Qué son las redes neuronales(Neural Networks) en la Ai?

Es muy probable que hoy hayas usado una neural network sin darte cuenta. Cuando Google autocompletó tu búsqueda. Cuando Spotify te sugirió esa canción que terminaste amando. Cuando tu teléfono se desbloqueó al escanear tu rostro. Todo eso funciona gracias a las redes neuronales. Sin embargo, la mayoría de las personas no tienen la menor idea de qué es realmente una neural network o cómo funciona.

Eso cambia ahora mismo.

Te voy a guiar a través de las redes neuronales desde cero: qué son, de dónde vienen, cómo aprenden y por qué se han convertido en la columna vertebral de casi todos los grandes avances tecnológicos de la última década. Sin muros de tecnicismos. Sin sobrecarga de matemáticas. Solo explicaciones claras y directas que realmente se te queden grabadas.

Key Takeaways (Puntos clave)

• Las redes neuronales son sistemas computacionales modelados a partir de la estructura y función del cerebro humano.

• Aprenden procesando grandes cantidades de datos, ajustando conexiones internas llamadas weights (pesos) hasta que sus predicciones se vuelven precisas.

• El concepto se remonta a 1943, pero las neural networks modernas se volvieron potentes recién después de la década de 2010 gracias a un mejor hardware y datasets más grandes.

• Existen múltiples tipos de redes neuronales, cada una diseñada para tareas diferentes como image recognition, language processing y pronóstico de series temporales.

• Las redes neuronales impulsan tecnologías como ChatGPT, autos autónomos, herramientas de diagnóstico médico y sistemas de detección de fraudes.

Entender las redes neuronales ya no es opcional: es un conocimiento esencial para cualquiera que trabaje en tecnología o cerca de ella hoy en día.

¿Qué es exactamente una Neural Network?

Empecemos por la definición.

Definición técnica: Una neural network es un modelo de machine learning compuesto por capas interconectadas de unidades matemáticas llamadas neuronas, las cuales procesan datos de entrada (input) y producen un resultado (output) al aprender patrones mediante la exposición repetida a ejemplos.

Esa es la versión técnica. Aquí va la versión humana.

Imagina que estás aprendiendo a reconocer gatos. Cuando eras bebé, nadie te entregó un libro de texto que definiera qué es un “gato”. Simplemente viste cientos de gatos —grandes, pequeños, naranjas, peludos— y, con el tiempo, tu cerebro construyó un modelo mental de lo que hace que algo sea un gato. Empezaste a notar patrones: orejas puntiagudas, bigotes, cierta forma del cuerpo. Te volviste mejor reconociendo gatos a medida que veías más de ellos.

Una neural network hace exactamente esto. Aliméntala con miles de fotos de gatos etiquetadas como “cat” y miles de fotos que no son de gatos etiquetadas como “not cat”, y comenzará a detectar los patrones visuales que separan a ambos. Al principio falla. Se corrige a sí misma. Falla menos. Eventualmente, se vuelve increíblemente buena.

La palabra “neural” proviene del latín neuralis, que se relaciona con los nervios. Se eligió porque la arquitectura de estos sistemas refleja vagamente las redes neuronales biológicas dentro de tu cerebro: neuronas conectadas por sinapsis que se envían señales entre sí. La conexión con la biología es real, aunque el parecido es más inspiracional que literal.

La historia de origen: ¿De dónde salieron las redes neuronales?

La mayoría de la gente asume que las redes neuronales son un invento reciente. No lo son.

El concepto se remonta a 1943, cuando el neurofisiólogo Warren McCulloch y el matemático Walter Pitts publicaron un artículo titulado A Logical Calculus of Ideas Immanent in Nervous Activity. Propusieron un modelo matemático de una neurona: una unidad simple que toma inputs binarios y produce un output binario. Esta fue la primera vez que se describió formalmente un sistema computacional modelado a partir del cerebro.

En 1958, el psicólogo Frank Rosenblatt construyó el Perceptron, la primera neural network entrenable implementada en hardware. Fue diseñada para reconocer patrones visuales simples. La Marina de los EE. UU. la financió. El New York Times lo llamó “el embrión de una computadora electrónica que [la Marina] espera que sea capaz de caminar, hablar, ver, escribir, reproducirse y ser consciente de su existencia”. Palabras audaces.

Luego llegó el invierno.

En 1969, Marvin Minsky y Seymour Papert publicaron Perceptrons, un libro que demostró matemáticamente las limitaciones de las redes de una sola capa. El financiamiento se secó. La investigación se desaceleró por completo. Este período se conoció como el primer AI Winter (Invierno de la IA).

El renacimiento ocurrió en 1986, cuando David Rumelhart, Geoffrey Hinton y Ronald Williams publicaron un artículo histórico que introdujo el backpropagation, el algoritmo que finalmente hizo práctico el entrenamiento de redes multicapa. Esto fue enorme. De repente, las redes con capas ocultas (hidden layers) podían aprender patrones complejos que las redes de una sola capa nunca habrían podido descifrar.

Aun así, el poder de cómputo limitaba lo que era posible. Entrenar redes profundas tomaba días o semanas. Los datasets eran pequeños.

La verdadera explosión llegó después de 2012. Ese año, una neural network llamada AlexNet —construida por el equipo de Geoffrey Hinton en la Universidad de Toronto— arrasó en la competencia ImageNet Large Scale Visual Recognition Challenge. Redujo la tasa de error del 26% al 15.3% en un solo año. El campo entero se puso de cabeza. La era del deep learning había comenzado.

Hoy en día, el mercado global de redes neuronales está valuado en más de $21 mil millones de dólares y se proyecta que superará los $400 mil millones para 2033, creciendo a una tasa de crecimiento anual compuesto de aproximadamente el 34%.

Los bloques de construcción: Cómo se estructura una Neural Network

Comprender la estructura es fundamental. Permíteme desglosarla capa por capa.

Neuronas: La unidad básica

Una sola neurona artificial a veces se llama nodo o perceptron. Recibe uno o más inputs numéricos, multiplica cada uno por un weight (un número que representa qué tan importante es ese input), los suma todos, aplica una función matemática al resultado y produce un output.

Piensa en esto como un juez que califica una competencia. Cada participante (input) obtiene una puntuación multiplicada por cuánto valora el juez ese criterio (weight). La puntuación total pasa por un proceso de escalado final (la activation function) y produce un veredicto final (el output).

El weight es lo que la red aprende. Ajusta los weights y cambiarás aquello a lo que la red le presta atención.

Capas: La arquitectura del aprendizaje

Las redes neuronales organizan las neuronas en capas (layers). Existen tres tipos:

• Input layer (Capa de entrada): Aquí es donde los datos crudos entran a la red. Si estás ingresando una imagen en escala de grises de 28×28 píxeles, la input layer tendrá 784 neuronas, una para cada valor de píxel.

• Hidden layers (Capas ocultas): Estas se encuentran entre la entrada y la salida. Cada hidden layer transforma los datos de la capa anterior, extrayendo características cada vez más complejas. La primera hidden layer en una red de imágenes podría detectar bordes. La siguiente podría detectar formas. La siguiente, rasgos faciales. El término deep learning se refiere simplemente a redes con muchas hidden layers; “deep” (profundo) significa muchas capas, no una profundidad metafórica.

• Output layer (Capa de salida): Esta produce el resultado final. Para una tarea de clasificación con 10 categorías, la output layer tiene 10 neuronas, cada una representando una categoría. La neurona con el valor de activación más alto es la predicción de la red.

Una red simple puede tener 3 capas. Un modelo de vanguardia como GPT-4 tiene 96 capas de transformers con miles de millones de parámetros.

Weights y Biases: Los parámetros entrenables

Cada conexión entre neuronas tiene un weight. Cada neurona también tiene un bias (sesgo), un valor constante que se suma a su cálculo y que le da flexibilidad para activarse incluso cuando todos los inputs son cero.

Al número total de weights y biases en una red se le conoce como su conteo de parámetros (parameter count). Las redes pequeñas tienen miles de parámetros. GPT-3, lanzado en 2020, tenía 175 mil millones de parámetros. Los modelos de frontera modernos tienen billones.

Activation Functions: Añadiendo no linealidad

Sin funciones de activación (activation functions), una neural network —sin importar cuántas capas tuviera— se comportaría como un modelo lineal de una sola capa. Sería matemáticamente incapaz de aprender patrones complejos.

Las activation functions inyectan no linealidad, lo que le permite a la red aprender límites de decisión curvados, relaciones complejas y abstracciones jerárquicas.

Las activation functions más comunes incluyen:

• ReLU (Rectified Linear Unit): Devuelve cero para valores negativos y deja pasar los valores positivos sin cambios. Es simple, efectiva y la más utilizada. Se introdujo en su forma moderna de deep learning alrededor de 2010.

• Sigmoid: Aplasta cualquier input a un valor entre 0 y 1. Es muy útil para los outputs de clasificación binaria.

• Tanh: Similar a la sigmoid, pero devuelve valores entre -1 y 1. A menudo se prefiere en las hidden layers.

• Softmax: Se utiliza en las output layers para la clasificación multiclase. Convierte las puntuaciones crudas en probabilidades que suman 1.

Cómo aprenden las redes neuronales: El proceso de entrenamiento

Esta es la parte que la mayoría de las explicaciones pasan por alto. Yo quiero explicártela de verdad.

Step 1: Forward Pass (Paso hacia adelante)

Alimentas los datos de entrenamiento en la input layer. Estos fluyen a través de cada capa, transformándose en cada paso, hasta que llegan a la output layer y producen una predicción.

Step 2: Loss Calculation (Culo del error)

La predicción de la red se compara con la respuesta correcta real. La diferencia se cuantifica mediante una función matemática llamada loss function (también conocida como cost function). Las loss functions más comunes incluyen el Mean Squared Error para tareas de regresión y el Cross-Entropy Loss para tareas de clasificación.

Un loss alto significa que la predicción estuvo muy lejos. Un loss bajo significa que la red se está desempeñando bien. Todo el objetivo del entrenamiento es minimizar este loss.

Step 3: Backpropagation (Propagación hacia atrás)

Este es el motor del aprendizaje. La señal de error (el loss) se propaga hacia atrás a través de la red, capa por capa, hasta llegar al input. En cada capa, se utilizan matemáticas avanzadas —específicamente derivadas parciales— para determinar cuánto contribuyó cada weight al error.

El backpropagation fue descrito de forma independiente por múltiples investigadores y adoptado masivamente tras el artículo de Rumelhart, Hinton y Williams en 1986. Podría decirse que es el algoritmo más importante en la historia del machine learning.

Step 4: Gradient Descent (Descenso de gradiente)

Una vez que el backpropagation nos dice cómo contribuyó cada weight al error, actualizamos los weights para reducir esa contribución. La regla de actualización se llama gradient descent.

Imagina que estás con los ojos vendados en un paisaje montañoso y necesitas encontrar el valle más bajo. Sientes la inclinación del suelo bajo tus pies y das un paso en la dirección que se sienta cuesta abajo. El gradient descent hace exactamente lo mismo en un espacio matemático que puede tener miles de millones de dimensiones.

El tamaño de cada paso está controlado por un hiperparámetro llamado learning rate (tasa de aprendizaje). Un learning rate demasiado grande puede hacer que te pases de largo del valle. Uno demasiado pequeño hará que el entrenamiento tarde una eternidad.

Step 5: Repeat (Repetir)

Este ciclo —forward pass, loss calculation, backpropagation, actualización de weights— se repite miles o millones de veces con todos los ejemplos de entrenamiento. Cada pasada completa por todo el dataset de entrenamiento se llama epoch (época).

Con el tiempo, los weights convergen en valores que hacen que las predicciones de la red sean notablemente precisas. La red no ha sido programada con reglas. Ha aprendido patrones a partir de los datos.

Tipos de Redes Neuronales

No todas las redes neuronales se construyen igual. Diferentes arquitecturas resuelven diferentes problemas.

Feedforward Neural Networks (FNN)

El tipo más simple. Los datos fluyen en una sola dirección —hacia adelante— desde el input hasta el output. No hay bucles ni memoria de inputs anteriores. Es buena para tareas básicas de clasificación y regresión. La estructura que describí anteriormente es una feedforward network.

Convolutional Neural Networks (CNN)

Diseñadas específicamente para datos estructurados en cuadrículas, como las imágenes. En lugar de conectar cada neurona con absolutamente todas las demás, las CNN usan convolutional layers que escanean pequeñas regiones del input, detectando patrones locales sin importar en qué parte de la imagen aparezcan. Esto se conoce como translation invariance (invariancia a la traslación).

Las CNN son la razón por la que tu teléfono puede identificar objetos en las fotos. Están detrás del reconocimiento facial, el análisis de imágenes médicas, la percepción de vehículos autónomos y el procesamiento de imágenes satelitales. La famosa AlexNet de 2012 era una CNN.

Una CNN típicamente apila varias operaciones: convolutional layers que extraen características, pooling layers que reducen la dimensionalidad resumiendo regiones locales, y capas completamente conectadas (fully connected layers) al final que producen la clasificación definitiva.

Recurrent Neural Networks (RNN)

Las redes feedforward estándar tratan cada input de forma independiente. Pero ¿qué pasa con las secuencias donde el orden importa? El texto, el habla, la música, los datos de series temporales… todo esto tiene una estructura temporal. Lo que vino antes afecta a lo que viene después.

Las RNN resuelven esto manteniendo un hidden state (estado oculto) que lleva información de los pasos de tiempo anteriores al cálculo actual. Básicamente, la red tiene memoria.

El problema con las RNN básicas es el llamado vanishing gradient problem (problema del gradiente desvaneciente). A medida que las secuencias se vuelven más largas, la señal del gradiente que fluye hacia atrás en el tiempo se vuelve cada vez más pequeña, hasta que la red olvida por completo la información del inicio de la secuencia.

Long Short-Term Memory Networks (LSTM)

Las LSTM, introducidas por Sepp Hochreiter y Jürgen Schmidhuber en 1997, son un tipo especial de RNN diseñado específicamente para solucionar el vanishing gradient problem. Utilizan un sistema de compuertas (gates) —input gate, forget gate y output gate— para controlar qué información se almacena, cuál se descarta y cuál se transmite.

Las LSTM impulsaron los sistemas de reconocimiento de voz como las primeras versiones de Siri y Google Voice. Dominaron las tareas de natural language processing durante toda la década de 2010 antes de la llegada de los transformers.

Transformer Networks

Introducidos en el artículo de 2017 Attention Is All You Need por investigadores de Google, los transformers cambiaron por completo el campo del procesamiento de lenguaje natural y luego se extendieron a casi cualquier otro dominio.

En lugar de procesar secuencias paso a paso como las RNN, los transformers procesan secuencias enteras en paralelo utilizando un mecanismo llamado self-attention (autoatención). La self-attention permite que cada posición de la secuencia atienda a todas las demás posiciones simultáneamente, capturando dependencias de largo alcance sin los problemas de memoria de las RNN.

GPT (Generative Pre-trained Transformer), BERT, T5 y casi cualquier modelo de lenguaje grande moderno están construidos sobre la arquitectura transformer. Los Vision Transformers (ViTs) ahora aplican esta misma arquitectura a las imágenes. Los transformers son actualmente la arquitectura dominante en la investigación de IA.

Generative Adversarial Networks (GAN)

Introducidas por Ian Goodfellow en 2014, las GAN consisten en dos redes entrenadas una contra la otra. El generator crea datos sintéticos (por ejemplo, imágenes falsas). El discriminator intenta distinguir los elementos falsos del generator de los datos reales. El generator aprende a volverse mejor engañando al discriminator. El discriminator aprende a mejorar detectando falsificaciones.

El resultado es un generator capaz de producir datos sintéticos asombrosamente realistas. Las GAN impulsaron la tecnología de deepfakes de la que seguro has oído hablar, pero también se usan para generar rostros fotorrealistas de personas que no existen, crear datos de entrenamiento sintéticos para otros modelos y acelerar el descubrimiento de fármacos generando estructuras moleculares novedosas.

Autoencoders

Un autoencoder se entrena para comprimir datos de entrada en una representación compacta (encoding) y luego reconstruir el input original a partir de esa forma comprimida (decoding). La red se ve obligada a aprender las características más esenciales de los datos para poder realizar esta tarea.

Los autoencoders se utilizan para la detección de anomalías —porque los datos normales se comprimen y reconstrucen bien, pero las anomalías no—. También se usan para la reducción de dimensionalidad, la eliminación de ruido (denoising) y como componentes dentro de modelos generativos más complejos.

Overfitting vs. Underfitting: El desafío central del entrenamiento

Entrenar una neural network no se trata solo de arrojarle datos. Tienes que navegar entre dos modos de falla opuestos.

• El underfitting ocurre cuando un modelo es demasiado simple o no se ha entrenado lo suficiente. Falla en capturar los patrones reales de los datos y se desempeña mal tanto con los datos de entrenamiento como con los datos nuevos y no vistos. La solución suele ser un modelo más grande o complejo, entrenado durante más tiempo.

• El overfitting es el problema más común e insidioso. Ocurre cuando el modelo aprende los datos de entrenamiento de manera demasiado específica, memorizando sus rarezas y ruido en lugar de aprender patrones generalizables. El modelo funciona brillantemente con los datos de entrenamiento, pero se cae a pedazos cuando se le dan ejemplos nuevos.

Piensa en un estudiante que memoriza cada pregunta de exámenes pasados palabra por palabra en lugar de comprender la materia. Logrará un puntaje perfecto en los exámenes de práctica, pero reprobará el examen real.

Las técnicas utilizadas para combatir el overfitting incluyen:

• Dropout: Desactivar aleatoriamente un porcentaje de neuronas durante cada paso del entrenamiento, obligando a la red a desarrollar representaciones redundantes.

• Regularización L1 y L2: Añadir términos de penalización a la loss function que desalientan los valores de weights extremadamente grandes.

• Data augmentation: Expandir artificialmente el dataset de entrenamiento aplicando transformaciones (voltear, rotar, recortar imágenes) a los ejemplos existentes.

• Early stopping: Monitorear el rendimiento en un validation set separado y detener el entrenamiento una vez que el rendimiento comience a degradarse.

• Batch normalization: Normalizar los inputs de cada capa, lo que estabiliza el entrenamiento y actúa como un regularizador leve.

Aplicaciones en el mundo real: Dónde aparecen realmente las redes neuronales

La lista es larga. Muy larga. Permíteme cubrir los ámbitos más significativos.

Cuidado de la salud e imágenes médicas

Las redes neuronales están igualando o superando a los especialistas humanos en ciertas tareas de diagnóstico. DeepMind de Google desarrolló un sistema de IA que detectó más de 50 tipos de enfermedades oculares a partir de escaneos de retina con una precisión comparable a la de oftalmólogos expertos. Un estudio de 2019 publicado en Nature Medicine mostró una CNN que superó a los radiólogos en la detección de cáncer de pulmón a partir de tomografías computarizadas en ciertos entornos experimentales.

Las redes neuronales están acelerando el descubrimiento de fármacos al predecir cómo interactuarán las moléculas con las proteínas, un proceso que antes requería años de trabajo de laboratorio. AlphaFold2 de DeepMind, lanzado en 2021, resolvió el problema del plegamiento de proteínas que había desconcertado a los biólogos durante 50 años, prediciendo la estructura 3D de las proteínas a partir de sus secuencias de aminoácidos con una precisión asombrosa.

Natural Language Processing (Procesamiento del lenguaje natural)

Cada vez que interactúas con un chatbot, usas traducción automática, ves subtítulos autogenerados o recibes sugerencias de escritura en tu cliente de correo electrónico, las redes neuronales están haciendo el trabajo. GPT-4 demostró un rendimiento en una amplia gama de evaluaciones profesionales y académicas que lo situó aproximadamente en el percentil 90 entre los humanos que realizaron el examen oficial de la barra de abogados (Uniform Bar Exam).

Computer Vision (Visión por computadora)

Los vehículos autónomos dependen en gran medida de las CNN para interpretar las transmisiones de cámaras y sensores en tiempo real. El Autopilot de Tesla y el sistema de conducción autónoma de Waymo utilizan redes neuronales en el núcleo de sus procesos de percepción. Las redes neuronales también impulsan el control de calidad en la manufactura, detectando defectos en productos en líneas de ensamblaje a velocidades y precisiones que los inspectores humanos no pueden igualar.

Finanzas

Los bancos utilizan redes neuronales para la detección de fraudes, analizando miles de atributos de transacciones en milisegundos para alertar sobre actividades sospechosas. Las firmas de high-frequency trading (trading de alta frecuencia) las usan para identificar patrones de mercado. Los modelos de calificación crediticia construidos sobre redes neuronales a menudo superan a los modelos estadísticos tradicionales al predecir el riesgo de incumplimiento de pago.

Recommendation Systems (Sistemas de recomendación)

Netflix, YouTube, Spotify y Amazon utilizan redes neuronales para potenciar sus motores de recomendación. Netflix ha afirmado que su sistema de recomendación ahorra aproximadamente $1 mil millones de dólares al año en retención de clientes. El algoritmo de recomendación de YouTube impulsa más del 70% de todo el tiempo de reproducción en la plataforma.

El Hardware detrás de la revolución

Las redes neuronales existieron conceptualmente durante décadas antes de volverse prácticas. ¿Qué cambió? El hardware.

Entrenar redes neuronales profundas requiere una cantidad enorme de multiplicaciones de matrices, exactamente la misma operación matemática para la que las unidades de procesamiento gráfico (GPUs) fueron diseñadas originalmente con el fin de renderizar videojuegos. Cuando los investigadores se dieron cuenta de que las GPUs podían acelerar el entrenamiento de redes neuronales por órdenes de magnitud en comparación con las CPUs, todo se aceleró.

La plataforma CUDA de NVIDIA, lanzada en 2007, hizo que la programación de GPUs fuera accesible para los investigadores. Para 2012, el entrenamiento que habría tomado semanas en CPUs tomó días en GPUs. Eso fue lo que hizo posible a AlexNet.

Desde entonces, ha surgido hardware especializado. Las Tensor Processing Units (TPUs) de Google son chips diseñados específicamente y por completo para las operaciones matriciales que requieren las redes neuronales. Las GPUs A100 y H100 de NVIDIA son las herramientas de trabajo del entrenamiento moderno de IA. Los modelos de lenguaje grande más recientes se entrenan en clusters de miles de estos chips funcionando en paralelo.

Entrenar GPT-3 requirió aproximadamente $3.14 \times 10^{23}$ operaciones de punto flotante. Los investigadores estimaron el costo de cómputo en aproximadamente $4.6 millones de dólares utilizando los precios de la nube de 2020. Los modelos de frontera modernos cuestan significativamente más.

Desafíos y limitaciones que debes conocer

Las redes neuronales son potentes, pero están lejos de ser perfectas.

• Requieren cantidades masivas de datos: Una neural network que aprende a reconocer gatos necesita miles —a veces millones— de ejemplos etiquetados. Recopilar, etiquetar y limpiar esos datos es costoso y consume mucho tiempo.

• Su entrenamiento es costoso a nivel computacional: El consumo de energía de los modelos grandes es una preocupación ambiental real. Un artículo de 2019 de la Universidad de Massachusetts estimó que entrenar un modelo grande de NLP puede emitir tanto $CO_2$ como las emisiones de toda la vida de cinco autos estadounidenses promedio.

• Son en gran medida cajas negras (black boxes): A diferencia de un árbol de decisión o una regresión lineal, no puedes inspeccionar fácilmente una neural network y entender con precisión por qué tomó una predicción específica. Este es un problema grave en dominios críticos como el diagnóstico médico y la justicia penal, donde la explicabilidad es ética y a menudo legalmente requerida.

• Pueden codificar sesgos: Si los datos de entrenamiento reflejan desigualdades históricas o sesgos sociales, la red aprenderá y perpetuará esos sesgos. Amazon descartó una herramienta de contratación con IA en 2018 tras descubrir que penalizaba sistemáticamente los currículums de mujeres, porque se había entrenado con datos históricos de contratación que reflejaban patrones dominados por hombres.

• Pueden ser engañadas: Los adversarial examples (ejemplos adversarios) son inputs cuidadosamente diseñados para engañar a una neural network. Una imagen de una señal de alto con unas pocas pegatinas colocadas estratégicamente puede hacer que una convolutional neural network la clasifique erróneamente como una señal de límite de velocidad con un alto nivel de confianza. Esto tiene implicaciones graves para aplicaciones de seguridad crítica.

El futuro: Hacia dónde se dirigen las redes neuronales

El ritmo de desarrollo no se está desacelerando.

Los modelos multimodales —redes que procesan texto, imágenes, audio y video de forma conjunta— se están convirtiendo en el estándar. GPT-4V de OpenAI, Gemini de Google y Claude de Anthropic procesan múltiples tipos de inputs dentro de un solo modelo, permitiendo interacciones más ricas y capaces.

La computación neuromórfica es un paradigma de hardware emergente que construye chips que imitan la estructura de los cerebros biológicos de forma más cercana que el silicio convencional. El chip Loihi de Intel y la investigación de IBM en sistemas neuromórficos sugieren que el ecosistema de hardware de la IA sigue evolucionando con rapidez.

El self-supervised learning (aprendizaje auto-supervisado) —donde las redes aprenden a partir de datos no etiquetados prediciendo partes de su input basándose en otras partes— está reduciendo la dependencia de los costosos datasets etiquetados por humanos. Esta es la técnica detrás de BERT (que aprende prediciendo palabras ocultas) y de los modelos de visión modernos que aprenden representaciones sin imágenes etiquetadas.

La búsqueda de la Inteligencia Artificial General (AGI) —un sistema capaz de realizar cualquier tarea cognitiva que un humano pueda— sigue siendo el objetivo a largo plazo para muchos investigadores y organizaciones. Las redes neuronales son la herramienta principal en esa carrera, a pesar de que el camino a seguir involucra problemas aún no resueltos en razonamiento, causalidad y comprensión profunda del mundo físico.

Conclusión

Las redes neuronales no son magia. Son matemáticas: matemáticas elegantes, potentes y cuidadosamente diseñadas que resultan producir resultados que realmente se parecen a la inteligencia.

Ahora ya entiendes lo que es una neural network: capas de unidades matemáticas interconectadas que aprenden a partir de datos ajustando weights mediante backpropagation y gradient descent. Entiendes las diferentes arquitecturas —feedforward, convolutional, recurrent, transformer— y por qué existe cada una. Entiendes cómo se entrenan, cómo fallan y dónde se aplican. Comprendes tanto su extraordinario poder como sus limitaciones reales.

Este conocimiento importa. Las redes neuronales ya no son un tema académico de nicho. Son la infraestructura del mundo digital en el que vives. Cuanto más las entiendas, mejor equipado estarás para trabajar con ellas, evaluar críticamente lo que se dice sobre ellas y participar de manera significativa en las conversaciones que la sociedad está teniendo sobre cómo debe construirse y gobernarse esta tecnología.

Las máquinas aprendieron a pensar. Ahora es tu turno de entender cómo lo hacen.

Frequently Asked Questions (Preguntas Frecuentes)

¿Qué es una neural network en términos sencillos? Una neural network es un sistema informático inspirado libremente en el cerebro humano. Consiste en muchas unidades matemáticas interconectadas que procesan datos y aprenden patrones al exponerse a muchísimos ejemplos. Al igual que un niño aprende a reconocer objetos viéndolos repetidamente, una red neuronal aprende a hacer predicciones entrenándose con grandes cantidades de datos etiquetados.

¿Cuál es la diferencia entre una neural network y el deep learning? El deep learning es un subconjunto de las redes neuronales. Una neural network se convierte en una red neuronal “profunda” (deep) cuando tiene múltiples capas ocultas (hidden layers) entre la entrada y la salida (típicamente más de dos). El deep learning se refiere específicamente a estas arquitecturas de múltiples capas. Todo el deep learning involucra redes neuronales, pero no todas las redes neuronales clasifican como deep learning.

¿Cuánto tiempo se tarda en entrenar una neural network? Depende completamente del tamaño de la red, la cantidad de datos de entrenamiento y el hardware disponible. Una red neuronal pequeña para una tarea de clasificación simple puede entrenarse en minutos en una computadora portátil. Un modelo de lenguaje grande como GPT-4 requirió semanas de entrenamiento continuo en miles de chips especializados en IA. Los proyectos del mundo real típicamente entrenan redes en períodos que van desde unas pocas horas hasta varias semanas.

¿Las redes neuronales realmente piensan como los humanos? No. Las redes neuronales son sistemas matemáticos que procesan inputs numéricos y producen outputs numéricos. Detectan patrones estadísticos en los datos con una efectividad asombrosa, pero no tienen conciencia, comprensión, intenciones ni capacidad de razonamiento genuino de la forma en que lo hacemos los humanos. Cuando una neural network describe una imagen correctamente, no ha “visto” ni “entendido” la imagen; ha computado un mapeo desde los valores de los píxeles hasta las probabilidades de las etiquetas que resulta ser preciso.

¿Qué lenguajes de programación y herramientas se usan para construir redes neuronales? Python es, por mucho, el lenguaje dominante para el desarrollo de redes neuronales. Los dos frameworks más utilizados son TensorFlow (desarrollado por Google, lanzado en 2015) y PyTorch (desarrollado por Meta, lanzado en 2016). PyTorch se ha convertido en la opción preferida en entornos de investigación debido a su diseño intuitivo, mientras que TensorFlow sigue siendo muy utilizado en despliegues de producción. Otras herramientas incluyen JAX (Google), Keras (una API de alto nivel que se ejecuta sobre TensorFlow) y la biblioteca Transformers de Hugging Face, que proporciona modelos preentrenados para tareas de procesamiento de lenguaje natural.