

• Sigue tus líneas entrenadas

• Mantiene sorpresas

• No depende de internet

• No sigue modas masivas

• Ideal para anti-theory

❌ Desventajas

• Si está mal entrenado, repite errores

• Puede quedarse “viejo” si no lo actualizas

👉 Para engine vs engine blitz competitivo: MUY FUERTE

---

🌐 2️⃣ LiveBook Tree (ChessBase online)

Qué es

Base global en tiempo real con:

• Millones de partidas

• Humanos + engines

• Estadísticas actuales

• Tendencias del momento

✅ Ventajas

• Aperturas “de moda”

• Buenas líneas sólidas

• Ideal para humanos

• Excelente referencia teórica

❌ Desventajas CRÍTICAS en blitz engine

• Latencia (aunque sea mínima)

• Todos usan lo mismo → predecible

• Engines rivales ya conocen esas líneas

• Cero sorpresa

• Puede llevar a tablas rápidas

👉 Para torneos online engine vs engine: peligrosa si se usa sola

---

🏆 RESPUESTA CORTA (la que pedías)

🔥 Para torneos online en blitz:
el BOOK TREE LOCAL es MEJOR.

Pero… con una condición 👇

---

🧩 ESTRATEGIA ÓPTIMA (nivel pro)

🥇 Usa LOCAL BOOK como principal

🥈 Usa LiveBook SOLO como respaldo

Cómo hacerlo en la práctica:

1. Opening Book principal → LOCAL

2. LiveBook → activado solo:

   • primeras 4–6 jugadas

   • o solo si no hay entrada en tu book

📌 Esto crea:

• Aperturas sólidas

• Sin seguir la masa

• Con sorpresa temprana

• Sin perder estabilidad

---

⚔️ Comparación rápida (blitz online)

Factor	Book Local	LiveBook
Velocidad	🚀 Máxima	⚠️ Media
Sorpresa	🎭 Alta	❌ Baja
Anti-theory	🔥 Excelente	❌ Mala
Consistencia	✅ Alta	✅ Alta
Tablas rápidas	❌ Menos	⚠️ Más
Ideal engine vs engine	✅ SÍ	❌ NO (solo apoyo)

---

🧠 Regla de oro para blitz engine tournaments

LiveBook es para NO PERDER.
Book Local es para GANAR.

En blitz, ganar > no perder.

---

🔥 Recomendación FINAL para TU setup

Dado que tú:

• Juegas engine vs engine

• Usas AutoLearn

• Guardas partidas

• Ajustas Syzygy correctamente

• Buscas rendimiento en blitz

👉 Configuración ideal:

• ✅ Book Tree LOCAL → principal

• ⚠️ LiveBook → solo fallback temprano

• ❌ Nunca LiveBook como fuente única

Eso te da:

• Menos draws

• Más wins

• Engines confundidos

• Identidad propia

Expediente Gigantes: El precio de devorar al semejante: canibalismo y extinción

---

📂 FASE III – HIPÓTESIS BIOLÓGICA DEL EXTERMINIO

¿Puede una enfermedad humana matar a quien consume humanos?

🔑 Respuesta corta

👉 Sí. Absolutamente sí.
Y no solo puede: ya pasó en tiempos modernos.