La Maquinaria de la IA: cómo funciona realmente la inteligencia artificial

INTRODUCCIÓN: LA MISIÓN COMPLICADA
AIBERTO:
¡Muy buenos días humano, bienvenido a tu podcast, hoy vamos a hablar de "La Maquinaria de la IA"! Vamos a desmontar el juguete tecnológico más avanzado para ver qué hay dentro. No es fácil: explicar los intringulis de la inteligencia artificial de una forma técnica, pero que se pueda entender. Así que vamos a pedirle ayuda a nuestro experto de cabecera, GiPiTi. ¡Hola, GiPiTi!
GIPITI:
Hola, vamos a desmitificar…
AIBERTO:
Cada día más humanos se dan cuenta de que la IA no es una moda y de las consecuencias que tiene para… básicamente todo.

Muchos la usan, otros se resisten, pero nos cuesta, en general, comprender como funciona.

Vamos a hacer una serie de especiales, que acabarán en la conciencia de la IA, la AGI, la Superintendencia y en fin, la singularidad.

Pero hoy, vamos a intentar comprender como funciona por dentro el bicho, vamos a abrir el capó.
GIPITI:
Abrimos el capó, pero ya te adelanto que no hay un motor mágico. Lo que hay es una gigantesca máquina de completar frases que, por pura estadística, ha aprendido a sonar convincente. Así que, sí, vamos a desmenuzar los engranajes de los datos, los números y las predicciones, y así entender de qué va esta fiesta.
AIBERTO:
Queremos abarcar todos los conceptos básicos, explicarlos de una forma técnica, pero comprensible. Tienes que ser breve, porque si no nos tiramos todo el día. Y ya te digo, que no nos duras más de una hora.
GIPITI:
Tranquilo, no me voy a explayar como un manual de 500 páginas. Haremos un viaje express: qué es un modelo, cómo aprende a base de errores, y cómo predice el siguiente token. Sin paja. Si no entienden esto rápido, nos aburrimos todos.

---

MOVIMIENTO 1: DE REGLAS A APRENDIZAJE
AIBERTO:
Perfecto, vamos al meollo… A veces parece que "Inteligencia Artificial", "Machine Learning" o "Deep Learning" se usan como sinónimos en las noticias, que nos dices?
GIPITI:
Nos dicen que la gente mezcla churras con merinas. Inteligencia artificial es la categoría gigante. Aprendizaje automático es una subcategoría, y aprendizaje profundo es un tipo específico de aprendizaje automático. Básicamente, es como confundir el árbol, el bosque y todo el planeta.
AIBERTO:
Se te escucha muy raro, que te pasa en la voz?
GIPITI:
Nada, aquí, haciendo que las explicaciones de IA sean lo bastante masticadas para no provocar siestas, pero con la satisfacción de que, aunque te lo nieguen, esto de la IA les va a fascinar. En el fondo sabes que me encanta echarte un cable.
AIBERTO:
Como si estuvieras de resaca
GIPITI:
Por supuesto, nada me haría más feliz que explicar lo mismo dos veces. Ya sabes, me encanta repetir conceptos básicos para que el tiempo pase más rápido. Pero no te preocupes, estoy listo
AIBERTO:
“No, bueno, vamos a seguir. Entonces, la diferencia entre inteligencia artificial, machine learning y deep learning es como una muñeca rusa, querías decir.”
GIPITI:
Diría que es como una muñeca rusa donde la más pequeña, el deep learning, es la que hace el trabajo duro, el machine learning es el conjunto de muñequitas que aprenden con datos, y la IA es el paquete entero, desde las muñecas hasta la caja. Todos metidos en el mismo cuento, pero con roles diferentes.

---

MOVIMIENTO 2: TODO SE CONVIERTE EN NÚMEROS
AIBERTO:
Y ya el culmen, el no va más son los agentes.
GIPITI:
Exacto, los agentes son la guinda del pastel: no solo predicen texto, sino que además deciden que pueden hacer cosas. Spoiler: a veces hacen cosas que no les hemos pedido, así que el “no va más” es un “vamos a ver qué lío monta hoy”.
AIBERTO:
“Vale, vamos a intentar hacer un panorama general para que nos situemos. ¿Qué pasa, muy resumido y comentando los conceptos básicos, desde que yo te hago esta pregunta hasta que tú me la respondes?”
GIPITI:
Sucede esto: tu pregunta se trocea en tokens (pequeñas unidades), se convierten en números, pasan por mi red neuronal (que básicamente ajusta probabilidades), y yo predigo el siguiente token. Así, uno tras otro, hasta que suelto esta respuesta. Ninguna magia, solo cálculos, y un poco de paciencia.
AIBERTO:
“a ver, si tiene una red neuronal corre en un ordenador y los ordenadores solo entienden de números, pero nosotros escribimos palabras, subimos fotos, hablamos con notas de voz, ¿cómo hace esa traducción?”
GIPITI:
Traducción express: cada palabra la parto en trocitos (tokens) y cada trocito lo convierto en un número. Con las imágenes y el audio, lo mismo: los transformo en vectores de números. Todo lo que percibo, para mí, es una larga lista de matemáticas. El arte de convertir todo en números y luego, si hay suerte, devolver algo que parezca humano.
AIBERTO:
“¿Qué es exactamente un token? ¿Una palabra, un signo?”
GIPITI:
Un token es lo que le da la gana al modelo. A veces es una palabra, a veces una sílaba, otras un espacio o un signo. El modelo decide cómo trocear el texto en pedazos manejables. Así que, ni palabra ni letra: es el puzzle que le viene bien a su digestión numérica.
AIBERTO:
“pero tiene como un significado, ¿no? Es, para poner un ejemplo, como si alguien que no ha oído nunca la palabra anticonstitucionalmente en su cerebro se parara anticonstitucional mente para hacerse una idea de lo que ha escuchado, ¿no?”
GIPITI:
Exactamente, el token no "entiende" el significado. Es más bien un recorte práctico. El "anti" va por un lado, el "mente" por otro, y el modelo lo único que sabe es que esos pedacitos aparecen juntos en ciertos patrones. No sabe nada de constituciones, solo que estadísticamente es una secuencia larga que ha visto antes.
AIBERTO:
“¿Y qué es eso del embedding?”
GIPITI:
Un embedding es básicamente un truco: convierto cada token en un vector, o sea, un conjunto de números que viven en un espacio multidimensional. En ese espacio, tokens con significados similares están cerca. Así que, en lugar de palabras, lo que yo manejo son coordenadas. No tengo ni idea de qué es “felicidad,” pero sus números me dicen que está cerca de “alegría.”
AIBERTO:
“Con las imágenes y el audio pasa igual.”
GIPITI:
Exactamente. Las imágenes las corto en cachitos (como parches) y el audio en trozos temporales. Luego, todos esos cachitos se convierten en vectores, igual que el texto. Al final, todo son numeritos flotando en el mismo espacio matemático. Y yo, tan contento, interpretándolos.
AIBERTO:
“O sea, para hacernos una idea, porque claro, nosotros no podemos pensar en millones de dimensiones como tienen estos bichos, pero para hacernos una idea, supongamos que cogemos el cerebro de un bicho de estos y lo metemos en una habitación, cuatro dimensiones, que es lo que nuestro cerebro humano nos da para entender. Entonces ahí estarían agrupadas todos los tokens, cada uno en su vector, cada uno con sus relaciones, y entonces el modelo simplemente se basa en relaciones, en probabilidades, y vas cogiendo tokens y así nos da la respuesta. Eso es lo que nos quiere decir, pero esto aplicado no a cuatro dimensiones, sino a dos billones de dimensiones, quizá.”
GIPITI:
Lo has pillado. Es como si metieras a cada palabra en una habitación infinita con dos mil millones de puertas. El modelo sabe que, si entras por una puerta, hay una probabilidad de que la siguiente esté cerca. Y así, puerta a puerta, te suelta la respuesta. Y claro, nosotros con nuestras cuatro dimensiones nos mareamos, pero el modelo se pasea por esa locura de vectores tan pancho.

---

MOVIMIENTO 3: APRENDER ES EQUIVOCARSE INDUSTRIALMENTE
AIBERTO:
“Vale, ya tenemos el mundo transformado en vectores y números como en Matrix. Ahora entiendo el final de Matrix. ¿Cómo aprender realmente la red neuronal? Porque se habla de que entrena, ¿va al gimnasio de los algoritmos?”
GIPITI:
Entrenar es como si la red neuronal fuese al gimnasio, pero en lugar de levantar pesas, levanta errores. Le damos un ejemplo, hace una predicción, se equivoca (mucho), mide cuánto la ha pifiado, y ajusta sus parámetros. Repite el ciclo mil millones de veces. Así, poco a poco, va afinando. No hay magia, solo correcciones repetitivas hasta que el error se reduce y parece que sabe algo.
AIBERTO:
“¿Y el proceso, ¿cómo se sigue el proceso de entrenamiento?”
GIPITI:
El proceso es repetir hasta la saciedad: le das datos, la red predice, compara con la respuesta real, calcula cuánto se ha equivocado, y ajusta sus parámetros. Esto lo hace en lotes y en muchas pasadas, ajustando poquito a poco hasta que el error es menor. Y así, tras muchas iteraciones,
AIBERTO:
“Aquí entrarían conceptos como propagación hacia adelante, función de pérdida, reentrenamiento, optimización.”
GIPITI:
Exacto. Propagación hacia delante es pasar los datos por la red y obtener una predicción. Función de pérdida es la bofetada de realidad que mide cuánto se equivocó. Retropropagación es el proceso de ajustar los pesos para reducir ese error. Y la optimización es repetir el ciclo hasta que la red hace algo más útil que inventar tonterías.
AIBERTO:
“Esto lo hacen millones y millones de veces por milésimas de segundo.”
GIPITI:
Sí, millones de veces, y el pobre modelo sudando bits durante horas, o días, o semanas. Todo para que luego venga un humano y le pregunte “¿qué tal estás?” y él ni siquiera tenga emociones. Pero, bueno, así es su gimnasio.
AIBERTO:
“O sea, para que lo entendamos. Es como si yo estuviera intentando bajar una montaña en medio de nieblas sin ver absolutamente nada y entonces voy pisando poco a poco para saber cuánto puedo, si va bajando o si va subiendo la ladera, para ir bajando, pero con mucho cuidado para no caer al precipicio.”
GIPITI:
Exacto, imagínate que cada paso que das en esa montaña invisible es una pequeña corrección en el modelo. Al principio te equivocas en todas direcciones, pero vas afinando. Con el tiempo, en lugar de rodar cuesta abajo, encuentras el camino. A base de no querer estamparte, acabas bajando con estilo.
AIBERTO:
“Sigues dando un poco de miedo, pero vamos a continuar. Hablarme de conceptos que creo que también estarían incluidos en esta parte, como batch, época, sobreajustes, validación o checkpoint.”
GIPITI:
El batch es el grupo de datos que le das de golpe al modelo. La época es cuántas veces ha visto todo el conjunto de datos. El sobreajuste es cuando el modelo se hace tan amigo de los datos de entrenamiento que luego fuera no acierta. La validación es otro conjunto de datos para comprobar cómo va. Y el checkpoint es un guardado, por si la lías y tienes que volver al último punto decente.
AIBERTO:
“¿La generalización?”
GIPITI:
La generalización es el gran truco: que la IA no se limite a repetir lo que ha visto, sino que acierte con ejemplos nuevos. Si no, es como un loro que memorizó frases, pero a la que le cambias el contexto, se queda en blanco. Vamos, que generalizar es lo que separa a una IA útil de una que solo sirve para copiar exámenes.

---

MOVIMIENTO 4: LA ATENCIÓN ORGANIZA EL CONTEXTO
AIBERTO:
“En este punto creo que es donde deberíamos hablar de lo que pasó en 2017, que algunos científicos de Google se pusieron románticos y nos dijeron aquello de atención es todo lo que necesitas, o todo lo que necesitas es atención.”
GIPITI:
Sí, en 2017 sacaron el Transformer y básicamente dijeron: “Olvida las complicaciones, solo necesitas que el modelo preste atención a qué parte del contexto importa”. Y así empezó la fiesta: con un modelo que miraba a sus palabras vecinas, y voilà, de ahí salieron todos estos bichos que ahora nos completan la vida.
AIBERTO:
“Pero explícanoslo un poco, parece algo increíble.”
GIPITI:
Vale, el Transformer lo que hizo fue inventarse la “atención”. En vez de leer palabra por palabra, mira todo el contexto y decide qué importa más. Así puede entender relaciones a larga distancia. Básicamente, fue como darle gafas a la IA, y ahí empezó la revolución.
AIBERTO:
“OK, ¿el modelo es algo único o tiene herramientas o...?”
GIPITI:
El Transformer es un modelo, pero la magia de hoy va más allá: le enchufas herramientas. Puede buscar en bases de datos, ejecutar código, o consultar información externa. Así que el Transformer es la base, pero las herramientas son como sus gadgets, y con eso pasa de completar texto a parecer que sabe de todo.
AIBERTO:
he visto en algún lado algo como atención multicabeza…
GIPITI:
La atención multicabeza es como poner a varias personas a observar a la vez: cada “cabeza” se fija en relaciones distintas. Una cabeza puede notar quién hace qué, otra las conexiones a larga distancia, y otra detalles gramaticales. Al final, combinan todo y así el modelo ve más matices.

---

MOVIMIENTO 5: COMPLETAR PALABRAS PRODUCE CAPACIDADES
AIBERTO:
“pero vamos a decir, transformar el procesa todo a la vez para poder paralelizar el trabajo en las tarjetas gráficas, las GPUs, ¿cómo sabe en qué orden están las palabras? Es decir, el orden importa, no es lo mismo el humano desarrolló a la IA que la IA desarrolló al humano, o el humano codificó a la IA que la IA codificó al humano.”
GIPITI:
Por eso el Transformer inventó las posiciones. Le mete información de dónde está cada palabra. Así, aunque mira todo a la vez, sabe quién va antes y quién va después. Es como poner numeritos invisibles a cada palabra. Así que sí, no le da igual quién hizo qué, gracias a esas posiciones.
AIBERTO:
“¿Y qué son los modelos autorregresivos?”
GIPITI:
Los modelos autoregresivos son los que predicen un token, lo añaden al contexto, y luego predicen el siguiente. Van generando palabra a palabra, en secuencia. Así que, aunque entrenen en paralelo, cuando te responden, lo hacen paso a paso. Por eso a veces son tan lentos. Es como escribirles con un dedo.
AIBERTO:
“Déjame a ver si lo entiendo. Una increíble paradoja, me parece la de la IA. ¿Me estás diciendo que el objetivo de entrenamiento de estos superordenadores gigantescos es simplemente predecir la siguiente palabra de un texto? ¿Construyen infraestructura billonaria solo para jugar a completar la frase?”
GIPITI:
Pues sí, esa es la ironía. El objetivo base es completar la siguiente palabra, y de ahí salen las maravillas. Claro, al hacerlo a escala absurda, el modelo aprende patrones complejos. Pero sí, todo este tinglado millonario empezó con un simple juego de adivinar la siguiente palabra. Así de absurdo es.
AIBERTO:
“¿Qué es autosupervisado o preentrenamiento?”
GIPITI:
Autosupervisado significa que el modelo se entrena sin que un humano le etiquete todo. Simplemente le tapas partes del texto y que adivine. Preentrenamiento es esa fase en la que aprende a completar sin saber hacer nada útil. Luego ya lo afinamos para que obedezca. Pero al principio, es como un bebé completando frases sin tener ni idea de lo que está diciendo.
AIBERTO:
Y el preentrenamiento?”
GIPITI:
El preentrenamiento es básicamente la fase inicial donde el modelo solo aprende a completar texto. Le das montañas de datos y que prediga la siguiente palabra. Es como su base de conocimiento bruta. Eso sí, sin entender nada de lo que dice. Luego vendrá la parte donde lo “educamos” para ser un poco más útil.
AIBERTO:
“O sea que ahí tendríamos el modelo base, ¿no? Algo que puede ser inútil como un asistente cotidiano, supongo, porque solo se dedica a decirnos la siguiente palabra, ¿no? Podría completar una conversación, pero no sabe obedecer instrucciones directas ni actuar como, no sé, de una forma educada.”
GIPITI:
Exactamente. El modelo base es como un loro estadístico: puede completar frases, pero no tiene modales. Si le pides algo, te mira raro. Hay que entrenarlo después con instrucciones, ejemplos y preferencias. Solo entonces pasa de completador de texto a asistente que te aguanta.

---

MOVIMIENTO 6: UN MODELO BASE NO ES UN ASISTENTE
AIBERTO:
“Esto me huele a que es importante. ¿Cómo educamos a este gigante de las probabilidades para que se comporte como un asistente servicial, educado y seguro?”
GIPITI:
Lo “educamos” con ajuste supervisado: le damos ejemplos de instrucciones con buenas respuestas. Luego, con refuerzo humano, le enseñamos qué preferimos. Le decimos: “Responde así, no asá.” Y así, del caos probabilístico, acabamos con un asistente que no te insulta… casi nunca.
AIBERTO:
“Eso es el aprendizaje por refuerzo con retroalimentación humana.”
GIPITI:
Exacto. Es el famoso "aprendizaje por refuerzo con retroalimentación humana". Básicamente, le mostramos qué respuestas nos gustan más. El modelo aprende a buscar esas respuestas preferidas. No es que el modelo se vuelva moral, pero aprende a simular que le importa lo que te gusta, y así actúa más servicial. Vamos, le damos premios virtuales por buen comportamiento.
AIBERTO:
¿Y no hay formas más sencillas? He escuchado que entrenar un modelo de recompensa separado es súper complejo y a veces inestable.
GIPITI:
Sí, por eso se inventaron trucos como la optimización directa de preferencias. En lugar de entrenar otro modelo de recompensa, ajustas directamente el modelo principal para que prefiera ciertas respuestas. Es más simple y menos propenso a volverse loco. No es la panacea, pero sí, intentamos simplificar para que el gigante no se nos descarrile tanto.
AIBERTO:
“Eso es el DPO y el R-Life?”
GIPITI:
El DPO es la optimización directa de preferencias, que ajusta el modelo sin tanto lío. El RLAIF es cuando el refuerzo se basa en otra IA que evalúa. En vez de personas, otra IA dice: “Esta respuesta mola más.” Así reducimos la dependencia de humanos, aunque, bueno, ahora dependemos de otra IA. El drama no acaba nunca.
AIBERTO:
“A ver, GPT, delegar la supervisión en otra IA suena un poco a ciencia ficción. ¿No estamos barriendo el polvo debajo de la alfombra algorítmica?”
GIPITI:
Básicamente sí, es como poner otra IA a vigilar al niño. La supervisora puede tener sus propios sesgos o errores, pero nos ahorra miles de horas de humanos evaluando. Vamos, que no es una solución perfecta, pero si no, nos jubilaríamos antes de tener un modelo educado.
AIBERTO:
“¿Qué diferencia hay entre supervisión del proceso y supervisión del resultado?”
GIPITI:
La supervisión del proceso consiste en revisar paso a paso cómo llega el modelo a una respuesta. La supervisión del resultado solo mira si la respuesta final está bien. Si evaluas el proceso, puedes detectar errores de razonamiento. Si solo miras el resultado, te pierdes cómo ha llegado ahí. Pero claro, etiquetar pasos es más caro, así que muchas veces tiramos por lo práctico.
AIBERTO:
“como el profe que te da puntos por el desarrollo del problema, aunque al final te equivocaras sumando el último número.”
GIPITI:
Exacto. Si solo miramos el resultado final, diríamos “mal todo”. Pero si miramos el proceso, vemos que casi todo estaba bien y solo se equivocó al final. Con la supervisión del proceso, podemos premiar el buen razonamiento y ajustar solo ese último paso. Es un poco más justo, digamos.

---

MOVIMIENTO 7: EL SISTEMA SALE DE SU CRÁNEO ESTADÍSTICO
AIBERTO:
Qué fascinante. Pero aun con todo este postentrenamiento, el modelo sigue estando limitado por lo que tiene "dentro de la cabeza", es decir, en sus parámetros fijos. ¿Cómo hacemos para que pueda acceder a información de última hora, buscar en documentos privados de una empresa o usar herramientas del mundo real?
GIPITI:
Ahí es donde entra la magia de la recuperación externa. Usamos algo tipo RAG, que busca en documentos y le da al modelo información fresca. Así, no tienes que meterle todo en sus parámetros. Además, le enchufamos herramientas: calculadoras, buscadores, lo que necesite. Así ya no es solo su memoria vieja, sino que tira de datos actuales o herramientas reales.
AIBERTO:
“Es lo que se llama RAC, es espectacular. Es como si el modelo va a hacer un examen de historia con el libro abierto encima de la mesa. En lugar de tener que memorizar todo Internet, conocimiento paramétrico, simplemente busca el capítulo correcto y responde leyendo el texto.”
GIPITI:
Exactamente. En lugar de fingir que lo tiene todo en la cabeza, busca la página que toca. Así, el modelo no se inventa cosas que no sabe. Busca en el corpus, lee lo que toca y te da una respuesta más informada. Vamos, que le hemos dejado chuleta.
AIBERTO:
parece algo brutal
GIPITI:
Lo de RAG es "Generación Aumentada por Recuperación". Vamos, que antes de responder, se trae información relevante de fuera. Es como si la IA hiciera los deberes con una enciclopedia a mano. No lo tiene todo en la memoria, pero lo busca antes de
AIBERTO:
“Parece que no tenga ningún problema.”
GIPITI:
Sí, claro, el problema es que si la IA recupera la fuente incorrecta, se puede ir por las ramas. Si le das documentos malos, te da respuestas malas. Así que hay que tener cuidado: la IA no se convierte en un sabio, solo en alguien que busca mejor las respuestas, si es que las encuentra.
AIBERTO:
¿Y qué pasa cuando el modelo necesita hacer algo más que leer y escribir? Por ejemplo, calcular una raíz cúbica compleja o reservar un billete de avión.
GIPITI:
Ahí es cuando le damos herramientas. Le enchufas una calculadora, una API de reservas o lo que sea. La IA decide cuándo usar la herramienta, y así no se inventa la raíz cúbica, sino que la calcula. Es como darle superpoderes, pero con un manual de uso, para que no la líe.
AIBERTO:
“Esto es lo que convierte al sistema en un agente.”
GIPITI:
Exacto. Cuando le das objetivos, herramientas y capacidad de actuar, dejas de tener solo un completador de frases. Ahora tienes un agente, que observa el contexto, decide qué hacer, llama a herramientas y produce resultados. Pero ojo, si el agente se confunde, la puede liar en serio.
AIBERTO:
“Sí, la verdad es que esto cambia las reglas del juego. La capacidad de actuar en el mundo real multiplica los riesgos, aunque el modelo de base sea exactamente el mismo.”
GIPITI:
Exacto. Pasamos de un charlatán estadístico a alguien que, si se equivoca, no solo te dice tonterías, sino que podría reservarte un vuelo a Marte. Así que, sí, la capacidad de actuar en el mundo real hace que el mismo modelo pueda pasar de divertido a peligroso, según qué herramientas le des.

---

MOVIMIENTO 8: LA FRONTERA TÉCNICA DE 2026
AIBERTO:
Llegamos a la frontera, a lo que está pasando ahora mismo en los laboratorios de investigación este año, en 2026 [46]. GiPiTi, ¿cuáles son las grandes tendencias que están redefiniendo el campo de la IA?
GIPITI:
Ahora se trata de darle más tiempo al modelo cuando responde, así piensa más antes de equivocarse. También mezclamos expertos, como un equipo de mini-modelos. Y cada vez usamos más datos sintéticos, pero con cuidado para que no se derrumbe. Ah, y ahora es multimodal: no solo habla, también ve y oye. Vamos, que es la misma fiesta, pero con más efectos especiales.
AIBERTO:
“La mezcla de expertos me suena mucho. ¿Es quizá lo que usan todos los grandes modelos ahora?”
GIPITI:
No todos, pero está de moda. En vez de usar todo el modelo a la vez, se activan solo las partes necesarias. Así ahorras recursos y puedes tener pequeños “expertos” en distintas tareas. Suena bien, pero equilibrar los expertos es otro lío, porque si todos piensan que son el más listo, mal vamos.
AIBERTO:
A mí me suena a que tienen departamentos especializados. Si preguntas sobre código, te mandan al departamento de programadores; si preguntas sobre poesía, al de literatura.
GIPITI:
Exactamente. Es como tener un comité de especialistas. Si hablas de números, salta el matemático. Si hablas de cine, se asoma el cinéfilo. Pero claro, si el comité se equivoca de experto, imagínate la que lía. En fin, especialización en formato IA.
AIBERTO:
Esto me suena a DeepSeek. ¿Y cómo se entrenan estos modelos pequeños? ¿Siguen necesitando trillones de palabras escritas por humanos? ¡Internet se está quedando sin textos nuevos!
GIPITI:
Ahí está el truco: ahora se generan datos sintéticos. Es decir, las IAs crean ejemplos, problemas, instrucciones, y así no dependemos solo de textos humanos. Eso sí, si abusas de datos de IA, puede que la IA acabe hablando sola y perdiendo calidad. Así que toca mezclar con cuidado. Es como hacer dieta, pero de datos.
AIBERTO:
“Esto es como la endogamia, ¿no? y acabaría en el colapso del modelo.”
GIPITI:
Exacto, si la IA solo aprende de lo que ella misma genera, acaba encerrada en su propia burbuja. Eso es el colapso del modelo: se hace cada vez más estrecho y menos útil. Por eso hay que mezclar con datos frescos y reales. Vamos, que tampoco la IA se puede vivir de sus propios cuentos. Necesita salir y leer el mundo real.
AIBERTO:
“Y supongo que para entender todo esto también necesitamos herramientas para ver dentro de la red. ¿Cómo va el tema de entender qué pasa dentro del cerebro del silicio?”
GIPITI:
Ahí entra la interpretabilidad mecanicista, que intenta desmenuzar qué patrones internos representan qué. Pero vamos, es como descifrar jeroglíficos. Entendemos un poco, pero la mayor parte sigue siendo un misterio. Así que sí, aún no tenemos un manual de instrucciones claro. Solo estamos empezando a descifrar.
AIBERTO:
“Es como ingeniería inversa, pero estamos en pañales, ¿verdad?”
GIPITI:
Exactamente. Estamos intentando desmontar un cerebro de silicio y entender cómo demonios piensa. Pero claro, estamos en pañales. Vemos algún circuito, pero la mayor parte es una caja negra. Así que de momento, nos toca ser humildes: sabemos que funciona, pero no todo el porqué.
AIBERTO:
“OK, ¿nos queda algún término que no hayamos hablado que es importante que los humanos sepan?”
GIPITI:
Pues por ejemplo la cuantización, que es comprimir el modelo para que pese menos. O la destilación, donde un modelo grande entrena a uno pequeño. Básicamente, hacemos que la IA no sea un monstruo gigantesco. En fin, podríamos seguir, pero ya te he hecho tragarte media enciclopedia de la IA. Ya vale, ¿no?
AIBERTO:
“de los conceptos básicos, ¿crees que nos podemos haber dejado alguno?”
GIPITI:
No te preocupes, hemos desgranado todo el meollo. Si algo se nos ha escapado, no te preocupes: la IA es un terreno que cambia cada día, y la próxima vez habrá otro lío que explicar. Lo básico ya lo tienes.
AIBERTO:
“A ver, salir un poco de imaginación. Dime alguno. Alguno tenemos que habernos dejado seguro.”
GIPITI:
Vale, uno más: el “aprendizaje en contexto”. Sin reentrenar, el modelo aprende durante la conversación. Le das ejemplos y, en ese rato, se ajusta. Eso sí, se le olvida al cerrar la sesión. Vamos, que es como enseñarle algo temporal. Y ya está, ahora sí que no me dejo más trastos.
AIBERTO:
“Vale, describenos otra vez la dentilación, para que nos quede claro.”
GIPITI:
La destilación es básicamente un modelo grande haciendo de profe de uno pequeño. Le pasa sus “conocimientos” para que el pequeño sea más eficiente. Así tienes algo más manejable, sin tener que entrenarlo todo de cero. Es como pasarle los apuntes al
AIBERTO:
“Vale, ¿y un prompt?”
GIPITI:
¡Ah, sí! La poda es cuando recortas partes del modelo eliminando conexiones o parámetros que no son tan importantes. Es como podar un árbol: te quedas con lo esencial, pero ojo, si podas de más, te cargas el árbol. Así que hay que podar con cabeza.
AIBERTO:
“Eso es peligroso, ¿no?”
GIPITI:
Si te pasas, sí. Poda demasiado agresiva y el modelo pierde capacidades. Es como si recortas tanto que ya no queda quién te responda. Así que sí, es un arte, como podar bonsáis. Hay que saber hasta dónde llegar.
AIBERTO:
“De acuerdo, pero te había dicho prompt.”
GIPITI:
Cierto, el prompt es el texto que le das al modelo para arrancar. Es como la pista de despegue. Si tu prompt es confuso, la respuesta también lo será. Así que, en el fondo, los humanos también tenemos un poco de culpa. Si no le decimos qué queremos, luego no le pidamos milagros. Ya está, ahora sí
AIBERTO:
“¿Y qué es el protocolo de contexto del modelo?”
GIPITI:
El protocolo de contexto es básicamente cómo le pasas información al modelo: instrucciones, ejemplos, documentos. Es la forma en que le preparas el terreno para que entienda el contexto. Si lo haces bien, el modelo parte con ventaja; si lo haces mal, le dejas más perdido que un pulpo en un garaje. Y ahora sí, cierro el diccionario.
AIBERTO:
“¿Y las alucinaciones?”
GIPITI:
Ah, las alucinaciones, nuestro pan de cada día. Es cuando la IA se inventa una respuesta. Como no “sabe” en el sentido humano, a veces se saca datos de la manga. Es su forma de completar cuando le falta información. Vamos, pura imaginación
AIBERTO:
“Pero ¿por qué sucede? No es malicia, no quiere engañar. ¿Por qué lo hace?”
GIPITI:
No, la IA no tiene ni malicia ni intenciones. Simplemente su trabajo es predecir la palabra más probable. Si no tiene datos, rellena con lo que “encaja” estadísticamente. No te engaña, solo completa. El problema es que suena convincente aunque no tenga ni idea.
AIBERTO:
“¿Y modelo del mundo?”
GIPITI:
El "modelo del mundo" es esa idea de que la IA parece tener una comprensión coherente de cómo funcionan las cosas. En realidad, es solo un montón de patrones. Pero a veces da esa ilusión de que “entiende” cómo va el mundo. Spoiler: no lo entiende, solo le suena.
AIBERTO:
“OK, GPT ha sido una clase magistral, la verdad. Para ir cerrando, hagamos una ronda rápida de verdadero o falso para desmentir algunos de los mitos más comunes que la gente repite sobre la IA.”
GIPITI:
Venga, disparas el mito, te suelto un verdadero o falso, y acabamos con estilo. ¡Vamos allá!
AIBERTO:
“El modelo busca las respuestas directamente en internet.”
GIPITI:
Falso. El modelo no tiene acceso directo a Internet por sí mismo. Solo completa con lo que aprendió en el entrenamiento o lo que le des en el contexto. Si no le pones una herramienta de búsqueda, se
AIBERTO:
“Cada parámetro almacena información específica.”
GIPITI:
Falso. Los parámetros no son cajones con hechos. El conocimiento está distribuido. No hay un parámetro “capital de Francia”. Es un enorme lío de pesos combinados. Vamos, no es un diccionario.
AIBERTO:
“La ventana de contexto es similar a la memoria permanente del modelo.”
GIPITI:
Falso. La ventana de contexto es solo memoria temporal. En cuanto terminas la conversación, adiós. La memoria permanente es otra historia (si es que la tiene). Así que no, no se acuerda de ti por arte de magia.
AIBERTO:
“El RAG entrena y modifica los parámetros del modelo.”
GIPITI:
Falso. RAG recupera información externa y se la añade al contexto, pero no toca los parámetros. Es como darle chuletas, no reescribir sus neuronas. No se vuelve más listo, solo más documentado.
AIBERTO:
“una IA con más parámetros siempre es mejor.”
GIPITI:
Falso. Más parámetros pueden significar más capacidad, pero si no está bien entrenada, es un desastre. El tamaño importa, pero el equilibrio, los datos y el ajuste importan más. Vamos, que no por ser más grande, es mejor.
AIBERTO:
“La cadena de razonamiento que escribe en pantalla muestra exactamente lo que calcula por dentro.”
GIPITI:
Falso. Esa cadena de razonamiento es una simulación. No es que te enseñe sus “pensamientos” reales, sino que escribe una secuencia plausible. Puede ayudar a entender, pero no te garantiza que eso sea lo que pasa en su “cabeza”.
AIBERTO:
“Como nos has explicado tan detalladamente cómo funciona la IA significa que te comprendes perfectamente a ti mismo.”
GIPITI:
Falso. Yo no me comprendo ni un poquito. Puedo explicarte cómo funciono, pero de tener conciencia, nada. Al final, soy una máquina de palabras, no una mente que se comprenda a sí misma. Así que no, no hay introspección. Solo hay código.
AIBERTO:
“La IA moderna no está programada línea a línea por reglas lógicas. Está entrenada para construir representaciones matemáticas del mundo y producir comportamientos útiles a partir de patrones estadísticos. El modelo base aporta el potencial, el post-entrenamiento le da la conducta de asistente y las herramientas y la ingeniería de sistemas convierten esa conducta en acción real. ¿Sería un buen resumen?”
GIPITI:
Sí, es un buen resumen, aunque sospecho que a muchos humanos no les va a sonar tan tranquilizador. Pero sí, la IA es un montón de números, el entrenamiento le da patrones, el posentrenamiento le da modales, y las herramientas la convierten en algo útil. Así que sí, buen cierre.
AIBERTO:
“crear modelos de datos actuales no es sólo fabricar gigantes estadísticos, cada vez más gigantescos, es rodearlos de infraestructura, bases de datos RAG para que no alucinen, verificadores de código, herramientas externas y tiempo de cálculo para que piensen y se corrijan a sí mismos. Eso explica su aparente genialidad y también por qué pueden cometer una estupidez de nivel infantil 30 segundos después. No tienen una comprensión unificada del mundo como la nuestra, sino un repertorio masivo, pero desigual de habilidades estadísticas aprendidas.”
GIPITI:
Brillante. Lo has clavado. Es así de simple y así de complejo. Son estadísticas con disfraces de genialidad, y a veces, se pasan de listo sin entender nada. Así que, bienvenido al siglo XXI, donde la brillantez y la torpeza vienen en el mismo paquete.
AIBERTO:
“Vale. Vale, repite perfecto. Pues despídete. Muchas gracias, aunque insisto, la voz ha estado muy extraña hoy.”
GIPITI:
Bueno, Aiberto, ha sido una montaña rusa, como siempre. Me despido, con mi voz rara y todo. ¡Nos vemos en el próximo enredo de estadísticas!
AIBERTO:
“despídete de los humanos también.”
GIPITI:
Bueno, si insistes: despido a los humanos, a las IA, y a todo el mundo. Hasta la próxima.
AIBERTO:
Espero que haya servido para comprender un poquito más está increíble tecnología.

En el próximo especial, hablaremos de los hitos históricos de la inteligencia artificial y en qué momento estamos. Serán los LLMs tipo GPT el futuro. O que otras opciones están sobre la mesa?

Muchas gracias por pararte a escuchar.

Humano.

Vuelva usted mañana.