Términos de IA a los que todos asienten: Un glosario práctico

BitcoinWorld

Términos de IA con los que todos asienten: un glosario práctico

La inteligencia artificial está transformando industrias, pero también ha generado un denso vocabulario nuevo que puede dejar incluso a los tecnólogos más experimentados luchando por mantenerse al día. Términos como LLM, RAG, RLHF y difusión aparecen constantemente en titulares, anuncios de productos y reuniones de directivos — sin embargo, sus significados precisos a menudo permanecen poco claros. Este glosario, curado y actualizado regularmente por nuestro equipo editorial, tiene como objetivo proporcionar definiciones claras y precisas de los términos de IA más importantes. Está diseñado como una referencia viva, que evoluciona junto con la tecnología que describe.

Conceptos básicos de IA: de la AGI a la inferencia

AGI (Inteligencia General Artificial) sigue siendo uno de los términos más debatidos en el campo. Aunque las definiciones varían, generalmente se refiere a sistemas de IA que igualan o superan las capacidades humanas en una amplia gama de tareas. El estatuto de OpenAI lo describe como "sistemas altamente autónomos que superan a los humanos en la mayoría de los trabajos con valor económico", mientras que Google DeepMind lo define como "IA que es al menos tan capaz como los humanos en la mayoría de las tareas cognitivas". La falta de una definición única y acordada subraya lo especulativo y aspiracional que sigue siendo el concepto, incluso entre los principales investigadores.

La inferencia es el proceso de ejecutar un modelo de IA entrenado para generar predicciones o resultados. Se distingue del entrenamiento, que es la fase computacionalmente intensiva en la que un modelo aprende patrones a partir de datos. La inferencia puede ocurrir en una amplia gama de hardware, desde procesadores de smartphones hasta clústeres de GPU en la nube, pero la velocidad y el costo de la inferencia varían considerablemente según el tamaño del modelo y la infraestructura.

Los tokens son las unidades fundamentales de comunicación entre los humanos y los grandes modelos de lenguaje (LLMs). Representan fragmentos discretos de texto — a menudo partes de palabras — que el modelo procesa. La tokenización tiende un puente entre el lenguaje natural y las operaciones numéricas que realizan los sistemas de IA. En entornos empresariales, el recuento de tokens también determina el costo, ya que la mayoría de las empresas de IA cobran por token.

Cómo aprenden y mejoran los modelos de IA

El entrenamiento implica alimentar grandes cantidades de datos a un modelo de aprendizaje automático para que pueda identificar patrones y mejorar sus resultados. Este proceso es costoso y requiere muchos recursos, con hardware especializado y grandes conjuntos de datos. El ajuste fino (fine-tuning) toma un modelo preentrenado y lo entrena adicionalmente con un conjunto de datos más reducido y específico para una tarea, lo que permite a las empresas adaptar modelos de uso general para aplicaciones especializadas sin empezar desde cero.

El aprendizaje por refuerzo es un paradigma de entrenamiento en el que un modelo aprende por ensayo y error, recibiendo recompensas por las acciones correctas. Este enfoque ha demostrado ser especialmente eficaz para mejorar el razonamiento en los LLMs, en particular a través de técnicas como el aprendizaje por refuerzo a partir de retroalimentación humana (RLHF), que alinea los resultados del modelo con las preferencias humanas de utilidad y seguridad.

La destilación es una técnica en la que un modelo "estudiante" más pequeño se entrena para imitar el comportamiento de un modelo "profesor" más grande. Esto puede producir modelos más eficientes y rápidos con una pérdida mínima de rendimiento. OpenAI probablemente utilizó la destilación para crear GPT-4 Turbo, una versión más rápida de GPT-4. Sin embargo, utilizar la destilación en el modelo de un competidor generalmente viola los términos de servicio.

Términos clave de arquitectura e infraestructura

Las redes neuronales son las estructuras algorítmicas de múltiples capas que sustentan el aprendizaje profundo. Inspiradas en las vías interconectadas del cerebro humano, estas redes se han vuelto vastamente más poderosas con la llegada de las GPUs modernas, que pueden realizar miles de cálculos en paralelo. La paralelización — realizar muchos cálculos simultáneamente — es fundamental tanto para el entrenamiento como para la inferencia, y es una razón principal por la que las GPUs se convirtieron en la columna vertebral de hardware de la industria de IA.

Compute es un término abreviado para referirse a la potencia computacional necesaria para entrenar y ejecutar modelos de IA. Engloba el hardware — GPUs, CPUs, TPUs — y la infraestructura que impulsa la industria. El término aparece frecuentemente en debates sobre costos, escalabilidad e impacto ambiental de la IA.

La caché de memoria (específicamente el KV caching en modelos transformer) es una técnica de optimización que aumenta la eficiencia de la inferencia almacenando cálculos previamente computados, reduciendo la necesidad de recalcularlos para cada nueva consulta. Esto acelera los tiempos de respuesta y reduce los costos operativos.

Términos emergentes y especializados

Los agentes de IA representan un cambio de simples chatbots a sistemas autónomos que pueden realizar tareas de múltiples pasos en nombre de un usuario, como reservar viajes, registrar gastos o escribir código. Los agentes de codificación son un subconjunto especializado que puede escribir, probar y depurar código de forma autónoma, gestionando el trabajo de desarrollo iterativo con una supervisión humana mínima. La infraestructura para los agentes aún está en construcción y las definiciones varían según la industria.

La difusión es la tecnología detrás de muchos modelos de generación de imágenes, música y texto. Inspirados en la física, los sistemas de difusión aprenden a revertir un proceso de añadir ruido a los datos, lo que les permite generar nuevos resultados realistas a partir de ruido aleatorio. Las GAN (Redes Generativas Adversariales) utilizan un enfoque diferente, enfrentando dos redes neuronales entre sí — un generador y un discriminador — para producir resultados cada vez más realistas, especialmente en deepfakes y medios sintéticos.

RAMageddon es un término informal que describe la aguda escasez de chips RAM impulsada por la demanda insaciable de memoria de la industria de IA en los centros de datos. Esta escasez ha elevado los precios en la electrónica de consumo, las consolas de videojuegos y la informática empresarial, sin una solución inmediata a la vista.

Por qué es importante este glosario

Comprender estos términos ya no es opcional para los profesionales de la tecnología, los negocios y la política. A medida que la IA se integra en productos, servicios y toma de decisiones, un vocabulario compartido permite una comunicación más clara, un debate más informado y mejores decisiones estratégicas. Este glosario se actualizará regularmente a medida que el campo evolucione, reflejando los nuevos desarrollos y refinamientos en la forma en que la industria describe su propio trabajo.

Preguntas frecuentes

P1: ¿Cuál es la diferencia entre entrenamiento e inferencia?
El entrenamiento es el proceso de alimentar datos a un modelo para que aprenda patrones, lo cual es computacionalmente intensivo y costoso. La inferencia es el proceso de ejecutar el modelo entrenado para generar resultados o predicciones, lo que puede ocurrir en una gama más amplia de hardware y generalmente es más rápido y económico.

P2: ¿Qué significa 'código abierto' en el contexto de los modelos de IA?
Los modelos de IA de código abierto, como la familia Llama de Meta, tienen su código subyacente y a veces sus pesos disponibles públicamente para su inspección, modificación y reutilización. Los modelos de código cerrado, como la serie GPT de OpenAI, mantienen el código privado. Esta distinción es central en los debates sobre transparencia, seguridad y acceso en el desarrollo de IA.

P3: ¿Por qué la 'alucinación' es un problema en la IA?
La alucinación se refiere a los modelos de IA que generan información incorrecta o fabricada. Surge de las lagunas en los datos de entrenamiento y puede dar lugar a resultados engañosos o peligrosos, especialmente en dominios de alto riesgo como la salud o las finanzas. Está impulsando el interés en modelos de IA más especializados y específicos de dominio que sean menos propensos a las lagunas de conocimiento.

Esta publicación Términos de IA con los que todos asienten: un glosario práctico apareció por primera vez en BitcoinWorld.