La inteligencia artificial de hoy funciona, sobre todo, aprendiendo patrones de muchísimos ejemplos en lugar de seguir solo reglas escritas a mano. Primero se entrena un modelo con datos; después ese modelo recibe algo nuevo, como una foto o una pregunta, y responde con lo aprendido: una etiqueta, un número o, en un chat, texto token a token.
Una pregunta de la app. Elige una respuesta.
¿Cómo produce una respuesta un modelo generativo de texto?
Por sí sola no busca: genera el texto con lo que aprendió. Algunas apps le suman búsqueda.
Escribe la respuesta a partir de patrones que aprendió de muchísimo texto.
No elige solo de una lista: genera texto, aunque puede repetir frases de sus datos.
Datos: miles o millones de ejemplos, como fotos con su etiqueta o textos. Entrenamiento: el programa ajusta números internos, sus parámetros, para equivocarse cada vez menos en esos ejemplos; eso es el machine learning, y lo que sale es un modelo, que después se prueba con ejemplos que no vio. Uso, o inferencia: el modelo ya entrenado recibe algo nuevo y responde. Entrenar un modelo grande cuesta mucho; la inferencia pasa cada vez que le preguntas algo.
Los modelos más conocidos, como los de chat o los que reconocen imágenes, son redes neuronales: capas de cálculos simples con muchísimos parámetros. Con muchas capas se habla de deep learning, y esas cuentas se aceleran con GPU, chips que hacen miles de multiplicaciones a la vez.
Con aprendizaje supervisado, cada ejemplo trae la respuesta correcta: este correo es spam, este no. Sin supervisión, los ejemplos no traen respuesta y el modelo busca estructura, como grupos de casos parecidos. Y por refuerzo, prueba, recibe un premio o un castigo y ajusta; así aprenden a jugar algunos programas.
Los ejemplos pesan mucho. Si el modelo se aprende de memoria los del entrenamiento y falla con los nuevos, es sobreajuste. Si los ejemplos están torcidos, el modelo puede heredarlo: es una de las fuentes del sesgo, junto con cómo se diseña y se usa.
ChatGPT, Claude o Gemini usan un LLM. Tu pregunta se parte en tokens; el modelo, un Transformer, mira todo lo que tiene en su ventana de contexto y calcula probabilidades para los tokens que podrían seguir. Elige uno, lo agrega y repite. La temperatura ajusta cuánto varía esa elección, no cuánto sabe el modelo.
El modelo no copia la respuesta de una base de datos: la genera con lo que aprendió y lo que tiene en el contexto. Por eso puede escribir algo que nunca leyó, y por eso puede inventar con total seguridad. Para usar datos tuyos o actuales, la app los busca en documentos, bases de datos o la web y se los pasa en el texto, por ejemplo con RAG.
No entiende como una persona, y una respuesta segura no garantiza un acierto. En un chat como ChatGPT, conversar no cambia el modelo: lo que cambia la respuesta es el contexto; otras IA sí se actualizan con datos nuevos mientras se usan. Y no es una sola cosa: el filtro de spam, el mapa que calcula el tráfico y un chat comparten la idea, pero son modelos distintos, cada uno para su tarea.
Si recién empiezas, lee qué es la inteligencia artificial y después qué es un LLM y un token. Cada término trae una pregunta de Tokencito para practicar, y en la app lo mismo se aprende jugando, cinco minutos por día.