Una red neuronal es un tipo de modelo de machine learning formado por capas de unidades simples conectadas entre sí. Cada conexión tiene un peso, un número que dice cuánto importa. Al entrenarla con ejemplos, esos pesos se ajustan poco a poco para que la red se equivoque menos. Así reconoce fotos, voces o texto.
Una pregunta de la app. Elige una respuesta.
En un chat de IA, ¿qué es el modelo?
Esa es la app. Manda tu mensaje al modelo y te muestra lo que responde, y puede cambiar de modelo sin cambiar de ventana.
Es una red neuronal: millones de números, los parámetros, ajustados al entrenar con mucho texto. Con ellos calcula cada token que escribe.
No busca respuestas guardadas: genera cada una con lo que aprendió. Por eso la misma pregunta puede darte dos respuestas distintas.
Imagina una red que dice si una foto tiene un gato. La primera capa recibe la foto como números: qué tan claro u oscuro es cada punto. Las capas del medio combinan esos números, y la última da una sola respuesta: gato o no gato.
Cada unidad hace algo muy simple: recibe números de la capa anterior, los mezcla según los pesos de sus conexiones y pasa un número a la siguiente. Ninguna unidad sabe qué es un gato. El resultado sale de miles o millones de esas cuentas chicas juntas.
Piensa en una consola de sonido con miles de perillas, una por cada peso. Al principio están en cualquier posición y la red contesta al azar. Se le muestra una foto con la respuesta correcta, se mide cuánto se equivocó y cada perilla se mueve un poquito hacia donde el error baja.
Eso se repite con miles de fotos. Nadie gira las perillas a mano ni escribe la regla «orejas en punta, bigotes»: la red encuentra sola los ajustes que funcionan. Por eso, como todo machine learning, depende de sus ejemplos: aprende sus patrones y puede fallar con casos que no se les parecen.
Aprendizaje profundo (deep learning) es usar redes neuronales con muchas capas. «Profundo» habla de la cantidad de capas, no de que entienda más hondo. Con más capas, la red puede armar ideas sobre ideas: en una red de fotos, las primeras capas suelen reaccionar a bordes y las siguientes a formas más completas.
Los modelos de lenguaje que conversan contigo son redes neuronales enormes, con miles de millones de pesos. A esos pesos se les llama parámetros, y son lo que se guarda cuando se entrena un modelo. La idea es la misma que la del gato, pero en vez de decidir «gato o no», predicen qué pedazo de texto sigue.
«Funciona como el cerebro.» El nombre viene de una inspiración lejana en las neuronas, pero una neurona artificial es solo una cuenta: multiplica, suma y pasa un número. Tu cerebro aprende todo el tiempo y con pocos ejemplos; una red suele necesitar muchísimos y, ya entrenada, queda fija mientras la usas. «Entiende lo que ve.» Encuentra patrones en números, y puede fallar con una foto apenas distinta a las que vio. «Se puede leer por qué decidió.» Lo que aprendió está repartido en millones de pesos, sin una regla escrita que alguien pueda leer.