La inteligencia artificial está reescribiendo el mundo y, al mismo tiempo, inventando un lenguaje completamente nuevo para describir cómo lo hace. Ya sea que estés construyendo con estas herramientas, invirtiendo en ellas o simplemente tratando de mantenerte al día, este glosario te ofrece definiciones claras y en español de los términos de IA que más probablemente encuentres. Es un documento vivo, actualizado regularmente a medida que el campo evoluciona, al igual que los sistemas que describe.
El término AGI es nebuloso, pero generalmente se refiere a una IA más capaz que el humano promedio en muchas, si no la mayoría, de las tareas. El CEO de OpenAI, Sam Altman, la describió una vez como el “equivalente de un humano mediano que podrías contratar como colega”. Mientras tanto, la carta de OpenAI define AGI como “sistemas altamente autónomos que superan a los humanos en la mayoría de los trabajos económicamente valiosos”. Google DeepMind tiene su propia interpretación. No te preocupes si hay confusión: los expertos en la vanguardia de la investigación también están indecisos.
Un agente de IA es una herramienta que utiliza tecnologías de IA para realizar una serie de tareas en tu nombre — más allá de lo que un chatbot básico podría hacer — como gestionar gastos, reservar boletos o escribir y mantener código. Sin embargo, como hemos explicado, hay muchas piezas móviles en este espacio emergente, por lo que el término puede significar cosas diferentes para distintas personas. La infraestructura aún se está construyendo, pero el concepto básico implica un sistema autónomo que puede recurrir a múltiples sistemas de IA para llevar a cabo tareas de varios pasos.
Piensa en los API endpoints como “botones” en la parte trasera de un software que otros programas pueden presionar para hacer que funcione. Los desarrolladores utilizan estas interfaces para construir integraciones, por ejemplo, permitiendo que una aplicación extraiga datos de otra o que un agente de IA controle servicios de terceros sin intervención humana. A medida que los agentes de IA se vuelven más capaces, pueden encontrar y usar estos endpoints por sí mismos, abriendo posibilidades de automatización poderosas y, a veces, inesperadas.
En el contexto de la IA, el razonamiento en cadena de pensamiento para grandes modelos de lenguaje significa descomponer un problema en pasos intermedios más pequeños para mejorar la calidad del resultado final. Generalmente toma más tiempo obtener una respuesta, pero es más probable que sea correcta, especialmente en contextos lógicos o de programación. Los modelos de razonamiento se desarrollan a partir de modelos de lenguaje tradicionales y se optimizan para este tipo de pensamiento gracias al aprendizaje por refuerzo.
Los LLM son los modelos de IA utilizados por asistentes populares como ChatGPT, Claude, Gemini de Google, Llama de Meta, Copilot de Microsoft o Le Chat de Mistral. Cuando chateas con un asistente de IA, interactúas con un gran modelo de lenguaje que procesa tu solicitud. Estos modelos son redes neuronales profundas hechas de miles de millones de parámetros numéricos (pesos) que aprenden las relaciones entre palabras y frases, creando una representación multidimensional del lenguaje.
Mixture of Experts es una arquitectura de modelo que divide una red neuronal en muchas subredes especializadas, o “expertos”, y solo activa un puñado de ellos para cada tarea. En lugar de enviar cada solicitud a través de todo el modelo, un enrutador interno selecciona los especialistas adecuados. Esto permite construir modelos enormes que siguen siendo rápidos y económicos de ejecutar. El modelo Mixtral de Mistral AI es un ejemplo conocido; los modelos GPT más recientes de OpenAI también se cree que utilizan esta técnica.
Una red neuronal es la estructura algorítmica de múltiples capas que sustenta el aprendizaje profundo y, en general, todo el auge de las herramientas de IA generativa. Inspirada en las vías interconectadas del cerebro humano, el auge de las GPU (unidades de procesamiento gráfico) desbloqueó su poder, permitiendo que los sistemas de IA lograran un rendimiento mucho mejor en áreas como el reconocimiento de voz, la navegación autónoma y el descubrimiento de fármacos.
El aprendizaje por refuerzo es una forma de entrenar IA donde el sistema aprende probando cosas y recibiendo recompensas por respuestas correctas — como entrenar a una mascota con golosinas, excepto que la “mascota” es una red neuronal y la “golosina” es una señal matemática de éxito. Este enfoque ha sido especialmente poderoso para entrenar IA a jugar, controlar robots y, más recientemente, perfeccionar la capacidad de razonamiento de los grandes modelos de lenguaje. Técnicas como RLHF (aprendizaje por refuerzo a partir de retroalimentación humana) son ahora centrales para afinar modelos.
La destilación es una técnica para extraer conocimiento de un modelo de IA grande utilizando un modelo “maestro-alumno”. Los desarrolladores envían solicitudes al modelo maestro y registran las salidas, las cuales se utilizan para entrenar al modelo alumno para que se aproxime al comportamiento del maestro. Esto puede crear un modelo más pequeño y eficiente con una pérdida mínima, y es probablemente cómo OpenAI desarrolló GPT-4 Turbo. Sin embargo, la destilación a partir de un competidor generalmente viola los términos de servicio.
El ajuste fino se refiere al entrenamiento adicional de un modelo de IA para optimizar su rendimiento en una tarea o área más específica, generalmente alimentando nuevos datos especializados. Muchas startups toman modelos de lenguaje grandes como punto de partida y los complementan con su propio conocimiento de dominio para aumentar la utilidad en un sector objetivo.
El aprendizaje por transferencia es una técnica donde un modelo de IA previamente entrenado se utiliza como punto de partida para desarrollar un nuevo modelo para una tarea diferente pero relacionada. Esto permite ahorrar eficiencia al acortar el desarrollo, especialmente cuando los datos para la nueva tarea son limitados. Sin embargo, el modelo probablemente requerirá entrenamiento adicional en datos específicos para desempeñarse bien en su dominio de enfoque.
La alucinación es el término preferido de la industria para cuando los modelos de IA inventan cosas — literalmente generan información incorrecta. Es un gran problema para la calidad de la IA, ya que puede llevar a resultados engañosos y riesgos potencialmente peligrosos, como consejos médicos dañinos. El problema surge debido a lagunas en los datos de entrenamiento, lo que ha impulsado el desarrollo de modelos de IA más especializados y verticales para reducir estos riesgos.
RAMageddon es el término divertido para una tendencia no tan divertida: una escasez creciente de chips de memoria RAM. A medida que la industria de la IA florece, las grandes empresas tecnológicas y los laboratorios de IA compran tanta RAM para alimentar sus centros de datos que queda poca para el resto. Esto afecta a industrias como los videojuegos, la electrónica de consumo y la informática empresarial, y se espera que los precios sigan subiendo hasta que termine la escasez, lo que no parece suceder pronto.
Los tokens son los componentes básicos de la comunicación humano-IA: segmentos discretos de datos procesados por un LLM. La tokenización divide el texto en unidades que el modelo puede digerir. En entornos empresariales, los tokens determinan el costo, ya que la mayoría de las empresas cobran por token. El rendimiento de tokens mide cuánto trabajo de IA puede manejar un sistema en un período determinado, un objetivo clave para los equipos de infraestructura.
El Model Context Protocol es un estándar abierto que permite a los modelos de IA conectarse a herramientas y datos externos — archivos, bases de datos o aplicaciones como Slack y Google Drive — sin que un desarrollador construya un conector personalizado para cada emparejamiento. Piensa en él como un puerto USB-C para la IA. Anthropic introdujo MCP en 2024 y luego lo entregó a la Fundación Linux, siendo adoptado por OpenAI, Google y Microsoft, convirtiéndose en uno de los estándares de más rápida propagación en la historia reciente de la IA.
Código abierto se refiere a software o modelos de IA donde el código subyacente está disponible públicamente para que cualquiera lo use, inspeccione o modifique. La familia Llama de Meta es un ejemplo prominente. El código cerrado significa que el código es privado — puedes usar el producto pero no ver cómo funciona, como es el caso de los modelos GPT de OpenAI. Esta distinción se ha convertido en uno de los debates definitorios de la industria.
La inferencia es el proceso de ejecutar un modelo de IA, estableciéndolo para hacer predicciones o conclusiones a partir de datos vistos anteriormente. No puede ocurrir sin entrenamiento, donde el modelo aprende patrones en un conjunto de datos. El entrenamiento puede ser costoso porque requiere muchas entradas, y los volúmenes han ido en aumento. La inferencia puede realizarse en diversos hardware, desde procesadores de teléfonos inteligentes hasta GPU potentes o aceleradores de IA personalizados.
La pérdida de validación es un número que indica qué tan bien está aprendiendo un modelo de IA durante el entrenamiento — cuanto más bajo, mejor. Los investigadores lo siguen de cerca como un boletín de calificaciones en tiempo real para decidir cuándo detener el entrenamiento o ajustar hiperparámetros. Ayuda a detectar el sobreajuste, donde el modelo memoriza los datos de entrenamiento en lugar de aprender patrones generalizables. Piensa en ello como la diferencia entre un estudiante que realmente entiende la materia y uno que solo memorizó el examen del año pasado.
Los pesos son parámetros numéricos centrales en el entrenamiento de IA, ya que determinan la importancia que se le da a diferentes características en los datos. Se ajustan durante el entrenamiento para que el modelo se acerque más al objetivo. Por ejemplo, en un modelo de predicción de precios de viviendas, los pesos asignados a características como el número de habitaciones o si tiene estacionamiento reflejan cuánto influyen en el valor de la propiedad.
Este artículo se actualiza regularmente con nueva información.
Estas buscando algo?
Nuestros Programas:
Al Ritmo de Miami Healthy
Aprende qué comer y cómo vivir mejor para elevar tu bienestar.
Despertando con Claudio María Domínguez
Reflexiones de espiritualidad, bienestar y conciencia Claudio María Domínguez
Misterios Ocultos
OVNIs, enigmas históricos y lo inexplicable contado por expertos.
Inmigrar a Miami
Tu puente a los Estados Unidos Te ayudamos a alcanzar tus sueños americanos con soluciones personalizada.
