Buscar

Escribe para buscar en el sitio.

Glosario

Explicaciones breves de conceptos del mundo de la inteligencia artificial.

A

  • ACM (Association for Computing Machinery)

    La principal sociedad profesional internacional de la informática; otorga el Premio Turing y publica revistas como CACM.

  • Agente de IA

    Un sistema que persigue objetivos observando un entorno, planificando y ejecutando acciones (a menudo mediante herramientas) en lugar de solo producir texto estático.

  • Ajuste fino (Fine-tuning)

    Entrenamiento adicional a partir de un modelo existente: generalmente con menos datos y un objetivo más específico que el preentrenamiento.

  • AlexNet

    Red convolucional profunda que ganó el reto ImageNet de 2012 y suele citarse como la chispa de la era moderna del aprendizaje profundo.

  • Alignment (alineación de IA)

    El problema de asegurar que los sistemas de IA persigan objetivos y valores previstos, no solo lo que optimizaron literalmente en los datos de entrenamiento.

  • AlphaFold

    Sistema de DeepMind que predice la estructura 3D de proteínas a partir de la secuencia de aminoácidos; AlphaFold2 (2020) y versiones posteriores transformaron la biología estructural.

  • AlphaGo

    Programa de Go de DeepMind que venció al profesional Lee Sedol en 2016, hito que combina redes profundas, autojuego y búsqueda.

  • Alucinación

    En IA, salida fluida pero falsa o inventada del modelo, no una alucinación sensorial humana; riesgo en LLM, chatbots y citas.

  • Aprendizaje automático (ML)

    Algoritmos que generalizan patrones a partir de datos para hacer predicciones o tomar decisiones sin reglas escritas a mano para cada caso.

  • Aprendizaje de diferencia temporal (TD learning)

    Método de aprendizaje por refuerzo que actualiza estimaciones de valor a partir de la diferencia entre predicciones sucesivas, arrancando de la experiencia sin esperar a la recompensa final.

  • Aprendizaje no supervisado (Unsupervised learning)

    Aprendizaje automático a partir de datos sin etiquetar: el modelo encuentra estructura como grupos o patrones sin que le digan las respuestas correctas.

  • Aprendizaje por refuerzo (RL)

    Aprender políticas mediante recompensas o puntuaciones al interactuar con un entorno: fundamental para juegos, robótica y algunos ajustes de LLM tipo RLHF.

  • Aprendizaje profundo

    Redes neuronales con muchas capas sucesivas y métodos de entrenamiento ajustados a representaciones apiladas (a menudo rebautizado circa 2006–2012).

  • Aprendizaje supervisado (Supervised learning)

    Aprendizaje automático a partir de pares entrada–salida etiquetados: el modelo aprende a mapear ejemplos a objetivos conocidos.

  • Atención (Attention)

    El mecanismo que deja a un modelo ponderar cuánto importa cada parte de la entrada a cada otra, convirtiendo puntuaciones de similitud en pesos mediante un softmax.

  • Autojuego

    Régimen de entrenamiento en el que un agente mejora compitiendo contra copias o versiones anteriores de sí mismo, generando experiencia diversa sin etiquetas de experto humano.

Á

  • Árbol de decisión

    Modelo supervisado que clasifica o predice dividiendo los datos de forma recursiva por umbrales de características, formando un árbol de decisiones sí o no.

B

  • Bagging (agregación bootstrap)

    Técnica de conjunto que entrena varios modelos sobre muestras bootstrap de los datos de entrenamiento y agrega sus predicciones para reducir la varianza.

  • Base de datos vectorial

    Almacén optimizado para búsqueda por similitud sobre vectores de embedding: capa de recuperación detrás de muchos sistemas RAG.

  • Bosque aleatorio

    Clasificador de conjunto que agrega muchos árboles de decisión decorrelacionados entrenados sobre muestras bootstrap con subconjuntos aleatorios de características en cada división.

  • Búsqueda de respuestas (Question answering)

    Área del procesamiento del lenguaje natural dedicada a sistemas que responden preguntas formuladas en lenguaje natural con una respuesta directa, en lugar de una lista de documentos.

C

  • Cadena de Márkov (Markov chain)

    Un proceso aleatorio en el que el siguiente estado depende solo del actual; en ML, base del muestreo MCMC, modelos n-grama tempranos y generadores iterativos lentos que las GAN evitan.

  • Cadena de pensamiento (Chain-of-thought)

    Una técnica de prompting y entrenamiento en la que un modelo desarrolla por escrito pasos intermedios antes de dar una respuesta final, lo que suele mejorar la precisión en problemas de varios pasos.

  • Chatbot

    Interfaz conversacional basada en reglas, scripts o, hoy a menudo, un gran modelo de lenguaje; distinto del agente si solo responde sin actuar fuera.

  • Cómputo en tiempo de inferencia (Test-time compute)

    Cómputo adicional gastado cuando un modelo responde a una pregunta, en tiempo de inferencia, no solo durante el entrenamiento; un recurso para tareas de razonamiento difíciles.

  • Conducción autónoma

    Navegación de vehículos sin dirección humana continua, combinando percepción, mapeo, planificación y control, a menudo con aprendizaje automático sobre datos de sensores.

D

  • DARPA

    Agencia de Proyectos de Investigación Avanzada de Defensa de EE. UU.; financia investigación de alto riesgo que ha moldeado la IA, las redes y la robótica desde la era ARPANET hasta las carreras Grand Challenge.

  • Deep Blue

    Supercomputadora de ajedrez de IBM (1997) que venció a Kaspárov con búsqueda por fuerza bruta y evaluación manual, sin aprendizaje.

  • Deepfake

    Contenido de imagen, audio o vídeo generado o manipulado con IA que se parece a personas, objetos, lugares o hechos reales y puede parecer auténtico sin serlo.

  • DeepMind

    Laboratorio de IA de Londres fundado en 2010 y adquirido por Google en 2014; conocido por AlphaGo, AlphaFold y modelos multimodales bajo Google DeepMind.

  • DeepSeek

    Empresa china de IA cuyo modelo de razonamiento R1 de pesos abiertos (2025) rivalizó con sistemas punta occidentales a una fracción del coste de entrenamiento declarado y sacudió los mercados.

  • Descenso del gradiente (Gradient descent)

    Método de optimización que desplaza repetidamente los parámetros de un modelo un pequeño paso en la dirección en la que más disminuye el error; la tasa de aprendizaje fija el tamaño del paso.

E

  • ELIZA

    Programa de 1966 de Joseph Weizenbaum en el MIT que imitaba diálogo terapéutico con reglas por palabras clave; famoso por el efecto ELIZA.

  • Embedding de palabras

    Representación vectorial densa de una palabra aprendida a partir de coocurrencia o contexto de predicción, que captura regularidades semánticas y sintácticas en espacio continuo.

  • Enrutador de modelos (Model router)

    Una capa de control que elige qué variante o modo de modelo ejecutar para cada solicitud, por ejemplo chat rápido frente a razonamiento más profundo, en lugar de dejar la elección al usuario.

  • Entrenamiento (entrenamiento de modelos)

    La fase donde los parámetros del modelo se optimizan con datos o retroalimentación antes del despliegue: distinta de la inferencia en tiempo de ejecución.

G

  • GAN (red generativa adversativa)

    Dos redes neuronales entrenadas una contra otra: un generador produce datos artificiales y un discriminador intenta distinguirlos de los reales. Presentadas en 2014 por Ian Goodfellow y sus colegas.

  • Generación aumentada por recuperación (RAG)

    Combinar un recuperador sobre documentos o herramientas con un LLM generador para que las respuestas puedan citar contexto más actualizado o privado.

  • GPU

    Unidad de procesamiento gráfico; procesador paralelo creado para renderizar imágenes, luego reutilizado para acelerar operaciones matriciales en el entrenamiento de redes neuronales.

  • Gran modelo de lenguaje (LLM)

    Un modelo estadístico de lenguaje entrenado en grandes corpus de texto, típicamente usando una arquitectura transformer, utilizado para tareas de generación y comprensión.

  • Guardrails

    Capas técnicas y de política que limitan lo que un sistema de IA puede decir o hacer: filtros, reglas, permisos de herramientas y revisión humana.

I

  • IA generativa (Generative AI)

    Sistemas de IA que producen contenido nuevo, como textos, imágenes, audio o vídeo, aprendiendo patrones de sus datos de entrenamiento.

  • IA simbólica (buena IA a la antigua)

    IA construida a partir de símbolos explícitos, reglas lógicas y conocimiento estructurado: a menudo contrastada con el aprendizaje numérico a partir de datos crudos.

  • IA soberana (Sovereign AI)

    Capacidad de IA nacional o controlada localmente, incluida infraestructura, datos, modelos y políticas, al servicio de los intereses de un país en lugar de depender por completo de pilas extranjeras.

  • IBM Watson

    Sistema de preguntas y respuestas de IBM que venció en 2011 a los campeones de Jeopardy! Ken Jennings y Brad Rutter; después IBM usó el nombre para su oferta comercial de IA.

  • ImageNet

    Gran conjunto de imágenes etiquetadas y referente (desde mediados de los 2000) que hizo medible el progreso en visión por computador y abrió el camino al aprendizaje profundo.

  • Inferencia

    Usar un modelo entrenado para producir salidas con nuevas entradas: después de que el entrenamiento ha terminado (también llamado despliegue o paso hacia adelante en muchas configuraciones).

  • Inteligencia artificial (IA / AI)

    El amplio campo de la informática enfocado en construir sistemas que realizan tareas que típicamente requieren inteligencia humana, desde reconocimiento de patrones hasta razonamiento y comprensión del lenguaje.

  • Inteligencia artificial general (AGI)

    IA hipotética con competencia amplia comparable a la humana en muchas tareas, no lo mismo que un modelo estrecho o un chatbot LLM de hoy.

  • Invierno de la IA

    Un período en el que la financiación de la investigación en IA y el optimismo público cayeron drásticamente después de que las expectativas iniciales superaran los resultados prácticos.

  • Inyección de prompts (prompt injection)

    Instrucciones hostiles u ocultas en el contexto que secuestran el comportamiento de un LLM, directa (entrada del usuario) o indirecta (RAG, herramientas, documentos).

J

  • Jailbreak

    Prompts (o cadenas de prompts) pensados para eludir reglas de seguridad, rechazos o políticas de uso del modelo, no es prompt engineering habitual.

L

  • LeNet

    Familia de redes neuronales convolucionales de Yann LeCun y colegas en AT&T Bell Labs; LeNet-1 leyó dígitos de códigos postales hacia 1989, LeNet-5 cheques bancarios en 1998.

  • LIDAR

    Sensor de telemetría que mide distancias cronometrando pulsos láser, produciendo nubes de puntos 3D densas usadas en mapeo, robótica y vehículos autónomos.

M

  • Máquina de Boltzmann (Boltzmann machine)

    Red neuronal estocástica con unidades binarias y función de energía de la física estadística; aprende representaciones ocultas pero suele necesitar muestreo lento con cadenas de Márkov (MCMC) para entrenar.

  • Máquina de vectores de soporte (SVM)

    Clasificador supervisado que encuentra una frontera de margen máximo entre clases, a menudo extendido a problemas no lineales mediante el truco del kernel.

  • Mezcla de expertos (Mixture of experts)

    Un diseño de modelo que divide la red en muchas subredes especializadas y activa solo unas pocas por entrada, de modo que un modelo muy grande funciona al coste de uno mucho más pequeño.

  • Model Context Protocol (MCP)

    Un protocolo abierto que estandariza cómo las aplicaciones de IA se conectan a fuentes de datos externas, herramientas y servicios, permitiendo que los modelos actúen con contexto en tiempo real.

  • Modelo (modelo de aprendizaje automático)

    Una función aprendida con parámetros ajustados sobre datos: el artefacto del entrenamiento usado en inferencia.

  • Modelo de lenguaje

    Modelo estadístico o neuronal que asigna probabilidades a secuencias de palabras, usado para predicción, generación y como base de sistemas modernos de PLN.

P

  • Perceptrón

    Modelo neuronal temprano de una sola capa que aprende un límite de decisión lineal a partir de ejemplos; Rosenblatt (1958), luego acotado por Minsky y Papert.

  • PPO (optimización de política proximal)

    Algoritmo de aprendizaje por refuerzo muy usado que estabiliza las actualizaciones de política con un objetivo recortado; común en etapas de RLHF.

  • Procesamiento de lenguajes naturales (NLP)

    Rama de la IA centrada en comprender, generar y transformar lenguaje humano con ordenadores: del análisis y la traducción a los LLM modernos.

  • Prompt

    La instrucción textual o contexto proporcionado a un modelo de IA para guiar el estilo, alcance y tarea de la salida.

R

  • Razonamiento

    Comportamiento de inferencia paso a paso utilizado para derivar conclusiones a partir de contexto, reglas o estados intermedios.

  • Red de creencia profunda (deep belief network)

    Red neuronal profunda construida apilando máquinas de Boltzmann restringidas de forma codiciosa y ajustándola con retropropagación; Hinton et al. 2006 ayudó a reactivar el aprendizaje profundo.

  • Red de inferencia desenrollada (unrolled inference network)

    Un procedimiento de inferencia iterativo en un modelo energético o probabilístico, desplegado en un número fijo de pasos y entrenado de extremo a extremo como red feed-forward; las GAN lo evitan generando en un solo paso adelante.

  • Red neuronal (RNA)

    Modelos paramétricos organizados en capas de unidades simples; las fortalezas se aprenden de los datos mediante optimización.

  • Red neuronal convolucional (CNN)

    Arquitectura de red neuronal para datos en cuadrícula como imágenes, que usa filtros locales compartidos y pooling para aprender rasgos espaciales con eficiencia.

  • Red teaming

    Sondeo deliberado de un sistema de IA en busca de fallos, abusos y bypasses antes o después del lanzamiento, pruebas adversariales estructuradas.

  • ReLU (unidad lineal rectificada)

    Activación f(x) = max(0, x) en redes profundas; popularizada a mediados de los 2010 frente a sigmoide/tanh.

  • Retropropagación (Backpropagation)

    Algoritmo que entrena redes neuronales propagando el error de la salida hacia atrás por las capas y calculando cuánto contribuyó cada peso a ese error; base del entrenamiento por descenso del gradiente.

  • RLHF (aprendizaje por refuerzo a partir de retroalimentación humana)

    Ajuste de LLM a partir de comparaciones de preferencias humanas, a menudo con aprendizaje por refuerzo, clave para el alignment tras el preentrenamiento.

S

  • Singularidad tecnológica

    Un punto futuro hipotético en el que el cambio tecnológico (a menudo mediante IA avanzada) se acelera más allá de lo que los humanos pueden prever o controlar con fiabilidad.

  • Sistema experto

    Programa de IA basado en reglas con base de conocimiento y motor de inferencia; buque insignia comercial de la IA simbólica en los 80.

  • Superinteligencia (ASI)

    Una IA hipotética que supera con creces a los humanos en casi todos los dominios cognitivos, no es lo mismo que un chatbot potente, un LLM actual o una AGI a nivel humano.

T

  • Teoría del Internet muerto

    Una hipótesis marginal de la cultura en línea (circa 2021): la mayor parte del contenido visible y la interacción en la web ya son bots, spam o generados por IA, no actividad humana auténtica.

  • Test de Turing (juego de imitación)

    El criterio conductual propuesto por Alan Turing: ¿puede un diálogo de una máquina distinguirse del de un humano?

  • Token

    La unidad de texto más pequeña que un modelo de lenguaje procesa (a menudo un fragmento de palabra, no una palabra completa).

  • Transformer (arquitectura)

    Modelo de secuencia neuronal construido principalmente sobre atención: paralelizable y fundacional para los LLM desde "Attention Is All You Need" (2017).

  • Truco del kernel

    Técnica que calcula productos internos en un espacio de características de alta dimensión de forma implícita, permitiendo que algoritmos lineales ajusten fronteras de decisión no lineales con eficiencia.