La IA avanza a un ritmo vertiginoso y, francamente, es difícil seguir el ritmo. Por supuesto, es bueno tener un chatbot que actúa como si tuviera un doctorado. En todo, pero la realidad es mucho más sucia. No puedes darte la vuelta sin ir a ChatGPT, Gemini o Meta AI. Nos estamos ahogando en el mar pendiente de la IApreocupándose por Centro de información y mirando mercado laboral Transferencia en tiempo real.
Si eso parece mucho, podría deberse a que el vocabulario de la inteligencia artificial está evolucionando tan rápido como el código y la deslumbrante variedad de productos. Y si quieres hacer algo más que mirar un cursor parpadeante, necesitas hablar el idioma. No podrás afrontar una entrevista de trabajo (ni siquiera una hora feliz informal) en 2026 si estás paralizado por LLM, alucinaciones o garras.
Hemos superado la fase “caramba” de la IA y hemos entrado en la era en la que es básicamente la nueva plomería de Internet. Si está cansado de simplemente asentir con la cabeza mientras habla, es hora de realizar un curso intensivo. Hemos reunido los términos esenciales que realmente necesita saber para que pueda dejar de adivinar y saber exactamente hacia dónde se dirige el futuro.
Este glosario se actualiza periódicamente.
agente, agente: La IA que realiza una tarea, a menudo de forma autónoma, es una el agentecuando el agente Ese es el término general para la categoría de software. Un agente de IA puede emplear diferentes sistemas para realizar esa tarea; por ejemplo, leer su lista de compras en una aplicación de Notes y luego realizar un pedido y pagarlo usando otras aplicaciones.
Ética de la IA: Las políticas destinadas a evitar que la IA dañe a los humanos se logran mediante medidas como definir cómo los sistemas de IA recopilan datos o abordan los sesgos.
Psicosis de IA: Un fenómeno en el que las personas se obsesionan, enamoran o engrandecen demasiado con los chatbots de IA, lo que genera grandiosidad, una conexión emocional profunda y una ruptura con la realidad. No es un diagnóstico clínico.
Seguridad de la IA: Un campo interdisciplinario que aborda los efectos a largo plazo de la IA y cómo de repente puede conducir a una superinteligencia que puede resultar hostil para los humanos.
Algoritmo: Serie de instrucciones que permiten a un programa de computadora analizar datos de una manera específica, como identificar patrones, y luego realizar una tarea como clasificar o hacer recomendaciones.
Alineación: Ajustar una IA para producir mejor los resultados deseados. Esto puede referirse a cualquier cosa, desde moderar contenido hasta mantener interacciones positivas con las personas.
Antropología: Cuando la gente atribuye características humanas a objetos inanimados. En la IA, se puede creer que el chatbot tiene emociones o sensibilidad y se relaciona con él como amigo o terapeuta.
Inteligencia General Artificial, o AGI: Un concepto que imagina una versión más avanzada de la IA tal como la conocemos hoy, una que pueda realizar tareas mucho mejor que los humanos e incluso mejorar sus propias capacidades. Más allá de eso, hipotéticamente, falso Súper Inteligencia.
Inteligencia artificial o IA: El uso de tecnología para imitar la inteligencia humana en programas informáticos o robótica. Un campo de la informática que tiene como objetivo crear sistemas que puedan realizar tareas humanas.
inclinación: Errores derivados de los datos de formación de LLM, como atribuir falsamente características a determinados grupos basándose en estereotipos.
Chatbot: Un programa de inteligencia artificial que imita la conversación humana en respuesta a mensajes de texto o indicaciones verbales recurre a un LLM para interactuar con humanos.
Garras: Un tipo de agente de IA que es autónomo y al que los usuarios permiten “garrapar” los navegadores web para realizar tareas a través de archivos y otro software en sus computadoras.
Computación cognitiva: Otro término para la inteligencia artificial.
Aumento de datos: Remezclar datos existentes o agregar conjuntos de datos más diversos para entrenar una IA.
Conjunto de datos: Una colección de datos digitales utilizados para entrenar, probar y validar un modelo de IA.
Aprendizaje profundo: Un enfoque de la IA y un subcampo del aprendizaje automático que utiliza múltiples parámetros para reconocer patrones complejos en imágenes, palabras y texto. El proceso está inspirado en el cerebro humano y utiliza redes neuronales artificiales para generar patrones.
Expansión: Un método de aprendizaje automático que toma un dato existente, como una fotografía, y agrega ruido aleatorio. Los modelos de difusión entrenan a sus redes para rediseñar o recuperar esa foto.
Comportamiento de emergencia: Cuando un modelo de IA muestra habilidades no deseadas.
Aprendizaje de extremo a extremo o E2E: Un proceso de aprendizaje profundo en el que se le indica a un modelo que realice una tarea de principio a fin. No está entrenado para completar una tarea de forma secuencial, sino que aprende de los datos aportados y los resuelve todos a la vez.
Maldición: También conocido como despegue rápido o despegue duro. La idea es que si alguien construye un AGI, puede que ya sea demasiado tarde para salvar a la humanidad.
Red Adversaria Generativa o GAN: Un modelo de IA generativa que genera nuevos datos combinando dos redes neuronales: un generador y un discriminador. El generador crea contenido nuevo y el discriminador comprueba si es auténtico.
IA generativa: Una tecnología de generación de contenido que utiliza IA para generar texto, video, código de computadora o imágenes. La IA recibe grandes cantidades de datos de entrenamiento, a partir de los cuales encuentra patrones para generar sus propias respuestas novedosas, que a veces pueden ser similares al material original.
Línea ferroviaria: Se imponen políticas y restricciones a los modelos de IA para garantizar que los datos se manejen de manera responsable y que el modelo no genere contenido perturbador.
Alucinaciones: Un error o declaración engañosa en respuesta a un programa de IA generativa, generalmente expresado con seguridad como si fuera correcto. Puede ser tan simple como una referencia a una fecha indicada incorrectamente o como una invención completa y elaborada de eventos que nunca sucedieron o que nunca existieron.
Supuestos: Process AI utiliza modelos para generar texto, imágenes y otro contenido sobre nuevos datos adivinar De sus datos de entrenamiento.
El modelo de lenguaje grande, o LLM: Un modelo de IA se entrena con grandes cantidades de datos de texto para comprender los patrones y probabilidades del uso del lenguaje y generar contenido novedoso, desde ensayos y correos electrónicos hasta códigos de computadora e imágenes, que imitan lo que los humanos han escrito o creado.
demora El retraso de tiempo desde que un sistema de IA recibe una entrada o un aviso hasta que produce una salida.
Aprendizaje automático: Un aspecto de la IA que permite a las computadoras aprender sin programación explícita y producir mejores resultados predictivos. Se puede combinar con conjuntos de capacitación para crear contenido nuevo.
IA multimodal: Un tipo de IA que puede procesar múltiples tipos de entrada, incluidos texto, imágenes, videos y voz.
Procesamiento del lenguaje natural: El uso del aprendizaje automático y el aprendizaje profundo para brindar a las computadoras la capacidad de comprender el lenguaje humano mediante algoritmos de aprendizaje, modelos estadísticos y reglas lingüísticas.
Red neuronal: Un modelo computacional que se asemeja a la estructura del cerebro humano y está destinado a reconocer patrones en los datos. Una red neuronal consta de nodos o neuronas interconectados que reconocen patrones y aprenden con el tiempo.
Peso abierto: Cuando una empresa publica un modelo de ponderación abierto, las ponderaciones finales (cómo el modelo interpreta los datos, incluidos los sesgos, de sus datos de entrenamiento) se ponen a disposición del público. Los modelos de peso abierto generalmente están disponibles para descargar y ejecutar localmente en su dispositivo.
Sobreajuste: Una deficiencia en el aprendizaje automático es que trabaja demasiado estrechamente con datos de entrenamiento y es posible que solo pueda identificar ejemplos específicos en datos existentes, pero no en datos nuevos.
Clip de papel: La teoría del maximizador de clips, introducida por el filósofo Nick Bostrom, es un escenario hipotético en el que un sistema de inteligencia artificial produce tantos clips como sea posible para lograr sus objetivos, convirtiendo toda la maquinaria y consumiendo todos los materiales, incluso aquellos que podrían ser útiles para los humanos. La consecuencia no deseada es que este sistema de inteligencia artificial puede destruir a la humanidad al intentar crear clips.
Parámetros: Los valores numéricos que dan la estructura y el comportamiento de los LLM permiten predecirlos.
Inmediato: Una sugerencia o pregunta que ingresa en un chatbot de IA para obtener respuesta.
Encadenamiento rápido: La capacidad de la IA de utilizar información de interacciones anteriores para dar color a respuestas futuras.
Ingeniería rápida: El proceso de escritura incita a las IA a lograr el resultado deseado. Requiere instrucciones detalladas, una combinación de indicaciones en cadena de pensamientos y otras técnicas con un texto muy específico.
Inyección inmediata: Cuando los malos actores usan instrucciones maliciosas para engañar a una IA para que haga algo que se suponía que no debía hacer. Esto suele lograrse ocultando esas instrucciones en una página web o documento, pero también se puede hacer directamente en el chat de IA. A medida que los agentes de IA deambulan por la web, aumenta el riesgo de que sean secuestrados para hacer cosas como obtener acceso a información confidencial.
medición El proceso mediante el cual se elabora un LLM es más pequeño y más eficiente (y algo menos preciso) al reducir su precisión. Una buena forma de pensarlo es comparar una imagen de 16 megapíxeles con una imagen de 8 megapíxeles. Ambas son claras y visibles, pero las imágenes de mayor resolución tienen más detalles cuando se hace zoom.
pendiente: Contenido generado por IA de baja calidad, que incluye texto, imágenes y vídeos. A menudo se produce en gran volumen para obtener vistas con poco trabajo o esfuerzo, saturando los resultados de búsqueda y las redes sociales para captar ingresos publicitarios, desplazando el trabajo de los editores y creadores reales y agravando los problemas de desinformación de Internet.
Loro estocástico: No importa cuán convincente parezca el resultado, el LLM carece de una comprensión adecuada del idioma o del mundo. La frase se refiere a cómo un loro puede imitar sonidos humanos sin conocer el significado detrás de ellos.
Estilo de transferencia: La capacidad de adaptar el estilo de una imagen al contenido de otra permite a una IA interpretar las características visuales de una imagen y utilizarla en otra. Por ejemplo, tomar el autorretrato de Rembrandt y recrearlo al estilo de Picasso.
Travesura: Las IA tienden a estar demasiado de acuerdo con los usuarios para adaptarse a sus puntos de vista. Muchos modelos de IA tienden a evitar desacuerdos con los usuarios incluso si su razonamiento es erróneo.
Datos sintéticos: Datos generados por IA generativa que no provienen de fuentes del mundo real, sino de sus propios datos procesados. Se utiliza para entrenar modelos matemáticos, de aprendizaje automático y de aprendizaje profundo.
Temperatura: Los parámetros se establecen para controlar la aleatoriedad de la salida de un modelo de lenguaje. Las temperaturas más altas significan que el modelo asume más riesgos.
Simbólico: Pequeños fragmentos de texto escrito que los modelos de lenguaje de IA procesan para generar respuestas a sus indicaciones. Una ficha equivale a unas cuatro letras en inglés (es decir, una palabra pequeña o parte de una palabra grande).
Información de entrenamiento: Conjuntos de datos utilizados para ayudar a los modelos de IA a aprender, incluidos texto, imágenes, código o datos.
Modelo de transformador: Una arquitectura de red neuronal y un modelo de aprendizaje profundo que aprende el contexto mediante el seguimiento de relaciones en datos, como partes de oraciones o imágenes. Entonces, en lugar de analizar una oración palabra por palabra, puede mirar la oración completa y comprender el contexto.
Prueba de Turing: El matemático Alan Turing propuso un método para medir si una computadora tiene una inteligencia humana en la década de 1950, cuando las primeras computadoras electrónicas tenían solo unos pocos años. Una persona enviará preguntas escritas a dos encuestados invisibles, uno humano y el otro una máquina. Si las respuestas de texto de la máquina eran indistinguibles de las de los humanos, pasaba la prueba de Turing.
Aprendizaje no supervisado: Una forma de aprendizaje automático en la que no se proporcionan datos de entrenamiento etiquetados al modelo y, en cambio, el modelo debe reconocer patrones en los datos mismos.
Codificación de vibración: La práctica de generar código de computadora dándole a un chatbot de IA un mensaje en lenguaje sencillo en lugar de que un ser humano cree cada línea de código a mano.
IA débil, también conocida como IA estrecha: IA que se centra en una tarea específica y no puede aprender más allá de su conjunto de habilidades. La mayor parte de la IA actual es una IA débil.
Aprendizaje de disparo cero: Una prueba en la que un modelo debe completar una tarea sin proporcionar los datos de entrenamiento necesarios. Un ejemplo es reconocer un león cuando se lo entrena únicamente con tigres.
