Introducción a la inteligencia artificial.

La IA no es una sola cosa

Cuando alguien dice «inteligencia artificial», muchas veces imagina un solo sistema monolítico. Pero la realidad es bastante más interesante: la IA es un campo amplio, con ramas que se conectan entre sí y otras que funcionan de manera casi independiente.

Una forma útil de visualizarlo es como una serie de capas que se contienen unas a otras:

IA → Machine Learning → Deep Learning → redes neuronales → Transformers → LLM → modelos multimodales → agentes

Cada flecha indica que lo que sigue es un subconjunto o una evolución de lo anterior. No todo el machine learning es deep learning, y no todo el deep learning son Transformers. Pero sí: todos los Transformers son deep learning, todo el deep learning es machine learning, y todo el machine learning es, a grandes rasgos, inteligencia artificial.

Pero la IA no termina ahí. También incluye visión artificial (sistemas que interpretan imágenes), generación de imágenes, robótica, sistemas de recomendación (como los que usan las plataformas de streaming) y muchas otras aplicaciones.

El objetivo común de todas estas ramas es construir sistemas capaces de realizar tareas que asociamos con la inteligencia humana: reconocer, aprender, predecir, generar, analizar y resolver problemas.

La diferencia clave: cómo se construyen

Lo que realmente distingue a estas tecnologías no es qué hacen, sino cómo se construyen. Y aquí hay tres formas muy distintas de trabajar.

Software tradicional: el humano escribe las reglas

En la programación clásica, una persona escribe instrucciones explícitas y la computadora las ejecuta. Si quieres que un programa sume dos números, escribes la regla que dice cómo sumarlos. La máquina no aprende nada por su cuenta: sigue el guion.

Programación: «Haz esto.»

Machine Learning: el sistema aprende de los datos

En machine learning, el enfoque cambia. En lugar de escribir reglas, se proporcionan datos y ejemplos. El sistema analiza esos ejemplos, encuentra patrones y produce resultados. No se le dice cómo hacer la tarea, sino que se le muestra qué se espera.

Por ejemplo, en lugar de programar reglas para detectar spam, se le muestran miles de correos etiquetados como spam y no spam, y el sistema aprende a distinguirlos por sí mismo.

Machine Learning: «Aprende este patrón.»

IA generativa: usar lo aprendido para crear

La IA generativa lleva esto un paso más allá. Un modelo como ChatGPT aprende patrones a partir de grandes cantidades de información y luego usa esos patrones, junto con el contexto que recibe, para generar contenido nuevo: texto, imágenes, código, audio.

No se limita a clasificar o predecir: produce algo que no existía antes.

IA generativa: «Usa lo aprendido y este contexto para generar algo.»

Por qué importa esta distinción

Confundir estos tres enfoques lleva a expectativas equivocadas. El software tradicional es predecible y determinista. El machine learning es probabilístico y depende de la calidad de los datos. La IA generativa es creativa dentro de los límites de lo que aprendió, pero también puede equivocarse con total seguridad.

Saber en qué categoría cae cada herramienta ayuda a entender sus capacidades, sus límites y la mejor forma de usarla. No es lo mismo pedirle a un sistema de recomendación que sugiera una película que pedirle a un modelo generativo que escriba un guion.

En resumen

La inteligencia artificial es un campo amplio y diverso. No es una sola tecnología ni una caja negra indescifrable. Es una familia de enfoques que comparten un objetivo: hacer que las máquinas realicen tareas que antes requerían inteligencia humana.

La próxima vez que escuches hablar de IA, pregúntate: ¿esto aprende de datos, ejecuta reglas o genera contenido nuevo? La respuesta te dirá mucho sobre lo que puedes esperar de ella.

Dos formas de entender la inteligencia

Cuando hablamos de inteligencia artificial, es común imaginar un solo tipo de sistema. Pero a lo largo de su historia, la IA se ha desarrollado por dos caminos distintos, que responden a una pregunta fundamental: ¿de dónde sale la inteligencia?

• IA simbólica: la inteligencia proviene de reglas escritas por humanos.
• IA estadística: la inteligencia emerge de patrones encontrados en los datos.

Ambos enfoques buscan que una máquina realice tareas que asociamos con la inteligencia humana, pero lo hacen de maneras muy diferentes.

IA simbólica: reglas explícitas

La IA simbólica fue el enfoque dominante en las primeras décadas de la inteligencia artificial. Su idea central es representar el conocimiento de forma explícita: conceptos, reglas y relaciones lógicas.

El proceso es más o menos así:

Humanos → reglas → razonamiento → respuesta

Un humano escribe las reglas que describen cómo resolver un problema. La computadora las sigue paso a paso, aplicando lógica deductiva. Si las premisas son verdaderas y las reglas están bien definidas, la conclusión también lo será.

Ejemplo típico:
Un sistema experto médico podría incluir reglas como:
“Si el paciente tiene fiebre, tos y pérdida del olfato → posible infección respiratoria”.
La máquina no aprende nada por su cuenta: solo aplica lo que ya está escrito.

Ventajas:

• Es altamente explicable: se puede rastrear exactamente por qué se llegó a una conclusión.
• Funciona bien en dominios con reglas claras y estables.

Limitaciones:

• Se vuelve rígida cuando aparecen excepciones.
• Mantener una base de reglas grande es costoso y difícil.
• No se adapta bien a problemas ambiguos o con muchos matices, como el lenguaje natural o el reconocimiento de imágenes.

IA estadística: patrones aprendidos

La IA estadística toma un camino distinto. En lugar de que un humano escriba las reglas, se le proporcionan datos y ejemplos, y el sistema encuentra los patrones por sí mismo.

El proceso sería:

Datos → patrones → modelo → predicción

Aquí no hay una lista de reglas explícitas. Hay un modelo matemático que ha sido ajustado a partir de ejemplos. La lógica que utiliza es inductiva o probabilística: generaliza a partir de lo que ha visto.

Ejemplo típico:
En lugar de decirle a la máquina “si tiene A, B y C → es un perro”, se le muestran millones de imágenes de perros y de otros objetos, y ella descubre por sí misma qué características los distinguen.

Ventajas:

• Es mucho más flexible para tareas complejas: lenguaje, visión, reconocimiento de patrones, predicción.
• Mejora a medida que se le proporcionan más datos.

Limitaciones:

• Sus decisiones pueden ser difíciles de explicar (a veces se le llama “caja negra”).
• Puede cometer errores, especialmente si los datos de entrenamiento son sesgados o incompletos.
• No siempre es fácil entender por qué llegó a una conclusión.

Comparación directa

¿Dónde entra ChatGPT?

ChatGPT pertenece principalmente al enfoque estadístico, concretamente al aprendizaje profundo (deep learning). No aprende mediante una lista de reglas escritas una por una, sino mediante patrones aprendidos de grandes cantidades de datos. Por eso puede generar respuestas fluidas y adaptarse a contextos muy diversos, pero también puede inventar información o cometer errores con total seguridad.

La tendencia actual: combinar ambos enfoques

La historia de la IA no ha sido una simple sustitución de un enfoque por otro. Hoy, la tendencia no es necesariamente elegir entre simbólico y estadístico, sino combinarlos.

Un sistema moderno puede usar un modelo estadístico para interpretar una situación (por ejemplo, entender el lenguaje natural) y luego utilizar reglas, herramientas, bases de datos o verificaciones estructuradas para tomar decisiones más precisas o seguras. A esto a veces se le llama IA híbrida.

Esta combinación permite aprovechar lo mejor de cada mundo: la flexibilidad del aprendizaje automático y la precisión y explicabilidad de las reglas explícitas.

En una frase

• IA simbólica = “te digo las reglas”.
• IA estadística = “te doy ejemplos y encuentras los patrones”.
• IA moderna = “combino aprendizaje de patrones con reglas, herramientas y estructuras cuando hace falta”.

Entender esta distinción no solo ayuda a comprender mejor cómo funcionan los sistemas actuales, sino también a saber qué esperar de ellos y cuándo conviene confiar en su respuesta.

De reglas escritas a patrones aprendidos

La forma habitual de hacer que una computadora resolviera un problema era escribirle las reglas. El programador pensaba en la lógica, la traducía a instrucciones y la máquina las ejecutaba. Ese enfoque sigue siendo útil y sigue siendo la base de la mayoría del software que usamos a diario.

Pero hay problemas donde escribir todas las reglas es prácticamente imposible. Reconocer si una foto contiene un gato, detectar spam o predecir qué película le gustará a una persona son tareas donde las reglas son difusas, cambian con el contexto o son demasiadas para enumerarlas.

Ahí entra el Machine Learning.

La diferencia básica

Programación tradicional:
reglas + datos → resultado

El humano escribe las reglas. La computadora las aplica a los datos y produce un resultado.

Machine Learning:
datos + ejemplos → modelo → resultado

El humano proporciona datos y ejemplos. El sistema encuentra patrones por sí mismo y construye un modelo. Ese modelo es lo que luego produce resultados sobre datos nuevos.

¿Qué es un modelo?

El modelo es lo que queda después del entrenamiento. No es una lista de reglas escritas por una persona, sino una estructura matemática capaz de hacer predicciones sobre datos que nunca vio antes.

Piensa en él como una representación comprimida de los patrones que el sistema encontró en los ejemplos. Si el entrenamiento fue bueno, el modelo generaliza: acierta no solo en los casos que ya conoce, sino también en casos nuevos.

¿Cómo aprende?

El proceso tiene tres etapas:

1. Entrenamiento:
El sistema recibe datos y ajusta sus parámetros internos para reducir errores. Cuanto más se equivoca, más ajusta. Cuanto más acierta, más consolida lo aprendido.

2. Modelo:
Una vez entrenado, conserva los patrones aprendidos. Ese es el resultado del entrenamiento.

3. Inferencia:
El modelo recibe datos nuevos y produce una predicción o una decisión.

Ejemplo:
Miles de correos etiquetados como spam / no spam → entrenamiento → modelo → correo nuevo → «97% probable spam».

Tres formas principales de aprender

No todos los problemas se aprenden igual. Hay tres enfoques clásicos:

Supervisado:
Aprende con ejemplos que ya tienen respuesta.
Ejemplo: fotos etiquetadas como gato o perro. El modelo aprende a distinguirlas.

No supervisado:
Recibe datos sin respuestas y encuentra patrones o agrupaciones por sí mismo.
Ejemplo: segmentar clientes según su comportamiento de compra.

Por refuerzo:
Aprende mediante acciones, consecuencias y recompensas.
Ejemplo: aprender a jugar un videojuego probando, equivocándose y mejorando.

También existen otros enfoques, como el aprendizaje auto-supervisado, que es fundamental para los modelos modernos de lenguaje.

La idea importante

El salto conceptual es este:

• Programar tradicionalmente: decirle a la máquina las reglas.
• Machine Learning: crear un sistema que pueda aprender patrones a partir de ejemplos.

Esa diferencia es la que permite abordar problemas donde las reglas no alcanzan. Y es también la razón por la que el Machine Learning se convirtió en una de las bases de la IA moderna.

En una frase

Machine Learning = aprender patrones de datos para hacer predicciones o decisiones sobre datos nuevos.

Entender esto ayuda a mirar con más criterio las herramientas que usamos a diario: saber que detrás de una predicción hay un modelo entrenado con ejemplos permite preguntarse qué datos vio, qué patrones aprendió y qué tan confiable es su respuesta.

¿Qué es el Deep Learning?

El Deep Learning es una forma de Machine Learning que se basa en redes neuronales con muchas capas. La idea central es que la máquina no solo aprenda patrones, sino que aprenda a representar esos patrones de manera cada vez más abstracta y compleja.

El flujo básico es:

datos → red neuronal → entrenamiento → modelo → predicción/generación

La red neuronal recibe datos, los procesa a través de sus capas, produce una salida, se compara con lo esperado y ajusta sus parámetros internos para mejorar. Después de muchas repeticiones, el resultado es un modelo capaz de realizar la tarea para la que fue entrenado.

¿Por qué “profundo”?

El término “profundo” se refiere a la cantidad de capas que tiene la red. Cada capa transforma la información y la pasa a la siguiente. Cuantas más capas, más “profunda” es la red, y más complejas pueden ser las representaciones que aprende.

Un ejemplo clásico es el reconocimiento de rostros. La red no ve un rostro de golpe. Lo que ocurre es algo así:

píxeles → bordes → formas → ojos/nariz/boca → rostro

Cada capa detecta patrones de creciente complejidad. Las primeras capas pueden identificar bordes y contrastes. Las intermedias, formas más definidas. Las últimas, partes específicas como ojos o nariz. Finalmente, la red integra todo para reconocer un rostro.

Lo importante es que la máquina no necesita que alguien programe explícitamente cada característica. Aprende qué representaciones son útiles durante el entrenamiento.

¿Cómo aprende?

Cada conexión de la red tiene parámetros llamados pesos. Estos pesos determinan cuánta importancia tiene cada señal en la predicción final. Al principio son valores aleatorios, pero se van ajustando.

El proceso, simplificado, es el siguiente:

predicción → error → ajuste de pesos → nueva predicción → …

La red hace una predicción, se calcula el error (la diferencia entre lo que predijo y lo que debería haber predicho) y luego se ajustan los pesos para reducir ese error. Este ciclo se repite muchas veces, con muchos ejemplos. Al final, la red encuentra una configuración capaz de realizar la tarea con un margen de error aceptable.

Deep Learning vs. Machine Learning tradicional

La diferencia clave está en quién define las características relevantes.

• Machine Learning tradicional: los humanos suelen definir o seleccionar las características importantes de los datos. Por ejemplo, para clasificar flores, un experto podría indicar que el largo del pétalo y el ancho del sépalo son relevantes.
• Deep Learning: la red aprende las representaciones directamente de los datos. No se le dice qué mirar; ella lo descubre.

Esa autonomía es una gran ventaja, pero también tiene un costo: normalmente requiere más datos y más capacidad de cómputo. Entrenar una red profunda puede implicar millones de ejemplos y hardware especializado.

¿Dónde se utiliza?

El Deep Learning está detrás de gran parte de la IA actual. Algunos campos donde se aplica:

• Visión: reconocimiento y análisis de imágenes.
• Lenguaje: traducción, generación de texto y modelos de lenguaje grandes (LLM).
• Audio: reconocimiento y generación de voz.
• Imagen y video: generación, edición y comprensión.
• Robótica: percepción y navegación.

Cada vez que se usa un traductor automático, se pide a un asistente que genere texto o se sube una foto a una red social que la etiqueta automáticamente, es muy probable que haya Deep Learning involucrado.

El mapa hasta ahora

Para ubicar el Deep Learning dentro del ecosistema de la IA, un mapa mental útil es:

IA
↓
Machine Learning
↓
Deep Learning
↓
Redes neuronales
↓
Transformers
↓
LLM (ChatGPT)

No es una jerarquía completamente estricta, pero sirve para recordar cómo se relacionan estos conceptos. El Deep Learning es una parte del Machine Learning, y las redes neuronales profundas son su herramienta principal. Los Transformers son un tipo específico de arquitectura de red neuronal, y los LLM son modelos de lenguaje construidos con Transformers.

En una frase

Machine Learning aprende patrones; Deep Learning utiliza redes neuronales profundas para aprender representaciones cada vez más complejas de esos patrones.

Entender esta diferencia ayuda a comprender por qué los sistemas actuales pueden hacer cosas que antes parecían exclusivas de la inteligencia humana, y también por qué necesitan tantos datos y tanta potencia de cálculo para lograrlo.

¿Qué es una red neuronal artificial?

Imagina un sistema que recibe datos, los procesa en varias etapas y produce una respuesta. Eso es, en esencia, una red neuronal artificial: un modelo matemático compuesto por unidades conectadas que aprenden patrones ajustando sus parámetros a partir de ejemplos.

No es magia ni una copia del cerebro. Es una estructura de operaciones matemáticas organizada en capas, y su poder radica en que puede aprender representaciones complejas sin que nadie le indique paso a paso qué debe buscar.

Su estructura básica

Toda red neuronal, por sofisticada que parezca, sigue un esquema simple:

entrada → capas ocultas → salida

• Entrada: recibe los datos crudos. Pueden ser píxeles de una imagen, palabras de una frase, números de una transacción bancaria.
• Capas ocultas: transforman esa información y detectan patrones cada vez más complejos. Las primeras capas captan detalles simples; las siguientes combinan esos detalles en conceptos más abstractos.
• Salida: produce el resultado final, ya sea una predicción numérica, una clasificación o una probabilidad.

Cada capa no trabaja aislada: pasa su resultado a la siguiente, refinando la información en el camino.

¿Cómo aprende una red neuronal?

Aquí está el corazón del asunto. Cada conexión entre unidades tiene un peso, un número que determina cuánta influencia tiene una señal sobre la siguiente. Al inicio, esos pesos son aleatorios, así que la red comete errores. El aprendizaje consiste en corregirlos.

El proceso simplificado es:

datos → predicción → error → ajuste de pesos → nueva predicción

La red hace una predicción, la compara con la respuesta correcta, mide el error y ajusta los pesos para reducirlo. Luego repite. Y repite. Y repite.

Aquí entra en juego la retropropagación (backpropagation), el mecanismo que permite calcular cómo debe modificarse cada peso para disminuir el error. Es como enviar la corrección desde la salida hacia atrás, capa por capa, para que cada conexión se ajuste en la dirección correcta. Con suficientes iteraciones, la red llega a una configuración de pesos que le permite resolver la tarea con precisión.

Un ejemplo concreto: reconocer gatos

Supón que quieres que una red distinga fotos de gatos.

El flujo sería algo así:

imagen → patrones simples → formas → rasgos → «gato»

Las primeras capas detectan bordes y contrastes. Las intermedias combinan esos bordes en formas: curvas, óvalos, líneas. Las más profundas identifican rasgos como orejas puntiagudas, bigotes o la forma de los ojos. La capa final concluye: «gato».

Lo notable es que nadie programó explícitamente qué es un ojo, una oreja o un bigote. La red aprendió esas representaciones por sí sola a partir de miles de ejemplos. Eso es lo que distingue al Deep Learning de los enfoques tradicionales.

¿Dónde se usan?

Las redes neuronales están detrás de muchas tecnologías cotidianas:

• Reconocimiento de imágenes y voz.
• Procesamiento y generación de lenguaje.
• Traducción automática.
• Sistemas de recomendación.
• Detección de fraude.
• Generación de imágenes, audio y video.
• Robótica y conducción autónoma.

Cada vez que un asistente responde una pregunta, una app sugiere una película o un banco detecta un cargo sospechoso, probablemente hay una red neuronal trabajando en segundo plano.

En una frase

Una red neuronal es una red de operaciones matemáticas conectadas que aprende ajustando sus pesos hasta encontrar patrones útiles en los datos.

La idea de fondo

Cuando usamos una IA para clasificar un correo como spam, generar un texto o reconocer una imagen, estamos viendo solo el final de una película larga. Ese resultado visible es la inferencia. Pero antes de llegar ahí, alguien tuvo que reunir ejemplos, ajustar millones de valores internos y repetir ese proceso hasta que el modelo aprendiera patrones útiles.

Ese recorrido es el que vamos a desarmar aquí. No es magia: es un pipeline con etapas bien definidas.

1. Los datos: la materia prima

Todo empieza con datos. Textos, imágenes, audios, números, correos electrónicos, cualquier información que una máquina pueda procesar. Sin datos, no hay nada que aprender.

Hay un detalle importante: los datos pueden venir con una etiqueta (la respuesta correcta) o sin ella. Si entrenas un modelo para detectar spam, necesitas correos marcados como «spam» o «no spam». Si lo entrenas para generar texto, probablemente trabajarás con grandes volúmenes de texto sin etiquetar.

Y aquí va una advertencia que se repite en la industria: la calidad de los datos determina la calidad del modelo. Datos incompletos, sesgados o directamente erróneos producen un modelo deficiente, por más sofisticada que sea la arquitectura. Es el principio de «basura entra, basura sale», aplicado al aprendizaje automático.

2. El modelo: una estructura que transforma

Un modelo es una estructura matemática que toma una entrada y produce una salida. Conviene desterrar una idea equivocada: no es una base de datos con respuestas guardadas. No funciona como una biblioteca donde el sistema busca la respuesta correcta. Lo que hace es aprender patrones a partir de los ejemplos y usarlos para responder ante situaciones que nunca vio.

Esa capacidad de responder ante lo nuevo es justamente lo que distingue a un modelo entrenado de una simple tabla de consulta.

3. Los parámetros: las perillas internas

Dentro del modelo hay valores numéricos llamados parámetros. Son los que determinan cómo procesa la información. Una forma intuitiva de imaginarlos: millones de perillas que se giran durante el entrenamiento.

El aprendizaje del modelo queda representado, casi por completo, en esos parámetros. Cuando decimos que un modelo «aprendió», en términos técnicos significa que sus parámetros adoptaron valores que minimizan el error en las predicciones.

4. El entrenamiento: ajustar para mejorar

El entrenamiento es el proceso mediante el cual se ajustan los parámetros para mejorar el desempeño. Sigue un ciclo que se repite una y otra vez:

1. El modelo recibe un dato.
2. Produce una predicción.
3. Se compara esa predicción con la respuesta esperada.
4. Se calcula el error o pérdida (loss).
5. Se ajustan los parámetros para reducir ese error.
6. Se repite con muchos ejemplos.

Este ciclo, repetido miles o millones de veces, es lo que permite que el modelo pase de responder mal a responder bien.

Ahora, una distinción clave: aprender no es memorizar. El objetivo no es que el modelo recuerde cada ejemplo, sino que generalice patrones para responder correctamente ante situaciones nuevas. Cuando un modelo memoriza demasiado los datos de entrenamiento y falla con datos nuevos, hablamos de sobreajuste (overfitting). Es como un estudiante que se aprende las respuestas de memoria sin entender el tema: le va bien en el examen de práctica y mal en el examen real.

5. La inferencia: usar lo aprendido

La inferencia es utilizar un modelo ya entrenado para producir una salida a partir de una entrada nueva. En esta fase, los parámetros permanecen fijos. El modelo no sigue aprendiendo por su cuenta: simplemente realiza cálculos con lo que ya aprendió y genera una predicción, una clasificación, una decisión o un contenido.

Un ejemplo concreto:

Llega un correo nuevo → el modelo entrenado lo analiza → devuelve un 95 % de probabilidad de que sea spam.

Eso es inferencia. Rápida, con parámetros congelados y sin actualización interna.

6. Entrenamiento vs. inferencia: dos fases, dos lógicas

Esta tabla resume bien la diferencia. El entrenamiento es la fase pesada, lenta y costosa. La inferencia es la fase ligera, la que ocurre cada vez que usas el modelo en producción.

7. La cadena fundamental

Todo el proceso se puede resumir en dos secuencias:

Datos → Entrenamiento → Modelo
Los parámetros se ajustan mediante ejemplos.

Entrada nueva → Inferencia → Resultado
El modelo entrenado utiliza lo aprendido.

En una sola frase

Una IA aprende ajustando los parámetros de un modelo mediante datos; después, durante la inferencia, utiliza esos parámetros para transformar nuevas entradas en resultados.

Entender esta cadena no solo aclara cómo funciona la tecnología: también explica por qué los datos de calidad importan tanto, por qué el sobreajuste es un riesgo real y por qué un modelo puede ser rápido al usarlo pero costoso al entrenarlo. Tres etapas, una lógica, y todo lo demás se construye encima.

Cuando escuchamos que un modelo de lenguaje tiene «7 mil millones de parámetros» o que «se ajustaron los pesos durante el entrenamiento», es fácil perderse en la terminología. Sin embargo, detrás de esas cifras hay conceptos bastante intuitivos que vale la pena entender. Este artículo explica de forma clara qué es un modelo, qué son los parámetros, qué son los pesos y cómo se relacionan entre sí.

¿Qué es un modelo?

Un modelo es una estructura matemática que transforma entradas en salidas. Dicho de otro modo, recibe algo (un texto, una imagen, un número) y produce un resultado (una predicción, una clasificación, una respuesta).

La fórmula conceptual es sencilla:

Entrada + parámetros → salida

El modelo tiene dos componentes principales:

• Arquitectura: define cómo está construido el sistema, es decir, su estructura.
• Parámetros: son los valores internos que determinan cómo se comporta el modelo.

La arquitectura es el plano; los parámetros son los valores que hacen que ese plano funcione de una manera concreta.

¿Qué son los parámetros?

Los parámetros son los valores internos que el entrenamiento modifica para mejorar el modelo. No son datos ni conocimientos almacenados uno por uno, sino una representación distribuida de lo aprendido.

Los parámetros incluyen principalmente:

• Pesos
• Sesgos
• Otros valores aprendidos, como embeddings y matrices internas.

Cuando se dice que un modelo es «7B», significa que tiene aproximadamente 7,000 millones de parámetros. No son 7,000 millones de datos ni 7,000 millones de conceptos independientes, sino 7,000 millones de valores numéricos que en conjunto definen el comportamiento del modelo.

¿Qué son los pesos?

Los pesos son un tipo de parámetro que determina cuánto influye una entrada o señal en un cálculo. La idea central es:

entrada × peso → influencia

Un peso alto amplifica la influencia de esa entrada. Un peso cercano a cero la reduce casi por completo. Un peso negativo puede hacer que esa influencia reste en lugar de sumar.

Pensemos en un ejemplo cotidiano: si estamos decidiendo si salir con paraguas, la presencia de nubes oscuras tiene un peso alto, mientras que el color de nuestros zapatos tiene un peso cercano a cero. En un modelo, los pesos cumplen esa misma función: indican qué señales importan más y cuáles menos.

¿Qué son los sesgos?

Los sesgos también son parámetros. Se suman al resultado y permiten desplazarlo. La fórmula básica es:

salida = (entrada × peso) + sesgo

El sesgo permite que el modelo se ajuste incluso cuando todas las entradas son cero. Es un valor que añade flexibilidad al cálculo.

¿Cómo aprende un modelo?

Durante el entrenamiento, el modelo sigue un ciclo repetitivo:

Datos → predicción → error → ajuste de parámetros → nueva predicción

El modelo hace una predicción, compara con el resultado esperado, calcula el error y ajusta sus parámetros para reducir ese error en la próxima iteración. Los pesos y sesgos cambian repetidamente hasta conseguir mejores resultados.

Por eso se dice que los parámetros son una representación distribuida de lo aprendido: no hay un «conocimiento» aislado en un parámetro específico, sino que la información está repartida por todo el modelo.

Parámetros ≠ hiperparámetros

Es común confundir estos términos, pero son distintos:

• Parámetros: los aprende el modelo durante el entrenamiento.
• Hiperparámetros: configuraciones elegidas antes del entrenamiento para controlarlo, como la tasa de aprendizaje (learning rate), el número de capas o el tamaño del lote.

Los hiperparámetros no se ajustan solos; los define quien diseña o entrena el modelo.

Mapa mental

MODELO
→ arquitectura + parámetros
→ parámetros
→ pesos + sesgos + otros valores
→ se ajustan durante el entrenamiento
→ permiten que el modelo transforme nuevas entradas en resultados durante la inferencia.

Entender la diferencia entre modelo, arquitectura, parámetros, pesos y sesgos ayuda a interpretar mejor las noticias sobre inteligencia artificial y a comprender qué ocurre realmente cuando un sistema «aprende». No se trata de magia ni de conocimiento almacenado en compartimentos: se trata de valores numéricos que se ajustan iterativamente para transformar entradas en salidas útiles.

¿Qué es exactamente la IA generativa?

La inteligencia artificial generativa es un tipo de sistema que aprende patrones a partir de grandes volúmenes de datos y luego utiliza esos patrones para producir nuevas salidas. Puede generar texto, imágenes, audio, video, código, música, voz y otros contenidos.

Es importante entender que no inventa desde cero ni necesariamente copia ejemplos concretos que haya visto antes. Lo que hace es combinar patrones y relaciones que aprendió durante su entrenamiento para producir algo nuevo.

La diferencia clave: discriminar vs. generar

Para entender bien qué hace la IA generativa, conviene contrastarla con la IA discriminativa, que es la que se usa para clasificar o predecir.

• IA discriminativa: recibe una entrada y produce una clasificación o predicción. Por ejemplo, le das una foto y te dice «es un gato».
• IA generativa: recibe una entrada (un prompt) y produce contenido nuevo. Por ejemplo, le pides «dibuja un gato» y te devuelve una imagen.

La diferencia principal está en el objetivo: una identifica o predice; la otra produce.

¿Cómo genera contenido?

El proceso tiene dos fases bien diferenciadas:

Entrenamiento: el modelo recibe datos, los procesa y ajusta sus parámetros internos para capturar los patrones presentes en esa información.

Inferencia: ya con el modelo entrenado, recibe un prompt y genera una salida. No necesita tener almacenada exactamente la respuesta; utiliza los patrones estadísticos que aprendió para producir algo nuevo.

El flujo simplificado sería:

Datos → entrenamiento → ajuste de parámetros → modelo entrenado → prompt → inferencia → contenido nuevo

Texto: cómo funciona un modelo de lenguaje

Un modelo de lenguaje grande (LLM) genera texto prediciendo el siguiente token. Un token puede ser una palabra, parte de una palabra, un carácter o algún otro fragmento.

El proceso es secuencial: dado un contexto, predice un token; ese token se añade al contexto y se predice el siguiente, y así sucesivamente. Muchas predicciones sucesivas producen una frase, un párrafo, código o una conversación completa.

Imagen: una lógica diferente

En los modelos de difusión, el enfoque es distinto. Durante el entrenamiento, el modelo aprende a pasar de imágenes con ruido a imágenes coherentes. Durante la generación, parte de ruido y lo va eliminando progresivamente hasta formar una imagen. El prompt condiciona el resultado en cada paso.

También existen otras familias generativas para imágenes, como las GANs y los VAEs.

Principales familias de modelos generativos

• Modelos autoregresivos: generan elementos secuencialmente. Los LLM son el ejemplo principal.
• Difusión: generan mediante procesos iterativos de eliminación de ruido.
• GANs: un generador y un discriminador compiten durante el entrenamiento.
• VAEs: utilizan representaciones latentes para generar nuevas muestras.
• Transformers: arquitectura fundamental para muchos modelos modernos. No significa por sí misma «modelo generativo».

Entrenamiento y adaptación

Un modelo puede pasar por varias etapas:

Preentrenamiento → fine-tuning → instruction tuning → alineación

También existen técnicas como LoRA para adaptar modelos y RAG para proporcionarles información externa durante su uso.

Generación no significa verdad

Una IA generativa busca producir una salida compatible con los patrones aprendidos. Eso no significa que la salida sea verdadera. Por eso puede producir:

• información correcta;
• información incorrecta pero plausible;
• sesgos;
• errores de razonamiento;
• alucinaciones.

La idea clave es: fluidez no es verdad, coherencia no es exactitud.

Conceptos que conviene recordar

• Prompt: entrada que orienta la generación.
• Token: unidad de texto procesada por un modelo de lenguaje.
• Inferencia: uso del modelo ya entrenado para producir una salida.
• Multimodal: trabaja con varios tipos de información, como texto, imagen o audio.
• Temperatura: controla el grado de aleatoriedad de la generación.
• Modelo fundacional: modelo grande preentrenado que puede servir como base para múltiples tareas.
• Alucinación: salida falsa o inventada que puede parecer plausible.

La conexión conceptual más importante

No pasamos de «IA que sabe» a «IA que crea». Pasamos de modelos que usan patrones aprendidos para predecir o clasificar a modelos que usan patrones aprendidos para producir nuevas salidas. La IA generativa aprende patrones de datos durante el entrenamiento y después utiliza esos patrones para generar nuevas salidas condicionadas por una entrada o prompt.

Frase para conservar: La IA generativa aprende patrones de datos durante el entrenamiento y después utiliza esos patrones para generar nuevas salidas condicionadas por una entrada o prompt.

Introducción: desmontando el misterio

Los modelos de lenguaje grande (LLM, por sus siglas en inglés) se han vuelto parte de la conversación cotidiana. Se habla de ellos como si fueran inteligencia artificial general, como si «supieran» cosas o como si «buscaran» información en alguna biblioteca interna. Ninguna de esas ideas es precisa.

Un LLM es, en esencia, un sistema matemático que aprendió a predecir qué viene después en una secuencia de texto. Suena simple, pero esa capacidad, llevada a escala masiva, produce resultados que parecen sofisticados. Este artículo explica qué significa cada palabra, qué hace realmente, cómo se entrena y por qué conviene entender sus límites.

1. Qué significa «Large Language Model»

Las tres palabras del nombre describen tres dimensiones del mismo objeto:

• Large (grande): se refiere a la escala. Grandes cantidades de datos, una enorme cantidad de parámetros y un cómputo significativo para entrenarlo y ejecutarlo.
• Language (lenguaje): su materia prima principal es el lenguaje humano, aunque también puede aprender código y otros lenguajes estructurados.
• Model (modelo): es un sistema matemático con una arquitectura definida y parámetros que se ajustan durante el entrenamiento.

No es una entidad consciente ni una base de datos. Es un modelo: una representación simplificada que captura patrones.

2. Qué hace un LLM: el mecanismo fundamental

El funcionamiento básico puede resumirse en una cadena muy simple:

CONTEXTO → probabilidades → siguiente token → nuevo contexto → siguiente token → …

Por ejemplo, si el modelo recibe:

«El cielo es…»

Calcula probabilidades para posibles continuaciones («azul», «grande», «oscuro», etc.), selecciona una y la añade al contexto. Luego repite el proceso. Así, token a token, construye texto.

Aunque el objetivo inmediato es predecir el siguiente token, al aprender millones de patrones el modelo puede realizar tareas como:

• responder preguntas
• resumir textos
• traducir
• escribir
• programar
• clasificar
• transformar textos
• seguir instrucciones
• mantener conversaciones

Ninguna de estas tareas fue programada explícitamente. Emergen de la capacidad de predicción.

3. Qué es un token

Un token es la unidad mínima que el modelo procesa. No equivale necesariamente a una palabra: una palabra puede ser un token o dividirse en varios fragmentos.

El flujo real es:

texto → tokens → modelo → probabilidades → tokens → texto

Piensa en los tokens como piezas de un rompecabezas lingüístico. El modelo no ve letras ni palabras completas, sino esas unidades.

4. Cómo se entrena un LLM

El entrenamiento sigue un ciclo iterativo:

datos → tokens → predicción → error → ajuste de parámetros → repetir

El modelo intenta predecir el siguiente token, compara su predicción con lo que realmente venía, mide el error y ajusta sus parámetros —principalmente pesos y otros valores— para mejorar. Este proceso se repite innumerables veces sobre grandes volúmenes de texto.

Después del entrenamiento:

LLM entrenado → inferencia → prompt → generación

Es decir, el modelo ya no cambia sus parámetros; solo los usa para producir respuestas.

5. Qué tiene dentro: Transformer y atención

Los LLM modernos suelen basarse en una arquitectura llamada Transformer. De forma simplificada:

Transformer → tokenización + representaciones/embeddings + atención + capas → probabilidades del siguiente token

La atención es el mecanismo clave. Permite calcular relaciones entre diferentes partes del contexto para determinar qué es relevante al procesar cada token. Gracias a ella, el modelo puede considerar palabras lejanas en el texto y no solo las inmediatamente anteriores.

6. ¿Es una base de datos?

No. Un LLM no almacena frases completas que luego busca y recupera. Su conocimiento no está guardado como una colección de textos. La simplificación útil es:

entrada → representaciones internas → parámetros → cálculos → probabilidades → salida

Por eso puede producir combinaciones que nunca aparecieron literalmente en los datos de entrenamiento. No copia: generaliza patrones.

7. Por qué puede equivocarse

Porque su objetivo fundamental no es decir la verdad, sino generar una continuación adecuada según sus patrones y el contexto. La veracidad no es su métrica principal.

De ahí surgen las alucinaciones: afirmaciones falsas presentadas con total fluidez.

La distinción fundamental es:

Fluidez ≠ veracidad

Un texto puede sonar perfectamente convincente y contener información falsa. Esto no es un fallo menor, sino una consecuencia directa de cómo funciona el modelo.

8. Entrenamiento no es lo mismo que conversación

Cuando escribes un mensaje a un LLM, normalmente estás haciendo inferencia, no entrenando el modelo.

• Entrenamiento: modifica parámetros.
• Inferencia: utiliza los parámetros existentes para producir una respuesta.

El contexto de una conversación puede influir en la respuesta sin que eso signifique que los pesos del modelo estén siendo modificados. La conversación no «enseña» al modelo de forma permanente.

9. LLM, IA generativa y GPT: cómo se relacionan

La relación conceptual puede representarse así:

IA → Machine Learning → Deep Learning → Redes neuronales → Transformers → LLM → IA generativa de lenguaje

Es una simplificación pedagógica, no una jerarquía estricta. Cada nivel contiene al anterior, pero las fronteras son difusas.

GPT significa Generative Pre-trained Transformer: una familia de modelos generativos de lenguaje basada en Transformers y preentrenada con grandes cantidades de datos.

Mapa mental para conservar

DATOS → ENTRENAMIENTO → AJUSTE DE PARÁMETROS → LLM ENTRENADO → PROMPT + CONTEXTO → INFERENCIA → PREDICCIÓN DE TOKENS → GENERACIÓN → RESPUESTA

Idea central

Un LLM es un modelo de lenguaje de gran escala que aprende patrones del lenguaje ajustando enormes cantidades de parámetros y que, durante la inferencia, utiliza esos patrones para predecir y generar tokens en función del contexto.

No es una base de datos, no garantiza verdad y no se entrena con cada conversación. Entender esto no le resta valor: al contrario, permite usarlo con expectativas realistas y aprovechar mejor sus capacidades.

1. Qué es una alucinación

Una alucinación ocurre cuando un LLM genera información plausible, coherente y convincente, pero falsa, inventada o no respaldada por la evidencia disponible.

La palabra «alucinación» puede sonar extraña aplicada a un programa. No implica que el modelo vea cosas ni que tenga experiencias subjetivas. Es una metáfora útil para describir un fenómeno muy concreto: el modelo produce una salida que parece correcta pero no lo es.

2. La causa fundamental

Un LLM está optimizado principalmente para:

predecir el siguiente token más probable a partir del contexto.

No tiene como objetivo fundamental determinar la verdad.

Por eso el proceso se parece a:

contexto → representaciones → Transformer → probabilidades → siguiente token → siguiente token → respuesta

y no a:

pregunta → base de datos → hecho verdadero → respuesta

Esto explica cómo puede producir una respuesta lingüísticamente excelente pero factualmente falsa. El modelo no consulta una base de datos de hechos verificados. Genera una secuencia de tokens que estadísticamente encaja con el contexto. Y esa secuencia puede ser falsa.

3. No es exactamente «mentir»

Mentir implica intención de engañar. Un LLM no necesita tener esa intención. No hay un plan oculto ni una decisión de falsear la realidad.

Es más preciso decir:

Genera una continuación lingüísticamente plausible que resulta ser falsa.

La diferencia importa porque cambia cómo debemos interpretar el fenómeno. No estamos ante un adversario que quiere engañarnos, sino ante un sistema que hace bien su tarea —predecir— y esa tarea no incluye verificar la verdad.

4. Tipos comunes de alucinaciones

Las formas que adopta una alucinación son variadas:

• Hechos inventados: personas, eventos, empresas, estudios que no existen.
• Citas o fuentes inventadas: referencias bibliográficas que parecen reales pero no lo son.
• Datos incorrectos: cifras, fechas o estadísticas equivocadas.
• Atribuciones incorrectas: asignar una obra o descubrimiento a la persona equivocada.
• Explicaciones inventadas: construir una explicación causal convincente sin evidencia.

Lo peligroso es que todas estas formas comparten un rasgo: suenan bien. Una cita inventada puede tener autores, año, revista y título perfectamente verosímiles. Un dato incorrecto puede estar expresado con total seguridad.

5. El gran peligro: coherencia no es verdad

Coherencia ≠ verdad.

Un texto puede ser elegante, específico, bien estructurado y convincente, y aun así ser completamente falso.

Esto sucede porque el conocimiento del modelo está distribuido estadísticamente en sus parámetros, no almacenado como una base de datos perfectamente estructurada. El modelo no «sabe» cosas del mismo modo en que un archivo contiene un dato. Tiene patrones estadísticos que le permiten generar texto que se parece al conocimiento, pero no hay una garantía de correspondencia con la realidad.

Por eso la fluidez de una respuesta no es evidencia de su veracidad. De hecho, la fluidez es exactamente lo que el modelo está entrenado para producir.

6. ¿Por qué «rellena huecos»?

Cuando el modelo no tiene suficiente información, puede intentar completar la respuesta en lugar de decir «no lo sé».

Ahí aparece una tensión fundamental:

capacidad de generar → utilidad + creatividad
capacidad de generar → también posibilidad de inventar

La misma capacidad que permite al LLM combinar y generalizar información puede producir una afirmación plausible que no corresponde con la realidad. No son dos mecanismos separados: son dos caras del mismo mecanismo.

Esto es importante porque sugiere que no se puede eliminar la alucinación sin afectar la capacidad generativa. El objetivo realista no es eliminarla por completo, sino reducirla y detectarla.

7. ¿Cómo se reducen?

Principalmente mediante varias estrategias complementarias:

• RAG: proporcionar documentos externos relevantes.
• Búsqueda web: verificar información actual.
• Herramientas: calculadoras, código, APIs, bases de datos.
• Mejor entrenamiento: datos y técnicas de alineación.
• Verificación: comprobar la respuesta contra evidencia externa.
• Abstención: permitir que el modelo diga que no tiene suficiente información.

Cada una ataca el problema desde un ángulo distinto. RAG aporta contexto. Las herramientas aportan cómputo exacto. La abstención reduce la presión de responder siempre. La verificación externa detecta errores después de generados.

Pero conviene subrayar una advertencia:

RAG no elimina las alucinaciones.

Si el documento es incorrecto o el modelo lo interpreta mal, la respuesta también puede ser incorrecta. RAG reduce el espacio de invención, pero no lo cierra. El modelo sigue generando, y sigue pudiendo generar mal.

8. La distinción clave

Hay dos capacidades diferentes:

Generar:

«¿Qué respuesta parece apropiada?»

Verificar:

«¿Esta respuesta corresponde realmente con la evidencia?»

Los LLM son extraordinariamente buenos en la primera; la segunda requiere mecanismos adicionales.

Esta distinción es probablemente la más útil para pensar el problema. Un LLM puede ser excelente generando y pésimo verificando, porque nunca fue entrenado para verificar. Confundir ambas capacidades lleva a sobreestimar lo que el modelo puede hacer por sí solo.

9. Para tu mapa mental

LLM → tokens → embeddings → Transformer → atención → representaciones → predicción → generación

Y aquí aparece el riesgo:

predicción plausible → respuesta correcta O alucinación

La misma ruta produce ambas cosas. No hay una bifurcación explícita donde el modelo decida «ahora voy a inventar». Simplemente genera, y a veces lo generado coincide con la realidad y a veces no.

10. Frase para memorizar

Una alucinación es una salida generada por un modelo de IA que presenta como plausible o cierta información falsa, inventada, incorrecta o insuficientemente respaldada.

Y la idea más importante:

Un LLM está optimizado para generar continuaciones lingüísticamente plausibles, no para garantizar que cada afirmación sea verdadera.

Resumen final

Las alucinaciones no son un bug que se pueda parchear con una actualización. Son una consecuencia estructural de cómo funcionan los LLM: predicen tokens, no verifican hechos. Entender esto cambia la forma de usarlos. En lugar de confiar en la fluidez de una respuesta como señal de verdad, conviene tratarla como lo que es: una generación plausible que necesita verificación externa cuando la exactitud importa.

Las estrategias como RAG, búsqueda, herramientas y abstención reducen el problema, pero no lo eliminan. La distinción entre generar y verificar sigue siendo el marco más claro para pensar qué puede hacer un LLM por sí solo y qué requiere apoyo adicional.