El Objetivo

Este glosario es nuestro intento de solucionar eso: definiciones en lenguaje claro de los términos de IA que es más probable que encuentres, ya sea que estés construyendo con esta tecnología, invirtiendo en ella o simplemente tratando de mantenerte al día. Lo actualizamos regularmente a medida que el campo evoluciona, así que considéralo un documento vivo, al igual que los sistemas de IA que describe.

Inteligencia Artificial General (AGI)

La inteligencia artificial general, o AGI, es un término nebuloso. Generalmente se refiere a una IA que es más capaz que un ser humano promedio en muchas, si no en la mayoría, de las tareas. El CEO de OpenAI, Sam Altman, describió una vez la AGI como el ‘equivalente de un humano promedio que podrías contratar como compañero de trabajo’. Mientras tanto, la carta fundacional de OpenAI define la AGI como ‘sistemas altamente autónomos que superan a los humanos en la mayoría de los trabajos económicamente valiosos’. La comprensión de Google DeepMind difiere ligeramente, viendo la AGI como ‘una IA que es al menos tan capaz como los humanos en la mayoría de las tareas cognitivas’.

Perfil: OpenAI

OpenAI es un laboratorio de investigación y despliegue de inteligencia artificial con la misión de asegurar que la inteligencia artificial general (AGI) beneficie a toda la humanidad. Fundada en 2015 por figuras como Sam Altman, Elon Musk, Greg Brockman e Ilya Sutskever, la compañía con sede en San Francisco, California, ha sido pionera en el desarrollo de modelos de lenguaje a gran escala como la serie GPT, que impulsa a productos como ChatGPT y DALL-E. Con una valoración que supera los 80 mil millones de dólares, OpenAI cuenta con el respaldo de inversores clave como Microsoft, Khosla Ventures, Andreessen Horowitz y Sequoia Capital, posicionándose como un líder indiscutible en la carrera por la AGI.

• Web: Visitar sitio oficial
• X (Twitter): @OpenAI
• LinkedIn: Perfil de LinkedIn

Agente de IA (AI Agent)

Un agente de IA se refiere a una herramienta que utiliza tecnologías de IA para realizar una serie de tareas en tu nombre, más allá de lo que podría hacer un chatbot básico. Esto incluye tareas como presentar gastos, reservar billetes o una mesa en un restaurante, o incluso escribir y mantener código. El concepto básico implica un sistema autónomo que puede recurrir a múltiples sistemas de IA para llevar a cabo tareas de varios pasos.

Endpoints de API

Piensa en los endpoints de API como ‘botones’ en la parte trasera de un software que otros programas pueden presionar para que haga cosas. Los desarrolladores utilizan estas interfaces para crear integraciones, permitiendo, por ejemplo, que una aplicación extraiga datos de otra, o que un agente de IA controle servicios de terceros directamente. A medida que los agentes de IA se vuelven más capaces, son cada vez más capaces de encontrar y usar estos endpoints por su cuenta, abriendo posibilidades potentes para la automatización.

Razonamiento de Cadena de Pensamiento (Chain-of-Thought)

En el contexto de la IA, el razonamiento de cadena de pensamiento para los modelos de lenguaje grandes significa descomponer un problema en pasos intermedios más pequeños para mejorar la calidad del resultado final. Generalmente, se tarda más en obtener una respuesta, pero es más probable que la respuesta sea correcta, especialmente en un contexto de lógica o codificación. Los modelos de razonamiento se desarrollan a partir de modelos de lenguaje grandes tradicionales y se optimizan para el pensamiento de cadena de pensamiento gracias al aprendizaje por refuerzo.

Agente de Codificación (Coding Agent)

Un agente de codificación es una versión especializada de un agente de IA aplicada al desarrollo de software. En lugar de simplemente sugerir código para que un humano lo revise y lo pegue, un agente de codificación puede escribir, probar y depurar código de forma autónoma, manejando el tipo de trabajo iterativo de prueba y error que consume el día de un desarrollador. Estos agentes pueden operar en bases de código completas, detectando errores, ejecutando pruebas y aplicando correcciones con una supervisión humana mínima.

Cómputo (Compute)

Aunque es un término con múltiples significados, ‘cómputo’ generalmente se refiere a la potencia computacional vital que permite que los modelos de IA operen. Este tipo de procesamiento impulsa la industria de la IA, dándole la capacidad de entrenar e implementar sus potentes modelos. El término a menudo es una abreviatura para el tipo de hardware que proporciona la potencia computacional, como GPUs, CPUs, TPUs y otras formas de infraestructura que forman la base de la industria moderna de la IA.

Aprendizaje Profundo (Deep Learning)

Es un subconjunto del aprendizaje automático en el que los algoritmos de IA están diseñados con una estructura de red neuronal artificial (ANN) de múltiples capas. Esto les permite hacer correlaciones más complejas en comparación con sistemas más simples. La estructura se inspira en las vías interconectadas de las neuronas en el cerebro humano. Los modelos de aprendizaje profundo pueden identificar características importantes en los datos por sí mismos, pero requieren grandes cantidades de datos y tiempos de entrenamiento más largos.

Difusión (Diffusion)

La difusión es la tecnología en el corazón de muchos modelos de IA generadores de arte, música y texto. Inspirados en la física, los sistemas de difusión ‘destruyen’ lentamente la estructura de los datos (fotos, canciones) añadiendo ruido hasta que no queda nada. Luego, el sistema de IA aprende un proceso de ‘difusión inversa’ para restaurar los datos destruidos, adquiriendo la capacidad de generar datos nuevos a partir del ruido.

Destilación (Distillation)

La destilación es una técnica utilizada para extraer conocimiento de un modelo de IA grande con un modelo ‘profesor-alumno’. Los desarrolladores envían solicitudes a un modelo ‘profesor’ y registran los resultados. Estos resultados se utilizan para entrenar al modelo ‘alumno’, que aprende a aproximar el comportamiento del profesor. Esto permite crear un modelo más pequeño y eficiente basado en uno más grande con una pérdida mínima de conocimiento. Es probable que así se haya desarrollado GPT-4 Turbo de OpenAI.

Ajuste Fino (Fine-Tuning)

Se refiere al entrenamiento adicional de un modelo de IA para optimizar su rendimiento en una tarea o área más específica. Esto se logra típicamente alimentando al modelo con datos nuevos y especializados. Muchas startups de IA están utilizando modelos de lenguaje grandes como punto de partida y los están ajustando con su propio conocimiento de dominio para crear productos comerciales más útiles para un sector o tarea objetivo.

Red Generativa Antagónica (GAN)

Una GAN es un tipo de marco de aprendizaje automático que sustenta desarrollos importantes en la IA generativa para producir datos realistas, incluyendo herramientas de ‘deepfake’. Las GANs involucran un par de redes neuronales: un ‘generador’ que crea datos y un ‘discriminador’ que los evalúa. Los dos modelos compiten para superarse mutuamente, lo que optimiza la capacidad del generador para crear resultados más realistas sin intervención humana adicional.

Alucinación (Hallucination)

‘Alucinación’ es el término preferido de la industria de la IA para cuando los modelos de IA se inventan cosas, generando información incorrecta. Es un problema enorme para la calidad de la IA, ya que puede producir resultados engañosos e incluso peligrosos. Se cree que el problema surge como consecuencia de lagunas en los datos de entrenamiento y está impulsando una tendencia hacia modelos de IA más especializados y verticales para reducir los riesgos de desinformación.

Inferencia (Inference)

La inferencia es el proceso de ejecutar un modelo de IA. Es poner en marcha un modelo para que haga predicciones o saque conclusiones a partir de datos previamente vistos. La inferencia no puede ocurrir sin el entrenamiento; un modelo debe aprender patrones en un conjunto de datos antes de poder extrapolarlos. Muchos tipos de hardware pueden realizar inferencia, desde procesadores de teléfonos inteligentes hasta potentes GPUs, pero no todos pueden ejecutar modelos grandes con la misma eficiencia.

Modelos Lingüísticos Grandes (LLM)

Los LLMs 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. Son redes neuronales profundas compuestas por miles de millones de parámetros numéricos que aprenden las relaciones entre palabras y frases. Se crean codificando los patrones que encuentran en miles de millones de libros, artículos y transcripciones.

Caché de Memoria (Memory Cache)

El caché de memoria es un proceso importante que impulsa la inferencia. Es una técnica de optimización diseñada para hacer la inferencia más eficiente al reducir el número de cálculos que un modelo podría tener que ejecutar, guardando cálculos particulares para futuras consultas. Un tipo conocido es el caché KV (key-value), que funciona en modelos basados en transformadores y aumenta la eficiencia, generando resultados más rápidos.

Protocolo de Contexto de Modelo (MCP)

MCP es un estándar abierto que permite a los modelos de IA conectarse a herramientas y datos externos (tus archivos, bases de datos o aplicaciones como Slack y Google Drive) sin que un desarrollador construya un conector personalizado para cada par. Piénsalo como un puerto USB-C para la IA. Anthropic introdujo el MCP en 2024 y desde entonces ha sido adoptado por OpenAI, Google y Microsoft.

Mezcla de Expertos (Mixture of Experts – MoE)

Es una arquitectura de modelo que divide una red neuronal en muchas subredes especializadas más pequeñas, o ‘expertos’, y solo activa un puñado de ellas para una tarea determinada. Un ‘enrutador’ incorporado elige a los especialistas adecuados para el trabajo. Esto permite construir modelos enormes que siguen siendo relativamente rápidos y baratos de ejecutar. El modelo Mixtral de Mistral AI es un ejemplo conocido, y se cree que los modelos GPT más nuevos de OpenAI utilizan este enfoque.

Red Neuronal (Neural Network)

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. Aunque la idea se remonta a la década de 1940, fue el reciente auge del hardware de procesamiento gráfico (GPUs) lo que realmente desbloqueó el poder de esta teoría, permitiendo entrenar algoritmos con muchas más capas y lograr un rendimiento mucho mejor en diversos dominios.

Código Abierto (Open Source)

Se refiere a software, o cada vez más, a modelos de IA, donde el código subyacente se hace público para que cualquiera lo use, inspeccione o modifique. En el mundo de la IA, la familia de modelos Llama de Meta es un ejemplo prominente. Los enfoques de código abierto permiten a investigadores y desarrolladores de todo el mundo construir sobre el trabajo de otros, acelerando el progreso. El código cerrado (como los modelos GPT de OpenAI) significa que el código es privado.

Paralelización (Parallelization)

Significa hacer muchas cosas al mismo timepo en lugar de una tras otra. En IA, la paralelización es fundamental tanto para el entrenamiento como para la inferencia: las GPUs modernas están diseñadas específicamente para realizar miles de cálculos en paralelo. A medida que los sistemas de IA se vuelven más complejos, la capacidad de paralelizar el trabajo en muchos chips y máquinas se ha convertido en un factor crucial para la rapidez y rentabilidad.

RAMageddon

Es un término para la creciente escasez de chips de memoria de acceso aleatorio (RAM). A medida que la industria de la IA ha florecido, las grandes empresas tecnológicas están comprando tanta RAM para alimentar sus centros de datos que queda poca para los demás. Este cuello de botella en el suministro significa que lo que queda es cada vez más caro, afectando a industrias como los videojuegos y la electrónica de consumo.

Automejora Recursiva (Recursive Self-Improvement – RSI)

En el escenario de RSI, los modelos de IA comienzan a mejorarse a sí mismos sin intervención humana, lo que lleva a una enorme aceleración en sus capacidades y autonomía. En algunas interpretaciones, este sería un momento cataclísmico similar a la singularidad. Sin embargo, también describe una capacidad básica: ¿puede un modelo de IA diseñar a su propio sucesor? Varias startups de IA recientes se han propuesto construir modelos de automejora recursiva.

Aprendizaje por Refuerzo (Reinforcement Learning)

Es una forma de entrenar IA donde un sistema aprende probando cosas y recibiendo recompensas por las respuestas correctas, como entrenar a una mascota con premios. A diferencia del aprendizaje supervisado, permite que un modelo explore su entorno y actualice continuamente su comportamiento en función de la retroalimentación. Técnicas como el Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF) son ahora centrales para ajustar los modelos de IA.

Tokens

Los tokens son los bloques de construcción básicos de la comunicación entre humanos e IA. Son segmentos discretos de datos que un LLM procesa o produce. El texto sin procesar se descompone en estas unidades del tamaño de un bocado (a menudo partes de palabras) en un proceso llamado tokenización. En entornos empresariales, los tokens también determinan el costo: la mayoría de las empresas de IA cobran por el uso de LLM por token.

Rendimiento de Tokens (Token Throughput)

El rendimiento se refiere a cuánto se puede procesar en un período de tiempo determinado. Por lo tanto, el rendimiento de tokens es esencialmente una medida de cuánto trabajo de IA puede manejar un sistema a la vez. Un alto rendimiento de tokens es un objetivo clave para los equipos de infraestructura de IA, ya que determina cuántos usuarios puede atender un modelo simultáneamente y con qué rapidez recibe cada uno una respuesta.

Entrenamiento (Training)

El desarrollo de IAs de aprendizaje automático implica un proceso conocido como entrenamiento. En términos simples, se refiere a la alimentación de datos para que el modelo pueda aprender de los patrones y generar resultados útiles. Es el proceso mediante el cual el sistema responde a las características de los datos, lo que le permite adaptar los resultados hacia un objetivo deseado. El entrenamiento puede ser costoso porque requiere enormes cantidades de datos.

Aprendizaje por Transferencia (Transfer Learning)

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 que el conocimiento adquirido en ciclos de entrenamiento anteriores se reaplique, lo que puede generar ahorros de eficiencia al acortar el desarrollo del modelo. Es útil cuando los datos para la nueva tarea son limitados.

Pérdida de Validación (Validation Loss)

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 una especie de boletín de calificaciones en tiempo real para decidir cuándo detener el entrenamiento o ajustar parámetros. Ayuda a detectar el ‘sobreajuste’ (overfitting), una condición en la que un modelo memoriza sus datos de entrenamiento en lugar de aprender patrones generalizables.

Pesos (Weights)

Los pesos son fundamentales para el entrenamiento de la IA, ya que determinan cuánta importancia (o peso) se le da a diferentes características en los datos. Son parámetros numéricos que definen qué es más relevante en un conjunto de datos para la tarea de entrenamiento. El entrenamiento del modelo generalmente comienza con pesos asignados al azar, pero a medida que el proceso avanza, los pesos se ajustan para que el modelo se acerque al resultado objetivo.