El lanzamiento de ChatGPT a finales de 2022 cambió por completo la comprensión que la gente tenía de la tecnología. De repente, las personas pudieron tener conversaciones significativas con las máquinas, lo que significaba que se podían hacer preguntas a un chatbot de IA en lenguaje natural y este respondería con respuestas novedosas, como lo haría un humano. Fue tan transformador que Google, Meta, Microsoft y Apple rápidamente comenzaron a integrar la IA en su conjunto de productos.
Pero ese aspecto de los chatbots de IA es sólo una parte del panorama de la IA. Claro, teniendo ChatGPT te ayuda a hacer tu tarea o hacer que Midjourney cree Imágenes fascinantes de mechs según el país de origen. Está bien, pero el potencial de la IA generativa podría remodelar completamente las economías. Eso podría valer la pena 4,4 billones de dólares a la economía mundial anualmentesegún McKinsey Global Institute, por lo que debería esperar escuchar cada vez más sobre inteligencia artificial.
Está apareciendo en una vertiginosa variedad de productos: una lista muy breve incluye Gemini de Google, Copilot de Microsoft, Claude de Anthropic, la herramienta de búsqueda Perplexity AI y dispositivos de Humane y Rabbit. Puede leer nuestras reseñas y evaluaciones prácticas de esos y otros productos, junto con noticias, explicaciones y publicaciones instructivas, en nuestro nuevo centro AI Atlas.
A medida que la gente se acostumbra más a un mundo entrelazado con la IA, aparecen nuevos términos por todas partes. Entonces, ya sea que esté tratando de parecer inteligente mientras toma una copa o impresiona en una entrevista de trabajo, aquí hay algunos términos importantes de IA que debe conocer.
Este glosario se actualizará periódicamente.
—
Inteligencia General Artificial, o AGI: Un concepto que sugiere una versión de IA más avanzada de la que conocemos hoy, una que puede realizar tareas mucho mejor que los humanos y al mismo tiempo enseñar y mejorar sus propias capacidades.
Agente: Sistemas o modelos que exhiben agencia con la capacidad de realizar acciones de forma autónoma para lograr una meta. En el contexto de la IA, un modelo agentivo puede actuar sin una supervisión constante, como un coche autónomo de alto nivel. A diferencia de un marco “agencial”, que está en segundo plano, los marcos agentivos están al frente y se centran en la experiencia del usuario.
Ética de la IA: Principios destinados a evitar que la IA dañe a los humanos, logrados a través de medios como determinar cómo los sistemas de IA deben recopilar datos o abordar los sesgos.
seguridad de la IA: Un campo interdisciplinario que se preocupa por los impactos a largo plazo de la IA y cómo podría progresar repentinamente hacia una súper inteligencia que podría ser hostil a los humanos.
algoritmo: Serie de instrucciones que permiten a un programa de computadora aprender y analizar datos de una manera particular, como reconocer patrones, para luego aprender de ellos y realizar tareas por sí solo.
alineación: Ajustar una IA para producir mejor el resultado deseado. Esto puede referirse a cualquier cosa, desde moderar contenido hasta mantener interacciones positivas con los humanos.
antropomorfismo: Cuando los humanos tienden a dar a los objetos no humanos características similares a las humanas. En la IA, esto puede incluir creer que un chatbot es más humano y consciente de lo que realmente es, como creer que es feliz, triste o incluso sensible.
inteligencia artificial o IA: El uso de tecnología para simular la inteligencia humana, ya sea en programas informáticos o en robótica. Un campo de la informática que tiene como objetivo construir sistemas que puedan realizar tareas humanas.
agentes autónomos: Un modelo de IA que tiene las capacidades, programación y otras herramientas para realizar una tarea específica. Un automóvil autónomo es un agente autónomo, por ejemplo, porque tiene entradas sensoriales, GPS y algoritmos de conducción para navegar por la carretera por sí solo. investigadores de stanford han demostrado que los agentes autónomos pueden desarrollar sus propias culturas, tradiciones y lenguaje compartido.
inclinación: En lo que respecta a modelos de lenguaje grandes, errores resultantes de los datos de entrenamiento. Esto puede dar como resultado la atribución falsa de ciertas características a determinadas razas o grupos basándose en estereotipos.
chatbot: Un programa que se comunica con los humanos a través de texto que simula el lenguaje humano.
ChatGPT: Un chatbot de IA desarrollado por OpenAI que utiliza tecnología de modelos de lenguaje grandes.
computación cognitiva: Otro término para inteligencia artificial.
aumento de datos: mezclar datos existentes o agregar un conjunto de datos más diverso para entrenar una IA.
aprendizaje profundo: Un método de IA y un subcampo del aprendizaje automático que utiliza múltiples parámetros para reconocer patrones complejos en imágenes, sonido y texto. El proceso está inspirado en el cerebro humano y utiliza redes neuronales artificiales para crear patrones.
difusión: 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 emergente: Cuando un modelo de IA muestra habilidades no deseadas.
aprendizaje de un extremo a otro, 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 capacitado para realizar una tarea secuencialmente, sino que aprende de las entradas y las resuelve todas a la vez.
consideraciones éticas: Conciencia de las implicaciones éticas de la IA y las cuestiones relacionadas con la privacidad, el uso de datos, la equidad, el mal uso y otras cuestiones de seguridad.
Maldición: También conocido como despegue rápido o despegue duro. El concepto de que si alguien construye un AGI, puede que ya sea demasiado tarde para salvar a la humanidad.
Redes generativas adversarias o GAN.: Un modelo de IA generativa compuesto por dos redes neuronales para generar nuevos datos: 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 crear texto, video, código de computadora o imágenes. La IA recibe grandes cantidades de datos de entrenamiento y encuentra patrones para generar sus propias respuestas novedosas, que a veces pueden ser similares al material original.
Google Géminis: Un chatbot de inteligencia artificial de Google que funciona de manera similar a ChatGPT pero extrae información de la web actual, mientras que ChatGPT está limitado a datos hasta 2021 y no está conectado a Internet.
barandillas: Políticas y restricciones impuestas a los modelos de IA para garantizar que los datos se manejen de manera responsable y que el modelo no cree contenido perturbador.
alucinación: Una respuesta incorrecta de la IA. Puede incluir IA generativa que produzca respuestas incorrectas pero expresadas con confianza como si fueran correctas. Las razones de esto no se conocen del todo. Por ejemplo, cuando se le pregunta a un chatbot de IA: “¿Cuándo pintó Leonardo da Vinci la Mona Lisa?” él puede responder con una declaración incorrecta diciendo: “Leonardo da Vinci pintó la Mona Lisa en 1815”, que es 300 años después de que realmente fuera pintada.
modelo de lenguaje grande, o LLM: Un modelo de IA entrenado con cantidades masivas de datos de texto para comprender el lenguaje y generar contenido novedoso en un lenguaje similar al humano.
aprendizaje automático o ML: Un componente de la IA que permite a las computadoras aprender y generar mejores resultados predictivos sin programación explícita. Se puede combinar con conjuntos de capacitación para generar contenido nuevo.
MicrosoftBing: Un motor de búsqueda de Microsoft que ahora puede utilizar la tecnología que impulsa ChatGPT para ofrecer resultados de búsqueda basados en IA. Es similar a Google Gemini en cuanto a estar conectado a Internet.
IA multimodal: Un tipo de IA que puede procesar múltiples tipos de entradas, incluidos texto, imágenes, videos y voz.
procesamiento del lenguaje natural: Rama de la IA que utiliza el aprendizaje automático y el aprendizaje profundo para brindar a las computadoras la capacidad de comprender el lenguaje humano, a menudo utilizando 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. Consta de nodos o neuronas interconectados que pueden reconocer patrones y aprender con el tiempo.
sobreajuste: Error en el aprendizaje automático donde funciona demasiado cerca de los datos de entrenamiento y es posible que solo pueda identificar ejemplos específicos en dichos datos, pero no datos nuevos.
clips de papel: La teoría del maximizador de clips de papel, acuñada por un filósofo Nick Boström de la Universidad de Oxford, es un escenario hipotético en el que un sistema de inteligencia artificial creará tantos clips literales como sea posible. En su objetivo de producir la máxima cantidad de clips, un sistema de IA hipotéticamente consumiría o convertiría todos los materiales para lograr su objetivo. Esto podría incluir el desmantelamiento de otra maquinaria para producir más clips, maquinaria que podría ser beneficiosa para los humanos. La consecuencia no deseada de este sistema de IA es que puede destruir a la humanidad en su objetivo de fabricar clips.
parámetros: Valores numéricos que dan estructura y comportamiento a los LLM, permitiéndole hacer predicciones.
inmediato: La sugerencia o pregunta la ingresas en un chatbot de IA para obtener una respuesta.
encadenamiento rápido: La capacidad de la IA de utilizar información de interacciones anteriores para dar color a respuestas futuras.
loro estocástico: Una analogía de los LLM que ilustra que el software no tiene una comprensión más amplia del significado detrás del lenguaje o del mundo que lo rodea, independientemente de cuán convincente suene el resultado. La frase se refiere a cómo un loro puede imitar palabras humanas sin comprender el significado detrás de ellas.
transferencia de estilo: La capacidad de adaptar el estilo de una imagen al contenido de otra, permitiendo que una IA interprete los atributos visuales de una imagen y los use en otra. Por ejemplo, tomar el autorretrato de Rembrandt y recrearlo al estilo de Picasso.
temperatura: Parámetros establecidos para controlar qué tan aleatoria es la salida de un modelo de lenguaje. Una temperatura más alta significa que el modelo corre más riesgos.
generación de texto a imagen: Creación de imágenes basadas en descripciones textuales.
fichas: Pequeños fragmentos de texto escrito que los modelos de lenguaje de IA procesan para formular sus respuestas a sus indicaciones. Una ficha equivale a cuatro caracteres en inglés, o aproximadamente tres cuartos de una palabra.
datos de entrenamiento: Los 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 las relaciones en los datos, como oraciones o partes de imágenes. Entonces, en lugar de analizar una oración palabra por palabra, puede mirar la oración completa y comprender el contexto.
prueba de turing: Lleva el nombre del famoso matemático e informático Alan Turing y prueba la capacidad de una máquina para comportarse como un ser humano. La máquina pasa si un humano no puede distinguir la respuesta de la máquina de la de otro humano.
IA débil, también conocida como IA estrecha: IA que se centra en una tarea particular y no puede aprender más allá de su conjunto de habilidades. La mayor parte de la IA actual es una IA débil.
aprendizaje de tiro cero: Una prueba en la que un modelo debe completar una tarea sin recibir los datos de entrenamiento necesarios. Un ejemplo sería reconocer un león mientras solo se entrena con tigres.
