Transcription
Hay algo profundamente extraño en lo que está ocurriendo. Una máquina que no tiene ojos puede describir una fotografía. Una máquina que no tiene manos puede escribir un poema. Una máquina que nunca ha sentido frío puede explicarte cómo funciona el viento.
Y sin embargo, en este momento, sistemas de inteligencia artificial están redactando contratos legales, diagnosticando enfermedades a partir de imágenes médicas, componiendo música, conduciendo automóviles y manteniendo conversaciones que para muchas personas resultan indistinguibles de las humanas. La pregunta que nadie responde bien es [música] cómo no en el sentido filosófico, en el sentido técnico, en el sentido real. ¿Qué ocurre exactamente dentro de esas máquinas? ¿Qué transformación tiene lugar entre el momento en que escribes una pregunta y el momento en que recibes una respuesta que parece razonada, coherente, incluso inteligente?
Porque si lo piensas con cuidado, lo que hace la inteligencia artificial no debería funcionar, al menos no de la manera en que funciona. No es una base de datos que busca respuestas almacenadas. No es un programa que sigue instrucciones paso a paso. No es una enciclopedia que te devuelve lo que alguien escribió antes. Es algo diferente. Algo que emergió de una forma de aprendizaje tan masiva y tan específica que produjo capacidades que nadie programó directamente.
Para entender cómo es posible eso, hay que ir al principio, no al principio histórico, sino al principio del proceso, al momento en que todo empieza. El problema que la inteligencia artificial resuelve no es nuevo. Durante décadas, los ingenieros intentaron programar reglas explícitas para que las computadoras entendieran el lenguaje humano. [música] Escribían instrucciones como, "Si el usuario dice gracias", responde con "De nada. Si la oración contiene un signo de interrogación, trátala como una pregunta. Si aparece la palabra dolor junto con la palabra [música] cabeza sugiere un analgésico.
Ese enfoque funcionaba en entornos muy controlados, pero el lenguaje humano no es controlado. Es ambiguo, contextual, lleno de ironía, de sobreentendidos, de referencias culturales, de matices que cambian completamente el significado de una frase dependiendo de quién la dice, cuándo la dice y por qué. Los sistemas basados en reglas explícitas fracasaban constantemente, no porque fueran lentos o poco potentes, sino porque las reglas del lenguaje humano son demasiado numerosas, demasiado contradictorias y demasiado dependientes del contexto para ser escritas a mano.
La solución que cambió todo no fue escribir mejores reglas, fue abandonar las reglas por completo. En lugar de decirle a la máquina qué hacer, los investigadores le mostraron millones de ejemplos y la dejaron descubrir los patrones por sí [música] misma. Eso, en esencia es el aprendizaje automático. Y dentro del aprendizaje automático, la variante que hoy domina el campo de la inteligencia artificial se llama aprendizaje profundo o en inglés deep learning.
Para entender cómo funciona, hay que entender primero cuál es su unidad básica. Todo comienza con algo llamado neurona artificial, no porque se parezca a una neurona biológica en su estructura física, sino porque [música] se inspiró vagamente en la misma idea, una unidad que recibe señales, las procesa y produce una salida [música] en el cerebro. Las neuronas se activan o no dependiendo de la intensidad de las señales que reciben de otras neuronas.
En una red neuronal artificial, algo análogo ocurre en términos matemáticos. Imagina una neurona artificial como una pequeña caja con varias entradas y una salida. Cada entrada llega con un número y ese número [música] se multiplica por un peso, que es otro número que indica cuánta importancia tiene esa entrada. Todos esos productos se suman. Si la suma supera un cierto umbral, la neurona se activa y produce una señal hacia la siguiente capa. Si no, permanece silenciosa. Hasta aquí no parece gran cosa. Una suma ponderada con un umbral de activación. Matemáticas de preparatoria.
Pero ahora imagina que conectas millones de estas neuronas en capas. La primera capa recibe los datos de entrada crudos. La última capa produce la respuesta final y entre ellas decenas o incluso cientos de capas intermedias, cada una transformando la información de maneras cada vez más abstractas. Eso es una red neuronal profunda. Y la palabra profunda no es poética. Se refiere literalmente a la profundidad de esas capas intermedias, a la cantidad de transformaciones sucesivas que experimenta la información antes de convertirse en una respuesta.
Ahora viene la pregunta que realmente importa, ¿cómo aprende? En el centro del aprendizaje profundo hay un proceso que se llama entrenamiento. Y entender el entrenamiento es entender por qué la inteligencia artificial funciona de la manera en que funciona. Cuando una red neuronal se construye por primera vez, todos sus pesos son aleatorios. La red no sabe nada. Si le das una imagen de un gato y le preguntas qué ve, responderá algo absurdo. Si le das una oración en español y le pides que la continúe, producirá ruido.
El entrenamiento consiste en mostrarle a la red millones de ejemplos conocidos y ajustar [música] sistemáticamente esos pesos hasta que la red produzca las respuestas correctas. El mecanismo que hace posible ese ajuste se llama retropropagación. Y aunque su nombre suena intimidante, la idea es elegante. Imagina que la red hace una predicción. Esa predicción se compara con la respuesta correcta y se calcula el error. ¿Qué tan lejos estuvo la red de acertar? Ese error se convierte en una señal que viaja hacia atrás a través de toda la red, capa por capa, ajustando cada peso en la dirección que reduce el error. Un peso que contribuyó al error se hace más pequeño, un peso que apuntaba en la dirección correcta se hace más grande.
Este proceso se repite millones de veces con millones de ejemplos durante días, semanas o meses de computación continua. Al final, los pesos de la red no han sido programados, han sido moldeados por los datos. La red ha encontrado por sí sola las regularidades estadísticas que existen [música] en los ejemplos que vio. Y esas regularidades le permiten generalizar, responder correctamente ante ejemplos que nunca ha [música] visto antes.
Ese es el momento en que ocurre algo que resulta difícil de explicar, incluso para quienes lo estudian. La red no solo memoriza, aprende. Pero aprender en este contexto tiene un significado muy específico y entenderlo evita uno de los errores más comunes sobre la inteligencia artificial. Cuando un modelo de lenguaje, como los que están detrás de los sistemas conversacionales modernos, aprende a partir de texto, no está comprendiendo el significado de las palabras en el sentido humano. No tiene un modelo del mundo. No entiende que el agua moja, que el fuego quema o que las personas sienten dolor.
Lo que hace es aprender patrones estadísticos de currencia en el lenguaje. sorprende que después de la palabra él suele venir un sustantivo, que después de aunque suele venir una concesión, que cuando alguien describe síntomas de fiebre alta y dolor de garganta, el siguiente fragmento de texto suele mencionar [música] infección, médico o antibióticos. La red aprende a predecir, no a entender. Y sin embargo, el resultado de esa predicción masiva entrenada sobre cantidades astronómicas de texto humano produce algo que se comporta de maneras sorprendentemente coherentes, porque el lenguaje humano no es arbitrario, está profundamente estructurado. Y esa estructura, cuando se aprende con suficiente precisión y escala, permite razonar, traducir, [música] resumir, generar código, responder preguntas y mantener conversaciones con una fluidez que desafía las expectativas.
La pregunta de si eso constituye comprensión real es filosófica. La pregunta de cómo funciona es técnica y la respuesta técnica es patrones de enorme complejidad aprendidos sobre datos de enorme escala. Ahora bien, no todos los sistemas de inteligencia artificial funcionan de la misma manera. Hay arquitecturas diseñadas para imágenes, otras para secuencias de texto, otras para tomar decisiones en entornos dinámicos, pero en los últimos años una arquitectura en particular ha dominado el campo con una fuerza que pocos anticiparon. se llama El Transformer y fue introducida en 2017 en un artículo de investigación cuyo título es Ya parte de la historia de la tecnología: Attention is all you need.
El Transformer resolvió un problema que las arquitecturas anteriores no habían podido resolver bien. Cómo procesar secuencias largas de texto sin perder el contexto que existe entre palabras que están muy separadas entre sí. El mecanismo clave se llama atención o en inglés attention. Y aunque el nombre suena casi metafórico, su funcionamiento es preciso. Cuando el modelo procesa una palabra dentro de una oración, el mecanismo de atención le permite asignar diferentes niveles de importancia a todas las demás palabras de la secuencia. Al mismo tiempo, en paralelo, la palabra banco en la oración. Fui al banco a depositar dinero. Recibe más atención de palabras como depositar y dinero que de palabras como fui o a.
Eso permite al modelo desambiguar el significado con una precisión que los sistemas anteriores no podían lograr y lo hace para todas las palabras, simultáneamente en múltiples dimensiones a la vez. Cada capa de atención captura diferentes tipos de relaciones [música] gramaticales, semánticas, contextuales. Las capas apiladas construyen representaciones del texto que son progresivamente más ricas y más abstractas. Es este mecanismo el que permite a los modelos modernos escribir código coherente, traducir matices culturales, resumir argumentos complejos o generar texto que mantiene coherencia a lo largo de miles de palabras.
Pero hay una dimensión del funcionamiento de la inteligencia artificial que rara vez se menciona con claridad y que cambia completamente la manera de entender por qué estos sistemas son tan poderosos y al mismo tiempo tan frágiles. Se trata de la escala. Los modelos de lenguaje modernos no son simplemente redes neuronales grandes, son redes de una magnitud que hace 10 años habría parecido absurda. Un modelo de lenguaje de punta puede tener cientos de miles de millones de parámetros, que es el nombre técnico para esos pesos ajustables que se aprenden durante el entrenamiento.
Para que eso tenga sentido en términos físicos. Entrenar un modelo de esa magnitud requiere clústeres de miles de procesadores especializados operando en paralelo durante semanas. Consume una cantidad de energía eléctrica comparable a la de ciudades pequeñas durante ese periodo. Procesa cantidades de texto que ningún ser humano podría leer en miles de vidas. El resultado es un sistema en el que la información del [música] mundo, o al menos del mundo que existe en texto digital está comprimida en una estructura matemática de una complejidad sin precedentes.
Y aquí ocurre algo que los investigadores llaman capacidades emergentes. [música] A medida que los modelos crecen en escala, no solo mejoran gradualmente en las tareas para las que fueron entrenados. En ciertos umbrales de tamaño desarrollan capacidades nuevas que no estaban presentes en modelos más pequeños y que nadie programó explícitamente. Modelos que solo podían generar texto, de repente podían resolver problemas de aritmética. Modelos que solo habían visto texto en inglés podían traducir a idiomas con muy poco [música] texto de entrenamiento. Modelos entrenados para predecir la siguiente palabra podían seguir instrucciones complejas, responder preguntas de múltiples pasos [música] y mantener coherencia lógica a lo largo de argumentos extensos.
La explicación completa de por qué ocurre esto es un [música] área activa de investigación. La evidencia sugiere que al comprimir una cantidad suficiente de datos estructurados en una red suficientemente grande, emergenaciones internas del mundo que permiten formas de generalización que no existían en sistemas más pequeños, pero los mecanismos exactos siguen siendo objeto de estudio.
Ahora toca hablar de lo que la inteligencia artificial no puede hacer o más precisamente de cómo falla, porque entender sus limitaciones es tan importante como entender su funcionamiento. El primer tipo de falla es la alucinación. Los modelos de lenguaje producen texto plausible, no texto verdadero. La diferencia es sutil, pero fundamental. Cuando el modelo no tiene suficiente información confiable para responder algo, no lo admite con facilidad. tiende a generar texto que suena correcto, que tiene la forma correcta, pero que puede ser completamente inventado. Fechas que no existieron, citas de personas que nunca dijeron eso, hechos que no tienen base en la realidad.
Esto no es un error de programación, es una consecuencia directa de cómo funciona el sistema. Un modelo entrenado para predecir texto plausible va a producir texto plausible, incluso cuando la respuesta correcta sería admitir incertidumbre. El segundo tipo de limitación es la dependencia del contexto de entrenamiento. Un modelo aprende de los datos que vio durante el entrenamiento. Si esos datos contienen sesgos, el modelo los hereda. Si esos datos no representan ciertos grupos, el modelo no los entiende bien. Si los datos terminan en una fecha determinada, el modelo no sabe nada de lo que ocurrió después.
El tercer tipo de limitación es más sutil. Estos modelos no tienen un modelo causal del mundo. Pueden describir perfectamente la relación entre fumar y el cáncer de pulmón, pero la diferencia entre correlación y causalidad, que es central para el razonamiento científico, no está capturada con fidelidad en la estadística del lenguaje. El modelo sabe que estas cosas aparecen juntas en el texto, no entiende en el [música] sentido profundo.
¿Por qué entender? Estas limitaciones ayuda a comprender por qué el campo de la inteligencia artificial no se detiene en los modelos de lenguaje. Hay líneas de investigación que intentan dar a los modelos acceso a información actualizada a través de la búsqueda en tiempo real. Hay arquitecturas que intentan separar la memoria del razonamiento. Hay enfoques que intentan dotar a los sistemas de la capacidad de verificar sus propias afirmaciones antes de producirlas. Y hay un área de investigación que muchos consideran el siguiente gran salto. Los agentes de IA, sistemas que no solo responden preguntas, sino que planifican, ejecutan acciones, observan los resultados, corrigen su curso y persisten objetivos a lo largo del tiempo. Sistemas que no solo procesan el mundo en texto, sino que interactúan con él a través de herramientas, interfaces y otros sistemas.
El desafío de los agentes no es solo técnico, es también uno de los problemas más profundos que enfrenta el campo. ¿Cómo asegurarse de que un sistema que actúa con autonomía en el mundo lo hace de maneras que están alineadas con los valores y las intenciones [música] humanas? Ese problema llamado alineación es hoy uno de los focos centrales de la investigación en inteligencia artificial.
Hay algo más que merece atención, algo que no suele aparecer en las conversaciones sobre inteligencia artificial, pero que es inseparable de su funcionamiento real. El hardware. Los modelos de lenguaje modernos no corren en computadoras convencionales, corren en procesadores diseñados específicamente para las operaciones matemáticas que el aprendizaje profundo requiere. Las GPU, unidades de procesamiento gráfico, fueron las primeras en ser adaptadas para este propósito, porque su arquitectura, diseñada originalmente para renderizar imágenes en paralelo, resultó ser perfecta para las multiplicaciones matriciales masivas, que son el corazón de las redes neuronales. [música] Después llegaron los TPU, unidades de procesamiento tensorial diseñadas desde cero para el aprendizaje automático y hoy múltiples empresas [música] compiten por desarrollar chips especializados que puedan entrenar y ejecutar modelos más grandes con mayor eficiencia energética. [música]
La conexión entre el avance del hardware y el avance de la inteligencia artificial es directa. Cada generación de procesadores más potentes permitió entrenar modelos más grandes y modelos [música] más grandes produjeron capacidades que no existían antes. Es una espiral en la que el progreso del software y el del hardware se alimentan mutuamente. La cantidad de energía que esto consume es real y significativa y es una limitación técnica y práctica que el campo está intentando resolver activamente, tanto a través de hardware más eficiente como a través de técnicas de compresión y optimización de modelos que los hacen más pequeños sin sacrificar demasiado rendimiento.
Hay un error conceptual que vale la pena desmontar antes de terminar porque es quizás el más persistente y el más distorsionador. Muchas personas piensan en la inteligencia artificial como una mente, como algo que piensa, que quiere, que tiene intenciones. Eso lleva a dos tipos de errores opuestos. El de sobreestimar lo que puede hacer, esperando de ella una comprensión del mundo que no posee, y el de subestimar lo que puede hacer, descartando sus capacidades porque solo son estadísticas.
La realidad es más interesante y más extraña que cualquiera de esas dos versiones. Lo que existe dentro de un modelo de lenguaje es una representación matemática de enorme complejidad construida a partir de patrones en el lenguaje humano que permite realizar transformaciones sobre texto de maneras que producen resultados útiles, coherentes y en ocasiones sorprendentes. No es una mente, no es un reflejo del pensamiento humano, es algo nuevo, un tipo de sistema que no existía [música] antes y que no encaja perfectamente en ninguna categoría previa. Esa es quizás la razón por la que resulta tan difícil describirlo con precisión, no porque sea misterioso, sino porque es genuinamente nuevo.
Cuando miras tu teléfono y le dictas un mensaje en voz, ese mensaje viaja como una onda de presión en el aire, se convierte en una señal eléctrica. Se digitaliza en una secuencia de números, pasa por una red neuronal de reconocimiento de voz que convierte esa señal en texto. Ese texto pasa por un modelo de lenguaje que interpreta la intención [música] y una respuesta generada por otra red neuronal regresa hacia ti en fracciones de segundo.
Cuando un médico usa un sistema de diagnóstico asistido por inteligencia artificial, esa imagen médica pasa por capas de convolución que detectan texturas, [música] bordes, densidades, anomalías en escalas que el ojo humano no puede distinguir. El resultado no es certeza, es una distribución de probabilidades, una estimación de qué podría estar ocurriendo, entrenada sobre millones de imágenes etiquetadas por médicos durante años.
Cuando un automóvil autónomo navega una intersección, integra [música] señales de cámaras, radares y sensores de distancia. Las procesa en tiempo real con redes neuronales entrenadas para reconocer peatones, señales de tráfico, comportamiento de otros vehículos y toma decisiones en milisegundos que implican física, probabilidad y planificación.
En todos estos [música] casos, la entrada es el mundo en alguna de sus formas: sonido, imagen, texto, datos del entorno. El proceso es una transformación matemática de enorme complejidad. La salida es una acción, una predicción, una respuesta, entrada, proceso, salida. Esa es la estructura fundamental. Y en esa estructura, millones de parámetros ajustados durante el entrenamiento encapsulan algo que funciona, que produce resultados, que generaliza más allá de lo que vio durante el aprendizaje.
Hay algo que este sistema revela sobre el mundo que va más allá de la tecnología. revela que el lenguaje humano, esa herramienta que usamos todos los días sin pensar demasiado en ella, está profundamente estructurado. Que nuestras oraciones no son cadenas arbitrarias de palabras, que hay regularidades en cómo describimos el dolor, en cómo argumentamos, en cómo contamos historias, en cómo explicamos el mundo y que esas regularidades [música] son suficientemente consistentes como para que una máquina las aprenda a partir de ejemplos.
Revela también que la inteligencia, o al menos algo que se le parece funcionalmente puede emerger de procesos que no tienen nada de místico. Sumas, [música] multiplicaciones, ajustes graduales de millones de parámetros, patrones estadísticos en cantidades masivas de datos. De esos ingredientes aparentemente ordinarios emerge algo que desafía las expectativas y [música] revela quizás lo más importante que estamos al principio de algo, que los sistemas actuales con toda su capacidad son probablemente primitivos comparados con lo que vendrá, que las limitaciones actuales, la alucinación, la falta de razonamiento causal profundo, la dependencia de datos de entrenamiento son problemas que el campo está atacando activamente sin garantía de solución, pero con una velocidad de progreso que no tiene precedente en la historia de la ingeniería.
La inteligencia artificial no es magia, no es conciencia, no es el fin del trabajo humano ni la solución a todos los problemas. Es un sistema con una entrada, un proceso interno de enorme complejidad y una salida. Y cuando lo miras por dentro, cuando entiendes qué ocurre en esas capas de transformaciones matemáticas, en esos millones de parámetros ajustados por billones de ejemplos, en esos mecanismos de atención que ponderan el contexto palabra por palabra, lo que encuentras no es menos asombroso que la magia que mucha gente le atribuye. Es más asombroso porque es real, porque funciona y porque nadie, ni siquiera quienes lo construyeron, lo entiende completamente todavía.
Nada es simple cuando lo miras por dentro. La inteligencia artificial no es el futuro, es el presente y está ocurriendo dentro de cada dispositivo que tocas, en cada búsqueda que haces, en cada decisión automatizada que te afecta sin que lo notes. [música] Entender cómo funciona no es un lujo técnico, es una forma de leer el mundo con más claridad. Si este video te hizo ver algo que antes no veías, deja tu like que le dice al algoritmo con toda la ironía del caso, que este contenido vale la pena. Y si quieres seguir mirando por dentro los sistemas que mueven el mundo, suscríbete a cómo funciona [música] todo. Aquí no explicamos qué son las cosas, explicamos por qué [música] funcionan así.