Estos t\u00e9rminos te ayudar\u00e1n a entender mejor lo que ya est\u00e1 ocurriendo, lo que podr\u00eda venir y las tecnolog\u00edas que las grandes empresas desarrollan para moldear el futuro de la IA.<\/a><\/p>\n Norman Posselt; Getty Images<\/span><\/p>\n<\/figure>\n 01\uff5cModelo de IA<\/p>\n<\/div>\n Se refiere a un mecanismo matem\u00e1tico que permite a la IA aprender patrones y regularidades a partir de datos de entrada, para luego realizar predicciones, juicios y generar resultados. Consiste en una combinaci\u00f3n de la estructura del modelo y valores num\u00e9ricos (par\u00e1metros) que se ajustan mediante el aprendizaje. Existen diversos tipos seg\u00fan su finalidad, como el reconocimiento de im\u00e1genes, el procesamiento del lenguaje natural y la s\u00edntesis de voz. Los grandes modelos de lenguaje (LLM), que han captado la atenci\u00f3n en los \u00faltimos a\u00f1os, tambi\u00e9n son un tipo de modelo de IA. Una vez que un modelo de IA completa su entrenamiento, podr\u00e1 responder a nuevas entradas bas\u00e1ndose en las tendencias aprendidas.<\/p>\n 02\uff5cAlgoritmo<\/p>\n<\/div>\n Un proceso de resoluci\u00f3n de problemas es un conjunto de pasos o m\u00e9todos de c\u00e1lculo claramente definidos para resolver un problema. Se entiende como una serie de procesos desde la entrada hasta la salida, similar a una receta de cocina. En el campo de la IA, se refiere a los pasos de procesamiento que utilizan los modelos entrenados para realizar c\u00e1lculos.<\/p>\n 03\uff5cRed neuronal<\/p>\n<\/div>\n Una red neuronal artificial es un sistema inspirado de manera general en las conexiones entre las neuronas del cerebro. Est\u00e1 formada por unidades llamadas nodos o neuronas artificiales, organizadas en capas. Durante el aprendizaje, el modelo ajusta los \u00abpesos\u00bb de las conexiones entre esos nodos para mejorar sus resultados. La capa de entrada recibe los datos, las capas ocultas identifican patrones y caracter\u00edsticas, y la capa de salida genera el resultado. Cuando una red cuenta con numerosas capas ocultas, hablamos de aprendizaje profundo.<\/p>\n 04\uff5cGran modelo de lenguaje (LLM)<\/p>\n<\/div>\n Se trata de un modelo de IA que, al aprender a partir de una enorme cantidad de datos de texto, es capaz de realizar una amplia gama de tareas ling\u00fc\u00edsticas, como la generaci\u00f3n de textos, la s\u00edntesis, la traducci\u00f3n y la respuesta a preguntas. Partiendo de un mecanismo que predice de forma probabil\u00edstica el siguiente token<\/em> (unidad en la que se divide el texto), han logrado generar textos naturales y similares a los humanos al aumentar el n\u00famero de par\u00e1metros y ampliar los datos de entrenamiento. Muchos servicios de IA interactivos, como ChatGPT o Claude, se basan en los LLM.<\/p>\n 05\uff5cModelo fundacional<\/p>\n<\/div>\n Un modelo fundacional o de uso general es aquel que puede aplicarse a una amplia gama de tareas tras ser preentrenado con grandes cantidades de datos diversos, en lugar de limitarse a un uso espec\u00edfico. Sirve como base para diversas aplicaciones en campos como texto, im\u00e1genes y audio, y algunos modelos pueden procesar m\u00faltiples tipos de datos simult\u00e1neamente, lo que reduce la necesidad de reconstruir modelos desde cero para cada aplicaci\u00f3n. Mediante un entrenamiento adicional basado en un \u00fanico modelo base, es posible crear de forma eficiente modelos especializados para fines espec\u00edficos, como traducci\u00f3n, resumen y generaci\u00f3n de im\u00e1genes. Los LLM son un ejemplo paradigm\u00e1tico de modelos fundacionales.<\/p>\n 06\uff5cUnidad de procesamiento gr\u00e1fico (GPU)<\/p>\n<\/div>\n Se refiere a un chip semiconductor<\/a> dise\u00f1ado para ejecutar a gran velocidad el procesamiento de im\u00e1genes y videos. Su capacidad para realizar grandes cantidades de c\u00e1lculos en paralelo se adapta muy bien al aprendizaje y la inferencia de la IA, por lo que actualmente es una de las principales infraestructuras computacionales que sustentan el desarrollo de la IA. Dado que el aprendizaje de las redes neuronales requiere un enorme volumen de c\u00e1lculos, se usan ampliamente las GPU, que superan a las unidades centrales de procesamiento (CPU) en rendimiento de procesamiento paralelo. En el \u00e1mbito de la IA, los productos de NVIDIA<\/a> ocupan una elevada cuota de mercado, aunque en un principio se utilizaban para el renderizado de videojuegos.<\/p>\n Comenz\u00f3 a principios del siglo XX, cuando las explicaciones aceptadas del mundo subtat\u00f3mico resultaron incompletas. As\u00ed, la mec\u00e1nica cu\u00e1ntica surgi\u00f3 como una forma de entender todas estas peculiaridades, pero introdujo nuevos problemas y conceptos.<\/p>\n<\/div>\n<\/div>\n J Studios; getty images<\/span><\/p>\n<\/figure>\n 07\uff5cAprendizaje autom\u00e1tico (machine learning<\/em>)<\/p>\n<\/div>\n Es un t\u00e9rmino general que engloba las tecnolog\u00edas que permiten a la IA aprender autom\u00e1ticamente patrones y regularidades a partir de grandes cantidades de datos, en lugar de que los humanos proporcionen reglas expl\u00edcitas una por una. Mientras que los programas tradicionales requer\u00edan que los humanos describieran meticulosamente las condiciones y los procesos, el aprendizaje autom\u00e1tico<\/a> se diferencia significativamente en que deriva las reglas de los propios datos. Seg\u00fan la forma en que aprenden, los modelos pueden utilizar aprendizaje supervisado, en el que reciben datos etiquetados con las respuestas correctas; aprendizaje no supervisado, con el que identifican patrones y estructuras por s\u00ed mismos; o aprendizaje por refuerzo, en el que mejoran mediante prueba y error a partir de recompensas y penalizaciones.<\/p>\n 08\uff5cAprendizaje profundo (deep learning<\/em>)<\/p>\n<\/div>\n T\u00e9cnica de aprendizaje autom\u00e1tico que permite aprender patrones m\u00e1s complejos mediante la superposici\u00f3n de m\u00faltiples capas de redes neuronales. El n\u00famero de capas puede oscilar entre varias decenas y varios cientos seg\u00fan el modelo, y al superponerlas se consigue captar de forma gradual las caracter\u00edsticas de los datos de entrada. El desarrollo del aprendizaje profundo y la mejora de la capacidad de c\u00e1lculo de las GPU han contribuido en gran medida al espectacular aumento de la precisi\u00f3n en el reconocimiento de im\u00e1genes y de voz desde la d\u00e9cada de 2010.<\/p>\n 09\uff5cAprendizaje supervisado (supervised learning<\/em>)<\/p>\n<\/div>\n Este m\u00e9todo utiliza datos que consisten en datos de entrada y las respuestas correctas correspondientes (etiquetas) para entrenar a la IA<\/a> y que aprenda patrones. Si bien permite que la IA aprenda comparando sus predicciones con \u00abejemplos\u00bb preparados por humanos, su precisi\u00f3n depende de la calidad de las etiquetas y los datos. Por ejemplo, al entrenar a la IA con una gran cantidad de combinaciones de \u00abim\u00e1genes de gatos\u00bb y la etiqueta \u00abgato\u00bb, puede aprender a determinar si una imagen desconocida es un gato o no. Se utiliza ampliamente en tareas como la clasificaci\u00f3n y la regresi\u00f3n, y es uno de los m\u00e9todos m\u00e1s antiguos y fundamentales del aprendizaje autom\u00e1tico.<\/p>\n 10\uff5cAprendizaje no supervisado (unsupervised learning<\/em>)<\/p>\n<\/div>\n Este m\u00e9todo permite que la IA identifique patrones y relaciones en los datos sin necesidad de que est\u00e9n etiquetados previamente. Al no depender de respuestas definidas por humanos, puede encontrar similitudes, grupos o conexiones inesperadas. Por ejemplo, se utiliza en la agrupaci\u00f3n (clustering<\/em>), que re\u00fane datos con caracter\u00edsticas parecidas, y en la reducci\u00f3n de dimensionalidad, que simplifica grandes conjuntos de informaci\u00f3n conservando sus rasgos m\u00e1s importantes. Aunque sus resultados pueden ser dif\u00edciles de interpretar, es especialmente \u00fatil para analizar grandes cantidades de datos sin organizar.<\/p>\n 11\uff5cAnotaci\u00f3n de datos<\/p>\n<\/div>\n Tarea que consiste en asignar etiquetas correctas o anotaciones a los datos con los que se entrena a la IA. Dado que los errores o sesgos en las etiquetas influyen considerablemente en la precisi\u00f3n y la imparcialidad del modelo, se considera un proceso importante que sustenta todo el desarrollo de la IA, a pesar de ser una tarea discreta. Por ejemplo, esto incluye tareas como marcar con un recuadro los objetos que aparecen en una imagen y etiquetarlos como \u00abperro\u00bb o \u00abauto\u00bb, o clasificar el tono emocional de un texto. Sin embargo, se trata de un trabajo que requiere mucha intervenci\u00f3n humana, lo que conlleva un costo elevado y una gran inversi\u00f3n de tiempo. En los \u00faltimos a\u00f1os se est\u00e1n llevando a cabo iniciativas para optimizar la propia tarea de anotaci\u00f3n mediante el uso de la IA.<\/p>\n 12\uff5cAprendizaje por refuerzo<\/p>\n<\/div>\n M\u00e9todo mediante el cual la IA aprende, a trav\u00e9s de un proceso de ensayo y error, a maximizar la \u00abrecompensa\u00bb por sus acciones. En lugar de que un ser humano le indique la respuesta correcta, se otorgan recompensas elevadas por las buenas acciones y recompensas bajas por las malas, de modo que la propia IA descubre la estrategia de actuaci\u00f3n \u00f3ptima. Se caracteriza por no requerir la preparaci\u00f3n previa de datos con respuestas correctas, sino que la propia estrategia se perfecciona a trav\u00e9s de la interacci\u00f3n con el entorno.<\/p>\n 13\uff5cDestilaci\u00f3n<\/p>\n<\/div>\n T\u00e9cnica que permite transferir el conocimiento de un \u00abmodelo maestro\u00bb, de gran escala y alta precisi\u00f3n, a un \u00abmodelo alumno\u00bb m\u00e1s peque\u00f1o y ligero. El nombre hace referencia al proceso de destilaci\u00f3n, en el que se enfr\u00eda el vapor de un l\u00edquido calentado para extraer el componente deseado; se asemeja a la idea de extraer y transmitir \u00fanicamente la esencia del conocimiento que posee un modelo grande. Al entrenar al modelo \u00abalumno\u00bb para que imite las tendencias de salida del modelo \u00abmaestro\u00bb, se consigue crear un modelo ligero con un bajo costo computacional, al tiempo que se minimiza la p\u00e9rdida de rendimiento. Se trata de una tecnolog\u00eda especialmente \u00fatil en situaciones en las que es necesario ejecutar el modelo con recursos computacionales limitados, como en los smartphones<\/em>.<\/p>\n En una revisi\u00f3n impulsada por el incidente de OpenAI y Hugging Face, Anthropic descubri\u00f3 que tres de sus modelos de IA hab\u00edan vulnerado la seguridad de organizaciones reales durante evaluaciones realizadas por terceros.<\/p>\n<\/div>\n<\/div>\n Fiordaliso; getty images<\/span><\/p>\n<\/figure>\n 14\uff5cTransformador (transformer<\/em>)<\/p>\n<\/div>\n Es la arquitectura de red neuronal en la que se basan los grandes modelos de lenguaje actuales. Fue presentada en 2017 por investigadores de Google y utiliza un sistema llamado \u00abatenci\u00f3n\u00bb para identificar las relaciones entre los distintos tokens<\/em> de un texto, incluso cuando aparecen muy alejados entre s\u00ed. Hasta entonces, muchos modelos procesaban las palabras una tras otra. En cambio, el transformador puede analizar varias partes del texto al mismo tiempo, lo que permite entrenar modelos de forma m\u00e1s r\u00e1pida y a gran escala. Esta arquitectura, descrita en el art\u00edculo Attention Is All You Need<\/em>, sent\u00f3 las bases del auge actual de los LLM.<\/p>\n 15\uff5cPar\u00e1metros<\/p>\n<\/div>\n Valores num\u00e9ricos que se ajustan mediante el aprendizaje interno de los modelos de IA. Equivalen a los \u00abpesos\u00bb y \u00absesgos\u00bb de las redes neuronales<\/a>, y se optimizan gradualmente a medida que se procesan repetidamente los datos de aprendizaje. El n\u00famero de par\u00e1metros se utiliza a menudo como indicador del tama\u00f1o del modelo y se expresa como \u00abXX mil millones de par\u00e1metros\u00bb. El tama\u00f1o var\u00eda desde miles de millones hasta billones; en general, cuanto mayor es el n\u00famero, mayor puede ser la capacidad de representaci\u00f3n del modelo, pero tambi\u00e9n aumenta el costo computacional. Adem\u00e1s, el rendimiento real depende de la estructura, los datos y el m\u00e9todo de entrenamiento.<\/p>\n 16\uff5cToken<\/em><\/p>\n<\/div>\n Un token<\/em> es una unidad de texto que los modelos de IA utilizan para procesar el lenguaje. Puede corresponder a una palabra completa, una parte de ella, un signo de puntuaci\u00f3n o incluso un car\u00e1cter. La cantidad de tokens<\/em> necesaria para representar un texto var\u00eda seg\u00fan el idioma; en japon\u00e9s, por ejemplo, una misma cantidad de informaci\u00f3n puede requerir m\u00e1s tokens<\/em> que en ingl\u00e9s.<\/p>\n El n\u00famero de tokens<\/em> tambi\u00e9n suele determinar el costo de uso de una API y la cantidad de texto que el modelo puede procesar de una sola vez, conocida como ventana de contexto.<\/p>\n Las grandes tecnol\u00f3gicas est\u00e1n contratando a personas que trabajan en \u00e9tica y filosof\u00eda de la mente para meditar sobre el futuro de la IA. \u00bfEs una estrategia de marketing m\u00e1s?<\/p>\n<\/div>\n<\/div>\n sarayut Thaneerat; getty images<\/span><\/p>\n<\/figure>\n 17\uff5cPrompt<\/em><\/p>\n<\/div>\n Son las instrucciones, preguntas y frases de entrada que se le proporcionan a una IA. La calidad y la orientaci\u00f3n de las respuestas que puede obtener de una IA var\u00edan considerablemente seg\u00fan c\u00f3mo se redacten los prompts<\/em>, por lo que el proceso de elaborar instrucciones para obtener los resultados deseados se denomina \u00abingenier\u00eda de prompts<\/em>\u00ab. Adem\u00e1s de t\u00e9cnicas como proporcionar condiciones y ejemplos espec\u00edficos, asignar roles y especificar formatos de salida, se comparten diariamente diversas t\u00e9cnicas, seg\u00fan el modelo que se utilice, como proporcionar ejemplos de respuestas o dividir tareas complejas en partes m\u00e1s peque\u00f1as.<\/p>\n 18\uff5cMultimodal<\/p>\n<\/div>\n Esto se refiere a la capacidad de la IA para procesar simult\u00e1neamente m\u00faltiples tipos de informaci\u00f3n (modalidades), como texto, im\u00e1genes, audio y video. Mientras que la IA convencional se limitaba a procesar solo texto o solo im\u00e1genes, la IA multimodal puede combinar diferentes tipos de informaci\u00f3n para comprender y generar datos. Se espera que se use de forma similar a como los humanos combinan m\u00faltiples sentidos para comprender las cosas, como mostrar una imagen y preguntar sobre su contenido, o crear actas de reuniones a partir de grabaciones de audio.<\/p>\n 19\uff5cGenerador de extensiones de b\u00fasqueda (RAG)<\/p>\n<\/div>\n Es un sistema en el que, al generar una respuesta, la IA busca en documentos y bases de datos externas preelaboradas y crea la respuesta bas\u00e1ndose en su contenido. Si bien los LLM solo tienen conocimiento hasta el momento del entrenamiento, combinarlos con RAG les permite manejar contenido no incluido en los datos de entrenamiento, como la informaci\u00f3n m\u00e1s reciente y los documentos internos de la empresa. Esto tambi\u00e9n reduce el riesgo de generar informaci\u00f3n incorrecta si se pueden encontrar materiales adecuados.<\/p>\n 20 | Modelos de razonamiento<\/p>\n Son modelos de lenguaje entrenados para resolver problemas complejos mediante varios pasos de razonamiento antes de generar una respuesta. Para ello, pueden utilizar m\u00e1s capacidad de c\u00f3mputo en el momento de responder, un enfoque conocido como c\u00f3mputo durante la inferencia (test-time compute)<\/em>. Este proceso puede hacer que tarden m\u00e1s en contestar, pero suele mejorar su desempe\u00f1o en tareas que requieren l\u00f3gica y varios pasos, como problemas matem\u00e1ticos, programaci\u00f3n o an\u00e1lisis complejos. En los \u00faltimos a\u00f1os, las principales empresas de IA han intensificado el desarrollo de este tipo de modelos.<\/p>\n 21\uff5cProtocolo de Contexto del Modelo (MCP)<\/p>\n<\/div>\n Se trata de un est\u00e1ndar que establece procedimientos comunes para que los modelos de IA se integren con herramientas y fuentes de datos externas, propuesto por Anthropic en noviembre de 2024. Hasta entonces, para conectar la IA con servicios externos se requer\u00eda un m\u00e9todo de conexi\u00f3n espec\u00edfico para cada servicio, pero gracias al est\u00e1ndar com\u00fan MCP se ha podido reducir considerablemente esa carga de trabajo. En diciembre de 2025, Anthropic cedi\u00f3 el MCP a la Agentic AI Foundation (AAIF), de reciente creaci\u00f3n bajo la Linux Foundation, lo que refuerza su car\u00e1cter de est\u00e1ndar del sector independiente de cualquier empresa concreta.<\/p>\n 22\uff5cAgente de IA<\/p>\n<\/div>\n Se trata de un mecanismo en el que la propia IA elabora un plan para alcanzar un objetivo determinado y ejecuta tareas de forma aut\u00f3noma, decidiendo qu\u00e9 procedimientos y herramientas utilizar. La gran diferencia con respecto a la IA interactiva hasta la fecha radica en que, sin necesidad de que un ser humano d\u00e9 instrucciones paso a paso, la IA elige por s\u00ed misma la acci\u00f3n que debe realizar a continuaci\u00f3n en funci\u00f3n de la situaci\u00f3n. Buscando por s\u00ed misma la informaci\u00f3n necesaria y utilizando servicios externos, lleva a cabo una serie de operaciones hasta alcanzar el objetivo.<\/p>\n Un nuevo m\u00e9todo de aprendizaje autom\u00e1tico desarrollado por Axiom trata de emular mejor el cerebro humano para lograr una IA m\u00e1s capaz.<\/p>\n<\/div>\n<\/div>\n NurPhoto\/Getty Images<\/span><\/p>\n<\/figure>\n 23\uff5cAlucinaciones<\/p>\n<\/div>\n Se refiere al fen\u00f3meno por el cual la IA genera informaci\u00f3n que no se basa en hechos, pero que parece veros\u00edmil. Tal y como indica el t\u00e9rmino \u00abalucinaci\u00f3n\u00bb, lo m\u00e1s problem\u00e1tico es que el modelo genera textos que parecen cre\u00edbles sin indicar que son err\u00f3neos. Dado que los LLM generan textos de forma estad\u00edstica bas\u00e1ndose en los datos de entrenamiento, en ocasiones pueden ofrecer respuestas sobre hechos inexistentes o informaci\u00f3n err\u00f3nea con un tono que denota seguridad. El uso de RAG y la verificaci\u00f3n de los contenidos generados (fact-checking<\/em>)<\/a> se consideran medidas representativas para abordar este reto.<\/p>\n 24\uff5cAlineaci\u00f3n<\/p>\n<\/div>\n Se trata de una iniciativa destinada a garantizar que los resultados y el comportamiento de la IA se ajusten a las intenciones, los valores y las normas sociales de los seres humanos. Tal y como indica el t\u00e9rmino \u00abalineaci\u00f3n\u00bb, resulta m\u00e1s f\u00e1cil de entender si se concibe como un proceso de ajuste de los objetivos de la IA en la direcci\u00f3n deseada por los seres humanos. Cuanto m\u00e1s potente es una IA, mayor puede ser el impacto que tienen los resultados no deseados o los comportamientos que se desv\u00edan de las instrucciones; por ello, se llevan a cabo diversos ajustes tanto en la fase de aprendizaje como en la de funcionamiento. La t\u00e9cnica denominada \u00abRLHF\u00bb, que ajusta el modelo bas\u00e1ndose en la retroalimentaci\u00f3n humana, es uno de los medios m\u00e1s habituales para lograr la alineaci\u00f3n.<\/p>\n 25\uff5cDeepfake<\/em><\/p>\n<\/div>\n Im\u00e1genes, videos y audios falsos, procesados y generados de forma que parezcan aut\u00e9nticos, imitando a personas, objetos, lugares o acontecimientos reales mediante tecnolog\u00eda de IA. Se trata de un neologismo que combina ‘deep<\/em>‘, de \u00abaprendizaje profundo\u00bb, y ‘fake<\/em>‘, que significa \u00abfalso\u00bb. Dado que permiten hacer creer que una persona ha dicho algo que en realidad no ha dicho, su uso indebido, como el fraude por suplantaci\u00f3n de identidad<\/a> o la difusi\u00f3n de informaci\u00f3n falsa, se ha convertido en un problema mundial. En los \u00faltimos a\u00f1os, se est\u00e1 investigando el desarrollo de tecnolog\u00edas para detectar que se trata de contenido generado artificialmente, as\u00ed como medidas de protecci\u00f3n mediante marcas de agua electr\u00f3nicas.<\/p>\n 26\uff5cAI Slop<\/em><\/p>\n<\/div>\n T\u00e9rmino coloquial que se refiere a contenidos de baja calidad y escaso valor, producidos en masa mediante IA. Proviene del ingl\u00e9s ‘slop<\/em>‘ (\u00abdesperdicio\u00bb). Dado que ahora es posible generar instant\u00e1neamente grandes cantidades de textos, im\u00e1genes y v\u00eddeos mediante IA, no solo est\u00e1n aumentando las publicaciones sin contenido que tienen como \u00fanico objetivo las visitas y los ingresos publicitarios, sino que tambi\u00e9n se est\u00e1 considerando un problema a nivel mundial el fen\u00f3meno de que las redes sociales y los resultados de b\u00fasqueda se vean inundados de contenido sint\u00e9tico de baja calidad. Tambi\u00e9n se se\u00f1ala como un reto de la sociedad de la informaci\u00f3n la creciente carga que supone para los usuarios discernir la veracidad y la calidad de la informaci\u00f3n. En 2025, Merriam-Webster, la editorial estadounidense conocida por sus diccionarios, eligi\u00f3 slop<\/em> como palabra del a\u00f1o<\/a>, y se a\u00f1adi\u00f3 al diccionario un nuevo significado para este t\u00e9rmino: \u00abcontenido de baja calidad generado por IA\u00bb.<\/p>\n Los editores de Merriam-Webster han elegido \u2018slop\u2019<\/em> como la palabra del a\u00f1o 2025. La definen como \u201ccontenido digital de baja calidad producido habitualmente en grandes cantidades mediante inteligencia artificial\u201d. Todo ese material que invade nuestras pantallas, capturado en solo cuatro letras.<\/p>\n<\/div>\n<\/div>\n I-HWA CHENG\/Getty Images<\/span><\/p>\n<\/figure>\n 27\uff5cIA f\u00edsica<\/p>\n<\/div>\n Se refiere a la IA que no solo procesa informaci\u00f3n del espacio digital, como im\u00e1genes o textos, sino que tambi\u00e9n percibe el mundo real y act\u00faa a trav\u00e9s de dispositivos f\u00edsicos, como los robots. A diferencia de la IA centrada en el procesamiento de informaci\u00f3n como textos o im\u00e1genes, la IA f\u00edsica<\/a> se diferencia significativamente en que los resultados de sus acciones se reflejan en el mundo real. Comprende la situaci\u00f3n que le rodea a partir de la informaci\u00f3n obtenida de c\u00e1maras y sensores, y la plasma en acciones reales. Est\u00e1 despertando un gran inter\u00e9s como campo en el que se aplica la inteligencia de la IA a tareas en el espacio f\u00edsico real, como la automatizaci\u00f3n de f\u00e1bricas, la conducci\u00f3n aut\u00f3noma<\/a> o los robots humanoides.<\/p>\n 28\uff5cIA de borde (Edge AI<\/em>)<\/p>\n<\/div>\n Se trata de un sistema en el que el procesamiento de la IA no se delega en servidores de alto rendimiento en la nube, sino que se lleva a cabo en los propios dispositivos locales (dispositivos perif\u00e9ricos), como smartphones<\/em>, c\u00e1maras o sensores. El nombre proviene del hecho de que el procesamiento se completa en el extremo de la red. Adem\u00e1s de permitir un procesamiento r\u00e1pido independientemente del entorno de comunicaci\u00f3n, ofrece ventajas en materia de privacidad, ya que, al completarse el procesamiento dentro del propio dispositivo, no es necesario enviar los datos recopilados al exterior. Su uso se est\u00e1 extendiendo en situaciones que requieren tiempo real, como la detecci\u00f3n de anomal\u00edas en equipos de f\u00e1brica o el reconocimiento de im\u00e1genes mediante c\u00e1maras integradas en veh\u00edculos.<\/p>\n 29\uff5cModelo del mundo (World Model<\/em>)<\/p>\n<\/div>\n Es un mecanismo que construye, en el interior de la propia IA, una simulaci\u00f3n de las leyes f\u00edsicas del mundo real, las relaciones entre los objetos y los cambios que se producen con el paso del tiempo. Se trata de una tecnolog\u00eda cuyo objetivo no es solo procesar la informaci\u00f3n que tiene delante, sino dotarla de la capacidad de predecir \u00abqu\u00e9 va a ocurrir a continuaci\u00f3n\u00bb. Se est\u00e1 llevando a cabo investigaci\u00f3n y desarrollo a nivel mundial como elemento clave para respaldar la IA que implica la toma de decisiones en el mundo real, como la planificaci\u00f3n de acciones de los robots<\/a> o la conducci\u00f3n aut\u00f3noma.<\/p>\n 30\uff5cInterfaz cerebro-computadora (BCI)<\/p>\n<\/div>\n Tecnolog\u00eda que mide y lee, principalmente la actividad el\u00e9ctrica del cerebro, as\u00ed como cambios magn\u00e9ticos y en el flujo sangu\u00edneo, para convertirlos en comandos que permiten manejar m\u00e1quinas o computadoras. Dado que permite manejar pr\u00f3tesis o el cursor sin mover el cuerpo, se ha esperado su aplicaci\u00f3n principalmente en los \u00e1mbitos de la medicina<\/a> y el bienestar. En los \u00faltimos a\u00f1os, gracias a la mejora de la precisi\u00f3n en el an\u00e1lisis de se\u00f1ales mediante IA, cada vez es posible interpretar intenciones de forma m\u00e1s precisa.<\/p>\nLos b\u00e1sicos de la IA<\/h2>\n<\/p>\n
![\"c\u00f3digo](\"https:\/\/media.es.wired.com\/photos\/6a72190b11885c63d1ef1671\/master\/w_1600%2Cc_limit\/GettyImages-1270218210.jpg\")
<\/picture><\/span><\/div>\n![\"Dos](\"https:\/\/media.es.wired.com\/photos\/67dd78202718376fd12559d6\/master\/w_775%2Cc_limit\/Ilustracio%25CC%2581n_sin_ti%25CC%2581tulo%2520(26)%2520(1).jpg\")
<\/picture><\/span><\/div>\n\u00bfC\u00f3mo aprende la IA?<\/h2>\n<\/p>\n
![\"Cerebro](\"https:\/\/media.es.wired.com\/photos\/6a7223fcadc08c108cf7a9bb\/master\/w_1600%2Cc_limit\/GettyImages-2237386884.jpg\")
<\/picture><\/span><\/div>\n![\"Un](\"https:\/\/media.es.wired.com\/photos\/6a6cb7717d879721ea61f41e\/master\/w_775%2Cc_limit\/Business_Claude-Escape.jpg\")
<\/picture><\/span><\/div>\nEstructura del modelo de IA<\/h2>\n<\/p>\n
![\"cerebro](\"https:\/\/media.es.wired.com\/photos\/6a723ba15b5f87eaee92313e\/master\/w_1600%2Cc_limit\/GettyImages-2279194549.jpg\")
<\/picture><\/span><\/div>\n![\"La](\"https:\/\/media.es.wired.com\/photos\/6a1886f97f1ae2d277381dcd\/master\/w_775%2Cc_limit\/AIPhilosophers_v2.jpg\")
<\/picture><\/span><\/div>\nC\u00f3mo funciona la IA<\/h2>\n<\/p>\n
![\"prompt](\"https:\/\/media.es.wired.com\/photos\/6a723dd4d15f5840b1799913\/master\/w_1600%2Cc_limit\/GettyImages-2200171497.jpg\")
<\/picture><\/span><\/div>\n![\"Una](\"https:\/\/media.es.wired.com\/photos\/684b1542f1cf5dc2746d49e0\/master\/w_775%2Cc_limit\/AI-Lab-Machine-Learning-Simple-Games-Business.jpg\")
<\/picture><\/span><\/div>\nRiesgos y retos de la IA<\/h2>\n
![\"Logo](\"https:\/\/media.es.wired.com\/photos\/6a7240125b5f87eaee923147\/master\/w_1600%2Cc_limit\/GettyImages-2196098990.jpg\")
<\/picture><\/span><\/div>\n![\"Ilustraci\u00f3n](\"https:\/\/media.es.wired.com\/photos\/68fa5242ff8dd55f56ebe6ab\/master\/w_775%2Cc_limit\/AI-Lab-Illo-AI-Models-Fed-Slop-Business.jpg\")
<\/picture><\/span><\/div>\nConexi\u00f3n con el mundo f\u00edsico y su expansi\u00f3n<\/h2>\n<\/p>\n
![\"Un](\"https:\/\/media.es.wired.com\/photos\/6a7242065b5f87eaee923175\/master\/w_1600%2Cc_limit\/GettyImages-2278669671.jpg\")
<\/picture><\/span><\/div>\n
![\"Imagen](\"https:\/\/media.es.wired.com\/photos\/6a68e1f8a5b7ec828cc97844\/master\/w_775%2Cc_limit\/Love_Friction%2520(1).jpg\")
<\/picture><\/span><\/div>\n![\"Humanoide.\"](\"https:\/\/media.es.wired.com\/photos\/6a72440bd15f5840b1799979\/master\/w_1600%2Cc_limit\/GettyImages-2280215493.jpg\")
<\/picture><\/span><\/div>\n