Por: Gino Marín

Publicado el: 8 de agosto de 2026

Colaboración Académica para la Universidad CENFOTEC

Entrá a una de esas páginas que reconocen con la cámara si estás sonriendo o si estás serio. La entrenás en treinta segundos, sin escribir una sola línea de nada: le mostrás tu cara feliz unas cuantas veces, después tu cara seria otras cuantas, tocás un botón, y al rato la cosa funciona sola. Le hacés una mueca nueva y acierta. Parece magia.

No lo es. Adentro de esa página, y adentro de cualquier sistema de inteligencia artificial, no hay reglas escritas por una persona que diga «si las comisuras suben, es una sonrisa». No hay nada de eso. Adentro solo hay números. Muchísimos números. Y todo el truco está en cómo esos números se acomodan.

Entender qué son y cuántos son no es un capricho de curiosos. Es lo que explica por qué un modelo potente no entra cómodo en tu teléfono, por qué correrlo cuesta plata, y por qué existe toda una disciplina dedicada a achicarlo. Esa disciplina es el tema de la próxima nota. Pero para entenderla hay que ver primero de qué está hecho el modelo por dentro.

Capas, señales y números que viajan

Una red neuronal es una pila de capas, una encima de la otra. La información entra por la primera capa, digamos los píxeles de tu cara, y va pasando de capa en capa hasta salir por la última convertida en una respuesta, sonrisa o cara seria. En el medio, cada capa toma los números que le llegan, los transforma un poco, y le pasa el resultado a la siguiente.

Lo importante es qué hay entre una capa y la próxima. Cada capa está llena de conexiones, y cada conexión lleva un número que dice cuánto pesa esa señal en particular frente a todas las demás. Una conexión con un número alto grita, tira fuerte del resultado. Una con un número bajo casi ni se escucha. Esos números que ponderan cada señal son el material del que está hecho todo. Se llaman pesos, y no son un detalle interno: son, literalmente, el modelo entero.

Miles de perillas que hay que girar hasta que la mezcla suene bien

Acá conviene la imagen que ordena todo lo demás. Imaginá una consola de sonido gigante, de esas que hay en los estudios de grabación, con filas y filas de perillas. Miles de perillas. Cada perilla sube o baja una señal distinta. El ingeniero de sonido las va girando, escuchando, corrigiendo, hasta que la mezcla suena como tiene que sonar.

Una red neuronal es esa consola. Cada peso es una perilla. Y entrenar la red es el proceso de girar todas esas perillas hasta que la mezcla salga bien, es decir, hasta que la entrada correcta produzca la salida correcta. Al principio las perillas están en cualquier lado, puestas al azar, y la red se equivoca en todo. Entonces se le muestra un ejemplo, se mira cuánto erró, y se corrigen apenas las perillas en la dirección que reduce el error. Se repite con otro ejemplo, y otro, y millones más. De a poquito, la mezcla se acomoda.

Ese ajuste fino, el de mirar el error y corregir cada perilla en la dirección justa, tiene nombre técnico, se llama «backpropagation», pero la intuición es exactamente la del ingeniero de sonido girando controles con el oído puesto en el resultado. Nadie le dijo a la red qué es una sonrisa. Le mostraron ejemplos y dejaron que las perillas encontraran solas la posición que funciona.

Hay una segunda pieza que acompaña a cada perilla, y conviene nombrarla porque completa la imagen. Además del peso, cada neurona tiene un umbral, un empujón mínimo que la señal necesita superar para que la neurona reaccione. En inglés se llama «bias». Pensalo como el punto a partir del cual la perilla recién empieza a hacer efecto. Peso y umbral trabajan juntos: uno decide cuánto pesa la señal, el otro decide desde dónde empieza a importar.

Por qué hacen falta tantas capas, y no una sola

Podrías preguntarte por qué no alcanza con una sola capa bien gorda de perillas. La respuesta está en cómo se reparte el trabajo. Cada capa no reconoce la cara entera de un saque. La primera capa aprende a detectar cosas simplísimas, apenas bordes y manchas de luz. La segunda toma esos bordes y arma formas un poco más complejas, una curva, una esquina. La tercera combina esas formas en pedazos reconocibles, algo parecido a un ojo, a la comisura de una boca.

Y así, capa por capa, la red va subiendo desde lo tonto hacia lo abstracto. Cuando el modelo por fin decide si estás sonriendo, no llegó ahí de un salto. Llegó apilando decisiones chiquitas, cada una construida sobre la de abajo.

Esa es la idea detrás de la palabra profunda en aprendizaje profundo, en inglés «deep learning». No es profunda por misteriosa. Es profunda porque tiene muchas capas, una sobre otra, y cada una entiende apenas un poco más que la anterior.

El problema no es cómo funcionan, es cuántos son

Hasta acá todo suena manejable. El problema aparece con los números en serio.

Un modelo de juguete, de los que se usan para enseñar, puede tener unos pocos miles de perillas. Un modelo moderno de verdad, de los que responden preguntas o reconocen imágenes con soltura, no tiene miles. Tiene millones, y los más grandes tienen miles de millones. Cada una de esas perillas es un número de punto flotante, de esos que vimos en la nota anterior, y cada uno de esos números ocupa cuatro bytes en la memoria de la máquina.

Hagamos la cuenta, que es donde se entiende todo. Mil millones de perillas, a cuatro bytes cada una, dan cuatro mil millones de bytes. Eso son cuatro gigabytes de memoria, y es solo para tener las perillas guardadas y quietas, sin siquiera usarlas todavía. Poner el modelo a funcionar, hacerlo pensar, cuesta bastante más.

Y cuatro gigabytes es un modelo modesto. Los sistemas de lenguaje que responden preguntas hoy manejan desde varios miles de millones hasta cientos de miles de millones de perillas. Guardar uno de los grandes, tal cual sale del entrenamiento, puede pedir cientos de gigabytes, mucho más de lo que tiene la memoria de una computadora común, y ni hablar de un teléfono.

Por eso un modelo potente no entra cómodo en un teléfono, que tiene poca memoria y una batería que cuidar. Por eso correrlo en un servidor cuesta plata real, en electricidad y en equipo. El tamaño no es un detalle de ingeniería que se resuelve solo. Es la razón entera por la que existe la cuantización, que es la forma de achicar esas perillas, de guardarlas con menos espacio cada una, sin arruinar la mezcla que tanto costó ajustar.

Hay un tipo más de número dando vueltas, y conviene nombrarlo porque va a volver en la próxima nota. Además de las perillas, que quedan fijas una vez terminado el entrenamiento, están los números que se generan mientras la señal atraviesa la red, los resultados intermedios que una capa le pasa a la siguiente. En inglés se llaman «activations». No son fijos como los pesos: cambian con cada imagen que entra. Una foto oscura y una foto brillante hacen viajar números distintos por los mismos cables. Guardarlos también cuesta, y achicarlos también se puede, aunque es más delicado justamente porque no se quedan quietos.

Lo que la red aprende no son ideas, son pesos

Vale la pena detenerse en un malentendido común, porque cambia la forma de pensar en estas cosas. Es tentador imaginar que adentro de la red hay conceptos, que en algún lado guarda la idea de «sonrisa» o la idea de «gato». No es así. Lo único que hay son perillas en cierta posición. La idea de sonrisa, si es que existe en algún sentido, está repartida entre miles o millones de números, y no vive en ninguno en particular.

Como escriben Ian Goodfellow, Yoshua Bengio y Aaron Courville en Deep Learning, el libro de referencia del área, lo que una red aprende durante el entrenamiento no son reglas ni conceptos: son pesos, números ajustados a fuerza de ejemplos. Yann LeCun, hoy científico jefe de inteligencia artificial en Meta y uno de los pioneros del campo, construyó hace décadas uno de los primeros sistemas que leía dígitos escritos a mano justamente así, girando perillas hasta que la máquina reconociera un siete de un uno.

Y hay un detalle elegante que la página de la sonrisa aprovecha. No hace falta entrenar millones de perillas desde cero cada vez. Se puede tomar una red que ya fue entrenada con una montaña enorme de imágenes, que ya tiene sus perillas casi en su lugar, y reajustar solo las últimas para la tarea nueva. Por eso alcanzan treinta segundos y unas pocas caras. La consola ya venía casi mezclada. Vos solo moviste los últimos controles.

La red no piensa. Ajusta perillas. Que de girar millones de números, uno por uno, termine saliendo algo que parece entender el mundo, que distingue tu sonrisa de tu cara seria y no se equivoca, es lo verdaderamente raro del asunto. Y también es la razón por la que, cuando en la próxima nota haya que achicar el modelo, la pregunta no va a ser si se puede mover cada perilla a una posición más barata, sino cuáles perillas se pueden mover sin que la mezcla se note distinta.

—

Referencias

– Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press, 2016. https://www.deeplearningbook.org/

– Michael Nielsen. Neural Networks and Deep Learning. http://neuralnetworksanddeeplearning.com/

– Yann LeCun et al. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 1998. http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf