Qué es un LLM: cómo funciona la IA que parece entenderte
Qué es un LLM y por qué finge tan bien que te entiende
Escribes una pregunta, pulsas enter y la máquina te contesta en un castellano más pulcro que el de tu cuñado; le pides un soneto sobre la declaración de la renta y te lo entrega, de locos. Le preguntas por Kant y no se inmuta pero en algún momento, entre la tercera y la cuarta respuesta, te planteas: ¿esto me está entendiendo?
La respuesta corta es no. La larga es más interesante, y de eso va este artículo. Porque para saber qué es un LLM (un Large Language Model, o modelo grande de lenguaje) conviene resignarse primero a una idea que a muchos les sienta mal: la Inteligencia Artificial que hoy nos deslumbra no piensa; predice. Y lo hace tan bien que hemos confundido una cosa con la otra.
La máquina que solo sabe adivinar la siguiente palabra
Reduzcamos el prodigio a su esqueleto. Un LLM es, en el fondo, un autocompletado con esteroides. Es decir, dada una secuencia de palabras, calcular cuál es la palabra más probable que viene después.
“El gato se subió al…”. Tejado. “En un lugar de la…”. Mancha. Tu móvil lleva años haciendo esto de forma cateta cuando escribes un wasap y te propone la palabra siguiente. La distancia entre aquel autocompletado torpe y un modelo de lenguaje moderno es de escala: más datos, más cálculo y una arquitectura infinitamente más lista para decidir qué toca decir a continuación.
Lo que ocurre es que, si aciertas la palabra siguiente suficientes veces seguidas, empiezas a parecer que sabes de lo que hablas. Encadena predicciones acertadas durante un párrafo entero y tendrás una explicación coherente. Encadénalas durante mil y tendrás algo que se parece peligrosamente a la conversación. Toda la magia de la IA generativa cabe en esa frase: no genera ideas, genera la siguiente palabra probable, una y otra vez, hasta que parece que tuviera algo que decir.
Cómo aprende: ni reglas ni maestro
Aquí es donde la mayoría de la gente se imagina a un ejército de programadores metiéndole reglas gramaticales a la máquina. “Si ves un sujeto, busca un verbo”. Nada de eso. A un LLM nadie le enseña las reglas del lenguaje. Se las come él solo.
El entrenamiento consiste, a grandes rasgos, en dejar que el modelo lea una cantidad obscena de texto (buena parte de internet, libros, foros, código) y jugar millones de veces al mismo juego: le tapamos la última palabra de una frase y le pedimos que la adivine. Al principio falla como una escopeta de feria. Cada vez que falla, el sistema ajusta ligerísimamente sus tripas para acercarse un poco más al acierto. Esas tripas son los parámetros: los números internos del modelo, que en los grandes se cuentan por miles de millones. Entrenar un LLM es afinar esos miles de millones de parámetros hasta que el conjunto acierta con una puntería inquietante.
Nadie le dice a la máquina qué es un verbo, ni que Madrid es la capital de España, ni que después de “gracias” suele venir “de nada”. Lo deduce de haberlo visto repetido hasta la extenuación. La Inteligencia Artificial de hoy no memoriza el mundo; es más bien un proceso en el que destila patrones. Y en esos patrones, sin quererlo, se cuela una parte considerable de lo que hemos escrito los humanos, con nuestros aciertos, nuestras manías y nuestros prejuicios de fábrica.
Palabras convertidas en números
Hay un problema evidente: las máquinas no leen, calculan. No saben qué es la palabra “perro”. Solo saben operar con números. Así que lo primero que hace un LLM es traducir el lenguaje a matemáticas.
Cada palabra (o, más finamente, cada token, que es a veces una palabra entera y a veces solo un trozo) se convierte en una lista de números, un punto en un espacio de muchísimas dimensiones (vector). Y aquí es donde la cosa se pone bonita para quien ame de la filosofía del lenguaje; ese punto no se coloca al azar: el modelo aprende a situar cada palabra según la compañía que suele frecuentar. “Rey” acaba cerca de “reina”, “trono” y “corona”. “Sardina” acaba en otro barrio del mapa, con “atún” y “conserva”.
Wittgenstein lo dejó escrito mucho antes de que existiera un solo ordenador: el significado de una palabra es su uso. Y un lingüista, Firth, lo apretó todavía más: conocerás una palabra por las compañías que mantiene. Pues resulta que la IA ha tomado esa intuición filosófica al pie de la letra y la ha convertido en geometría. El sentido, para un modelo de lenguaje, no es una esencia oculta dentro de la palabra. Es una posición, una distancia, una vecindad. Nada más metafísicamente humilde, y nada que funcione tan bien.
El truco que lo cambió todo: la atención
Durante décadas, hacer que una máquina manejara lenguaje fue un fracaso digno y persistente. Los modelos se perdían en las frases largas, olvidaban el principio antes de llegar al final, confundían a quién se refería aquel “le” de hace tres líneas. El salto llegó en 2017 con una idea de nombre modesto: la atención.
La atención permite que, al procesar cada palabra, el modelo pese cuáles de las anteriores importan de verdad para entenderla. En “el policía persiguió al ladrón porque corría deprisa”, ¿quién corría? Un humano resuelve la ambigüedad sin pestañear. La atención le da al modelo el mecanismo para hacer algo parecido: mirar hacia atrás y decidir, palabra a palabra, dónde poner el foco. A esa arquitectura se la bautizó Transformer, y es la que sostiene, por debajo, prácticamente toda la IA generativa que usas hoy. La “T” de GPT es exactamente esa.
No hace falta que retengas los detalles. Basta con quedarse con la idea: el mecanismo de atención es lo que convirtió un autocompletado tonto en algo capaz de seguir el hilo de un texto largo sin marearse. Súmale escala (más parámetros, más datos, más potencia de cálculo) y aparecen habilidades que nadie programó explícitamente: traducir, resumir, escribir código, imitar un estilo.
Ni loro ni oráculo
Llegados aquí conviene poner las dos tentaciones sobre la mesa, porque casi todo el ruido en torno a la Inteligencia Artificial nace de caer en una de ellas.
La primera tentación es el desprecio: “esto es un loro estocástico, repite lo que ha leído y ya está”. Es cómodo y es medio verdad. Un LLM no tiene intenciones, no sabe que existe, no comprueba si lo que dice es cierto contra ninguna realidad. Por eso alucina: se inventa citas, sentencias y bibliografía con el mismo aplomo con el que acierta la capital de Francia, porque para él ambas cosas son lo mismo, la palabra siguiente más probable. Fiarse de un modelo de lenguaje como si fuera una enciclopedia es el error de novato por excelencia.
La segunda tentación es la contraria: creer que dentro de la máquina hay alguien. Que si conversa como una persona, algo entiende. Searle montó hace décadas su famosa habitación china precisamente contra esto: un hombre encerrado que manipula símbolos chinos siguiendo un manual, sin saber una palabra de chino, puede producir respuestas perfectas y no entender absolutamente nada. Un LLM se parece más a esa habitación que a un interlocutor. Manipula símbolos con una destreza asombrosa. Comprender, en el sentido en que tú comprendes por qué quieres a tu hija, es otra cosa.
Lo honesto e interesante es quedarse en la incómoda mitad. Un LLM no es un cerebro ni es un loro. Es un artefacto nuevo, sin buen precedente, que hace con el lenguaje algo que ninguna herramienta había hecho y que, sin embargo, no requiere de nada que nosotros llamaríamos mente. Que eso nos resulte tan difícil de encajar dice, quizá, más de nuestras ideas sobre el pensamiento que sobre la máquina. ¿No?
Volviendo a la esencia
Así que la próxima vez que un modelo de Inteligencia Artificial te responda con una elegancia que te desarme, recuerda lo que tienes delante: una estadística monumental sobre cómo solemos encadenar las palabras los humanos, ejecutada a una velocidad y una escala que rozan lo obsceno. Ni un genio ni un fraude. Un espejo probabilístico de todo lo que hemos escrito.
Lo verdaderamente inquietante no es que la máquina hable tan bien. Es lo que insinúa sobre nosotros. Si buena parte de lo que decimos se puede predecir con solo mirar las palabras que solemos poner juntas, quizá hablar tenga menos de acto de creación y más de hábito bien engrasado de lo que nos gustaría admitir. Me parece aterrador.
La IA no ha aprendido a pensar. Nos ha obligado, de rebote, a preguntarnos qué demonios hacíamos nosotros cuando creíamos que pensábamos. No está mal para un autocompletado.