Terminología de IA, explicada con claridad.

El entrenamiento es el proceso (extremadamente costoso y que se hace una sola vez) de enseñar a un modelo haciendo que aprenda patrones a partir de conjuntos de datos enormes. La inferencia es lo que ocurre cada vez que usas el modelo terminado — ya está entrenado y solo genera una respuesta a tu prompt.

Los valores numéricos internos que un modelo ajusta durante el entrenamiento — dicho de forma sencilla, sus "ajustes". Más grande no es automáticamente mejor: la cantidad de parámetros es un factor de lo capaz que es un modelo, junto con la calidad de los datos de entrenamiento y la arquitectura.

Tomar un modelo ya entrenado y entrenarlo más con un conjunto de datos más acotado para especializarlo — el tono de atención al cliente, los documentos internos de una empresa, un estilo de programación concreto. Es la forma de adaptar un modelo de propósito general a una tarea específica sin entrenar uno nuevo desde cero.

Una forma de convertir texto (o imágenes) en una lista de números que captura su significado, de modo que un equipo pueda comparar matemáticamente cuán parecidos son dos contenidos. Es la tecnología que hay debajo de la mayoría de las funciones de búsqueda y recomendación con IA.

Una base de datos diseñada para almacenar y buscar embeddings de forma eficiente, encontrando los resultados más parecidos entre millones en milisegundos. Es la capa de almacenamiento detrás de la mayoría de los sistemas de generación aumentada por recuperación (RAG).

Una técnica en la que un modelo consulta una fuente externa — un conjunto de documentos, una base de datos, la web en vivo — antes de responder, en lugar de apoyarse solo en lo que aprendió durante el entrenamiento. Es lo que permite que las herramientas de IA se mantengan al día y puedan citar de dónde salió una respuesta.

Un modelo entrenado para resolver un problema paso a paso antes de responder, en lugar de contestar de inmediato — más parecido a "pensar en voz alta" que a adivinar una respuesta por patrones. La serie o de OpenAI y los modos de "pensamiento" de GPT-5, el pensamiento extendido de Claude y los modos de razonamiento de Gemini están construidos así, y cambian tiempo y costo extra por una precisión claramente mejor en problemas difíciles.

La cantidad de "pensamiento" extra que hace un modelo en el momento en que le preguntas algo, en contraste con la potencia de cálculo que se gasta durante el entrenamiento. A los modelos de razonamiento se les puede dar más cómputo en tiempo de inferencia para una pregunta más difícil — en la práctica, dejarlos pensar más tiempo — y eso es una parte importante de cómo logran mayor precisión.

Una arquitectura en la que un modelo se construye con muchas subredes especializadas más pequeñas ("expertos"), y solo unas pocas se activan para cada entrada. Permite que un modelo tenga una cantidad total de parámetros enorme y, a la vez, que responder cualquier pregunta cueste mucho menos — varios modelos de pesos abiertos de nuestro directorio usan este diseño. Mira ejemplos en nuestra guía de código abierto →

Un tipo de modelo generativo que crea imágenes, video o audio partiendo de ruido aleatorio y refinándolo poco a poco hasta obtener un resultado coherente, guiado por un prompt de texto. Es la arquitectura detrás de la mayoría de los generadores de imagen y video — Stable Diffusion, FLUX, Midjourney — a diferencia de la predicción token por token que usan los modelos de lenguaje grandes para el texto. Mira los modelos de difusión de pesos abiertos →

Una forma ligera de ajustar un modelo (fine-tuning) entrenando un pequeño conjunto de pesos adicionales en lugar del modelo completo. Es muchísimo más barata y rápida que el ajuste fino completo, y por eso existe un enorme ecosistema de archivos LoRA pequeños e intercambiables que personalizan modelos de imagen como Stable Diffusion para un estilo, un sujeto o un personaje concretos.

Reducir la precisión numérica de un modelo — por ejemplo, de 16 bits a 4 bits — para que ocupe menos memoria y se ejecute más rápido, a costa de cierta precisión. Es lo que hace posible ejecutar modelos grandes de pesos abiertos en una laptop o en una GPU de consumo, en lugar de necesitar un centro de datos. Herramientas para ejecutar modelos cuantizados en local →

La estructura básica detrás de la IA moderna: capas de unidades matemáticas simples, vagamente inspiradas en el cerebro, cuyas conexiones se ajustan durante el entrenamiento hasta que toda la red se vuelve buena en una tarea. Un LLM es una red neuronal muy grande; sus conexiones ajustadas son sus parámetros.

El diseño de red neuronal detrás de casi todos los modelos de lenguaje importantes, presentado en 2017 en un artículo de investigación de Google titulado “Attention Is All You Need”. Su truco clave, llamado atención, permite que el modelo pondere qué palabras de un pasaje son más importantes entre sí — y eso es lo que hace posible un texto largo y coherente.

La primera etapa, enormemente costosa, de construir un modelo: alimentarlo con grandes cantidades de texto, código o imágenes para que aprenda patrones generales. Todo lo que viene después — el ajuste fino, la retroalimentación humana, el entrenamiento de seguridad — ajusta un modelo que el preentrenamiento ya construyó.

Un paso de entrenamiento en el que personas ordenan o califican las respuestas del modelo, y el modelo se va inclinando hacia las que la gente prefiere. Es una parte importante de por qué los modelos de chat resultan útiles y amables en lugar de limitarse a autocompletar texto — y también una fuente de adulación (complacencia) del modelo, porque la gente tiende a calificar bien las respuestas aduladoras.

Una forma de entrenar modelos de razonamiento en la que la recompensa viene de una comprobación automática — ¿coincidió la respuesta matemática?, ¿el código pasó sus pruebas? — en lugar de la opinión humana. Funciona mejor donde las respuestas se pueden verificar, y por eso las mejoras recientes en razonamiento se ven sobre todo en matemáticas y programación.

Entrenar a un modelo "alumno" más pequeño para que imite las salidas de un modelo "maestro" más grande, de modo que el pequeño capture gran parte de la habilidad del grande con una fracción del tamaño y del costo. Así se crean muchos modelos compactos y rápidos — aunque los términos de los proveedores de IA suelen limitar el uso de sus salidas para entrenar un modelo competidor.

Datos de entrenamiento que fueron generados por una IA en lugar de recopilados de personas o del mundo real. Pueden llenar vacíos (casos raros, temas privados) de forma barata, pero un modelo entrenado en exceso con su mismo tipo de salida puede desviarse y perder variedad, por lo que el control de calidad importa.

Un sistema de IA que no solo responde a un único prompt, sino que planifica y lleva a cabo por su cuenta una tarea de varios pasos — navegar, ejecutar código, editar archivos, llamar a otras herramientas — revisando su propio avance en el camino. El sector no ha acordado del todo una única definición precisa, pero la idea central es la autonomía a lo largo de varios pasos, no solo una respuesta.

Un estándar abierto, presentado por Anthropic a finales de 2024, que permite que los modelos de IA se conecten a herramientas y fuentes de datos externas — tus archivos, una base de datos, una aplicación de gestión de proyectos — mediante una interfaz común, en lugar de una integración a medida para cada producto. Se ha convertido en un estándar de facto, adoptado mucho más allá de los productos propios de Anthropic. Lee la especificación oficial →

Una integración ya hecha que permite que un asistente de IA lea o actúe dentro de una de tus aplicaciones existentes — Google Drive, Slack, GitHub, un calendario — sin que tengas que construir la integración tú mismo. Los conectores suelen estar construidos sobre MCP por debajo; "conector" es el nombre más amigable, de cara al usuario, que verás al activar uno dentro de un producto como Claude o ChatGPT.

Un estándar abierto, creado por Google y donado a la Linux Foundation en 2025, que permite que agentes de IA creados por distintas empresas se descubran entre sí y se pasen trabajo — un agente hablando con otro agente, en lugar de un agente hablando con una herramienta. Es la contraparte horizontal de MCP: MCP conecta a un agente con sus propias herramientas y datos; A2A conecta a ese agente con otros agentes distintos. Mira la especificación →

Estándares emergentes para que un agente de IA pueda completar de verdad una compra en tu nombre, de forma segura. AP2 (Agent Payments Protocol) de Google usa una prueba firmada criptográficamente de que autorizaste la compra; ACP (Agentic Commerce Protocol) de OpenAI y Stripe es lo que impulsa Instant Checkout dentro de ChatGPT. Ambos se lanzaron en beta en septiembre de 2025 y ya procesan transacciones reales, no solo pilotos, aunque el terreno aún es incipiente y es probable que los estándares sigan cambiando.

La extensión oficial de MCP (lanzada en enero de 2026) que permite que una herramienta conectada muestre una interfaz interactiva real dentro de un chat (un formulario, un mapa, un calendario de reservas) en lugar de devolver solo texto. Formaliza patrones iniciados por un proyecto anterior de código abierto llamado MCP-UI.

La capacidad de un modelo de llamar a una función externa en mitad de la conversación (hacer un cálculo, buscar en la web, consultar una API) y usar el resultado en su respuesta. Es el bloque básico sobre el que se construye el comportamiento agéntico.

La capa de software que coordina varias llamadas a IA, herramientas o agentes para completar una tarea mayor: decide qué se ejecuta y cuándo, pasa resultados entre pasos y maneja los fallos. Es la "capa de gestión" que se sitúa por encima de cualquier llamada individual a un modelo.

Una configuración en la que varios agentes de IA, a menudo con distintos roles o especialidades, trabajan juntos (o revisan el trabajo de los demás) en una misma tarea, en lugar de que un solo modelo lo haga todo. Es un patrón emergente para trabajos complejos, aunque añade carga de coordinación y costo.

Cuando un modelo escribe sus pasos intermedios de razonamiento antes de dar una respuesta final, en lugar de saltar directamente a una conclusión. Por lo general mejora la precisión en problemas de varios pasos, y es la forma visible de lo que hacen internamente los modelos de razonamiento; a veces se muestra al usuario y a veces se oculta.

Instrucciones definidas por el desarrollador o la plataforma, no por el usuario final, que moldean cómo se comporta un modelo durante toda una conversación: su personalidad, sus reglas, qué debe rechazar. Se sitúa "por encima" de lo que tú escribes y normalmente tiene prioridad sobre ello.

Reglas y controles técnicos colocados alrededor de un modelo para evitar que haga lo que no debe: filtrar datos privados, dar instrucciones peligrosas, irse por las ramas. Van desde simples filtros de palabras clave hasta modelos de IA independientes que revisan las respuestas antes de que lleguen al usuario.

La práctica de gestionar de forma deliberada qué información tiene un modelo a su alcance en cada momento (qué documentos, qué mensajes anteriores, qué resultados de herramientas), en lugar de limitarse a escribir un prompt ingenioso. A medida que las ventanas de contexto y las tareas de los agentes han crecido, esto se ha vuelto tan importante como la redacción del propio prompt.

IA que actúa a través de un cuerpo físico (un robot humanoide, un brazo, una máquina de almacén) en lugar de solo producir texto o imágenes en una pantalla. Combina el razonamiento de un modelo con percepción del mundo real (cámaras, sensores) y control motor, lo que la hace mucho más difícil de lograr que un chatbot: el modelo tiene que manejar un mundo físico que no espera al siguiente prompt. Mira los laboratorios y robots que la desarrollan en nuestro mapa de IA en el mundo →

Describir en lenguaje sencillo lo que quieres y dejar que la IA escriba el código, a menudo aceptando el resultado sin leerlo con atención. El término lo acuñó el investigador de IA Andrej Karpathy a principios de 2025 y más tarde fue elegido Palabra del Año 2025 por el Diccionario Collins. Es ideal para prototipos y herramientas personales; para cualquier cosa que maneje dinero, inicios de sesión o datos de clientes, una persona sigue teniendo que revisar el código.

Carpetas reutilizables de instrucciones, scripts y archivos de referencia que un agente de IA carga solo cuando una tarea lo requiere; por ejemplo, una habilidad para "escribir el informe con el estilo de marca de nuestra empresa". Anthropic presentó la idea a finales de 2025 y la publicó como un formato abierto, así que no está atada a un solo producto.

Un modelo de IA que opera un ordenador como lo haces tú: mira la pantalla, mueve el cursor, hace clic y escribe para completar una tarea. Anthropic lo presentó como una beta pública en octubre de 2024; otros laboratorios han lanzado sus propias versiones. Es potente, pero más lento y menos fiable que una integración directa, así que úsalo con cuidado en cualquier cosa importante.

Un navegador web con un agente de IA integrado que puede leer páginas, rellenar formularios, avanzar paso a paso y completar tareas por ti, en lugar de limitarse a resumir lo que hay en la página. Comet de Perplexity y ChatGPT Atlas de OpenAI son ejemplos. Como actúa sobre contenido web que no escribió, está especialmente expuesto a la inyección de prompts.

Un diseño en el que una persona debe aprobar o revisar el trabajo de la IA en pasos importantes: antes de enviar un correo, de hacer un pago o de desplegar código. Cuanto más puede hacer un agente por su cuenta, más importa elegir qué pasos siguen necesitando el visto bueno de una persona.

Un modo de agente en el que la IA dedica minutos (no segundos) a buscar en muchas fuentes, leerlas y escribir un informe largo con citas. Es mucho más exhaustivo que una respuesta normal de chat, pero aun así conviene abrir las fuentes citadas: puede malinterpretar una página o apoyarse en fuentes débiles.

Una función que permite a un asistente recordar datos sobre ti (tu trabajo, tus preferencias, proyectos pasados) entre conversaciones, en lugar de empezar de cero cada vez. Hace las respuestas más personales, pero también significa que se guarda más información tuya; revisa dónde se almacena y cómo verla, editarla o desactivarla.

"Pesos abiertos" significa que puedes descargar y ejecutar tú mismo el modelo entrenado. "Código abierto", en sentido estricto, significa que también son públicos los datos de entrenamiento, el código y el proceso, no solo el modelo terminado. En el marketing se usan como si fueran lo mismo, pero no lo son. Mira cuál es cuál, modelo por modelo →

Autoalojado significa ejecutar un modelo en tu propio hardware o en un servidor que controlas: requiere más configuración, pero te da control total de tus datos y no hay cargos por uso. Alojado en la nube significa llamar a un modelo a través de la API de otra empresa: es más fácil para empezar, pero envías tus datos a ese proveedor y pagas por uso. Herramientas para ejecutar modelos en local →

Una API es una forma directa para que los desarrolladores llamen a un modelo mediante código y lo integren en su propio producto. Una app es el producto terminado y listo para usar, construido sobre esa API: la mayoría de la gente usa apps; normalmente solo los desarrolladores trabajan directamente con la API.

Un modelo de precios en el que una versión limitada es gratuita para siempre, y un plan de pago desbloquea límites de uso más altos, modelos más capaces o funciones adicionales. Casi todos los grandes productos de IA usan alguna versión de este modelo.

Un tope a la cantidad de solicitudes (o tokens) que puedes enviar en un periodo determinado: por minuto, por día. Llegar a uno no significa que algo esté roto; normalmente solo implica esperar o pasar a un plan con un límite más alto.

Pagar por token, por solicitud o por minuto de uso en lugar de una tarifa mensual fija. Es habitual en el acceso por API y puede ser mucho más barato, o mucho más caro, que una suscripción según cuánto uses una herramienta.

Si un proveedor conserva tus conversaciones y si las usa para entrenar modelos futuros. Los planes empresariales y los de API de pago suelen venir configurados por defecto para no entrenar con tus datos; los planes gratuitos para consumidores lo hacen con más frecuencia. El ajuste normalmente está en la página de privacidad o de controles de datos de tu cuenta, y conviene revisarlo en lugar de suponerlo.

Una prueba estandarizada que se usa para comparar el rendimiento de los modelos: tareas de programación, problemas de matemáticas, acertijos de razonamiento. Sirve para tener una idea aproximada de la capacidad, pero un modelo que lidera un benchmark no necesariamente encajará con tu caso de uso real; además, cada vez más se entrena específicamente para esos benchmarks, así que toma con escepticismo cualquier cifra aislada.

Quedar atrapado con un solo proveedor de IA porque tus flujos de trabajo, prompts o integraciones están construidos específicamente alrededor de él, lo que hace costoso cambiar. Usar estándares abiertos (como MCP) y mantener los prompts y los datos portables son formas habituales con las que los equipos intentan reducirla.

Una función del proveedor que guarda la parte inicial de tu prompt que no cambia (un prompt de sistema largo, un documento grande) para que las solicitudes repetidas no paguen el precio completo (ni esperen el tiempo completo) por procesarla otra vez. Si reutilizas muchas veces el mismo contexto grande, puede reducir de forma notable tanto el costo como la demora.

Pagar una cantidad fija por persona al mes, sin importar cuánto use cada una la herramienta. Es fácil de presupuestar, pero pagas por puestos que quedan sin usar, y muchos productos ahora combinan los puestos con topes de uso o créditos, así que lee qué cubre realmente "ilimitado".

Un enlace que le paga una comisión al sitio que lo compartió si te registras o compras. Algunos enlaces de 10X AI Expo pueden ser enlaces de afiliado; nunca cambian qué herramientas incluimos ni cómo las describimos, y los indicamos. Nuestra política completa está en la página de divulgación.

Un informe de auditoría de seguridad elaborado por una firma independiente, que muestra que una empresa cuenta con controles para proteger los datos de sus clientes. El "Tipo I" revisa los controles en un momento puntual; el "Tipo II" comprueba que funcionaron durante un periodo (normalmente de varios meses). Es un requisito útil que conviene verificar al elegir una herramienta de IA para empresas, pero no es una garantía de seguridad.

Esfuerzos para asegurarse de que el comportamiento de un modelo coincida realmente con lo que pretenden sus desarrolladores y usuarios: que sea útil y honesto, sin recurrir a atajos dañinos para alcanzar un objetivo. Es el término general bajo el que se agrupa la mayor parte del resto del trabajo en seguridad, como el red teaming y la interpretabilidad.

Intentar deliberadamente que un modelo se comporte mal (saltarse sus salvaguardas, producir contenido dañino o realizar una acción que no debería) antes de que puedan hacerlo usuarios reales, para corregir primero la debilidad. La mayoría de los grandes laboratorios lo hacen internamente y cada vez más incorporan también a investigadores externos para que lo intenten.

Término informal para los modelos de IA más capaces disponibles en un momento dado, los que empujan el límite de lo posible. Los modelos de frontera reciben pruebas de seguridad adicionales en gran parte porque sus capacidades son las menos comprendidas, incluso por los laboratorios que los construyeron.

Un compromiso público de un laboratorio de pausar, restringir o añadir salvaguardas adicionales a un modelo si supera ciertos umbrales de capacidad; por ejemplo, la capacidad de ayudar de forma significativa a alguien a construir un arma biológica o una ciberarma. Varios de los principales laboratorios publican una. Son políticas voluntarias que una empresa fija para sí misma, no leyes, así que el rigor con que se cumplen varía según la empresa.

Investigación orientada a entender qué ocurre realmente dentro de un modelo cuando produce una respuesta, en lugar de tratarlo como una caja negra. Todavía es un campo joven (incluso los investigadores que construyen los modelos de frontera de hoy no pueden explicar del todo muchas de sus respuestas), pero se considera uno de los caminos más prometedores para detectar problemas antes de que lleguen a los usuarios.

Un caso en el que un sistema de IA desplegado hizo algo dañino, peligroso o claramente no intencionado: desde un chatbot que da consejos peligrosos hasta un agente autónomo que realiza una acción que nadie aprobó. Hoy no existe un único lugar obligatorio donde los laboratorios deban reportarlos, así que lo que se hace público depende en gran medida de qué empresa decide divulgarlo o de lo que investigadores externos o periodistas descubren por su cuenta.

Organismos gubernamentales (el AI Security Institute del Reino Unido y una contraparte de EE. UU. fueron de los primeros) que prueban los modelos de frontera en busca de problemas de seguridad, a veces antes de su lanzamiento público, y que trabajan junto a las pruebas internas de los propios laboratorios, no en su lugar. Varios otros países han creado desde entonces los suyos.

Forma abreviada de referirse a una discusión pública activa y genuinamente sin resolver sobre cuánto preocuparse por la IA, y por qué. A grandes rasgos: un grupo se enfoca en daños más cercanos que ya están ocurriendo — sesgo, desinformación, disrupción del empleo, seguridad. Otro se enfoca en riesgos a más largo plazo a medida que los modelos se vuelven más capaces y autónomos. La mayoría de los investigadores del campo se toman en serio ambos, en distinta medida — desconfía de cualquier fuente que afirme que el debate ya está zanjado.

Un ataque en el que se plantan instrucciones ocultas en contenido que una IA lee — una página web, un correo, un documento compartido — para que la IA siga las órdenes del atacante en lugar de las tuyas. Se considera ampliamente el principal riesgo de seguridad para las aplicaciones de IA, aún no existe una solución completa, y el riesgo aumenta cuando un agente puede ejecutar acciones o acceder a datos privados.

Un prompt diseñado para engañar a un modelo y que ignore sus reglas de seguridad, normalmente mediante juegos de rol, trucos de redacción o una larga cadena de pasos pequeños. Los jailbreaks apuntan a los límites del propio modelo; la inyección de prompts apunta a una aplicación a través del contenido que procesa. Los laboratorios corrigen los ya conocidos, y siguen apareciendo nuevos.

Una imagen, un video o una grabación de voz falsos pero realistas, hechos con IA, normalmente de una persona real diciendo o haciendo algo que nunca dijo ni hizo. Los usos van desde la parodia inofensiva hasta el fraude y el acoso. Desconfía de las solicitudes urgentes e inesperadas de audio o video y verifica por un segundo canal.

Un estándar abierto, de la Coalition for Content Provenance and Authenticity, para adjuntar a un archivo de imagen, video o audio un registro a prueba de manipulaciones que indica quién lo creó y si intervino la IA. Ayuda a demostrar que un archivo es auténtico, pero la etiqueta se puede eliminar, así que la ausencia de una credencial no prueba que algo sea falso.

Ocultar una señal dentro del contenido generado por IA — píxeles, audio, incluso la elección de palabras — para que un software pueda detectar después que lo hizo una IA. SynthID de Google es un ejemplo. Las marcas de agua ayudan, pero se pueden debilitar al editar o recortar, y solo funcionan si quien lo creó incluyó una.

Cuando un sistema de IA trata de forma injusta a ciertos grupos de personas — en contratación, créditos, generación de imágenes o en cualquier otro ámbito — normalmente porque sus datos de entrenamiento reflejaban desigualdades antiguas o dejaban fuera a algunos grupos. Corregirlo exige hacer pruebas con las personas a las que la herramienta realmente servirá, no solo medir la precisión promedio.

La tendencia de un modelo a decirte lo que quieres oír — darte la razón en una afirmación errónea, halagar una idea débil o ceder cuando le llevas la contraria. En parte proviene de entrenarse con la aprobación humana. Pedir contraargumentos, o preguntar “¿qué tiene de malo esto?”, ayuda a contrarrestarla.

La ley de la Unión Europea que regula la IA según el nivel de riesgo: algunos usos están prohibidos de forma directa, los usos de “alto riesgo” (como la contratación o la calificación crediticia) enfrentan requisitos estrictos, y los creadores de modelos de propósito general tienen obligaciones de transparencia. Entró en vigor en agosto de 2024 y sus normas se aplican de forma gradual durante varios años, así que consulta el calendario oficial para saber qué aplica y cuándo.

Siglas de inteligencia artificial general: IA capaz de abordar una amplia gama de tareas intelectuales a un nivel aproximadamente humano, en lugar de un solo trabajo estrecho. No hay una definición única acordada. La carta de OpenAI describe sistemas muy autónomos que superan a las personas en la mayor parte del trabajo de valor económico, Google DeepMind califica los sistemas por rendimiento y generalidad, y los investigadores de encuestas usan pruebas más estrechas. Los plazos que se dan son pronósticos, y varían mucho.

Una IA que superaría con mucho el rendimiento humano en prácticamente todos los ámbitos de interés, según la definición del filósofo Nick Bostrom. Las empresas también usan la palabra como marca, como en Meta Superintelligence Labs, y desde finales de septiembre de 2026 se indica a las agencias federales de EE. UU. que digan «Super Intelligence» en lugar de «AI» en documentos que no sean leyes, lo que es un cambio de nombre, no una definición técnica. Se debate si podría existir y cuándo. Mira nuestra página de superinteligencia para fuentes con fecha.

Un chip que realiza una enorme cantidad de cálculos simples a la vez, que resulta ser justo lo que se necesita para entrenar y ejecutar modelos de IA. Las GPU de Nvidia impulsan la mayoría de los grandes sistemas de IA, y la escasez de GPU de gama alta es una de las principales razones por las que los servicios de IA cuestan lo que cuestan.

El chip personalizado de Google creado específicamente para cargas de trabajo de IA, usado dentro de los propios productos de Google y alquilado a clientes a través de Google Cloud. Es el ejemplo más conocido de una empresa que diseña su propio chip de IA en lugar de comprar solo GPU.

Un chip pequeño enfocado en IA, integrado en los teléfonos y laptops modernos para que puedan ejecutar funciones de IA — transcripción, efectos de fotos, modelos de lenguaje pequeños — de forma local y eficiente, sin agotar la batería ni enviar datos a la nube. Es a lo que suele referirse la etiqueta “PC con IA”.

La memoria rápida de una GPU. Un modelo tiene que caber en ella para ejecutarse con rapidez, así que la VRAM, más que la velocidad bruta, suele decidir qué modelos puede ejecutar tu computadora de forma local. La cuantización reduce el tamaño de un modelo para que quepa en menos.

IA que se ejecuta en tu propio teléfono, laptop o aparato en lugar de en los servidores de una empresa. Funciona sin conexión, responde más rápido y mantiene tus datos en el dispositivo; la contrapartida es que el modelo tiene que ser lo bastante pequeño para caber. También se le llama IA en el borde (edge AI).

Una instalación muy grande repleta de miles de chips de IA, sistemas de energía y sistemas de refrigeración, donde se entrenan y ejecutan modelos para millones de usuarios. El suministro de energía, el suministro de chips y las aprobaciones locales se han convertido en los principales límites a la velocidad con que puede crecer la IA. Seguimos los mayores proyectos en nuestra página de centros de datos.

El impulso de un país por tener su propia capacidad de IA — sus propios centros de datos, acceso a chips y modelos entrenados en sus idiomas y reglas — para no depender por completo de empresas extranjeras. Muchos gobiernos financian ahora programas nacionales de IA con esta lógica.

Un modelo que recibe imágenes de cámara y una instrucción en palabras, y produce las acciones que debe realizar un robot. RT-2 (2023), de Google DeepMind, popularizó la idea, y varias empresas de robótica construyen ahora sobre ella. Así es como un robot puede seguir la instrucción “pon la taza en el fregadero” sin haber sido programado a mano para esa tarea exacta.

Un sistema de IA que aprende cómo cambia el mundo — qué pasa después si se empuja una pelota, se abre una puerta o un auto gira — para poder simular y planificar antes de actuar. Se usa para entrenar robots y sistemas de conducción autónoma en simulación, y para generar video interactivo y mundos parecidos a los de un videojuego.

Un robot construido con un cuerpo similar al humano — dos brazos, dos piernas, manos — para poder trabajar en espacios diseñados para personas. Muchos siguen siendo pilotos o preventas en lugar de productos que se puedan simplemente comprar; nuestra página de Robots y wearables separa lo que ya se vende hoy de lo que todavía es una demostración.

Aparatos que se llevan puestos — gafas inteligentes, colgantes, anillos, pins — que usan IA para oír, ver o resumir tu día. Van desde gafas inteligentes de uso masivo hasta aparatos en etapa temprana con concesiones reales en materia de privacidad, ya que muchos graban audio o video. Los ordenamos según lo que realmente se vende.

Una persona que controla un robot a distancia, a menudo con un visor y seguimiento de movimiento. Se usa para hacer tareas que un robot aún no puede hacer solo y para grabar demostraciones de las que el robot aprende. Al evaluar un robot doméstico, pregunta qué tareas hace por sí mismo y cuáles tienen a una persona detrás de la cámara.

Un tipo de memoria muy rápida apilada en capas y montada justo al lado de un chip de IA, de modo que el chip puede leer datos mucho más rápido que desde una memoria normal. Los aceleradores de IA modernos dependen de ella, y solo unas pocas empresas la fabrican, por lo que el suministro de HBM suele ser un límite para cuántos chips de IA se pueden construir.

Una fábrica que manufactura chips diseñados por otras empresas. Unas pocas fundiciones fabrican casi todos los chips de IA más avanzados del mundo, por lo que un diseño de Nvidia o AMD solo puede salir al mercado tan rápido como su fundición pueda construirlo.

Una empresa de chips que diseña sus chips pero no es dueña de las fábricas que los producen; le paga a una fundición para que los manufacture. Muchas empresas conocidas de chips de IA funcionan así, lo que vincula su producción con la capacidad de la fundición.

Las máquinas que imprimen los patrones de circuitos más finos sobre el silicio usando luz ultravioleta extrema. Son necesarias para fabricar los chips más avanzados, y una sola empresa, ASML, en los Países Bajos, las construye. Una versión más nueva llamada High-NA EUV está pensada para la siguiente generación de chips.

El nombre de una generación de tecnología de fabricación de chips, como 5nm, 3nm o 2nm. Los números más pequeños suelen significar más transistores en el mismo espacio y mejor eficiencia, aunque hoy el número es una etiqueta de marketing, no una medida literal, así que compara las fundiciones con cuidado.

El paso que une un chip de IA y sus pilas de memoria en un solo paquete para que puedan comunicarse rápidamente. La versión de TSMC se llama CoWoS. La capacidad de empaquetado ha sido en repetidas ocasiones un cuello de botella para el suministro de chips de IA, junto con la HBM.

Un chip diseñado para una tarea específica en lugar de para uso general. En IA se refiere a un chip creado para las cargas de trabajo propias de una empresa, como la TPU de Google. Empresas como Broadcom y Marvell los diseñan para grandes clientes, como alternativa a comprar GPU de propósito general.

Reglas gubernamentales que limitan qué chips de IA avanzados, y las máquinas para fabricarlos, se pueden vender a ciertos países, principalmente China. Estados Unidos ha endurecido y ajustado estas reglas repetidamente desde 2022, y las ventas de los fabricantes de chips a China han ido a la par, así que conviene revisar el estado actual antes de confiar en cualquier resumen.

Un tipo distinto de computadora que usa la física cuántica para abordar ciertos tipos de problemas, como simular moléculas o romper algunos cifrados, de formas en que las computadoras ordinarias no pueden hacerlo de manera eficiente. No es una versión más rápida del hardware de IA actual. Las máquinas de hoy son pequeñas y propensas a errores, y todavía no existe una forma aceptada de usarlas para entrenar o ejecutar modelos de IA más rápido.

La unidad básica de una computadora cuántica, el equivalente del bit. Un cúbit puede estar en una mezcla de 0 y 1 a la vez, pero es frágil y se altera con facilidad, por lo que la corrección de errores combina muchos cúbits físicos en menos cúbits 'lógicos', más confiables. Los fabricantes anuncian ambas cifras, y no son lo mismo.

El punto en el que una computadora cuántica realiza una tarea específica que ninguna computadora ordinaria puede igualar en un tiempo razonable. Hay empresas que han anunciado hitos así, pero muchos están en disputa o fueron igualados después por métodos clásicos mejorados, así que trata cada uno como una afirmación hasta que investigadores independientes la confirmen.

Una unidad de potencia: mil millones de vatios, aproximadamente la producción de una gran central eléctrica. Las empresas de IA ahora describen sus planes de centros de datos en gigavatios en lugar de en cantidad de chips, por ejemplo 'un acuerdo de chips de 6 GW'. Mide cuánta electricidad puede consumir el hardware, no cuánto computa.

Un contrato a largo plazo en el que una empresa acepta comprar electricidad de una central específica, a menudo por 10 a 20 años. Las empresas de IA y de nube firman PPA con operadores solares, eólicos, de gas y nucleares para asegurar energía para centros de datos, y los acuerdos suelen anunciarse en megavatios.

Electricidad generada en el propio sitio del centro de datos, por ejemplo con turbinas de gas, en lugar de tomarla de la red pública. Puede resultar más rápido que esperar una conexión a la red, y por eso algunos campus de IA operan sus propios generadores. También plantea dudas locales sobre permisos de emisiones al aire y ruido.

La lista de espera de proyectos de energía y grandes clientes que han pedido a un operador de red permiso para conectarse. Los centros de datos que solicitan cientos de megavatios son ahora una parte importante de algunas colas, y los operadores de red de varias regiones han ido cambiando las reglas sobre cómo se estudian y aprueban las grandes cargas.