Seguir la evolución de la inteligencia artificial ya no requiere comprender únicamente los modelos y los algoritmos, sino también descifrar un vocabulario que cambia rápidamente e incluye nuevas siglas y conceptos técnicos. Esta guía reúne los términos más destacados que necesitan los desarrolladores, los equipos de producto y los lectores técnicos para comprender qué ocurre detrás de los asistentes inteligentes y los modelos generativos.
Estos conceptos abarcan desde fundamentos como el entrenamiento, la inferencia y los pesos, hasta otros relacionados con aplicaciones más recientes, como los agentes de inteligencia artificial y el protocolo Model Context Protocol. La guía también aborda términos surgidos en los debates recientes sobre la eficiencia y la observabilidad de los modelos, como el «razonamiento opaco» (Opaque recurrence).
Los conceptos que construyen y ejecutan el modelo
Un modelo lingüístico grande (LLM) es un modelo neuronal profundo que aprende las relaciones entre palabras y frases a partir de enormes cantidades de libros, artículos y textos. Al recibir una solicitud, el modelo genera el patrón con mayor probabilidad de coincidir con ella. Estos modelos se utilizan en ChatGPT, Claude, Google Gemini, Meta AI Llama, Microsoft Copilot y Mistral Le Chat.
El entrenamiento es el proceso mediante el cual el modelo aprende patrones a partir de los datos, mientras que la inferencia se refiere a ejecutar el modelo para producir una predicción o una respuesta basándose en lo aprendido. El hardware utilizado para la inferencia, desde los procesadores de los teléfonos hasta las unidades GPU y los aceleradores de inteligencia artificial, influye en la velocidad de ejecución del modelo y en su capacidad para manejar modelos grandes.
Los pesos determinan la importancia de las distintas características dentro del modelo y cambian durante el entrenamiento hasta que las salidas se aproximan al objetivo deseado. La pérdida de validación (Validation loss) mide la calidad con la que el modelo aprende a partir de los datos de validación; normalmente, cuanto menor sea, mejor, pero también ayuda a detectar el sobreajuste, cuando el modelo memoriza los datos de entrenamiento en lugar de aprender patrones generalizables.
El aprendizaje profundo se refiere a modelos que utilizan redes neuronales de múltiples capas, mientras que una red neuronal describe la estructura computacional más amplia en la que se basan estos modelos. Por lo general, estos sistemas necesitan grandes cantidades de datos y más tiempo de entrenamiento que los algoritmos más simples, lo que eleva el coste del desarrollo.
¿Cómo se especializan los modelos y se vuelven más eficientes?
El ajuste fino (Fine-tuning) permite continuar entrenando un modelo existente utilizando datos especializados para una tarea o un sector concretos. El aprendizaje por transferencia (Transfer learning) utiliza un modelo preentrenado como punto de partida para otra tarea, lo que puede reducir el tiempo de desarrollo cuando los datos de la nueva tarea son limitados, pero no elimina la necesidad de contar con datos adicionales adecuados para el ámbito.
En la destilación (Distillation), un modelo grande actúa como «profesor» y sus salidas se utilizan para entrenar un modelo más pequeño que intenta imitar su comportamiento. El resultado potencial es un modelo de menor tamaño y más eficiente, con cierto grado de pérdida de rendimiento. La fuente señala que destilar las salidas de un modelo competidor puede infringir las condiciones de uso de las interfaces de programación o de los asistentes.
La arquitectura de mezcla de expertos (Mixture of Experts) divide la red en unidades especializadas y activa solo una parte de ellas para cada solicitud. Esto permite construir modelos grandes reduciendo los cálculos necesarios para cada operación. Mixtral, de Mistral AI, es un ejemplo conocido, mientras que se cree ampliamente que los modelos GPT más recientes utilizan alguna forma de esta arquitectura, sin confirmación oficial de OpenAI.
Los modelos de difusión (Diffusion) se utilizan para generar imágenes, música y textos. Añaden ruido gradualmente a los datos y luego aprenden a invertir el proceso para recuperarlos a partir del ruido. Por su parte, las GAN combinan una red que genera salidas con otra que las evalúa, y se han utilizado para producir imágenes y vídeos realistas, especialmente en aplicaciones de alcance más limitado, como las herramientas de deepfake.
Agentes y conexión con herramientas
Un agente de inteligencia artificial se diferencia de un chatbot básico por su supuesta capacidad para ejecutar una serie de pasos en nombre del usuario, como reservar un billete, actualizar código o interactuar con un servicio externo. Sin embargo, el término no tiene una definición unificada, y la arquitectura necesaria para ofrecer estas capacidades aún está en desarrollo.
Los agentes de programación se especializan en escribir código, probarlo, corregir errores y trabajar en repositorios completos, en lugar de limitarse a sugerir un fragmento de código. Aun así, según el artículo, la revisión humana sigue siendo necesaria, porque el agente puede ejecutar tareas amplias con un nivel limitado de supervisión.
Los puntos finales de API se parecen a botones situados en segundo plano que permiten a un programa solicitar un servicio a otro programa. A medida que los agentes adquieren más capacidades, pueden descubrir estos puntos y utilizarlos para ejecutar operaciones automatizadas, lo que abre posibilidades prácticas, pero también puede producir comportamientos inesperados. El Model Context Protocol (MCP) es un estándar abierto que permite a los modelos conectarse con archivos, bases de datos y aplicaciones sin tener que construir un conector específico para cada relación. Anthropic presentó el protocolo en 2024 y posteriormente lo transfirió a Linux Foundation; más tarde, OpenAI, Google y Microsoft lo adoptaron.
¿Qué importancia práctica tienen estos términos?
Estos conceptos muestran que el rendimiento de un sistema de inteligencia artificial no depende únicamente del modelo. El paralelismo permite ejecutar miles de operaciones simultáneamente en unidades GPU, mientras que la tasa de procesamiento de tokens (Token throughput) mide la cantidad de trabajo que el sistema puede completar durante un periodo determinado, un factor que influye en el número de usuarios a los que se puede atender y en la velocidad de respuesta.
Un token es una unidad pequeña de texto, que puede ser una parte de una palabra, y se utiliza para introducir y procesar lenguaje, así como para establecer el precio de los servicios de modelos. El almacenamiento en caché de la memoria, especialmente el almacenamiento en caché KV, ayuda a reducir los cálculos repetidos durante la inferencia y a acelerar las respuestas.
Por otro lado, las alucinaciones siguen siendo uno de los mayores problemas de calidad: el modelo puede producir información incorrecta o consejos engañosos, incluidas respuestas sanitarias que pueden resultar peligrosas. La fuente señala que este riesgo está relacionado con lagunas en los datos de entrenamiento, y que es una de las razones para impulsar modelos más especializados y orientados a un ámbito concreto.
Uno de los términos que merece especial atención es el razonamiento opaco, que consiste en pasar la solicitud por las capas del modelo varias veces en lugar de mostrar pasos de pensamiento secuenciales en un lenguaje comprensible. Este método puede ser más eficiente y permitir que modelos más pequeños rindan mejor utilizando menos cómputo, pero deja menos huellas legibles, lo que dificulta que los investigadores detecten comportamientos no deseados. Está relacionado con el término profundidad recurrente (Recurrent depth), que describe prácticamente el mismo método de ingeniería.
Por su parte, «Neuralese» es un escenario hipotético en el que el modelo piensa por completo mediante sus representaciones numéricas internas, sin utilizar un lenguaje humano comprensible. La fuente afirma que ningún modelo disponible ha alcanzado este estado y que OpenAI declaró que el modelo Astra, lanzado en septiembre de 2026, mantiene la legibilidad de la cadena de pensamiento, pese a la preocupación de los investigadores de seguridad por su uso del razonamiento opaco.
El valor de este diccionario radica en que distingue entre conceptos que a menudo se confunden en el debate público: el entrenamiento no es inferencia, un agente no es simplemente un chatbot y «código abierto» no significa necesariamente que todos los componentes del modelo estén disponibles de la misma manera. Asimismo, los términos más recientes, especialmente los relacionados con la autonomía y la transparencia, aún tienen definiciones divergentes y plantean preguntas abiertas sobre los límites de la supervisión y la seguridad.