Glosario de IA

Explicaciones sencillas de las palabras de IA que aparecen en las noticias.

Agente de IA: Un sistema de IA que trabaja por su cuenta hacia un objetivo: planifica pasos, usa herramientas como un navegador o código y revisa los resultados.
AGI (inteligencia artificial general): Una IA hipotética capaz de aprender y realizar la mayoría de las tareas intelectuales tan bien como una persona. No hay una definición ni una prueba aceptadas.
Ajuste fino (fine-tuning): Entrenamiento adicional de un modelo existente con un conjunto de datos más pequeño y específico para que mejore en una tarea o estilo concretos.
Alineación: El trabajo para que los sistemas de IA hagan lo que las personas pretenden y eviten conductas dañinas, incluso cuando se vuelven más capaces.
Alucinación: Cuando un modelo de IA afirma con seguridad algo falso, como un dato o una fuente inventados. Comprueba siempre la información importante.
API: Una forma de que los programas se comuniquen entre sí. Los desarrolladores usan la API de una empresa para integrar sus modelos de IA en sus apps, normalmente pagando por token.
Benchmark (prueba de referencia): Una prueba estándar para comparar modelos de IA. Los resultados son útiles, pero una puntuación alta no garantiza que el modelo sea el mejor para tu tarea.
Centro de datos: Un edificio lleno de servidores y chips. Los centros de datos de IA necesitan enormes cantidades de electricidad y refrigeración.
Chatbot: Un programa con el que hablas en lenguaje normal. Los chatbots de IA modernos escriben sus respuestas con un gran modelo de lenguaje.
Cuantización: Guardar los números de un modelo con menos bits para que necesite menos memoria y vaya más rápido, a cambio de algo de calidad. Habitual para ejecutar IA en local.
Deepfake: Un vídeo, imagen o voz falsos y realistas creados con IA, a menudo de una persona real. Los deepfakes se usan en estafas y desinformación.
Entrenamiento: El proceso en el que un modelo aprende patrones a partir de grandes cantidades de datos. Entrenar un modelo puntero puede llevar meses y miles de chips.
GPU (procesador gráfico): Un chip gráfico capaz de hacer muchos cálculos en paralelo. Las GPU, por ejemplo de Nvidia, son el principal hardware para entrenar y ejecutar IA.
Gran modelo de lenguaje (LLM): Un modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra. ChatGPT, Claude y Gemini se basan en grandes modelos de lenguaje.
IA generativa: IA que crea contenido nuevo –texto, imágenes, sonido, vídeo o código– en lugar de solo ordenar o analizar datos existentes.
Inferencia: Ejecutar un modelo ya entrenado para obtener una respuesta. Cada mensaje de chat es una inferencia, y es lo que los servicios de IA pagan en chips y electricidad.
Inteligencia artificial (IA): Sistemas informáticos que realizan tareas que solemos asociar al pensamiento humano, como entender el lenguaje, reconocer imágenes o tomar decisiones.
Mezcla de expertos (MoE): Un diseño de modelo que divide la red en muchos «expertos» y usa solo unos pocos por palabra, lo que abarata la ejecución de modelos grandes.
Modelo abierto (pesos abiertos): Un modelo cuyos parámetros entrenados se publican para que cualquiera pueda descargarlo y ejecutarlo, por ejemplo en su propio ordenador. Las licencias varían.
Modelo de difusión: Un tipo de modelo que crea imágenes, vídeo o texto partiendo de ruido y refinando el resultado paso a paso.
Modelo de razonamiento: Un modelo que resuelve un problema paso a paso antes de responder. Suele ser mejor en matemáticas, lógica y código, pero más lento y caro.
Multimodal: Capaz de manejar varios tipos de entrada o salida, como texto, imagen, sonido y vídeo, en el mismo modelo.
Parámetros: Los números dentro de un modelo que se ajustan durante el entrenamiento. Más parámetros suelen implicar más capacidad, pero también más memoria y coste.
Prompt (instrucción): La instrucción o pregunta que le das a un modelo de IA. Los prompts claros, con contexto y ejemplos, suelen dar mejores respuestas.
RAG (generación aumentada por recuperación): Una técnica en la que la IA primero busca documentos relevantes y luego escribe su respuesta a partir de ellos, lo que reduce los datos inventados.
Token: El pequeño fragmento de texto que un modelo de lenguaje lee y escribe, a menudo parte de una palabra. Los precios y límites se suelen contar en tokens.
Ventana de contexto: Cuánto texto puede tener en cuenta un modelo a la vez, contado en tokens. Una ventana mayor le permite leer documentos más largos de una sola vez.