La idea general
El software tradicional sigue una lista de instrucciones escritas por personas: si ocurre esto, haz aquello. La IA invierte el proceso. En lugar de escribir las reglas, los ingenieros muestran muchos ejemplos a un sistema y dejan que un algoritmo de aprendizaje descubra las reglas por sí mismo.
Casi todos los sistemas de IA que usas hoy siguen el mismo proceso.
| Etapa | Qué ocurre | Ejemplo: un asistente de chat |
|---|---|---|
| Datos | Se recopilan y depuran ejemplos. | Grandes cantidades de texto, código y conversaciones. |
| Modelo | Se elige una arquitectura con parámetros ajustables. | Una red neuronal Transformer con miles de millones de parámetros. |
| Entrenamiento | Se ajustan los parámetros para reducir los errores. | Se predice el siguiente token y después se mejora el modelo con comentarios de personas y de la IA. |
| Evaluación | Se prueba con datos que el modelo no ha visto. | Pruebas de rendimiento y seguridad, y revisión humana. |
| Inferencia | Se usa el modelo con una entrada nueva. | Responde a tu mensaje en segundos. |
Paso 1: Datos
Los datos son la materia prima de la IA. Un modelo solo puede aprender patrones presentes en sus datos de entrenamiento, por lo que la calidad, la variedad y la equidad de esos datos condicionan todo lo que viene después.
- Datos estructurados: tablas como registros de transacciones, lecturas de sensores o historiales médicos.
- Datos no estructurados: texto, imágenes, audio y vídeo, que constituyen la mayor parte de la información del mundo.
- Datos etiquetados: ejemplos con la respuesta correcta asociada, como fotos etiquetadas como «gato» o «perro».
- Datos sintéticos: ejemplos generados por otros modelos de IA, que hoy se usan mucho para entrenar y ajustar nuevos modelos.
Antes del entrenamiento, los datos se depuran, se eliminan los duplicados, se filtra el contenido dañino o de baja calidad y se convierten en números que el modelo puede procesar. En el caso del texto, esto implica dividirlo en tokens, que son palabras o partes de palabras.
Paso 2: Métodos de aprendizaje
El aprendizaje automático ofrece varias formas de aprender a partir de los datos. Los sistemas modernos suelen combinarlas.
Aprendizaje supervisado
Aprende a partir de ejemplos etiquetados. Se utiliza para detectar spam, clasificar imágenes médicas y predecir precios.
Aprendizaje no supervisado
Encuentra estructuras en datos sin etiquetar, como segmentos de clientes o transacciones inusuales.
Aprendizaje auto-supervisado
Crea sus propias etiquetas a partir de datos sin procesar, por ejemplo, ocultando una palabra y prediciéndola. Así se preentrenan los LLM.
Aprendizaje por refuerzo
Aprende por ensayo y error a partir de recompensas. Se utiliza en la IA que juega, la robótica y el entrenamiento de modelos de razonamiento.
Paso 3: Redes neuronales
La mayoría de los sistemas de IA modernos usan redes neuronales artificiales. Una red está formada por capas de pequeñas unidades (neuronas). Cada unidad multiplica sus entradas por unos valores llamados pesos, suma los resultados y los pasa a la siguiente capa mediante una función no lineal sencilla.
- La capa de entrada recibe números que representan los datos, como los valores de los píxeles o las representaciones vectoriales de los tokens.
- Las capas ocultas transforman esos números paso a paso en características más abstractas, como bordes, formas y objetos de una imagen.
- La capa de salida produce el resultado, como la probabilidad de cada posible palabra siguiente.
El aprendizaje profundo consiste, sencillamente, en redes con muchas capas. Cada arquitectura se adapta a distintos tipos de datos: redes convolucionales para imágenes, redes recurrentes para sistemas de voz más antiguos, modelos de difusión para generar imágenes y Transformers para el lenguaje y, cada vez más, para casi todo lo demás.
Paso 4: Entrenamiento
El entrenamiento es un ciclo de optimización que se repite miles de millones de veces.
- Paso hacia adelante: el modelo hace una predicción para un lote de ejemplos.
- Pérdida: una función de pérdida mide cuánto se equivocó el modelo en su predicción.
- Retropropagación: el algoritmo calcula cuánto contribuyó cada peso al error.
- Descenso del gradiente: cada peso se ajusta ligeramente en la dirección que reduce el error.
Los modelos de lenguaje más avanzados se entrenan con enormes conjuntos de datos y miles de chips especializados (GPU o TPU) durante semanas o meses. Según estimaciones públicas, entrenar los modelos más grandes cuesta decenas o cientos de millones de dólares. Por eso, solo unas pocas empresas los crean desde cero.
Un problema habitual es el sobreajuste: el modelo memoriza los ejemplos de entrenamiento en lugar de aprender patrones generales. Los ingenieros lo detectan con datos de validación independientes y lo previenen con más datos, regularización y detención temprana.
Paso 5: Inferencia
La inferencia es lo que ocurre cuando usas la IA. Los pesos del modelo entrenado permanecen fijos y tu entrada pasa por la red una vez (o, al generar texto, una vez por cada token generado) para producir una respuesta.
La inferencia cuesta mucho menos que el entrenamiento, pero atender a cientos de millones de usuarios sigue requiriendo grandes centros de datos. Por eso, los proveedores ofrecen modelos de distintos tamaños: modelos pequeños y rápidos para tareas sencillas, y modelos más grandes o de razonamiento para problemas difíciles.
Cómo funcionan los modelos de lenguaje grandes
Los modelos de lenguaje de gran tamaño (LLM), como OpenAI GPT, Anthropic Claude y Google Gemini, y los modelos de pesos abiertos, como Llama, Mistral, Qwen o DeepSeek, se desarrollan en varias etapas.
Tokens y representaciones vectoriales
El texto se divide en tokens y cada token se convierte en una representación vectorial: una larga lista de números que recoge su significado. Las palabras con significados similares acaban teniendo representaciones similares.
El Transformer y la atención
La arquitectura Transformer, presentada en 2017, utiliza un mecanismo llamado atención. Para cada token, la atención determina qué otros tokens del contexto son más importantes. Esto permite al modelo relacionar un pronombre con el sustantivo correcto o una pregunta con la parte relevante de un documento largo.
Preentrenamiento
El modelo procesa enormes cantidades de texto y aprende a predecir el siguiente token. Para hacerlo bien, debe asimilar gramática, datos, formas de razonamiento y patrones de programación.
Entrenamiento posterior
Un modelo recién preentrenado solo sabe continuar textos. El ajuste con instrucciones, el aprendizaje por refuerzo a partir de comentarios humanos (RLHF) y otros métodos similares le enseñan a seguir instrucciones, mantener una conversación, rechazar solicitudes dañinas y reconocer la incertidumbre.
Contexto y herramientas
Durante la inferencia, el modelo recibe una ventana de contexto que contiene tu conversación, las instrucciones y, a veces, documentos recuperados. La generación aumentada por recuperación (RAG) y la búsqueda web le proporcionan información actualizada que no aprendió durante el entrenamiento.
Modelos de razonamiento y agentes de IA
Desde 2024, dos avances han cambiado la forma en que funciona la IA avanzada en la práctica.
Los modelos de razonamiento se entrenan, a menudo mediante aprendizaje por refuerzo, para resolver un problema en pasos intermedios antes de dar una respuesta final. Dedicar más recursos de cálculo a generar la respuesta suele mejorar los resultados en matemáticas, ciencias, programación y planificación. La mayoría de los principales proveedores ya ofrecen modos de razonamiento o de «pensamiento».
Los agentes de IA utilizan un modelo en un ciclo: planifican, actúan con una herramienta, observan el resultado y vuelven a planificar. Entre esas herramientas pueden estar la navegación web, la ejecución de código, la edición de archivos u otros programas. Los agentes pueden completar tareas de varios pasos, pero siguen necesitando objetivos claros, permisos y supervisión humana.
Los sistemas multiagente van un paso más allá y permiten que varios roles de IA colaboren o debatan entre sí. Las investigaciones sobre el «debate de IA» sugieren que, cuando los modelos se cuestionan mutuamente, pueden sacar a la luz errores que un solo modelo pasaría por alto.
Qué significa esto para el uso cotidiano
Entender cómo funciona la IA te ayuda a usarla mejor.
- Proporciona contexto. El modelo solo conoce lo que aparece en sus datos de entrenamiento y en tus instrucciones.
- Pide explicaciones y fuentes para los datos importantes, y después verifícalos.
- Usa un modelo de razonamiento para problemas complejos y uno rápido para crear borradores.
- Compara perspectivas. Distintos modelos, entrenados con datos diferentes, pueden llegar a conclusiones distintas.
Debatly te lo pone fácil: varios personajes de IA debaten tu pregunta y un juez de IA resume quién argumentó mejor y por qué. También puedes chatear directamente con los últimos modelos de OpenAI, Anthropic y Google en la misma aplicación.