Términos de IA.
Primero, en lenguaje sencillo.

La IA incluye sistemas construidos con reglas explícitas, así como sistemas entrenados con datos. Llamar algo de IA no significa que sea consciente, entienda como una persona o pueda manejar cada tarea.

Distingue la tarea, el método y la evaluación. Tanto un planificador basado en reglas como un clasificador entrenado pueden ser sistemas de IA; ninguno implica inteligencia artificial general.

El entrenamiento ajusta un modelo usando datos. La prueba verifica qué tan bien funciona con ejemplos sobre los cuales no se entrenó. El aprendizaje durante el entrenamiento no significa que el sistema aprenda automáticamente de cada conversación posterior.

El aprendizaje supervisado utiliza etiquetas objetivo; el no supervisado busca estructura; el aprendizaje por refuerzo utiliza recompensas. Evalúa la generalización, la fuga de datos, los cambios de distribución y el coste de los distintos errores.

Imagina una serie de filtros ajustables. Cada capa transforma la información que pasa a la siguiente. El cerebro inspiró el nombre, pero una red neuronal no es una copia digital del cerebro humano.

Las unidades aplican pesos aprendidos y usualmente transformaciones no lineales. El entrenamiento suele usar retropropagación para calcular gradientes y un optimizador para actualizar parámetros. Las redes neuronales pueden ser superficiales o profundas.

Las primeras capas pueden capturar características más simples; las posteriores pueden combinarlas en representaciones más útiles. El aprendizaje profundo es un tipo de aprendizaje de red neuronal, no un contenedor que incluya todas las redes neuronales.

La profundidad se refiere a transformaciones aprendidas sucesivas, no a una profundidad de pensamiento similar a la humana. El rendimiento depende de la arquitectura, los datos, la optimización y la evaluación; más capas por sí solas no garantizan mejores resultados.

Un mecanismo de atención pondera las relaciones entre fragmentos de información. Los transformadores pueden procesar texto, imágenes, audio y otros datos. No están limitados a los chatbots.

La atención relaciona las representaciones de consulta, clave y valor. Las arquitecturas pueden utilizar bloques codificadores, bloques decodificadores o ambos, con información posicional y capas feed-forward. Los pesos de atención por sí solos no son una explicación fiable del razonamiento de un modelo.

La salida puede ser útil sin ser precisa. Una frase convincente o una imagen realista no son prueba de que la afirmación subyacente o el evento sean reales. La IA generativa es una capacidad, no un diseño de modelo en particular.

Los enfoques generativos incluyen modelos autoregresivos, modelos de difusión, autoencoders variacionales y redes generativas adversarias. Los sistemas basados en transformadores son una familia importante, pero no toda la categoría.

Muchos modelos de chat familiares generan texto prediciendo el siguiente token, una pequeña pieza de texto, repetidamente. Sus respuestas pueden reflejar patrones útiles aprendidos y aún así contener detalles inventados.

Distingue el preentrenamiento, el entrenamiento posterior con instrucciones o preferencias y la inferencia, que es cuando se utiliza el modelo. La ventana de contexto limita lo que cabe en una solicitud. La recuperación y las herramientas pueden aportar información externa sin cambiar los pesos del modelo. Algunos modelos también aceptan imágenes o audio.

Generativo significa que produce salida. Pre-entrenado significa que su aprendizaje inicial ocurrió antes de tu solicitud. Transformador es el nombre de su arquitectura subyacente. GPT no es sinónimo de todos los asistentes de IA.

La línea de modelos GPT utiliza modelado de lenguaje con transformadores autoregresivos. El entrenamiento posterior y las herramientas de producto afectan el comportamiento. Un "GPT" personalizado dentro de ChatGPT es un asistente configurado, que es un uso diferente del término en comparación con una familia de modelos subyacente.

La aplicación es la experiencia que utilizas; el modelo forma parte de la tecnología que la impulsa. Las herramientas y funciones disponibles dependen del servicio y la configuración.

Evalúa el sistema completo: selección del modelo, instrucciones, contexto de conversación, recuperación, herramientas y permisos. Un nombre de producto no identifica un modelo fijo ni garantiza acceso en tiempo real a la web.

Claude es un sistema de otro proveedor. No es un producto GPT de OpenAI, aunque puede realizar muchas tareas similares.

Distingue la aplicación Claude de un modelo Claude concreto y una integración de API. El manejo de documentos, acceso a herramientas, configuración de retención y límites dependen de la configuración del producto.

Gemini es el sistema de Google, no un producto GPT OpenAI. Algunas experiencias pueden funcionar con varios tipos de entrada, como texto e imágenes.

Distingue entre los modelos Gemini y la aplicación Gemini y las integraciones en otros productos de Google. La capacidad multimodal, los permisos de cuenta y las herramientas habilitadas son consideraciones separadas.