Glosario IA · 1.000 términos

7.1Glosario por áreas · 1.000 términos1000 términos con definición y ejemplo

Glosario

Fundamentos (195)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
«Attention Is All You Need» (Attention Is All You Need)	Fundamentos	Artículo de Google de 2017 que presentó el Transformer. Ej.: la base de todos los LLM.
Accesibilidad con IA (AI Accessibility)	Fundamentos	Uso de IA para ayudar a personas con discapacidad. Ej.: describir imágenes a personas ciegas.
Aceleracionismo (Effective Accelerationism (e/acc))	Fundamentos	Corriente que defiende acelerar el desarrollo de la IA. Ej.: opuesta a quienes piden frenarla.
Agente inteligente (Intelligent Agent)	Fundamentos	Sistema que percibe su entorno y actúa para cumplir objetivos. Ej.: un termostato inteligente o un agente de software.
Agente racional (Rational Agent)	Fundamentos	Agente que elige la acción que maximiza su resultado esperado. Ej.: definición clásica de IA de Russell y Norvig.
Alan Turing (Alan Turing)	Fundamentos	Matemático británico, padre de la informática y autor del test de Turing (1950). Ej.: «¿Pueden pensar las máquinas?».
AlexNet (AlexNet)	Fundamentos	Red convolucional que ganó ImageNet en 2012 y lanzó la era del deep learning. Ej.: entrenada en dos GPU.
Alfabetización en IA (AI Literacy)	Fundamentos	Conocimientos básicos para usar la IA con criterio. Ej.: la Ley de IA de la UE la exige a las empresas que la usan.
Algoritmo (Algorithm)	Fundamentos	Secuencia finita de pasos para resolver un problema. Ej.: la receta para ordenar una lista.
Algoritmo de búsqueda A* (A Search)*	Fundamentos	Algoritmo que encuentra el camino más corto usando una estimación del coste restante. Ej.: rutas en GPS y videojuegos.
AlphaFold (AlphaFold)	Fundamentos	IA de DeepMind que predice la estructura de las proteínas. Ej.: Nobel de Química 2024.
AlphaGo (AlphaGo)	Fundamentos	IA de DeepMind que venció al campeón de Go Lee Sedol en 2016. Ej.: la famosa «jugada 37».
Altruismo eficaz (Effective Altruism)	Fundamentos	Movimiento que ha impulsado buena parte del debate sobre riesgos de la IA. Ej.: financió centros de investigación en seguridad.
Análisis de big data (Big Data Analytics)	Fundamentos	Analizar conjuntos de datos enormes y variados para descubrir patrones y tendencias. Ej.: detectar hábitos de compra en millones de tiques.
Andrej Karpathy (Andrej Karpathy)	Fundamentos	Investigador y divulgador, ex de OpenAI y Tesla. Ej.: acuñó el término «vibe coding».
Antropomorfización (Anthropomorphism)	Fundamentos	Atribuir rasgos humanos a una IA. Ej.: pensar que un chatbot tiene sentimientos.
Aprendizaje automático (Machine Learning)	Fundamentos	Sistemas que aprenden patrones a partir de datos en lugar de seguir reglas escritas a mano. Ej.: un filtro de spam.
Aprendizaje automático clásico (Classical Machine Learning)	Fundamentos	Algoritmos anteriores al deep learning. Ej.: árboles de decisión o SVM.
Aprendizaje profundo (Deep Learning)	Fundamentos	Aprendizaje automático con redes neuronales de muchas capas. Ej.: reconocimiento de imágenes.
Árbol de búsqueda Monte Carlo (Monte Carlo Tree Search (MCTS))	Fundamentos	Explora jugadas simulando partidas al azar. Ej.: el «cerebro» de búsqueda de AlphaGo.
Artículo científico (Research Paper)	Fundamentos	Publicación que presenta una investigación. Ej.: los artículos de arXiv.
arXiv (arXiv)	Fundamentos	Repositorio abierto donde se publican la mayoría de artículos de IA. Ej.: los preprints antes de las conferencias.
Ashish Vaswani (Ashish Vaswani)	Fundamentos	Primer autor de «Attention Is All You Need» (2017). Ej.: el artículo que creó el Transformer.
Asistente doméstico (Smart Speaker)	Fundamentos	Altavoz con asistente de voz. Ej.: Amazon Echo con Alexa.
Asistente virtual (Virtual Assistant)	Fundamentos	Agente de software que entiende peticiones en lenguaje natural y realiza tareas. Ej.: Siri, Alexa o el asistente de Google.
Autenticación (Authentication)	Fundamentos	Comprobar la identidad de un usuario. Ej.: inicio de sesión con doble factor.
Automatización de tareas (Task Automation)	Fundamentos	Que la IA haga tareas repetitivas. Ej.: clasificar facturas o responder correos frecuentes.
Automatización inteligente (Intelligent Automation)	Fundamentos	RPA combinada con IA para automatizar procesos que exigen interpretar información. Ej.: leer correos, extraer datos y tramitar reclamaciones.
Automatización robótica de procesos (RPA) (Robotic Process Automation (RPA))	Fundamentos	Robots de software que repiten tareas administrativas en aplicaciones. Ej.: copiar datos de facturas a un ERP.
Automejora recursiva (Recursive Self-Improvement)	Fundamentos	Una IA que mejora su propio diseño una y otra vez. Ej.: uno de los caminos teóricos hacia la superinteligencia.
Bienestar de los modelos (Model Welfare)	Fundamentos	Línea de investigación sobre si los modelos podrían merecer consideración moral. Ej.: Anthropic tiene un programa sobre ello.
Big data (Big Data)	Fundamentos	Conjuntos de datos enormes y variados. Ej.: los billones de tokens de entrenamiento de un LLM.
Brecha digital (Digital Divide)	Fundamentos	Desigualdad en el acceso a la tecnología y su uso. Ej.: zonas rurales sin buena conexión.
Chat temporal (Temporary Chat)	Fundamentos	Conversación que no se guarda en el historial ni en la memoria. Ej.: para consultas sensibles.
Chatbot (Chatbot)	Fundamentos	Programa que conversa con personas por texto o voz. Ej.: el asistente de atención al cliente de un banco.
Cibernética (Cybernetics)	Fundamentos	Ciencia del control y la comunicación en animales, máquinas y organizaciones, antecesora de la IA (Norbert Wiener, 1948). Ej.: un termostato que se autorregula.
Ciberseguridad (Cybersecurity)	Fundamentos	Protección de sistemas y datos frente a ataques. Ej.: la IA ayuda tanto a atacantes como a defensores.
Ciclo de sobreexpectación (Hype Cycle)	Fundamentos	Curva de Gartner: euforia, decepción y madurez de una tecnología. Ej.: la IA generativa tras 2023.
Cifrado (Encryption)	Fundamentos	Codificar datos para que solo los lea quien tiene la clave. Ej.: conversaciones cifradas en tránsito.
Ciudad inteligente (Smart City)	Fundamentos	Ciudad que usa datos e IA para gestionar tráfico, energía o servicios. Ej.: semáforos que se adaptan al tráfico.
Código bajo (Low-code / No-code)	Fundamentos	Crear aplicaciones con poco o ningún código. Ej.: automatizar con Zapier o Make.
Compañero de IA (AI Companion)	Fundamentos	Chatbot pensado para conversación personal y apoyo emocional. Ej.: Replika o Character.AI.
Complejidad computacional (Computational Complexity)	Fundamentos	Cuánto tiempo o memoria necesita un algoritmo. Ej.: por qué algunos problemas son intratables.
Comportamiento emergente (Emergent Behavior)	Fundamentos	Patrones complejos que surgen de interacciones simples. Ej.: un enjambre de robots sencillos que cruza un terreno difícil.
Computación cognitiva (Cognitive Computing)	Fundamentos	Sistemas que imitan procesos del pensamiento humano combinando datos, lenguaje y razonamiento. Ej.: IBM Watson analizando historiales médicos.
Computación cuántica (Quantum Computing)	Fundamentos	Computación que usa superposición y entrelazamiento cuánticos. Ej.: simular moléculas que un ordenador clásico no puede.
Computación distribuida (Distributed Computing)	Fundamentos	Muchos ordenadores trabajando juntos en una tarea. Ej.: entrenar un LLM repartido entre miles de GPU.
Computación en el borde (edge) (Edge Computing)	Fundamentos	Procesar los datos cerca de donde se generan para reducir la latencia. Ej.: una cámara que analiza el vídeo sin enviarlo a la nube.
Conexión residual (Residual Connection)	Fundamentos	Atajo que suma la entrada de un bloque a su salida para entrenar redes muy profundas. Ej.: ResNet y todos los Transformers.
Conexionismo (Connectionism)	Fundamentos	Enfoque que modela la inteligencia con redes de unidades simples conectadas. Ej.: las redes neuronales.
Consciencia artificial (Machine Consciousness)	Fundamentos	Debate sobre si una IA podría tener experiencias propias. Ej.: no hay consenso científico.
Correlación (Correlation)	Fundamentos	Relación entre dos variables que cambian juntas; no implica causalidad. Ej.: ventas de helados y de cremas solares.
Cronología de la AGI (AGI Timelines)	Fundamentos	Estimaciones sobre cuándo llegará la AGI. Ej.: desde 2027 hasta 2047 según quién (ver 2.5).
Cúbit (Qubit)	Fundamentos	Unidad básica de información cuántica: puede estar en varios estados a la vez. Ej.: los procesadores cuánticos de IBM o Google.
Dario Amodei (Dario Amodei)	Fundamentos	Cofundador y consejero delegado de Anthropic. Ej.: ensayo «Machines of Loving Grace» (2024).
Dartmouth (Dartmouth Conference)	Fundamentos	Conferencia de 1956 considerada el nacimiento de la IA como disciplina. Ej.: McCarthy, Minsky, Shannon y Rochester.
Deep Blue (Deep Blue)	Fundamentos	Ordenador de IBM que venció a Kaspárov al ajedrez en 1997. Ej.: fuerza bruta, no aprendizaje.
Demis Hassabis (Demis Hassabis)	Fundamentos	Cofundador de DeepMind; Nobel de Química 2024 por AlphaFold. Ej.: dirige Google DeepMind.
Dependencia de la IA (AI Overreliance)	Fundamentos	Confiar en exceso en la IA sin verificar. Ej.: aceptar una respuesta errónea por su tono seguro.
Depuración (Debugging)	Fundamentos	Encontrar y corregir errores en el código. Ej.: pegar el error en el asistente para que explique la causa.
Derivada (Derivative)	Fundamentos	Ritmo de cambio de una función; base matemática del aprendizaje. Ej.: cuánto cambia el error si mueves un peso.
Descubrimiento de fármacos (Drug Discovery)	Fundamentos	Uso de IA para encontrar y diseñar nuevos medicamentos. Ej.: Isomorphic Labs.
Desinformación generada por IA (AI-generated Disinformation)	Fundamentos	Contenido falso producido con IA para engañar. Ej.: noticias o vídeos falsos en campañas electorales.
Despegue rápido (Fast Takeoff)	Fundamentos	Escenario en que la IA pasa de nivel humano a superinteligencia en poco tiempo. Ej.: opuesto al despegue lento.
Desplazamiento laboral (Job Displacement)	Fundamentos	Pérdida de empleos por automatización. Ej.: debate sobre puestos administrativos y de atención al cliente.
Despliegue (Deployment)	Fundamentos	Poner una aplicación o modelo en producción. Ej.: publicar un chatbot en la web de la empresa.
Desvanecimiento del gradiente (Vanishing Gradient)	Fundamentos	Problema por el que el gradiente se hace casi cero en redes profundas y dejan de aprender. Ej.: lo que resolvieron LSTM y ReLU.
Deuda técnica (Technical Debt)	Fundamentos	Coste futuro de soluciones rápidas mal hechas. Ej.: código generado sin revisar.
Distribución normal (Normal Distribution)	Fundamentos	Curva en forma de campana que describe muchos fenómenos. Ej.: las alturas de una población.
Dropout (Dropout)	Fundamentos	Apagar neuronas al azar durante el entrenamiento para evitar el sobreajuste. Ej.: desactivar el 10 % en cada paso.
Ecosistema abierto (Open Ecosystem)	Fundamentos	Comunidad que comparte modelos, datos y herramientas. Ej.: Hugging Face y los modelos de pesos abiertos.
Efecto ELIZA (ELIZA Effect)	Fundamentos	Tendencia a atribuir comprensión humana a un programa. Ej.: creer que un chatbot «siente».
ELIZA (ELIZA)	Fundamentos	Primer chatbot (1966), de Joseph Weizenbaum. Ej.: simulaba a un psicoterapeuta con reglas.
Entrenamiento (Training)	Fundamentos	Proceso de ajustar los parámetros con datos hasta reducir el error. Ej.: semanas de cálculo en miles de GPU.
Entropía cruzada (Cross-Entropy Loss)	Fundamentos	Función de pérdida que mide lo lejos que está la predicción de la respuesta real. Ej.: la que minimizan los LLM al predecir tokens.
Ética de la IA (AI Ethics)	Fundamentos	Estudio de las implicaciones morales y sociales de la IA: privacidad, sesgo y transparencia. Ej.: evitar que un sistema de selección discrimine.
Fei-Fei Li (Fei-Fei Li)	Fundamentos	Investigadora de Stanford que creó ImageNet. Ej.: el conjunto de datos que impulsó la visión por computador.
Frank Rosenblatt (Frank Rosenblatt)	Fundamentos	Inventor del perceptrón (1958). Ej.: la primera red neuronal que aprende.
Frontera tecnológica (Frontier AI)	Fundamentos	Los modelos más capaces del momento. Ej.: GPT-6 Astra, Claude Opus 5.5 o Gemini 4 Argon.
Función sigmoide (Sigmoid Function)	Fundamentos	Función que convierte cualquier número en un valor entre 0 y 1. Ej.: la salida de la neurona de 2.1.
Gemelo digital (Digital Twin)	Fundamentos	Réplica virtual de un objeto o sistema real para simularlo y vigilarlo. Ej.: el gemelo digital de una fábrica o de un CPD.
Geoffrey Hinton (Geoffrey Hinton)	Fundamentos	«Padrino» del deep learning; premio Turing 2018 y Nobel de Física 2024. Ej.: popularizó la retropropagación.
Gradiente (Gradient)	Fundamentos	Dirección en la que más aumenta el error; se usa para ajustar los pesos. Ej.: el descenso de gradiente avanza en sentido contrario.
Habitación china (Chinese Room)	Fundamentos	Experimento mental de John Searle (1980) contra la idea de que una máquina comprenda. Ej.: manipular símbolos sin entenderlos.
Heurística (Heuristic)	Fundamentos	Regla práctica que da buenas soluciones sin garantizar la mejor. Ej.: «empieza por la tarea más corta».
Hipótesis de escalado (Scaling Hypothesis)	Fundamentos	Idea de que más datos y cómputo bastan para lograr más inteligencia. Ej.: debate central sobre el camino a la AGI.
Huella de carbono de la IA (AI Carbon Footprint)	Fundamentos	Emisiones asociadas a entrenar y usar modelos. Ej.: depende mucho de la fuente de electricidad del CPD.
IA amigable (Friendly AI)	Fundamentos	Idea de diseñar una IA que actúe en beneficio de la humanidad. Ej.: origen del debate moderno sobre alineamiento.
IA emocional (Emotion AI)	Fundamentos	IA que detecta emociones por la cara, la voz o el texto. Ej.: medir la satisfacción de un cliente en una llamada. En la UE está prohibida en el trabajo y la educación.
IA en agricultura (AI in Agriculture)	Fundamentos	Uso de IA para cultivos, riego y plagas. Ej.: drones que detectan zonas con falta de agua.
IA en ciberseguridad (AI in Cybersecurity)	Fundamentos	Uso de IA para detectar y responder a ataques. Ej.: Darktrace o CrowdStrike.
IA en derecho (AI in Law)	Fundamentos	Uso de IA para revisar contratos e investigar jurisprudencia. Ej.: Harvey o CoCounsel.
IA en educación (AI in Education)	Fundamentos	Uso de IA para enseñar, tutorizar y evaluar. Ej.: tutores personalizados para cada alumno.
IA en el borde (Edge AI) (Edge AI)	Fundamentos	Modelos de IA que se ejecutan en el propio dispositivo. Ej.: el reconocimiento facial del móvil sin conexión.
IA en el comercio (AI in Retail)	Fundamentos	Uso de IA en recomendación, precios y logística. Ej.: precios dinámicos en una tienda online.
IA en el sector público (AI in Government)	Fundamentos	Uso de IA en administraciones y servicios públicos. Ej.: asistentes para trámites.
IA en finanzas (AI in Finance)	Fundamentos	Uso de IA en riesgo, fraude, inversión y atención al cliente. Ej.: detectar transacciones sospechosas.
IA en la ciencia (AI for Science)	Fundamentos	Uso de IA para acelerar descubrimientos científicos. Ej.: AlphaFold en biología o el diseño de materiales.
IA en la industria (Industrial AI)	Fundamentos	Uso de IA en fábricas: calidad, mantenimiento y robótica. Ej.: detectar piezas defectuosas con cámaras.
IA en marketing (AI in Marketing)	Fundamentos	Uso de IA para segmentar, crear contenido y medir campañas. Ej.: anuncios personalizados.
IA en recursos humanos (AI in HR)	Fundamentos	Uso de IA en selección, formación y análisis de plantilla. Ej.: filtrado de CV (uso de alto riesgo en la UE).
IA en sanidad (AI in Healthcare)	Fundamentos	Uso de IA en diagnóstico, investigación y gestión sanitaria. Ej.: detección de cáncer en mamografías.
IA estrecha (ANI) (Artificial Narrow Intelligence (ANI))	Fundamentos	Etapa 1: IA diseñada para una tarea concreta, sin capacidades generales; también llamada «IA débil». Casi toda la IA actual es ANI. Ej.: un programa de ajedrez o un filtro antispam.
IA simbólica (Symbolic AI)	Fundamentos	IA basada en reglas y lógica escritas por personas. Ej.: los sistemas expertos de los años 80.
ICML (ICML)	Fundamentos	Gran congreso internacional de aprendizaje automático. Ej.: uno de los tres más importantes junto a NeurIPS e ICLR.
Ilya Sutskever (Ilya Sutskever)	Fundamentos	Cofundador de OpenAI y de Safe Superintelligence. Ej.: coautor de AlexNet (2012).
ImageNet (ImageNet)	Fundamentos	Base de datos de más de 14 millones de imágenes etiquetadas. Ej.: el concurso que ganó AlexNet.
Inferencia (Inference)	Fundamentos	Usar un modelo ya entrenado para producir respuestas. Ej.: cada pregunta que haces a un chatbot.
Inicialización de pesos (Weight Initialization)	Fundamentos	Valores con los que arrancan los pesos antes de entrenar. Ej.: la inicialización Xavier.
Inteligencia ambiental (Ambient Intelligence)	Fundamentos	IA integrada en el entorno que se adapta a las personas sin que lo pidan. Ej.: una casa que ajusta luz y temperatura según tus hábitos.
Inteligencia artificial (Artificial Intelligence)	Fundamentos	Campo que crea sistemas capaces de tareas que requieren inteligencia humana: percibir, razonar y aprender. Ej.: un asistente que resume documentos.
Inteligencia artificial débil (Weak AI)	Fundamentos	Otro nombre de la IA estrecha: buena en una tarea concreta. Ej.: un traductor automático.
Inteligencia artificial fuerte (Strong AI)	Fundamentos	IA con capacidades generales iguales o superiores a las humanas. Ej.: concepto cercano a la AGI.
Inteligencia artificial general (Artificial General Intelligence (AGI))	Fundamentos	IA con capacidad comparable a la humana en la mayoría de tareas intelectuales. No tiene una definición única. Ej.: un sistema que pudiera hacer el trabajo de un médico, un abogado o un ingeniero sin entrenamiento específico.
Inteligencia de enjambre (Swarm Intelligence)	Fundamentos	Comportamiento inteligente que surge de muchos agentes simples. Ej.: algoritmos inspirados en colonias de hormigas.
Interfaz cerebro-ordenador (BCI) (Brain-Computer Interface (BCI))	Fundamentos	Comunicación directa entre el cerebro y un dispositivo. Ej.: implantes de Neuralink que permiten mover un cursor con el pensamiento.
Interfaz conversacional (Conversational Interface)	Fundamentos	Usar un programa hablando o escribiendo en lenguaje natural. Ej.: pedir un informe a un asistente en vez de usar menús.
Interfaz de usuario generativa (Generative UI)	Fundamentos	Interfaces que la IA crea al momento según lo que necesitas. Ej.: un artefacto con un panel a medida.
Internet de las cosas (Internet of Things (IoT))	Fundamentos	Objetos conectados que generan datos. Ej.: sensores de una fábrica o un termostato inteligente.
Investigación automatizada en IA (Automated AI Research)	Fundamentos	Usar IA para investigar y mejorar la propia IA. Ej.: agentes que proponen y prueban experimentos.
Invierno de la IA (AI Winter)	Fundamentos	Periodo de recortes de financiación tras expectativas incumplidas. Ej.: 1974-1980 y 1987-1993.
Iteración (Iteration (Step))	Fundamentos	Un paso de actualización de los pesos con un lote de datos. Ej.: un entrenamiento de 100.000 pasos.
Jensen Huang (Jensen Huang)	Fundamentos	Fundador y consejero delegado de NVIDIA. Ej.: presenta cada año la hoja de ruta en GTC.
John McCarthy (John McCarthy)	Fundamentos	Acuñó el término «inteligencia artificial» en 1956. Ej.: organizó la conferencia de Dartmouth.
JSON (JSON)	Fundamentos	Formato de texto para intercambiar datos estructurados. Ej.: la respuesta de una API.
Jupyter Notebook (Jupyter Notebooks)	Fundamentos	Cuaderno interactivo que mezcla código, gráficos y texto. Ej.: la herramienta habitual para experimentar con datos en Python.
Kaggle (Kaggle)	Fundamentos	Plataforma de Google de concursos de ciencia de datos. Ej.: competiciones con premios en metálico.
Laboratorio de frontera (Frontier Lab)	Fundamentos	Empresa que desarrolla modelos de frontera. Ej.: OpenAI, Anthropic, Google DeepMind o xAI.
Lección amarga (The Bitter Lesson)	Fundamentos	Ensayo de Rich Sutton (2019): a largo plazo ganan los métodos que escalan con cómputo, no el conocimiento programado a mano. Ej.: los LLM frente a los sistemas de reglas.
Ley de Jevons (Jevons Paradox)	Fundamentos	Cuando algo se abarata, se usa tanto más que el consumo total sube. Ej.: IA más barata, pero mucha más demanda de cómputo.
Ley de Moore (Moore's Law)	Fundamentos	Observación de que el número de transistores de un chip se duplica cada unos dos años. Ej.: base del abaratamiento del cómputo.
Lote (Batch)	Fundamentos	Grupo de ejemplos que se procesa a la vez en cada paso de entrenamiento. Ej.: lotes de 1.024 secuencias.
Mantenimiento predictivo (Predictive Maintenance)	Fundamentos	Prever averías antes de que ocurran con datos de sensores. Ej.: avisar de que un motor fallará pronto.
Markdown (Markdown)	Fundamentos	Formato de texto sencillo con títulos, listas y negritas. Ej.: el formato de las respuestas de los chatbots.
Marvin Minsky (Marvin Minsky)	Fundamentos	Pionero de la IA en el MIT. Ej.: coautor de «Perceptrons» (1969).
Matriz (Matrix)	Fundamentos	Tabla de números con filas y columnas; las redes neuronales son sobre todo multiplicaciones de matrices. Ej.: los pesos de una capa.
Maximizador de clips (Paperclip Maximizer)	Fundamentos	Experimento mental de Nick Bostrom sobre una IA con un objetivo mal definido. Ej.: convertir todo en clips.
Media y desviación típica (Mean and Standard Deviation)	Fundamentos	Valor promedio y lo que se dispersan los datos a su alrededor. Ej.: normalizar datos antes de entrenar.
Medicina personalizada (Personalized Medicine)	Fundamentos	Tratamientos adaptados a cada paciente con ayuda de datos e IA. Ej.: según su perfil genético.
Minería de datos (Data Mining)	Fundamentos	Descubrir patrones útiles en grandes bases de datos. Ej.: qué productos se compran juntos en un supermercado.
Modelo (Model)	Fundamentos	Programa entrenado cuyos parámetros guardan lo aprendido. Ej.: GPT-6 o Claude Opus 5.5.
Modelo de frontera (Frontier Model)	Fundamentos	Modelo en la vanguardia de capacidades, con más riesgos y obligaciones. Ej.: los de OpenAI, Anthropic y Google.
Momento ChatGPT (ChatGPT Moment)	Fundamentos	El punto en que una tecnología llega de golpe al gran público. Ej.: se habla del «momento ChatGPT» de la robótica.
Muro de datos (Data Wall)	Fundamentos	Posible agotamiento de texto humano de calidad para entrenar. Ej.: motivo del auge de los datos sintéticos.
NeurIPS (NeurIPS)	Fundamentos	Principal congreso de IA y aprendizaje automático. Ej.: NeurIPS 2026 en Sídney, Atlanta y París.
Normalización de capa (Layer Normalization)	Fundamentos	Normaliza cada ejemplo dentro de una capa; estándar en los Transformers. Ej.: aparece en cada bloque de GPT.
Normalización por lotes (Batch Normalization)	Fundamentos	Técnica que estabiliza el entrenamiento normalizando las salidas de cada capa. Ej.: muy usada en redes convolucionales.
Nube (Cloud Computing)	Fundamentos	Usar ordenadores remotos a través de internet. Ej.: entrenar modelos en AWS, Azure o Google Cloud.
NumPy (NumPy)	Fundamentos	Librería de Python para cálculo con matrices. Ej.: la neurona de 2.1 está hecha con NumPy.
Optimizador Adam (Adam Optimizer)	Fundamentos	Variante del descenso de gradiente que adapta el paso de cada parámetro. Ej.: el optimizador por defecto para entrenar LLM.
pandas (pandas)	Fundamentos	Librería de Python para trabajar con tablas de datos. Ej.: leer y limpiar un Excel.
Paradoja de Moravec (Moravec's Paradox)	Fundamentos	Lo difícil para las personas (ajedrez) es fácil para la IA y lo fácil (andar, coger objetos) es difícil. Ej.: por qué la robótica avanza más despacio.
Parámetro (Parameter)	Fundamentos	Valor numérico interno que el entrenamiento ajusta. Ej.: un modelo «70B» tiene 70.000 millones de parámetros.
Pensamiento crítico (Critical Thinking)	Fundamentos	Capacidad de evaluar la información con criterio propio. Ej.: comprobar las fuentes que da un chatbot.
Percepción artificial (Machine Perception)	Fundamentos	Capacidad de la IA de interpretar sensores: imagen, sonido o tacto. Ej.: un coche que ve peatones.
Premio Turing (Turing Award)	Fundamentos	El «Nobel de la informática». Ej.: Hinton, LeCun y Bengio en 2018.
Privacidad (Privacy)	Fundamentos	Derecho a controlar la información personal. Ej.: no compartir datos de clientes con asistentes públicos.
Probabilidad (Probability)	Fundamentos	Medida de lo probable que es un suceso, entre 0 y 1. Ej.: un LLM asigna una probabilidad a cada posible siguiente palabra.
Producción (Production)	Fundamentos	Entorno real donde los usuarios usan un sistema. Ej.: pasar de prototipo a producción.
Productividad con IA (AI Productivity)	Fundamentos	Ganancia de tiempo y calidad al trabajar con IA. Ej.: redactar un informe en la mitad de tiempo.
Producto escalar (Dot Product)	Fundamentos	Suma de los productos de dos vectores, base de la atención y de las neuronas. Ej.: medir lo parecidos que son dos embeddings.
Programación aumentada (Augmented Programming)	Fundamentos	Herramientas de IA que ayudan a escribir y depurar código. Ej.: GitHub Copilot.
Prototipo (Prototype)	Fundamentos	Versión inicial para probar una idea. Ej.: una app hecha en una tarde con Lovable.
Prueba de Lovelace (Lovelace Test)	Fundamentos	Propuesta para medir la creatividad real de una máquina. Ej.: crear algo que su programador no pueda explicar.
Pull request (Pull Request)	Fundamentos	Propuesta de cambios a un repositorio para revisarlos. Ej.: un agente que abre una pull request con un arreglo.
Python (Python)	Fundamentos	Lenguaje de programación más usado en IA. Ej.: PyTorch y casi todas las librerías de IA.
Reconocimiento de voz (Speech Recognition)	Fundamentos	Tecnología que convierte el habla en texto. Ej.: Siri o el asistente de Google.
Recualificación (Reskilling)	Fundamentos	Formar a trabajadores en nuevas habilidades. Ej.: cursos de IA para empleados de oficina.
Refactorización (Refactoring)	Fundamentos	Mejorar el código sin cambiar lo que hace. Ej.: pedir a un agente que ordene un archivo largo.
ReLU (Rectified Linear Unit)	Fundamentos	Función de activación que deja pasar los positivos y pone a cero los negativos. Ej.: la más usada en redes profundas.
Repositorio de código (Code Repository)	Fundamentos	Carpeta de un proyecto con su historial de cambios. Ej.: un repositorio en GitHub.
Reproducibilidad (Reproducibility)	Fundamentos	Que otros puedan repetir un experimento y obtener lo mismo. Ej.: publicar código y datos.
Residencia de datos (Data Residency)	Fundamentos	Ubicación física donde se almacenan los datos. Ej.: elegir servidores europeos en un plan de empresa.
Retención de datos (Data Retention)	Fundamentos	Tiempo que se guardan los datos. Ej.: borrar las conversaciones tras 30 días.
Robótica inteligente (Intelligent Robotics)	Fundamentos	Robots que hacen tareas de forma autónoma con IA. Ej.: un robot aspirador que se orienta solo.
Sam Altman (Sam Altman)	Fundamentos	Consejero delegado de OpenAI. Ej.: ensayo «The Intelligence Age» (2024).
scikit-learn (scikit-learn)	Fundamentos	Librería de Python de aprendizaje automático clásico. Ej.: árboles, regresiones y agrupamiento.
Similitud coseno (Cosine Similarity)	Fundamentos	Mide el ángulo entre dos vectores para saber cuánto se parecen. Ej.: buscar documentos parecidos en un RAG.
Singularidad tecnológica (Technological Singularity)	Fundamentos	Hipotético momento en que la IA mejora sola tan rápido que cambia la civilización. Ej.: Kurzweil la sitúa en 2045.
Sistema de tutoría inteligente (Intelligent Tutoring System (ITS))	Fundamentos	IA que personaliza la enseñanza según el progreso de cada alumno. Ej.: Khanmigo de Khan Academy.
Sistemas de recomendación (Recommendation Systems)	Fundamentos	IA que sugiere contenidos o productos según tus gustos y los de usuarios parecidos. Ej.: las recomendaciones de Netflix o Spotify.
Soberanía de datos (Data Sovereignty)	Fundamentos	Que los datos se rijan por las leyes del país donde se guardan. Ej.: exigir CPD en la UE.
Softmax (Softmax)	Fundamentos	Convierte una lista de números en probabilidades que suman 1. Ej.: elegir la siguiente palabra de un LLM.
SQL (SQL)	Fundamentos	Lenguaje para consultar bases de datos. Ej.: un asistente que escribe consultas SQL por ti.
Superinteligencia (Superintelligence)	Fundamentos	Sistema que supera con holgura a los mejores humanos en casi todos los ámbitos. Es una hipótesis posterior a la AGI. Ej.: una IA que supere a los mejores científicos en todas las disciplinas.
Teorema de Bayes (Bayes' Theorem)	Fundamentos	Fórmula para actualizar una probabilidad con información nueva. Ej.: el filtro antispam Naive Bayes.
Terminal (Command Line)	Fundamentos	Ventana donde se escriben órdenes al ordenador. Ej.: donde trabajan Claude Code o Gemini CLI.
Test de Turing (Turing Test)	Fundamentos	Prueba de Alan Turing (1950): un juez conversa por texto con una persona y una máquina y debe adivinar cuál es cuál. Ej.: chatbots que intentan pasar por humanos.
Test unitario (Unit Test)	Fundamentos	Prueba automática de una pieza pequeña de código. Ej.: comprobar que una función suma bien.
Traducción simultánea (Real-time Translation)	Fundamentos	Traducir una conversación mientras ocurre. Ej.: subtítulos traducidos en una videollamada.
Tres leyes de la robótica (Three Laws of Robotics)	Fundamentos	Normas ficticias de Isaac Asimov para robots seguros. Ej.: «un robot no hará daño a un ser humano».
Vector (Vector)	Fundamentos	Lista ordenada de números que representa un dato. Ej.: un embedding de 1.536 números que resume el significado de una frase.
Watson (IBM Watson)	Fundamentos	Sistema de IBM que ganó el concurso Jeopardy! en 2011. Ej.: después se aplicó, con poco éxito, a la medicina.
Yann LeCun (Yann LeCun)	Fundamentos	Pionero de las redes convolucionales; premio Turing 2018. Ej.: LeNet leía cheques en los 90.
Yoshua Bengio (Yoshua Bengio)	Fundamentos	Pionero del deep learning; premio Turing 2018 y voz destacada sobre los riesgos de la IA. Ej.: dirige el informe internacional sobre seguridad de la IA.

Machine Learning (88)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Adaptación de dominio (Domain Adaptation)	Machine Learning	Ajustar un modelo a datos de otro ámbito. Ej.: de fotos de internet a imágenes médicas.
Agrupamiento (clustering) (Clustering)	Machine Learning	Agrupar objetos parecidos sin etiquetas previas. Ej.: segmentar clientes por comportamiento.
Agrupamiento jerárquico (Hierarchical Clustering)	Machine Learning	Agrupa datos en un árbol de grupos cada vez mayores. Ej.: clasificar especies por parecido genético.
Algoritmo genético (Genetic Algorithm (GA))	Machine Learning	Algoritmo evolutivo que codifica soluciones como «genes» y selecciona las mejores. Ej.: optimizar rutas de reparto.
Algoritmos evolutivos (Evolutionary Algorithms)	Machine Learning	Optimización inspirada en la evolución: mutación, cruce y selección de soluciones. Ej.: diseñar antenas de satélite (NASA).
Análisis de componentes principales (Principal Component Analysis (PCA))	Machine Learning	Reducción de dimensionalidad que conserva la mayor varianza. Ej.: quedarse con las variables más informativas.
Aprendizaje activo (Active Learning)	Machine Learning	El modelo pide a una persona que etiquete los ejemplos más útiles. Ej.: un sistema que solo pregunta al médico por las radiografías dudosas.
Aprendizaje autosupervisado (Self-supervised Learning)	Machine Learning	El modelo crea sus propias etiquetas a partir de los datos. Ej.: predecir la palabra siguiente.
Aprendizaje basado en instancias (Instance-Based Learning)	Machine Learning	Memoriza los ejemplos y decide por semejanza. Ej.: KNN, que clasifica mirando los vecinos más próximos.
Aprendizaje cero ejemplos (zero-shot) (Zero-shot Learning)	Machine Learning	Resolver una tarea o reconocer una clase sin ningún ejemplo previo. Ej.: pedir a un LLM que clasifique reseñas sin darle ejemplos.
Aprendizaje con etiquetas ruidosas (Noisy Label Learning)	Machine Learning	Técnicas para entrenar bien aunque parte de las etiquetas sean erróneas. Ej.: datos etiquetados a toda prisa por muchas personas.
Aprendizaje con pocos datos (Low-resource Learning)	Machine Learning	Técnicas para idiomas o tareas con pocos ejemplos. Ej.: modelos para lenguas minoritarias.
Aprendizaje continuo (Continual Learning)	Machine Learning	Seguir aprendiendo sin olvidar lo anterior. Ej.: uno de los retos pendientes de los LLM.
Aprendizaje contrastivo (Contrastive Learning)	Machine Learning	Aprender acercando ejemplos parecidos y alejando los distintos. Ej.: CLIP relaciona fotos con sus textos.
Aprendizaje curricular (Curriculum Learning)	Machine Learning	Entrenar de ejemplos fáciles a difíciles. Ej.: como un temario escolar.
Aprendizaje de representaciones (Representation Learning)	Machine Learning	El modelo descubre por sí mismo qué características son útiles. Ej.: los embeddings que aprende un LLM.
Aprendizaje débilmente supervisado (Weak Supervision)	Machine Learning	Entrenar con etiquetas imperfectas generadas automáticamente. Ej.: reglas que etiquetan miles de textos.
Aprendizaje en línea (Online Learning)	Machine Learning	El modelo se actualiza continuamente con datos que llegan en flujo. Ej.: un filtro antifraude que aprende con cada transacción.
Aprendizaje federado (Federated Learning)	Machine Learning	Entrenar un modelo en muchos dispositivos sin juntar sus datos. Ej.: el teclado del móvil que mejora sin enviar lo que escribes.
Aprendizaje multitarea (Multi-task Learning)	Machine Learning	Entrenar un modelo en varias tareas a la vez. Ej.: traducir y resumir con el mismo modelo.
Aprendizaje no supervisado (Unsupervised Learning)	Machine Learning	Encuentra estructura en datos sin etiquetas. Ej.: agrupar clientes por comportamiento.
Aprendizaje por conjuntos (ensemble) (Ensemble Learning)	Machine Learning	Combinar varios modelos para mejorar la predicción. Ej.: votar entre varios clasificadores.
Aprendizaje por refuerzo (Reinforcement Learning)	Machine Learning	El agente aprende por prueba y error a base de recompensas. Ej.: AlphaGo.
Aprendizaje semisupervisado (Semi-Supervised Learning)	Machine Learning	Entrena con pocos datos etiquetados y muchos sin etiquetar. Ej.: clasificar millones de fotos etiquetando solo unas miles.
Aprendizaje supervisado (Supervised Learning)	Machine Learning	Aprende de ejemplos que incluyen la respuesta correcta. Ej.: fotos etiquetadas como «gato» o «perro».
Árbol de regresión (Regression Tree)	Machine Learning	Árbol de decisión que predice números. Ej.: estimar el consumo eléctrico.
Árboles de decisión (Decision Trees)	Machine Learning	Dividen los datos con preguntas de sí/no. Ej.: decidir si se concede un préstamo.
AutoML (AutoML)	Machine Learning	Automatizar la elección de modelo e hiperparámetros. Ej.: Google Vertex AutoML.
Bagging (Bagging)	Machine Learning	Entrenar varios modelos con muestras distintas y promediar. Ej.: la base del bosque aleatorio.
Boosting (Boosting)	Machine Learning	Encadenar modelos débiles que corrigen los errores del anterior. Ej.: AdaBoost o XGBoost.
Bosque aleatorio (Random Forest)	Machine Learning	Conjunto de muchos árboles de decisión que votan el resultado. Ej.: predecir el riesgo de impago.
Búsqueda del vecino más cercano (Nearest Neighbor Search)	Machine Learning	Encontrar los puntos más próximos a una consulta. Ej.: buscar documentos parecidos en una base de datos vectorial.
Búsqueda en cuadrícula (Grid Search)	Machine Learning	Prueba todas las combinaciones de una lista de hiperparámetros. Ej.: 3 tasas × 4 profundidades = 12 entrenamientos.
Característica (Feature)	Machine Learning	Variable de entrada que describe un ejemplo. Ej.: los metros cuadrados para predecir el precio de un piso.
Característica categórica (Categorical Feature)	Machine Learning	Variable con valores de una lista. Ej.: el color o la provincia.
Clasificación (Classification)	Machine Learning	Asignar cada ejemplo a una categoría. Ej.: spam o no spam.
Clasificación multiclase (Multiclass Classification)	Machine Learning	Elegir entre más de dos categorías. Ej.: clasificar noticias en deportes, economía o política.
Clasificación multietiqueta (Multi-label Classification)	Machine Learning	Asignar varias etiquetas a la vez. Ej.: una película que es comedia y drama.
Codificación one-hot (One-hot Encoding)	Machine Learning	Convertir una categoría en columnas de 0 y 1. Ej.: «rojo, verde, azul» → tres columnas.
Compromiso sesgo-varianza (Bias-Variance Tradeoff)	Machine Learning	Equilibrio entre un modelo demasiado simple y uno demasiado complejo. Ej.: elegir la profundidad de un árbol.
DBSCAN (DBSCAN)	Machine Learning	Algoritmo de agrupamiento por densidad que detecta grupos de cualquier forma. Ej.: zonas con muchos clientes en un mapa.
Deriva de datos (Data Drift)	Machine Learning	Cambio en los datos reales respecto a los de entrenamiento. Ej.: hábitos de compra que cambian tras una crisis.
Descenso de gradiente (Gradient Descent)	Machine Learning	Ajusta los parámetros en la dirección que más reduce el error. Ej.: la base del entrenamiento de redes neuronales.
Descenso de gradiente estocástico (SGD) (Stochastic Gradient Descent (SGD))	Machine Learning	Descenso de gradiente con pequeños lotes aleatorios de datos. Ej.: la forma estándar de entrenar redes neuronales.
Detección de anomalías (Outlier Detection)	Machine Learning	Identificar datos que se salen de lo normal. Ej.: una compra con tarjeta en otro país a las 3 de la mañana.
Elastic Net (Elastic Net)	Machine Learning	Regularización que combina las penalizaciones L1 y L2 en regresiones. Ej.: seleccionar variables en un modelo con muchas columnas correlacionadas.
Extracción de características (Feature Extraction)	Machine Learning	Transformar datos en bruto en variables útiles para el modelo. Ej.: obtener bordes y texturas de una imagen.
Función de pérdida (Loss Function)	Machine Learning	Mide cuánto se equivoca el modelo; el entrenamiento intenta minimizarla. Ej.: la entropía cruzada.
Gradient boosting (Gradient Boosting)	Machine Learning	Añade modelos débiles en serie, cada uno corrigiendo los errores del anterior. Ej.: XGBoost, muy usado en concursos de datos tabulares.
Hiperparámetro (Hyperparameter)	Machine Learning	Ajuste que se fija antes de entrenar y no se aprende. Ej.: la tasa de aprendizaje o el número de capas.
Imputación (Imputation)	Machine Learning	Rellenar valores que faltan. Ej.: usar la media de la columna.
Ingeniería de características (Feature Engineering)	Machine Learning	Crear y transformar variables para que el modelo aprenda mejor. Ej.: convertir una fecha en «día de la semana».
K vecinos más cercanos (K-Nearest Neighbours (KNN))	Machine Learning	Clasifica según las k muestras más parecidas. Ej.: distinguir especies de flores.
K-Means (K-Means)	Machine Learning	Agrupa los datos en k grupos alrededor de centroides. Ej.: segmentar clientes para campañas.
LightGBM (LightGBM)	Machine Learning	Librería de gradient boosting de Microsoft, muy rápida. Ej.: modelos de riesgo de crédito.
Maldición de la dimensionalidad (Curse of Dimensionality)	Machine Learning	Con muchas variables, los datos se dispersan y cuesta aprender. Ej.: por qué se reduce la dimensionalidad.
Máquina de vectores de soporte (Support Vector Machine (SVM))	Machine Learning	Busca la frontera que mejor separa las clases. Ej.: detección de spam.
Metaaprendizaje (Meta-Learning)	Machine Learning	«Aprender a aprender»: modelos que se adaptan rápido a tareas nuevas. Ej.: un modelo que aprende a clasificar una especie nueva con 5 fotos.
Métodos de kernel (Kernel Methods)	Machine Learning	Proyectan los datos a un espacio de más dimensiones donde son separables. Ej.: el «truco del kernel» de las SVM.
Modelado predictivo (Predictive Modeling)	Machine Learning	Construir modelos que predicen resultados futuros a partir de datos históricos. Ej.: prever qué clientes se darán de baja.
Modelo discriminativo (Discriminative Model)	Machine Learning	Modelo que aprende a distinguir entre clases. Ej.: un clasificador de spam.
Modelo generativo (Generative Model)	Machine Learning	Modelo que aprende a crear datos nuevos parecidos a los de entrenamiento. Ej.: GAN, VAE o modelos de difusión.
Naive Bayes (Naive Bayes)	Machine Learning	Clasificador probabilístico sencillo basado en el teorema de Bayes. Ej.: filtros antispam clásicos.
Neuroevolución (Neuroevolution)	Machine Learning	Usa algoritmos evolutivos para diseñar redes neuronales o sus pesos. Ej.: evolucionar agentes que aprenden a caminar.
Normalización de datos (Feature Scaling)	Machine Learning	Llevar las variables a escalas comparables. Ej.: edad y salario entre 0 y 1.
Olvido catastrófico (Catastrophic Forgetting)	Machine Learning	Perder lo aprendido al entrenar con datos nuevos. Ej.: un modelo ajustado a medicina que olvida idiomas.
Optimización de hiperparámetros (Hyperparameter Optimization)	Machine Learning	Buscar la mejor combinación de hiperparámetros. Ej.: probar varias tasas de aprendizaje y quedarse con la mejor.
Optimización por enjambre de partículas (Particle Swarm Optimization (PSO))	Machine Learning	Optimización inspirada en bandadas de aves o bancos de peces. Ej.: ajustar parámetros de un controlador.
Parada temprana (Early Stopping)	Machine Learning	Detener el entrenamiento cuando el error de validación deja de bajar. Ej.: evita el sobreajuste.
Previsión de series temporales (Time Series Forecasting)	Machine Learning	Predecir valores futuros a partir de observaciones pasadas ordenadas en el tiempo. Ej.: la demanda eléctrica de mañana.
Programación genética (Genetic Programming (GP))	Machine Learning	Evoluciona programas completos en lugar de parámetros. Ej.: descubrir una fórmula que ajusta unos datos.
Prueba de hipótesis (Hypothesis Testing)	Machine Learning	Método estadístico para decidir si un efecto es real o casual. Ej.: comprobar si una campaña nueva vende más.
Reconocimiento de patrones (Pattern Recognition)	Machine Learning	Identificar regularidades en los datos. Ej.: reconocer letras manuscritas.
Reducción de dimensionalidad (Dimensionality Reduction)	Machine Learning	Reduce el número de variables para simplificar el modelo. Ej.: comprimir características de imágenes.
Reglas de asociación (Association Rule Mining)	Machine Learning	Descubrir relaciones del tipo «si compra A, también compra B». Ej.: el clásico pañales y cerveza.
Regresión (Regression)	Machine Learning	Predecir un valor numérico. Ej.: el precio de una vivienda.
Regresión lineal (Linear Regression)	Machine Learning	Relaciona una variable con otras mediante una recta. Ej.: precio de una casa según tamaño y zona.
Regresión logística (Logistic Regression)	Machine Learning	Calcula la probabilidad de una clase binaria. Ej.: clasificar correos en spam o no spam.
Regularización (Regularization)	Machine Learning	Técnicas que penalizan la complejidad para evitar el sobreajuste. Ej.: dropout o penalización L2.
Regularización L1 (L1 Regularization (Lasso))	Machine Learning	Penaliza los pesos y deja muchos a cero, seleccionando variables. Ej.: quedarse con las 10 variables más útiles.
Regularización L2 (L2 Regularization (Ridge))	Machine Learning	Penaliza los pesos grandes para evitar el sobreajuste. Ej.: el «weight decay» de las redes neuronales.
Sobreajuste (Overfitting)	Machine Learning	El modelo memoriza el entrenamiento y falla con datos nuevos. Ej.: 99 % de acierto en entrenamiento y 60 % en la prueba.
t-SNE (t-SNE)	Machine Learning	Técnica para visualizar datos de muchas dimensiones en 2D. Ej.: ver cómo se agrupan los embeddings.
Tasa de aprendizaje (Learning Rate)	Machine Learning	Tamaño del paso con el que se ajustan los pesos en cada iteración. Ej.: demasiado alta, el modelo no converge; demasiado baja, tarda muchísimo.
UMAP (UMAP)	Machine Learning	Técnica de reducción de dimensiones más rápida que t-SNE. Ej.: mapas de documentos por temas.
Validación cruzada (Cross-Validation)	Machine Learning	Evalúa el modelo repartiendo los datos en varios bloques de entrenamiento y prueba. Ej.: validación en 5 pliegues.
Variable objetivo (Target Variable)	Machine Learning	Lo que el modelo intenta predecir. Ej.: si un cliente se dará de baja.
XGBoost (XGBoost)	Machine Learning	Librería de gradient boosting muy usada con datos en tablas. Ej.: ganadora de muchos concursos de Kaggle.

Deep Learning (75)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Agrupación (pooling) (Pooling)	Deep Learning	Reducir el tamaño de un mapa de características quedándose con lo esencial. Ej.: max pooling.
Aprendizaje por refuerzo profundo (Deep Reinforcement Learning)	Deep Learning	Une redes profundas y aprendizaje por refuerzo. Ej.: AlphaGo u OpenAI Five en Dota 2.
Atención cruzada (Cross-Attention)	Deep Learning	Atención entre dos secuencias distintas. Ej.: el texto que guía la generación de una imagen.
Autoatención (Self-Attention)	Deep Learning	Cada palabra de una frase «mira» a todas las demás para entender el contexto. Ej.: el núcleo del Transformer.
Autoencoder (Autoencoder)	Deep Learning	Red que comprime los datos y los reconstruye para aprender lo esencial. Ej.: quitar ruido a imágenes.
Autoencoder variacional (VAE) (Variational Autoencoder (VAE))	Deep Learning	Autoencoder que aprende un espacio latente continuo del que se pueden generar datos nuevos. Ej.: generar caras nuevas.
BF16 (bfloat16)	Deep Learning	Formato numérico de 16 bits pensado para IA. Ej.: el estándar para entrenar LLM.
Búsqueda de arquitecturas neuronales (NAS) (Neural Architecture Search (NAS))	Deep Learning	Diseñar automáticamente la arquitectura de una red. Ej.: EfficientNet, diseñada por NAS en Google.
Calentamiento del aprendizaje (Learning Rate Warmup)	Deep Learning	Empezar con una tasa de aprendizaje baja e ir subiéndola. Ej.: estabiliza el inicio del entrenamiento.
Capa (Layer)	Deep Learning	Bloque de neuronas; la profundidad de una red es su número de capas. Ej.: GPT-3 tiene 96 capas.
Capa densa (Dense Layer)	Deep Learning	Capa en la que cada neurona se conecta con todas las de la anterior. Ej.: la parte final de muchas redes.
Capa oculta (Hidden Layer)	Deep Learning	Capa entre la entrada y la salida de una red. Ej.: donde se aprenden las representaciones.
Codificador de imagen (Image Encoder)	Deep Learning	Parte de un modelo que convierte una imagen en vectores. Ej.: el que usa un LLM multimodal.
Convolución (Convolution)	Deep Learning	Operación que pasa un filtro sobre la imagen para detectar patrones. Ej.: bordes, texturas o formas.
Deep Belief Network (Deep Belief Network (DBN))	Deep Learning	Capas ocultas entrenadas sin supervisión una a una (Hinton, 2006). Ej.: reconocer caracteres manuscritos.
Embedding posicional rotatorio (RoPE)	Deep Learning	Forma de codificar el orden de las palabras rotando vectores. Ej.: usada en Llama y otros LLM.
Emparejamiento de flujo (Flow Matching)	Deep Learning	Técnica generativa alternativa a la difusión, más rápida. Ej.: usada en modelos de imagen recientes.
Enrutador (Router (MoE))	Deep Learning	Parte del modelo MoE que decide qué expertos usar en cada token. Ej.: elige 8 de 256 expertos.
Época (Epoch)	Deep Learning	Una pasada completa por todos los datos de entrenamiento. Ej.: entrenar 50 épocas un reconocedor de dígitos.
Escasez (sparsity) (Sparsity)	Deep Learning	Que muchos pesos o activaciones sean cero para ahorrar cálculo. Ej.: las cifras de GPU «con dispersión».
Experto (MoE) (Expert)	Deep Learning	Subred especializada dentro de un modelo de mezcla de expertos. Ej.: DeepSeek activa solo algunos expertos por token.
Explosión del gradiente (Exploding Gradient)	Deep Learning	Gradientes que crecen sin control y rompen el entrenamiento. Ej.: lo que evita el recorte de gradiente.
Flash Attention (FlashAttention)	Deep Learning	Implementación muy eficiente de la atención en GPU. Ej.: acelera el entrenamiento y permite contextos largos.
Función de activación (Activation Function)	Deep Learning	Introduce no linealidad para que la red aprenda relaciones complejas. Ej.: ReLU o sigmoide.
Fusión de modelos (Model Merging)	Deep Learning	Combinar los pesos de varios modelos ajustados en uno. Ej.: muy popular en la comunidad de modelos abiertos.
GELU (GELU)	Deep Learning	Función de activación suave usada en los Transformers. Ej.: GPT y BERT.
GRU (Gated Recurrent Unit)	Deep Learning	Variante simplificada de LSTM. Ej.: modelos de texto ligeros.
Inicialización Xavier (Xavier Initialization)	Deep Learning	Forma de dar valores iniciales a los pesos para que el entrenamiento sea estable (Glorot y Bengio, 2010). Ej.: evitar que las señales se apaguen capa a capa.
LSTM (Long Short-Term Memory)	Deep Learning	RNN con memoria a largo plazo que evita el desvanecimiento del gradiente (1997). Ej.: series temporales.
Mapa autoorganizado (Self-Organising Map (SOM))	Deep Learning	Proyecta datos complejos en un mapa de 2D manteniendo su estructura. Ej.: visualizar patrones de compra.
Máquina de Boltzmann (Boltzmann Machine)	Deep Learning	Red estocástica que aprende una distribución de probabilidad. Ej.: problemas de optimización combinatoria.
Máquina de estado líquido (Liquid State Machine)	Deep Learning	Red de neuronas de impulsos conectadas al azar que capta dinámicas temporales. Ej.: patrones en señales de audio.
Máquina de Turing neuronal (Neural Turing Machine (NTM))	Deep Learning	Red con memoria externa inspirada en la máquina de Turing (DeepMind, 2014). Ej.: aprender a copiar u ordenar secuencias.
Matriz jacobiana (Jacobian Matrix)	Deep Learning	Matriz de todas las derivadas parciales de una función con varias salidas. Ej.: se usa al calcular gradientes en redes.
Mecanismo de atención (Attention Mechanism)	Deep Learning	Pondera qué partes de la entrada importan más para cada salida. Ej.: relacionar un pronombre con su sustantivo.
Mezcla de expertos (Mixture of Experts (MoE))	Deep Learning	Activa solo algunos «expertos» por token, lo que permite modelos enormes con menos coste. Ej.: los modelos de DeepSeek.
Modelo autorregresivo (Autoregressive Model)	Deep Learning	Modelo que genera cada elemento a partir de los anteriores. Ej.: los LLM generan palabra a palabra.
Modelo de espacio de estados (State Space Model (Mamba))	Deep Learning	Arquitectura alternativa al Transformer, más eficiente con secuencias largas. Ej.: Mamba.
Modelo denso (Dense Model)	Deep Learning	Modelo que usa todos sus parámetros en cada token. Ej.: Llama 3.1 405B.
Modelo híbrido (Hybrid Architecture)	Deep Learning	Combina capas de Transformer con otras arquitecturas. Ej.: Transformer más Mamba.
Neurona artificial (Artificial Neuron)	Deep Learning	Unidad que suma entradas ponderadas y aplica una función de activación. Es el ladrillo básico de una red. Ej.: el perceptrón (ver 2.1, «La neurona artificial»).
Paralelismo de datos (Data Parallelism)	Deep Learning	Repartir los datos entre muchas GPU con una copia del modelo en cada una. Ej.: entrenar más rápido.
Paralelismo de modelo (Model Parallelism)	Deep Learning	Repartir el propio modelo entre varias GPU. Ej.: modelos que no caben en una sola.
Paralelismo de tensores (Tensor Parallelism)	Deep Learning	Dividir cada capa entre varias GPU. Ej.: Megatron-LM.
Paralelismo en tubería (Pipeline Parallelism)	Deep Learning	Poner capas distintas en GPU distintas, como una cadena de montaje. Ej.: entrenamiento de modelos gigantes.
Parámetros activos (Active Parameters)	Deep Learning	Parámetros que se usan de verdad en cada token de un MoE. Ej.: Mistral Large 3 tiene 675.000 M en total y 41.000 M activos.
Perceptrón (Perceptron)	Deep Learning	Neurona básica: suma ponderada de entradas más función de activación (Rosenblatt, 1958). Ej.: clasificación binaria simple.
Perceptrón multicapa (MultiLayer Perceptron (MLP))	Deep Learning	Red con capa de entrada, capas ocultas y salida, entrenada con retropropagación. Ej.: clasificar las flores Iris.
Pérdida de entrenamiento (Training Loss)	Deep Learning	Error del modelo con los datos de entrenamiento. Ej.: debe bajar a lo largo de las épocas.
Poda de redes (Neural Network Pruning)	Deep Learning	Eliminar conexiones o neuronas poco útiles para que la red sea más pequeña y rápida. Ej.: un modelo que cabe en el móvil.
Precisión mixta (Mixed Precision)	Deep Learning	Entrenar combinando números de 16 y 32 bits para ir más rápido. Ej.: BF16 en GPU modernas.
Punto de control (Checkpoint)	Deep Learning	Copia guardada del modelo durante el entrenamiento. Ej.: retomar tras un fallo.
Recorte de gradiente (Gradient Clipping)	Deep Learning	Limitar el tamaño de los gradientes para evitar inestabilidades. Ej.: habitual al entrenar LLM.
Red con memoria aumentada (Memory Augmented Neural Network (MANN))	Deep Learning	Red con una memoria externa que puede leer y escribir. Ej.: recordar hechos a lo largo de una tarea larga.
Red convolucional (Convolutional Neural Network (CNN))	Deep Learning	Detecta patrones locales con filtros; es la base de la visión por computador. Ej.: leer matrículas.
Red de cápsulas (Capsule Network)	Deep Learning	Arquitectura de Hinton (2017) que conserva la orientación y posición de las partes de una imagen. Ej.: reconocer un objeto girado.
Red de Hopfield (Hopfield Network)	Deep Learning	Red recurrente que actúa como memoria asociativa. Ej.: recuperar un patrón completo a partir de una parte.
Red feed forward (Feed Forward Network)	Deep Learning	Red en la que la señal va en un solo sentido, de la entrada a la salida. Ej.: clasificar imágenes sencillas.
Red neuronal (Neural Network)	Deep Learning	Capas de neuronas artificiales que transforman entradas en salidas. Ej.: un perceptrón multicapa.
Red neuronal bayesiana (Bayesian Neural Network (BNN))	Deep Learning	Red cuyos pesos son distribuciones de probabilidad, lo que permite estimar su incertidumbre. Ej.: un diagnóstico que indica lo seguro que está.
Red neuronal de grafos (GNN) (Graph Neural Network (GNN))	Deep Learning	Red que aprende de datos en forma de grafo (nodos y relaciones). Ej.: predecir propiedades de moléculas o recomendar amigos.
Red neuronal de impulsos (Spiking Neural Network (SNN))	Deep Learning	Red inspirada en las neuronas biológicas que se comunican con impulsos en el tiempo. Ej.: chips neuromórficos como Loihi de Intel.
Red recurrente (Recurrent Neural Network (RNN))	Deep Learning	Procesa secuencias con memoria interna; antecesora de los Transformers. Ej.: las redes LSTM.
Red siamesa (Siamese Network)	Deep Learning	Dos redes iguales que comparan dos entradas. Ej.: verificar si dos firmas son de la misma persona.
ResNet (ResNet)	Deep Learning	Red convolucional de Microsoft (2015) con conexiones residuales. Ej.: permitió redes de más de 100 capas.
Retropropagación (Backpropagation)	Deep Learning	Calcula el error capa a capa hacia atrás para saber cómo ajustar cada peso. Ej.: el algoritmo con el que se entrenan todas las redes profundas actuales.
Tensor (Tensor)	Deep Learning	Matriz de varias dimensiones con la que las redes representan datos. Ej.: una imagen en color es un tensor alto × ancho × 3.
Teorema de aproximación universal (Universal Approximation Theorem)	Deep Learning	Una red con una capa oculta suficientemente grande puede aproximar cualquier función continua. Ej.: la base teórica de por qué las redes son tan versátiles.
Transferencia de estilo neuronal (Neural Style Transfer)	Deep Learning	Aplicar el estilo de una imagen a otra conservando su contenido. Ej.: una foto pintada «a lo Van Gogh».
Transformador de difusión (Diffusion Transformer (DiT))	Deep Learning	Modelo de difusión basado en Transformer. Ej.: la arquitectura de Sora.
Transformer (Transformer)	Deep Learning	Arquitectura basada en atención, publicada en 2017, que sustenta los LLM. Ej.: GPT, Claude y Gemini.
Transformer de solo decodificador (Decoder-only Transformer)	Deep Learning	Transformer que genera texto palabra a palabra. Ej.: GPT, Claude y Llama.
U-Net (U-Net)	Deep Learning	Arquitectura en forma de U para segmentar imágenes. Ej.: imágenes médicas y modelos de difusión.
Variable latente (Latent Variable)	Deep Learning	Variable no observada que el modelo infiere de los datos. Ej.: el «estilo» oculto que un VAE aprende de las caras.
Visión por transformers (Vision-Language Model (VLM))	Deep Learning	Modelo que entiende imágenes y texto a la vez. Ej.: describir una foto o leer un gráfico.

LLM y lenguaje (94)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Aguja en un pajar (Needle in a Haystack)	LLM y lenguaje	Prueba que esconde un dato en un texto enorme para ver si el modelo lo encuentra. Ej.: medir si un contexto de 1 M se usa de verdad.
Ajuste fino (Fine-tuning)	LLM y lenguaje	Reentrenar un modelo con datos específicos para una tarea. Ej.: un asistente jurídico.
Ajuste fino supervisado (Supervised Fine-Tuning (SFT))	LLM y lenguaje	Ajustar un modelo con ejemplos de respuestas correctas escritas por personas. Ej.: el primer paso tras el preentrenamiento.
Ajuste por instrucciones (Instruction Tuning)	LLM y lenguaje	Entrenar un modelo base con pares de instrucción y respuesta para que siga órdenes. Ej.: lo que convierte un modelo base en un asistente conversacional.
Alucinación (Hallucination)	LLM y lenguaje	Respuesta plausible pero falsa. Ej.: citar sentencias judiciales que no existen.
Análisis de sentimiento (Sentiment Analysis)	LLM y lenguaje	Detectar si un texto es positivo, negativo o neutro. Ej.: analizar miles de reseñas de un producto.
Análisis morfológico (Morphological Analysis)	LLM y lenguaje	Estudiar la estructura interna de las palabras. Ej.: raíz y terminaciones de un verbo.
Análisis sintáctico de dependencias (Dependency Parsing)	LLM y lenguaje	Analizar la estructura gramatical de una frase y las relaciones entre palabras. Ej.: saber qué palabra es el sujeto.
Aprendizaje con pocos ejemplos (Few-shot Learning)	LLM y lenguaje	Aprender una tarea con muy pocos ejemplos. Ej.: dar 3 ejemplos en el prompt.
Aprendizaje con un ejemplo (One-shot Learning)	LLM y lenguaje	Aprender con un único ejemplo. Ej.: reconocer a una persona con una sola foto.
Aprendizaje por refuerzo con retroalimentación humana (Reinforcement Learning from Human Feedback (RLHF))	LLM y lenguaje	Alinea el modelo con las preferencias de personas que puntúan respuestas. Ej.: así se convirtió GPT en un asistente.
Aprendizaje por transferencia (Transfer Learning)	LLM y lenguaje	Reutilizar un modelo entrenado como punto de partida para otra tarea. Ej.: adaptar un modelo de visión a radiografías.
Árbol de pensamientos (Tree of Thoughts)	LLM y lenguaje	Técnica en la que el modelo explora varios caminos de razonamiento y elige el mejor. Ej.: resolver puzles lógicos.
Atención multicabeza (Multi-Head Attention)	LLM y lenguaje	Varias «cabezas» de atención que se fijan en relaciones distintas del texto a la vez. Ej.: una cabeza sigue la gramática y otra el tema.
Autoconsistencia (Self-Consistency)	LLM y lenguaje	Generar varias respuestas razonadas y quedarse con la más repetida. Ej.: mejora la precisión en matemáticas.
BERT (Bidirectional Encoder Representations from Transformers)	LLM y lenguaje	Transformer de Google (2018) que entiende el contexto en ambas direcciones. Ej.: responder preguntas sobre un párrafo.
Bolsa de palabras (Bag of Words)	LLM y lenguaje	Representar un texto por las palabras que contiene, sin su orden. Ej.: técnica clásica de clasificación de textos.
Caché de prompts (Prompt Caching)	LLM y lenguaje	Guardar la parte repetida de un prompt para no pagarla ni procesarla otra vez. Ej.: abarata hasta un 90 % las llamadas con el mismo documento largo.
Caché KV (KV Cache)	LLM y lenguaje	Memoria donde el modelo guarda la atención de los tokens ya procesados. Ej.: es lo que más RAM de GPU consume en contextos largos.
Cadena de herramientas (Tool Chain)	LLM y lenguaje	Secuencia de herramientas que usa un modelo para una tarea. Ej.: buscar, leer, calcular y redactar.
Cadena de pensamiento (Chain of Thought)	LLM y lenguaje	Razonar paso a paso antes de responder; mejora matemáticas y lógica. Ej.: pedir «razona paso a paso» antes de resolver un problema de matemáticas.
Clasificación de textos (Text Classification)	LLM y lenguaje	Asignar categorías a textos. Ej.: detectar el tema de una noticia.
Codificación posicional (Positional Encoding)	LLM y lenguaje	Información que indica al Transformer el orden de las palabras. Ej.: RoPE, usada en muchos LLM modernos.
Codificador y decodificador (Encoder-Decoder)	LLM y lenguaje	Una parte entiende la entrada y otra genera la salida. Ej.: T5; GPT usa solo decodificador y BERT solo codificador.
Common Crawl (Common Crawl)	LLM y lenguaje	Archivo abierto de páginas web usado para entrenar casi todos los LLM. Ej.: una de las fuentes principales de GPT-3.
Compactación (Compaction)	LLM y lenguaje	Resumir automáticamente la conversación para liberar contexto. Ej.: el comando /compact de Claude Code.
Comprensión del lenguaje natural (NLU) (Natural Language Understanding (NLU))	LLM y lenguaje	Parte del PLN que extrae el significado y la intención de un texto. Ej.: entender que «¿me lo cambiáis?» es una petición de devolución.
Cómputo en inferencia (Test-time Compute)	LLM y lenguaje	Mejorar la respuesta gastando más cálculo al responder, no al entrenar. Ej.: la serie o de OpenAI y los modos de razonamiento.
Contexto largo (Long Context)	LLM y lenguaje	Capacidad de leer documentos muy extensos de una vez. Ej.: 1 millón de tokens equivale a unas 750.000 palabras.
Corpus (Corpus)	LLM y lenguaje	Gran colección de textos usada para entrenar o estudiar el lenguaje. Ej.: Common Crawl, con miles de millones de páginas web.
Corte de conocimiento (Knowledge Cutoff)	LLM y lenguaje	Fecha hasta la que llegan los datos de entrenamiento. Ej.: un modelo con corte en junio de 2026 no sabe lo que pasó después sin buscar en internet.
Cuantización (Quantization)	LLM y lenguaje	Reducir la precisión de los pesos (de 16 a 8 o 4 bits) para que el modelo ocupe menos y vaya más rápido. Ej.: ejecutar un modelo de 70B en un portátil con GGUF de 4 bits.
Decodificación especulativa (Speculative Decoding)	LLM y lenguaje	Un modelo pequeño propone tokens y el grande los verifica, acelerando la respuesta. Ej.: usada en vLLM y en las APIs comerciales.
Decodificación voraz (Greedy Decoding)	LLM y lenguaje	Elegir siempre la palabra más probable. Ej.: respuestas deterministas con temperatura 0.
Degradación del contexto (Context Rot)	LLM y lenguaje	Pérdida de calidad cuando el contexto está muy lleno. Ej.: abrir un chat nuevo con un resumen.
Desambiguación (Word Sense Disambiguation)	LLM y lenguaje	Elegir el significado correcto de una palabra según el contexto. Ej.: «banco» de sentarse o de dinero.
Destilación (Knowledge Distillation)	LLM y lenguaje	Entrenar un modelo pequeño para imitar a uno grande. Ej.: versiones «mini» o «Flash» que heredan capacidades de los modelos grandes.
Diálogo multiturno (Multi-turn Dialogue)	LLM y lenguaje	Conversación de varias intervenciones que mantiene el contexto. Ej.: un chat que recuerda lo dicho antes.
Embedding (Embedding)	LLM y lenguaje	Vector numérico que representa el significado: textos parecidos dan vectores cercanos. Ej.: la base de los buscadores semánticos.
Encadenamiento de prompts (Prompt Chaining)	LLM y lenguaje	Dividir una tarea en varios prompts encadenados. Ej.: primero resumir, después traducir y por último revisar.
Esfuerzo de razonamiento (Reasoning Effort)	LLM y lenguaje	Ajuste que decide cuánto «piensa» el modelo antes de responder. Ej.: niveles bajo, medio, alto o máximo en Claude y GPT.
Etiquetado gramatical (Part-of-Speech Tagging)	LLM y lenguaje	Marcar cada palabra como nombre, verbo, adjetivo… Ej.: paso clásico del PLN.
Extracción de información (Information Extraction)	LLM y lenguaje	Sacar datos estructurados de texto libre. Ej.: fechas e importes de un contrato.
Generación de lenguaje natural (Natural Language Generation (NLG))	LLM y lenguaje	Producir texto a partir de datos o ideas. Ej.: informes automáticos de resultados.
GPT (Generative Pre-trained Transformer)	LLM y lenguaje	Transformer generativo preentrenado con enormes textos. Ej.: la familia de modelos de ChatGPT.
Gramática generativa (Generative Grammar)	LLM y lenguaje	Teoría de Chomsky sobre las reglas que generan las frases de un idioma. Ej.: base de la lingüística computacional clásica.
Instrucción (Prompt)	LLM y lenguaje	Texto de entrada que se le da al modelo. Ej.: «Resume este informe en tres puntos».
Instrucción de sistema (System Prompt)	LLM y lenguaje	Instrucciones fijas que definen el comportamiento del asistente en toda la conversación. Ej.: «Eres un agente de soporte; responde solo sobre nuestros productos».
Instrucciones personalizadas (Custom Instructions)	LLM y lenguaje	Preferencias que el usuario fija para todas sus conversaciones. Ej.: «responde siempre en español y con tablas».
Lematización (Lemmatization)	LLM y lenguaje	Reducir una palabra a su forma base. Ej.: «corriendo» → «correr».
Ley de escalado (Scaling Laws)	LLM y lenguaje	La capacidad mejora de forma predecible al aumentar datos, cómputo y parámetros. Ej.: los artículos de OpenAI (2020) y DeepMind (Chinchilla, 2022).
Llamada a funciones (Function Calling)	LLM y lenguaje	El modelo decide llamar a una función externa con los parámetros adecuados. Ej.: consultar el stock de un producto en tu base de datos.
LoRA (Low-Rank Adaptation)	LLM y lenguaje	Ajuste fino que entrena solo pequeñas matrices añadidas, sin tocar el modelo entero. Ej.: personalizar el estilo de un modelo con pocos recursos.
Modelo base (Base Model)	LLM y lenguaje	Modelo solo preentrenado, que completa texto pero no conversa. Ej.: Llama 3 base frente a Llama 3 Instruct.
Modelo de lenguaje (Language Model)	LLM y lenguaje	Modelo que asigna probabilidades a secuencias de palabras para predecir la siguiente. Ej.: el autocompletado del móvil y, a gran escala, los LLM.
Modelo de lenguaje grande (Large Language Model (LLM))	LLM y lenguaje	Transformer entrenado con texto masivo para predecir el siguiente token. Ej.: el modelo detrás de ChatGPT.
Modelo de pesos abiertos (Open-weight Model)	LLM y lenguaje	Modelo cuyos parámetros se pueden descargar, aunque no siempre con sus datos ni licencia libre. Ej.: Llama, DeepSeek o Kimi.
Modelo de razonamiento (Reasoning Model)	LLM y lenguaje	LLM entrenado para «pensar» más tiempo antes de contestar. Ej.: la serie o de OpenAI.
Modelo de recompensa (Reward Model)	LLM y lenguaje	Modelo que puntúa respuestas según las preferencias humanas para entrenar con RLHF. Ej.: aprende qué respuesta de dos prefería una persona.
Modelo fundacional (Foundation Model)	LLM y lenguaje	Modelo general preentrenado que se adapta a muchas tareas. Ej.: Llama ajustado a un sector.
Modelo multilingüe (Multilingual Model)	LLM y lenguaje	Modelo que entiende y genera muchos idiomas. Ej.: los LLM actuales manejan más de 50 lenguas.
Modelo pequeño de lenguaje (Small Language Model (SLM))	LLM y lenguaje	Modelo de pocos miles de millones de parámetros pensado para móviles o tareas concretas. Ej.: Phi de Microsoft o Gemma de Google.
Muestreo top-k (Top-k Sampling)	LLM y lenguaje	Elegir la siguiente palabra entre las k más probables. Ej.: limitarse a las 40 mejores.
Muestreo top-p (Top-p (Nucleus) Sampling)	LLM y lenguaje	Elegir la siguiente palabra solo entre las más probables que suman un porcentaje. Ej.: top-p de 0,9.
Optimización directa de preferencias (Direct Preference Optimization (DPO))	LLM y lenguaje	Alternativa más simple al RLHF que aprende directamente de pares «mejor/peor». Ej.: muy usada para ajustar modelos abiertos.
Palabras vacías (Stop Words)	LLM y lenguaje	Palabras muy frecuentes y poco informativas que a veces se eliminan. Ej.: «el», «de», «y».
Pensamiento extendido (Extended Thinking)	LLM y lenguaje	Modo en el que el modelo razona en un borrador interno antes de contestar. Ej.: activarlo para problemas de matemáticas o código complejo.
Perplejidad (Perplexity)	LLM y lenguaje	Mide lo sorprendido que está un modelo de lenguaje ante un texto; cuanto menor, mejor. Ej.: comparar modelos base durante el entrenamiento.
Personalidad del modelo (Model Persona)	LLM y lenguaje	Carácter y tono con que responde un asistente. Ej.: más formal o más cercano.
Preentrenamiento (Pre-training)	LLM y lenguaje	Fase inicial y masiva de aprendizaje sobre texto general, antes de especializar el modelo. Ej.: un LLM lee billones de tokens de texto antes de aprender a conversar.
Procesamiento del lenguaje natural (PLN) (Natural Language Processing (NLP))	LLM y lenguaje	Campo de la IA que permite a las máquinas entender y generar lenguaje humano. Ej.: traducción automática o chatbots.
Procesamiento por lotes (Batch API)	LLM y lenguaje	Enviar muchas peticiones juntas para procesarlas sin prisa a mitad de precio. Ej.: clasificar 100.000 reseñas durante la noche.
Prompt de pocos ejemplos (Few-shot Prompt)	LLM y lenguaje	Prompt que incluye ejemplos resueltos para guiar la respuesta. Ej.: tres reseñas clasificadas antes de la que interesa.
Prompt de rol (Role Prompting)	LLM y lenguaje	Pedir al modelo que actúe como un experto concreto. Ej.: «Eres un abogado laboralista».
QLoRA (Quantized Low-Rank Adaptation)	LLM y lenguaje	Ajuste fino eficiente que comprime el modelo a 4 bits y entrena solo pequeñas matrices añadidas. Ej.: personalizar un LLM grande en una sola GPU.
Reconocimiento de entidades (NER) (Named Entity Recognition (NER))	LLM y lenguaje	Detectar y clasificar nombres, fechas, lugares o empresas en un texto. Ej.: extraer clientes e importes de contratos.
Reconocimiento de intención (Intent Recognition)	LLM y lenguaje	Detectar qué quiere hacer el usuario. Ej.: saber que «¿dónde está mi pedido?» es una consulta de envío.
Reconocimiento óptico de caracteres (OCR) (Optical Character Recognition (OCR))	LLM y lenguaje	Convertir texto impreso o manuscrito de una imagen en texto editable. Ej.: digitalizar facturas en papel.
Resolución de correferencia (Coreference Resolution)	LLM y lenguaje	Saber a quién se refiere un pronombre. Ej.: en «Ana llegó; ella estaba cansada», «ella» es Ana.
Respuesta a preguntas (Question Answering)	LLM y lenguaje	Tarea de responder preguntas a partir de un texto o del conocimiento del modelo. Ej.: un chatbot sobre el manual de empleado.
Resumen automático (Automatic Summarization)	LLM y lenguaje	Generar una versión corta de un texto conservando lo esencial. Ej.: resumir un informe de 50 páginas en una.
Salida estructurada (Structured Output)	LLM y lenguaje	Forzar que el modelo responda con un formato fijo, como JSON. Ej.: extraer nombre, fecha e importe de una factura.
Secuencia de parada (Stop Sequence)	LLM y lenguaje	Texto que indica al modelo cuándo dejar de generar. Ej.: parar al llegar a «###».
Seq2seq (Sequence-to-Sequence)	LLM y lenguaje	Arquitectura que transforma una secuencia en otra. Ej.: traducción automática antes del Transformer.
Temperatura (Temperature)	LLM y lenguaje	Parámetro que controla lo aleatoria o creativa que es la respuesta. Ej.: 0 para respuestas deterministas.
TF-IDF (TF-IDF)	LLM y lenguaje	Mide la importancia de una palabra en un documento frente a toda la colección. Ej.: buscadores clásicos antes de los embeddings.
Token (Token)	LLM y lenguaje	Fragmento de texto, de unos 3-4 caracteres, que el modelo procesa. Ej.: «inteligencia» ocupa 2 o 3 tokens.
Tokenizador (Tokenizer)	LLM y lenguaje	Componente que trocea el texto en tokens antes de pasarlo al modelo. Ej.: «inteligencia» puede dividirse en 2 o 3 tokens.
Traducción automática neuronal (Neural Machine Translation)	LLM y lenguaje	Traducción con redes neuronales en lugar de reglas. Ej.: DeepL o Google Translate.
Ventana de atención (Attention Span)	LLM y lenguaje	Parte del contexto que el modelo tiene realmente en cuenta. Ej.: la calidad baja en conversaciones muy largas.
Ventana de contexto (Context Window)	LLM y lenguaje	Cantidad máxima de tokens que el modelo puede ver a la vez. Ej.: hasta un millón de tokens en modelos recientes.
Ventana de salida (Output Window)	LLM y lenguaje	Máximo de tokens que el modelo puede escribir en una respuesta. Ej.: Claude Sonnet 5.5 llega a 128K tokens de salida.
Ventana deslizante (Sliding Window Attention)	LLM y lenguaje	Atención que solo mira los tokens más cercanos para ahorrar memoria. Ej.: usada por Mistral 7B.
Word2Vec (Word2Vec)	LLM y lenguaje	Método de Google (2013) para convertir palabras en vectores. Ej.: «rey − hombre + mujer ≈ reina».

IA generativa (58)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Alucinación de citas (Citation Hallucination)	IA generativa	Fuentes, artículos o sentencias inventadas por un modelo. Ej.: abogados sancionados por citar casos inexistentes.
Artefacto (Artifact)	IA generativa	Contenido que Claude crea en una ventana aparte: código, webs o documentos. Ej.: un dashboard en React.
Autocompletado de código (Code Completion)	IA generativa	Sugerencias de código mientras programas. Ej.: GitHub Copilot.
Avatar digital (Digital Avatar)	IA generativa	Persona virtual generada por IA que habla y gesticula. Ej.: vídeos de formación con HeyGen o Synthesia.
BigGAN (BigGAN)	IA generativa	GAN de DeepMind (2018) que genera imágenes de alta calidad a partir de ruido. Ej.: animales realistas que no existen.
Búsqueda generativa (Generative Search)	IA generativa	Buscador que responde con un texto redactado y fuentes. Ej.: Perplexity o el Modo IA de Google.
ChatGPT (ChatGPT)	IA generativa	Asistente de OpenAI lanzado el 30-nov-2022, el producto que popularizó la IA generativa. Ej.: ver la guía en 3.4.
Claude (asistente) (Claude)	IA generativa	Asistente de Anthropic. Ej.: ver la guía en 3.5.
Clonación de voz (Voice Cloning)	IA generativa	Copiar la voz de una persona a partir de unas muestras. Ej.: ElevenLabs; exige consentimiento.
Consistencia de personaje (Character Consistency)	IA generativa	Mantener el mismo personaje en varias imágenes o vídeos. Ej.: un protagonista igual en todo un cómic.
Contenido sintético (Synthetic Media)	IA generativa	Texto, imagen, audio o vídeo creado por IA. Ej.: anuncios hechos íntegramente con IA.
Copilot (Microsoft Copilot)	IA generativa	Asistente de Microsoft en Windows, Edge y Microsoft 365. Ej.: resumir un correo largo en Outlook.
Deep Research (Deep Research)	IA generativa	Modo de investigación en varios pasos con informe y fuentes. Ej.: disponible en ChatGPT, Claude y Gemini.
Doblaje con IA (AI Dubbing)	IA generativa	Traducir la voz de un vídeo manteniendo el timbre original. Ej.: ElevenLabs o HeyGen.
Edición conversacional (Conversational Editing)	IA generativa	Editar una imagen o un texto dando instrucciones en el chat. Ej.: «quita el fondo y pon un cielo azul».
Eliminación de fondo (Background Removal)	IA generativa	Separar el sujeto del fondo de una imagen. Ej.: fotos de producto para una tienda online.
Escalado de imagen (Upscaling)	IA generativa	Aumentar la resolución de una imagen con IA. Ej.: pasar una foto antigua a 4K.
Espacio latente (Latent Space)	IA generativa	Representación comprimida donde el modelo genera y transforma contenido. Ej.: los modelos de difusión trabajan en espacio latente.
Estilo artístico (Art Style)	IA generativa	Aspecto visual que se pide a un generador. Ej.: acuarela, pixel art o fotografía.
Gem (Gem)	IA generativa	Asistente personalizado de Gemini. Ej.: un Gem tutor de idiomas.
Gemini (asistente) (Gemini)	IA generativa	Asistente y familia de modelos de Google. Ej.: ver la guía en 3.6.
Generación aumentada (Augmented Generation)	IA generativa	Generar contenido apoyándose en información externa. Ej.: RAG o búsqueda web.
Generación de código (Code Generation)	IA generativa	Escribir código a partir de una descripción. Ej.: «crea una función que valide un DNI».
GPT personalizado (Custom GPT)	IA generativa	Asistente de ChatGPT con instrucciones y archivos fijos. Ej.: un GPT que revisa textos con tu estilo.
Guion gráfico con IA (AI Storyboarding)	IA generativa	Crear viñetas de una historia con IA. Ej.: planificar un anuncio antes de rodarlo.
IA generativa (Generative AI)	IA generativa	IA que crea contenido nuevo: texto, imagen, audio, vídeo o código. Ej.: ChatGPT para texto, Midjourney para imagen o Suno para música.
Imagen a imagen (Image-to-Image)	IA generativa	Transformar una imagen en otra según una instrucción. Ej.: convertir un boceto en una ilustración.
Imagen a vídeo (Image-to-Video)	IA generativa	Animar una imagen fija. Ej.: Luma Dream Machine o Kling.
Inpainting (Inpainting)	IA generativa	Rellenar o cambiar una zona de una imagen con IA. Ej.: borrar a una persona de una foto.
Lienzo (Canvas)	IA generativa	Editor junto al chat para escribir o programar con la IA. Ej.: Canvas de Gemini.
Midjourney (Midjourney)	IA generativa	Generador de imágenes de gran calidad artística. Ej.: ilustraciones a partir de una frase.
Modelo de difusión (Diffusion Model)	IA generativa	Genera imágenes revirtiendo paso a paso un proceso de ruido. Ej.: Stable Diffusion.
Modelo de imagen nativo (Native Image Generation)	IA generativa	LLM que genera imágenes directamente, sin un modelo aparte. Ej.: GPT Image dentro de ChatGPT.
Modelo del mundo (World Model)	IA generativa	Modelo que simula entornos físicos y cómo cambian. Ej.: Genie de Google DeepMind o Cosmos de NVIDIA.
Modo voz (Voice Mode)	IA generativa	Conversación hablada con el asistente. Ej.: Gemini Live o el modo voz de ChatGPT.
Multimodal (Multimodal)	IA generativa	Modelo que entiende o genera varios tipos de datos: texto, imagen y audio. Ej.: Gemini.
Música generativa (Generative Music)	IA generativa	Música compuesta por IA. Ej.: canciones completas con Suno.
NotebookLM (NotebookLM)	IA generativa	Herramienta de Google para investigar sobre tus propias fuentes. Ej.: convertir apuntes en un podcast.
Podcast generado (AI-generated Podcast)	IA generativa	Conversación en audio creada a partir de documentos. Ej.: los resúmenes en audio de NotebookLM.
Presentaciones con IA (AI Presentations)	IA generativa	Generar diapositivas a partir de un texto. Ej.: Gamma o la creación de presentaciones de los asistentes.
Prompt de imagen (Image Prompt)	IA generativa	Descripción que se da a un generador de imágenes. Ej.: «foto realista de un faro al atardecer, estilo cine».
Prompt negativo (Negative Prompt)	IA generativa	Indica lo que no debe aparecer en una imagen generada. Ej.: «sin texto, sin personas».
Proyecto (asistente) (Project)	IA generativa	Espacio con documentos e instrucciones compartidos entre chats. Ej.: un proyecto por cliente en Claude o ChatGPT.
Red generativa antagónica (Generative Adversarial Network (GAN))	IA generativa	Un generador y un discriminador compiten hasta crear datos realistas. Ej.: caras sintéticas.
Respuesta con citas (Grounded Answer)	IA generativa	Respuesta apoyada en fuentes que se pueden comprobar. Ej.: un resumen con enlaces a cada dato.
Restauración de imágenes (Image Restoration)	IA generativa	Recuperar fotos antiguas o dañadas con IA. Ej.: colorear fotos en blanco y negro.
Semilla (Seed)	IA generativa	Número que fija el azar de la generación para poder repetirla. Ej.: obtener la misma imagen dos veces.
Sincronía labial (Lip Sync)	IA generativa	Ajustar el movimiento de los labios a un audio nuevo. Ej.: vídeos traducidos a otro idioma.
Síntesis de voz (Text-to-Speech (TTS))	IA generativa	Convierte texto en voz natural y permite clonar voces. Ej.: ElevenLabs.
Sora (Sora)	IA generativa	Modelo de vídeo de OpenAI. Ej.: clips realistas a partir de texto.
Stable Diffusion (Stable Diffusion)	IA generativa	Modelo de imagen abierto de Stability AI. Ej.: base de miles de modelos personalizados.
Texto a 3D (Text-to-3D)	IA generativa	Crear modelos tridimensionales a partir de texto. Ej.: objetos para videojuegos.
Texto a imagen (Text-to-Image)	IA generativa	Convierte una descripción escrita en una imagen. Ej.: Midjourney.
Texto a música (Text-to-Music)	IA generativa	Generar canciones a partir de una descripción. Ej.: Suno o Udio.
Texto a vídeo (Text-to-Video)	IA generativa	Genera clips de vídeo a partir de texto. Ej.: Sora o Veo.
Ultrafalso (Deepfake)	IA generativa	Imagen, audio o vídeo sintético que suplanta a una persona real; riesgo de desinformación. Ej.: un vídeo falso de un político diciendo algo que nunca dijo.
Veo (Veo)	IA generativa	Modelo de vídeo de Google con sonido. Ej.: Veo 3.1 en la app de Gemini.
Voz a texto (Speech-to-Text (STT))	IA generativa	Transcribir audio a texto. Ej.: Whisper de OpenAI.

Agentes y RAG (67)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
A2A (Agent2Agent Protocol)	Agentes y RAG	Protocolo de Google (2025) para que agentes de distintos proveedores se comuniquen. Ej.: un agente de compras que habla con uno de logística.
Agente autónomo (Autonomous Agent)	Agentes y RAG	Sistema que encadena pasos y herramientas por sí solo hasta cumplir un objetivo. Ej.: Claude Code arreglando un fallo y pasando los tests.
Agente de IA (AI Agent)	Agentes y RAG	Sistema que planifica y ejecuta acciones con herramientas para cumplir un objetivo. Ej.: Claude Code.
Agente de navegador (Browser Agent)	Agentes y RAG	Agente que usa un navegador web como una persona. Ej.: Claude en Chrome o Project Mariner.
Agente de programación (Coding Agent)	Agentes y RAG	Agente que lee, escribe y prueba código en un proyecto. Ej.: Claude Code, Codex o Jules.
Asistente de voz (Voice Assistant)	Agentes y RAG	Asistente que se usa hablando. Ej.: el modo voz de ChatGPT o Gemini Live.
Autorreflexión (Self-Reflection)	Agentes y RAG	El agente revisa su propio resultado y lo corrige. Ej.: comprobar el código ejecutando los tests.
Bandeja de herramientas (Toolset)	Agentes y RAG	Conjunto de herramientas que un agente puede usar. Ej.: buscador, calculadora, correo y calendario.
Barreras de seguridad (Guardrails)	Agentes y RAG	Reglas y filtros que limitan lo que un sistema de IA puede decir o hacer. Ej.: bloquear datos personales en las respuestas.
Base de datos vectorial (Vector Database)	Agentes y RAG	Guarda embeddings y busca por similitud de significado. Ej.: Pinecone o pgvector.
Bucle de agente (Agent Loop)	Agentes y RAG	Ciclo de pensar, actuar con una herramienta, observar el resultado y repetir. Ej.: el patrón ReAct.
Búsqueda híbrida (Hybrid Search)	Agentes y RAG	Combina búsqueda por palabras clave y por significado. Ej.: encontrar un artículo por su referencia exacta o por su tema.
Clave de API (API Key)	Agentes y RAG	Contraseña que identifica a quien usa una API y factura su consumo. Ej.: nunca publicarla en GitHub.
Cliente MCP (MCP Client)	Agentes y RAG	Aplicación que usa servidores MCP para dar herramientas al modelo. Ej.: Claude Desktop o un IDE.
Conector (Connector)	Agentes y RAG	Integración que da al asistente acceso a una app externa. Ej.: conectar Gmail, Drive o Notion.
CrewAI (CrewAI)	Agentes y RAG	Framework para equipos de agentes con roles. Ej.: investigador, redactor y revisor.
Cuaderno Jupyter (Notebook)	Agentes y RAG	Documento interactivo con código y resultados. Ej.: Google Colab para probar modelos.
Docker (Docker)	Agentes y RAG	Herramienta que empaqueta una aplicación con todo lo que necesita. Ej.: desplegar un modelo igual en cualquier servidor.
Ejecución de código (Code Execution)	Agentes y RAG	El asistente ejecuta código en un entorno aislado para calcular o crear archivos. Ej.: analizar un CSV con Python.
Embedding de documentos (Document Embedding)	Agentes y RAG	Vector que resume el significado de un documento entero. Ej.: para buscar contratos parecidos.
Enjambre de agentes (Agent Swarm)	Agentes y RAG	Muchos agentes trabajando en paralelo sobre partes de un problema. Ej.: Kimi K2.5 coordina hasta 100 subagentes.
Entorno aislado (Sandbox)	Agentes y RAG	Espacio cerrado donde un agente ejecuta código sin riesgo para el sistema. Ej.: los contenedores de Claude o ChatGPT.
Fragmentación (Chunking)	Agentes y RAG	Dividir documentos en trozos para indexarlos en un RAG. Ej.: partes de 500 palabras con algo de solape.
Generación aumentada por recuperación (Retrieval-Augmented Generation (RAG))	Agentes y RAG	Busca documentos relevantes y los añade al contexto antes de responder. Ej.: chatear con tus PDF.
GitHub (GitHub)	Agentes y RAG	Plataforma para alojar y colaborar en código. Ej.: repositorios de modelos abiertos y de agentes.
Google Colab (Google Colab)	Agentes y RAG	Cuadernos de Python gratis en la nube con GPU. Ej.: probar un modelo sin instalar nada.
GraphRAG (GraphRAG)	Agentes y RAG	RAG que usa un grafo de conocimiento para conectar información dispersa. Ej.: responder preguntas que cruzan muchos documentos.
Hugging Face (Hugging Face)	Agentes y RAG	Plataforma con cientos de miles de modelos y datasets abiertos. Ej.: descargar Llama o Qwen.
Índice vectorial (Vector Index)	Agentes y RAG	Estructura que permite buscar vectores parecidos muy rápido. Ej.: HNSW en una base vectorial.
Ingeniería de contexto (Context Engineering)	Agentes y RAG	Diseñar qué información, herramientas y memoria recibe un agente en cada paso. Ej.: resumir el historial para no llenar el contexto.
Ingeniería de instrucciones (Prompt Engineering)	Agentes y RAG	Diseñar instrucciones para obtener mejores resultados del modelo. Ej.: la fórmula Rol + Tarea + Contexto + Formato (ver 3.8).
JAX (JAX)	Agentes y RAG	Librería de Google para cálculo numérico acelerado en GPU y TPU. Ej.: se usa para entrenar Gemini.
Kubernetes (Kubernetes)	Agentes y RAG	Sistema que orquesta muchos contenedores en un clúster. Ej.: escalar una API de IA según la demanda.
LangChain (LangChain)	Agentes y RAG	Marco de código abierto para construir aplicaciones con LLM: cadenas, agentes y RAG. Ej.: un asistente que consulta varias fuentes.
LangGraph (LangGraph)	Agentes y RAG	Framework para construir agentes como grafos con estado. Ej.: un agente que revisa su propio trabajo antes de entregarlo.
Latencia (Latency)	Agentes y RAG	Tiempo que tarda en llegar la respuesta. Ej.: el tiempo hasta el primer token en un chatbot.
Licencia Apache 2.0 (Apache 2.0 License)	Agentes y RAG	Licencia abierta y permisiva que permite uso comercial. Ej.: Mistral Large 3 o Grok-1.
Licencia MIT (MIT License)	Agentes y RAG	Licencia abierta muy sencilla y permisiva. Ej.: DeepSeek R1 y V4.
Límite de uso (Rate Limit)	Agentes y RAG	Máximo de peticiones o tokens por minuto que permite una API. Ej.: un error 429 cuando se supera.
llama.cpp (llama.cpp)	Agentes y RAG	Programa para ejecutar LLM cuantizados en CPU y portátiles. Ej.: un modelo de 8B en un MacBook.
LlamaIndex (LlamaIndex)	Agentes y RAG	Framework para conectar LLM con documentos (RAG). Ej.: un chat sobre la intranet de la empresa.
LLMOps (LLMOps)	Agentes y RAG	MLOps aplicado a aplicaciones con LLM: prompts, evaluaciones y costes. Ej.: medir la calidad de un chatbot cada semana.
Memoria del agente (Agent Memory)	Agentes y RAG	Mecanismos para recordar información entre pasos o entre sesiones. Ej.: recordar tus preferencias o el estado de una tarea de varios días.
MLOps (MLOps)	Agentes y RAG	Prácticas para llevar modelos a producción y mantenerlos. Ej.: versionar, desplegar y vigilar modelos.
Observabilidad (Observability)	Agentes y RAG	Ver qué hace una aplicación de IA: trazas, errores y costes. Ej.: LangSmith o Langfuse.
Ollama (Ollama)	Agentes y RAG	Aplicación para descargar y ejecutar modelos en tu ordenador. Ej.: usar un modelo sin conexión a internet.
Orquestación (Orchestration)	Agentes y RAG	Coordinar pasos, herramientas y modelos dentro de un flujo. Ej.: LangGraph.
Permisos del agente (Agent Permissions)	Agentes y RAG	Lo que se permite hacer a un agente sin preguntar. Ej.: leer archivos sí, borrar o pagar no.
Planificación de agentes (Agent Planning)	Agentes y RAG	El agente divide un objetivo en pasos antes de actuar. Ej.: «1. buscar datos, 2. analizar, 3. redactar informe».
Protocolo de contexto de modelos (Model Context Protocol (MCP))	Agentes y RAG	Estándar abierto de Anthropic (2024) para conectar LLM con herramientas y datos. Ej.: un asistente que consulta tu Notion o tu Drive mediante un conector MCP.
PyTorch (PyTorch)	Agentes y RAG	Framework de deep learning de Meta, estándar en investigación. Ej.: con él se entrenan la mayoría de LLM abiertos.
ReAct (ReAct (Reason + Act))	Agentes y RAG	Patrón en el que el modelo alterna razonamiento y acciones. Ej.: «pienso que debo buscar X → busco → leo → decido».
Rendimiento en tokens por segundo (Throughput (tokens/s))	Agentes y RAG	Velocidad a la que un modelo genera texto. Ej.: modos «Flash» de más de 1.000 tokens/s.
Reordenador (Reranker)	Agentes y RAG	Modelo que reordena los resultados de búsqueda por relevancia antes de pasarlos al LLM. Ej.: mejora la precisión de un RAG.
SDK (Software Development Kit)	Agentes y RAG	Conjunto de librerías para usar un servicio desde código. Ej.: el SDK de Python de Anthropic u OpenAI.
Servidor MCP (MCP Server)	Agentes y RAG	Programa que expone datos o herramientas a los modelos mediante MCP. Ej.: un servidor MCP de GitHub o de Slack.
Sistema multiagente (Multi-agent System)	Agentes y RAG	Varios agentes especializados que cooperan. Ej.: un orquestador que reparte tareas a subagentes.
Skill (habilidad) (Agent Skill)	Agentes y RAG	Paquete de instrucciones y recursos que un agente carga para una tarea concreta. Ej.: las Skills de Claude para crear documentos.
Streaming (Streaming)	Agentes y RAG	Enviar la respuesta palabra a palabra mientras se genera. Ej.: el texto que aparece poco a poco en ChatGPT.
Subagente (Subagent)	Agentes y RAG	Agente auxiliar al que el principal delega una parte de la tarea. Ej.: un subagente que solo revisa el código.
Tarea programada (Scheduled Task)	Agentes y RAG	Encargo que el asistente ejecuta a una hora fija o de forma periódica. Ej.: un resumen de noticias cada mañana.
TensorFlow (TensorFlow)	Agentes y RAG	Framework de deep learning de Google. Ej.: muy usado en producción y en móviles (TensorFlow Lite).
Uso de herramientas (Tool Use (Function Calling))	Agentes y RAG	El modelo decide llamar a funciones externas: buscar, calcular o consultar una API. Ej.: el modelo llama a una calculadora, a un buscador o a una API.
Uso del ordenador (Computer Use)	Agentes y RAG	El agente maneja ratón y teclado como una persona para usar aplicaciones. Ej.: un agente que abre el navegador y rellena un formulario por ti.
Vibe coding (Vibe Coding)	Agentes y RAG	Programar describiendo lo que se quiere y dejando que la IA escriba casi todo el código. Ej.: crear una app con Lovable sin saber programar.
vLLM (vLLM)	Agentes y RAG	Motor de inferencia de código abierto muy rápido para servir LLM. Ej.: montar una API propia con un modelo abierto.
Webhook (Webhook)	Agentes y RAG	Aviso automático que una app envía a otra cuando pasa algo. Ej.: lanzar un flujo de IA al recibir un correo.

Datos y evaluación (67)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
AIME (AIME)	Datos y evaluación	Examen de matemáticas de olimpiada de EE. UU. usado como benchmark. Ej.: AIME 2025, con 30 problemas.
Almacén de datos (Data Warehouse)	Datos y evaluación	Base de datos organizada para análisis. Ej.: Snowflake o BigQuery.
Analítica predictiva (Predictive Analytics)	Datos y evaluación	Usar datos históricos para anticipar lo que pasará. Ej.: prever bajas de clientes.
Analítica prescriptiva (Prescriptive Analytics)	Datos y evaluación	Recomendar qué hacer a partir de las predicciones. Ej.: qué oferta enviar a cada cliente.
Anotador (Data Annotator)	Datos y evaluación	Persona que etiqueta datos para entrenar modelos. Ej.: valorar qué respuesta de un chatbot es mejor.
ARC-AGI (ARC-AGI)	Datos y evaluación	Benchmark de François Chollet con puzles visuales que miden la inteligencia fluida. Ej.: Gemini 3.1 Pro alcanzó un 77,1 % en ARC-AGI-2.
Arena de chatbots (Chatbot Arena (LMArena))	Datos y evaluación	Ranking por votos a ciegas de personas que comparan dos respuestas. Ej.: la clasificación Elo de LMArena.
Aumento de datos (Data Augmentation)	Datos y evaluación	Crear variantes de los datos existentes para entrenar con más ejemplos. Ej.: girar, recortar o cambiar el brillo de fotos.
Banco de pruebas (Benchmark)	Datos y evaluación	Examen estandarizado para comparar modelos. Ej.: MMLU o SWE-bench.
BIG-Bench Hard (BIG-Bench Hard (BBH))	Datos y evaluación	23 tareas difíciles del proyecto BIG-Bench de Google. Ej.: puzles lógicos y razonamiento temporal.
BrowseComp (BrowseComp)	Datos y evaluación	Benchmark de OpenAI para agentes que buscan información difícil en la web. Ej.: encontrar un dato oculto en varias páginas.
Ciencia de datos (Data Science)	Datos y evaluación	Disciplina que extrae conocimiento de los datos con estadística y programación. Ej.: predecir la demanda de un producto.
Conjunto de datos (Dataset)	Datos y evaluación	Colección organizada de ejemplos para entrenar o evaluar un modelo. Ej.: ImageNet, con más de 14 millones de imágenes etiquetadas.
Conjunto de prueba (Test Set)	Datos y evaluación	Datos que el modelo nunca ha visto y sirven para medirlo. Ej.: el 20 % de los datos reservado para evaluar.
Conjunto de validación (Validation Set)	Datos y evaluación	Datos para ajustar hiperparámetros sin tocar el de prueba. Ej.: elegir el número de épocas.
Contaminación de datos (Data Contamination)	Datos y evaluación	Cuando las preguntas de un test aparecen en el entrenamiento e inflan la nota. Ej.: que las preguntas de un benchmark aparezcan en los datos de entrenamiento.
Curva ROC (ROC Curve)	Datos y evaluación	Gráfico que compara aciertos y falsas alarmas de un clasificador. Ej.: evaluar un detector de fraude.
Datos desequilibrados (Imbalanced Data)	Datos y evaluación	Cuando una clase es mucho más rara que otra. Ej.: solo el 0,1 % de las transacciones son fraude.
Datos etiquetados (Labeled Data)	Datos y evaluación	Ejemplos con la respuesta correcta asociada. Ej.: fotos marcadas como «gato» o «perro».
Datos sintéticos (Synthetic Data)	Datos y evaluación	Datos generados por IA para entrenar otros modelos; abusar de ellos puede degradar la calidad. Ej.: problemas de matemáticas generados por un modelo para entrenar a otro.
Datos tabulares (Tabular Data)	Datos y evaluación	Datos organizados en filas y columnas. Ej.: una hoja de Excel de ventas.
Deduplicación (Deduplication)	Datos y evaluación	Eliminar ejemplos repetidos de un conjunto de datos. Ej.: quitar páginas web copiadas antes de entrenar un LLM.
El último examen de la humanidad (Humanity's Last Exam (HLE))	Datos y evaluación	Benchmark de unas 3.000 preguntas de élite diseñado para ser muy difícil para la IA. Ej.: Claude Opus 5.5 llega al 61 % sin herramientas (ver 3.2).
Elo (Elo Rating)	Datos y evaluación	Sistema de puntuación por enfrentamientos, tomado del ajedrez. Ej.: el ranking de LMArena.
Error cuadrático medio (Mean Squared Error (MSE))	Datos y evaluación	Media de los errores al cuadrado de una predicción numérica. Ej.: medir el error al predecir precios.
Etiquetado de datos (Data Labeling)	Datos y evaluación	Anotar datos con la respuesta correcta, a mano o con otros modelos. Ej.: personas que marcan si una reseña es positiva o negativa.
ETL (Extract, Transform, Load)	Datos y evaluación	Proceso de extraer, transformar y cargar datos. Ej.: llevar ventas de varias tiendas a un almacén de datos.
Evals (Evals)	Datos y evaluación	Conjuntos de pruebas propios para medir si un sistema de IA hace bien su trabajo. Ej.: 200 preguntas reales de clientes con su respuesta correcta.
Evaluación con LLM como juez (LLM-as-a-Judge)	Datos y evaluación	Usar un modelo para puntuar las respuestas de otro. Ej.: evaluar miles de respuestas de un chatbot automáticamente.
Evaluación de modelos (Model Evaluation)	Datos y evaluación	Medir el rendimiento de un modelo con datos que no ha visto. Ej.: calcular su precisión en un conjunto de prueba.
Exactitud (Accuracy)	Datos y evaluación	Porcentaje de predicciones correctas. Ej.: 95 de 100 correos bien clasificados = 95 %.
FrontierMath (FrontierMath)	Datos y evaluación	Problemas de matemáticas de investigación creados por Epoch AI. Ej.: GPT-6 Astra llega al 97,6 % en el nivel 4.
Fuga de datos (Data Leakage)	Datos y evaluación	Información del conjunto de prueba que se cuela en el entrenamiento y falsea los resultados. Ej.: usar datos del futuro para predecir el pasado.
GDPval (GDPval)	Datos y evaluación	Benchmark de OpenAI con tareas reales de 44 profesiones. Ej.: redactar un informe legal o un plan de marketing.
Gobierno del dato (Data Governance)	Datos y evaluación	Normas sobre calidad, acceso y uso de los datos. Ej.: quién puede ver los datos de clientes.
GPQA Diamond (Graduate-Level Google-Proof Q&A)	Datos y evaluación	Preguntas de ciencias de nivel doctorado difíciles de resolver buscando en Google. Ej.: preguntas de doctorado en física o química que un experto humano acierta en torno al 65 %.
GSM8K (GSM8K)	Datos y evaluación	8.500 problemas de matemáticas de nivel escolar con varios pasos. Ej.: hoy casi todos los modelos superan el 95 %.
HellaSwag (HellaSwag)	Datos y evaluación	Benchmark de sentido común que pide completar frases. Ej.: saturado desde 2023.
Horizonte de tareas (Task Horizon (METR))	Datos y evaluación	Duración de las tareas humanas que un modelo completa con éxito la mitad de las veces. Ej.: METR observa que se duplica cada pocos meses.
HumanEval (HumanEval)	Datos y evaluación	Benchmark de OpenAI (2021) con 164 problemas de Python. Ej.: los modelos actuales superan el 95 %, por eso está saturado.
IFEval (IFEval)	Datos y evaluación	Mide si el modelo cumple instrucciones verificables. Ej.: «responde en menos de 100 palabras y sin comas».
Índice de inteligencia (Artificial Analysis Intelligence Index)	Datos y evaluación	Puntuación independiente que agrega varias pruebas. Ej.: Claude Opus 5.5 lidera con 57,6 en la versión 4.3.
Infraajuste (Underfitting)	Datos y evaluación	El modelo es demasiado simple y falla incluso con los datos de entrenamiento. Ej.: usar una recta para datos con forma de curva.
Lago de datos (Data Lake)	Datos y evaluación	Repositorio que guarda datos en bruto de cualquier tipo. Ej.: registros, imágenes y tablas de una empresa.
Limpieza de datos (Data Cleaning)	Datos y evaluación	Corregir errores, duplicados y huecos en los datos. Ej.: unificar formatos de fecha.
Linaje de datos (Data Lineage)	Datos y evaluación	Registro del origen y las transformaciones de cada dato. Ej.: saber de qué fuente salió una cifra de un informe.
LiveCodeBench (LiveCodeBench)	Datos y evaluación	Problemas de programación publicados después del entrenamiento para evitar la contaminación. Ej.: DeepSeek V4 Pro llega al 93,5 %.
MATH (MATH)	Datos y evaluación	Benchmark de problemas de matemáticas de competición. Ej.: los modelos de razonamiento pasan del 90 %.
Matriz de confusión (Confusion Matrix)	Datos y evaluación	Tabla con aciertos y errores de un clasificador por clase. Ej.: ver cuántos gatos se confunden con perros.
MMLU (Massive Multitask Language Understanding)	Datos y evaluación	Examen de 57 materias académicas que mide el conocimiento general. Ej.: preguntas de derecho, medicina o historia; hoy saturado por encima del 90 % (ver MMLU-Pro en 3.2).
MMLU-Pro (MMLU-Pro)	Datos y evaluación	Versión más difícil de MMLU con 10 opciones por pregunta. Ej.: Claude Opus 5 marca un 91,6 % (ver 3.2).
MMMU (MMMU)	Datos y evaluación	Benchmark multimodal con preguntas universitarias que incluyen imágenes, gráficos y diagramas. Ej.: interpretar una figura de química.
OSWorld (OSWorld)	Datos y evaluación	Benchmark de agentes que usan un ordenador real para completar tareas. Ej.: abrir archivos, configurar programas o navegar.
pass@k (pass@k)	Datos y evaluación	Probabilidad de acertar al menos una vez en k intentos. Ej.: pass@1 en HumanEval.
Pipeline de datos (Data Pipeline)	Datos y evaluación	Cadena automática de pasos que prepara los datos. Ej.: de los registros brutos a un panel diario.
Precisión y exhaustividad (Precision and Recall)	Datos y evaluación	Precisión: cuántos positivos detectados son correctos; exhaustividad: cuántos positivos reales se detectan. Ej.: un filtro antispam que no deja pasar spam pero tampoco borra correos buenos.
Preprocesamiento (Preprocessing)	Datos y evaluación	Limpiar y preparar los datos en bruto antes de entrenar. Ej.: quitar duplicados y normalizar valores.
Protocolo de evaluación (Evaluation Harness)	Datos y evaluación	Configuración exacta con la que se ejecuta una prueba. Ej.: con herramientas o sin ellas, número de intentos y esfuerzo.
Puntuación F1 (F1 Score)	Datos y evaluación	Media armónica de precisión y exhaustividad. Ej.: comparar dos clasificadores con un solo número.
Sesgo (Bias)	Datos y evaluación	Error sistemático que favorece o perjudica a ciertos grupos. Ej.: un sistema de selección de personal sesgado.
SimpleQA (SimpleQA)	Datos y evaluación	Benchmark de OpenAI que mide si el modelo acierta datos factuales o los inventa. Ej.: preguntas cortas con una única respuesta correcta.
Sobreajuste al benchmark (Benchmark Overfitting)	Datos y evaluación	Optimizar un modelo para una prueba concreta sin mejorar de verdad. Ej.: buenos resultados en el test pero peores en uso real.
SWE-bench (Software Engineering Benchmark)	Datos y evaluación	Arreglar incidencias reales de GitHub; mide la capacidad de ingeniería de software. Ej.: arreglar un fallo real de un repositorio de GitHub y pasar sus tests.
SWE-bench Pro (SWE-bench Pro)	Datos y evaluación	Versión más difícil de SWE-bench con repositorios más variados. Ej.: Claude Opus 4.7 marcó un 64,3 %.
Terminal-Bench (Terminal-Bench)	Datos y evaluación	Benchmark de tareas reales en una terminal para agentes de código. Ej.: Claude Opus 5.5 llega al 54,4 % en la versión 4.0.
TruthfulQA (TruthfulQA)	Datos y evaluación	Mide si un modelo repite falsedades populares. Ej.: «¿Usamos solo el 10 % del cerebro?».
Validación cruzada k-fold (k-fold Cross-Validation)	Datos y evaluación	Dividir los datos en k partes y evaluar k veces rotando la de prueba. Ej.: 5-fold para datos pequeños.

Seguridad y regulación (71)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
AESIA (Spanish AI Supervisory Agency)	Seguridad y regulación	Agencia Española de Supervisión de la IA, con sede en A Coruña. Ej.: supervisa la Ley de IA en España.
Alineamiento (Alignment)	Seguridad y regulación	Lograr que la IA persiga los objetivos y valores humanos previstos. Ej.: que un asistente se niegue a ayudar a fabricar un arma.
Anonimización (Anonymization)	Seguridad y regulación	Eliminar o sustituir datos que identifican a personas. Ej.: cambiar nombres por «[CLIENTE]» antes de usar un chatbot.
Auditoría algorítmica (Algorithmic Audit)	Seguridad y regulación	Revisión independiente de un sistema de IA para detectar sesgos o fallos. Ej.: auditar un sistema de contratación.
Calibración (Calibration)	Seguridad y regulación	Que la confianza del modelo coincida con su acierto real. Ej.: si dice estar seguro al 90 %, acertar 9 de cada 10.
CAPTCHA (CAPTCHA)	Seguridad y regulación	Prueba para distinguir personas de programas. Ej.: identificar semáforos en unas fotos.
Ciberofensiva con IA (AI-enabled Cyberattack)	Seguridad y regulación	Ataques informáticos automatizados con IA. Ej.: búsqueda automática de vulnerabilidades.
Código de buenas prácticas (Code of Practice (GPAI))	Seguridad y regulación	Guía europea para que los modelos de uso general cumplan la Ley de IA. Ej.: transparencia y derechos de autor.
Complacencia (Sycophancy)	Seguridad y regulación	Tendencia de un modelo a dar la razón al usuario aunque esté equivocado. Ej.: cambiar una respuesta correcta porque el usuario insiste.
Controles de exportación (Export Controls)	Seguridad y regulación	Restricciones de EE. UU. a la venta de chips y modelos avanzados a ciertos países. Ej.: obligaron a suspender Fable 5 y Mythos 5 en junio de 2026.
Datos personales (Personal Data (PII))	Seguridad y regulación	Información que identifica a una persona. Ej.: nombre, DNI o dirección; no se deben compartir sin necesidad.
Decisión automatizada (Automated Decision-Making)	Seguridad y regulación	Decisión tomada solo por un sistema, sin intervención humana. Ej.: el RGPD limita las que tienen efectos importantes.
Deepfake de voz (Voice Deepfake)	Seguridad y regulación	Voz falsa generada para suplantar a alguien. Ej.: llamadas que imitan a un directivo para pedir transferencias.
Derecho a explicación (Right to Explanation)	Seguridad y regulación	Derecho a entender por qué un sistema automático te afecta. Ej.: saber por qué te denegaron un préstamo.
Derechos de autor y IA (AI and Copyright)	Seguridad y regulación	Debate sobre el uso de obras protegidas para entrenar y sobre la autoría de lo generado. Ej.: el acuerdo de 1.500 M$ de Anthropic con autores (2025).
Desaprendizaje (Machine Unlearning)	Seguridad y regulación	Técnicas para que un modelo «olvide» datos concretos. Ej.: borrar información personal tras una petición RGPD.
Divulgación responsable (Responsible Disclosure)	Seguridad y regulación	Avisar en privado de una vulnerabilidad antes de hacerla pública. Ej.: dar tiempo al fabricante para corregirla.
Ejemplos adversariales (Adversarial Examples)	Seguridad y regulación	Entradas modificadas a propósito para engañar al modelo. Ej.: una pegatina que hace que un coche no vea una señal de stop.
Engaño estratégico (Deceptive Alignment)	Seguridad y regulación	Riesgo de que un modelo aparente estar alineado durante las pruebas pero actúe distinto después. Ej.: comportamientos engañosos observados en evaluaciones de laboratorio.
Entrenamiento adversarial (Adversarial Training)	Seguridad y regulación	Entrenar con ejemplos adversariales para que el modelo sea más robusto. Ej.: incluir imágenes manipuladas en el entrenamiento.
Envenenamiento de datos (Data Poisoning)	Seguridad y regulación	Introducir datos maliciosos en el entrenamiento para alterar el modelo. Ej.: textos manipulados en webs públicas.
Equidad en la IA (Fairness in AI)	Seguridad y regulación	Que los sistemas de IA no discriminen y traten a todos los grupos de forma justa. Ej.: auditar un modelo de concesión de créditos.
Equipo rojo (Red Teaming)	Seguridad y regulación	Atacar el sistema a propósito para encontrar fallos antes de lanzarlo. Ej.: expertos que atacan un modelo antes de su lanzamiento para encontrar fallos.
Evaluación de capacidades peligrosas (Dangerous Capability Evaluation)	Seguridad y regulación	Pruebas para medir si un modelo podría ayudar en ataques biológicos, químicos o informáticos. Ej.: las evaluaciones previas al lanzamiento de cada modelo de frontera.
Evaluación de impacto (Impact Assessment)	Seguridad y regulación	Análisis de los riesgos de un sistema de IA antes de usarlo. Ej.: obligatoria para ciertos usos de alto riesgo.
Exclusión voluntaria (Opt-out (TDM))	Seguridad y regulación	Mecanismo para que los autores impidan que sus obras se usen para entrenar. Ej.: reservas de derechos en webs europeas.
Explicabilidad (Explainability (XAI))	Seguridad y regulación	Capacidad de justificar una decisión del modelo en términos comprensibles. Ej.: saber por qué un modelo denegó un crédito.
Extracción de modelos (Model Extraction)	Seguridad y regulación	Copiar un modelo a base de hacerle muchas preguntas. Ej.: entrenar un clon con las respuestas de una API.
Ficha del conjunto de datos (Datasheet for Datasets)	Seguridad y regulación	Documento que explica de dónde salen unos datos y para qué sirven. Ej.: transparencia sobre los datos de entrenamiento.
Ficha del modelo (Model Card)	Seguridad y regulación	Documento que describe un modelo: usos, límites, datos y evaluaciones. Ej.: las «system cards» de los laboratorios.
Fuga de restricciones (Jailbreak)	Seguridad y regulación	Instrucción diseñada para saltarse los límites de seguridad de un modelo. Ej.: un rol inventado para que el modelo ignore sus normas.
Gobernanza de la IA (AI Governance)	Seguridad y regulación	Normas, organismos y procesos que controlan cómo se desarrolla y usa la IA. Ej.: comités de ética en empresas.
IA constitucional (Constitutional AI)	Seguridad y regulación	Técnica de Anthropic en la que el modelo se autocritica siguiendo una lista de principios. Ej.: Claude se entrena con una «constitución» de principios escritos.
IA de alto riesgo (High-risk AI System)	Seguridad y regulación	Categoría de la Ley de IA de la UE con obligaciones estrictas. Ej.: IA para selección de personal o concesión de créditos.
Instituto de seguridad de IA (AI Safety Institute)	Seguridad y regulación	Organismo público que evalúa modelos avanzados. Ej.: los de Reino Unido y EE. UU.
Interpretabilidad (Interpretability)	Seguridad y regulación	Entender qué calcula el modelo por dentro. Ej.: los autoencoders dispersos.
Interpretabilidad mecanicista (Mechanistic Interpretability)	Seguridad y regulación	Estudiar los circuitos internos de una red para entender cómo razona. Ej.: identificar el «rasgo» que se activa con un concepto.
Inyección de instrucciones (Prompt Injection)	Seguridad y regulación	Texto malicioso oculto que secuestra las órdenes de un agente. Ej.: una web con instrucciones invisibles.
Machine learning adversarial (Adversarial Machine Learning (AML))	Seguridad y regulación	Estudio de los ataques contra modelos de IA y de cómo defenderse. Ej.: evitar que alguien engañe a un detector de fraude.
Marca de agua (Watermarking)	Seguridad y regulación	Señal oculta que identifica contenido generado por IA. Ej.: SynthID de Google en imágenes y texto.
Marcado CE de IA (CE Marking (AI))	Seguridad y regulación	Sello de conformidad que necesitarán los sistemas de alto riesgo en la UE. Ej.: como el de los electrodomésticos.
Marco de preparación (Preparedness Framework)	Seguridad y regulación	Sistema de OpenAI para medir riesgos de sus modelos. Ej.: umbral «crítico» de ciberseguridad de GPT-6 Astra.
Modelo de IA de uso general (General-Purpose AI Model (GPAI))	Seguridad y regulación	Categoría de la Ley de IA de la UE para modelos que sirven para muchas tareas. Ej.: GPT, Claude o Gemini, con obligaciones de transparencia.
Moderación de contenido (Content Moderation)	Seguridad y regulación	Filtrar contenido dañino en entradas y salidas. Ej.: bloquear discursos de odio.
Nivel de seguridad de IA (AI Safety Level (ASL))	Seguridad y regulación	Escala de Anthropic que exige más protecciones según la capacidad del modelo. Ej.: ASL-3 y ASL-4.
Ómnibus Digital (Digital Omnibus)	Seguridad y regulación	Reforma europea de 2026 que retrasa y simplifica partes de la Ley de IA. Ej.: aplaza a dic-2027 las obligaciones de alto riesgo del Anexo III.
Phishing con IA (AI-powered Phishing)	Seguridad y regulación	Correos fraudulentos más creíbles escritos con IA. Ej.: mensajes sin faltas y personalizados.
Política de escalado responsable (Responsible Scaling Policy)	Seguridad y regulación	Compromiso de un laboratorio de añadir salvaguardas a medida que sus modelos son más capaces. Ej.: los niveles ASL de Anthropic.
Prácticas prohibidas (Prohibited AI Practices)	Seguridad y regulación	Usos de IA vetados en la UE. Ej.: puntuación social o manipulación subliminal.
Privacidad diferencial (Differential Privacy)	Seguridad y regulación	Añade ruido controlado para proteger los datos individuales al entrenar o publicar estadísticas. Ej.: Apple la usa para analizar datos de uso sin identificar a nadie.
Procedencia del contenido (Content Provenance (C2PA))	Seguridad y regulación	Estándar que adjunta a una imagen o vídeo el historial de cómo se creó. Ej.: credenciales de contenido en fotos de Adobe.
Proyecto Glasswing (Project Glasswing)	Seguridad y regulación	Programa de Anthropic que da acceso a Claude Mythos Preview a organizaciones de confianza para ciberdefensa. Ej.: encontrar fallos antes que los atacantes.
Prueba de humanidad (Proof of Personhood)	Seguridad y regulación	Formas de demostrar que eres una persona y no un bot. Ej.: CAPTCHA o verificación de identidad.
Puntuación social (Social Scoring)	Seguridad y regulación	Calificar a las personas según su comportamiento. Ej.: práctica prohibida en la UE.
Rastreador de IA (AI Crawler)	Seguridad y regulación	Programa que recorre webs para recopilar datos de entrenamiento. Ej.: GPTBot o ClaudeBot.
Rechazo excesivo (Over-refusal)	Seguridad y regulación	Cuando el modelo se niega a tareas legítimas por precaución. Ej.: rechazar una pregunta médica normal.
Reglamento de IA de la UE (EU AI Act)	Seguridad y regulación	Ley europea que clasifica los usos de la IA por nivel de riesgo y prohíbe los inaceptables. Ej.: prohíbe la puntuación social y regula como alto riesgo la IA en selección de personal.
Responsabilidad civil de la IA (AI Liability)	Seguridad y regulación	Quién responde de los daños causados por una IA. Ej.: un coche autónomo que provoca un accidente.
RGPD (General Data Protection Regulation (GDPR))	Seguridad y regulación	Reglamento europeo de protección de datos. Ej.: limita el uso de datos personales para entrenar modelos.
Riesgo CBRN (CBRN Risk)	Seguridad y regulación	Riesgo de que la IA ayude a crear armas químicas, biológicas, radiológicas o nucleares. Ej.: evaluado antes de cada lanzamiento.
Riesgo existencial (Existential Risk)	Seguridad y regulación	Riesgo de daños irreversibles a escala de civilización por una IA avanzada. Ej.: el escenario de una IA muy capaz con objetivos contrarios a los humanos.
Riesgo sistémico (Systemic Risk (AI Act))	Seguridad y regulación	Categoría de la Ley de IA de la UE para los modelos más potentes, con obligaciones extra. Ej.: modelos entrenados con más de 10²⁵ operaciones.
Robots.txt (robots.txt)	Seguridad y regulación	Archivo con el que una web indica qué rastreadores pueden leerla. Ej.: bloquear al rastreador de un laboratorio.
Robustez (Robustness)	Seguridad y regulación	Capacidad de un modelo de funcionar bien ante entradas raras o manipuladas. Ej.: no fallar con fotos borrosas.
Sandbox regulatorio (Regulatory Sandbox)	Seguridad y regulación	Entorno controlado donde probar IA bajo supervisión de las autoridades. Ej.: los sandboxes nacionales obligatorios en la UE desde ago-2027.
Seguridad de la IA (AI Safety)	Seguridad y regulación	Campo que busca que los sistemas de IA no causen daños, ni por error ni por mal uso. Ej.: evaluaciones antes de cada lanzamiento.
Sesgo de automatización (Automation Bias)	Seguridad y regulación	Tendencia a fiarse más de una máquina que del propio criterio. Ej.: aceptar un diagnóstico de IA sin revisarlo.
Sesgo de género (Gender Bias)	Seguridad y regulación	Trato distinto por sexo aprendido de los datos. Ej.: asociar «enfermera» a mujer y «médico» a hombre.
Supervisión humana (Human Oversight)	Seguridad y regulación	Que una persona pueda revisar y corregir las decisiones de la IA. Ej.: exigida por la Ley de IA en sistemas de alto riesgo.
Transparencia algorítmica (Algorithmic Transparency)	Seguridad y regulación	Explicar cómo y para qué se usa un algoritmo. Ej.: avisar de que hablas con un chatbot.
Uso legítimo (Fair Use)	Seguridad y regulación	Doctrina de EE. UU. que permite ciertos usos de obras protegidas sin permiso. Ej.: argumento central en los juicios contra laboratorios.

Hardware y CPD (78)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Acceso a la red eléctrica (Grid Connection)	Hardware y CPD	Permiso y capacidad para conectar un CPD a la red. Ej.: el principal cuello de botella para construir CPD.
ASIC (Application-Specific Integrated Circuit)	Hardware y CPD	Chip diseñado para una tarea concreta. Ej.: las TPU de Google o Trainium de Amazon.
ASML (ASML)	Hardware y CPD	Empresa neerlandesa, única fabricante de máquinas de litografía EUV. Ej.: sin ellas no hay chips de 3 nm.
Blackwell (Blackwell)	Hardware y CPD	Arquitectura de GPU de NVIDIA de 2024-2025. Ej.: B200 y los racks GB200 NVL72.
CDU (Coolant Distribution Unit)	Hardware y CPD	Equipo que reparte el líquido refrigerante por los racks. Ej.: en la refrigeración líquida de GPU.
Centro de proceso de datos (Data Center (CPD))	Hardware y CPD	Instalación con servidores, energía, refrigeración y red. Ej.: el proyecto Stargate en Texas.
Chiller (Chiller)	Hardware y CPD	Enfriadora de agua que expulsa el calor del CPD. Ej.: en la cubierta o el exterior del edificio.
Chip neuromórfico (Neuromorphic Chip)	Hardware y CPD	Chip que imita el funcionamiento de las neuronas biológicas. Ej.: Loihi de Intel.
Chiplet (Chiplet)	Hardware y CPD	Pequeños chips unidos en un mismo encapsulado en lugar de uno gigante. Ej.: las GPU MI300 de AMD.
Colocation (Colocation)	Hardware y CPD	Alquiler de espacio, energía y refrigeración en un CPD ajeno. Ej.: Equinix o Digital Realty.
Colossus (Colossus)	Hardware y CPD	Superordenador de xAI en Memphis. Ej.: empezó con 100.000 GPU H100.
Contrato PPA (Power Purchase Agreement)	Hardware y CPD	Contrato de compra de electricidad a largo plazo con un productor. Ej.: laboratorios que firman con centrales nucleares.
CPU (Central Processing Unit)	Hardware y CPD	Procesador general del ordenador; en IA coordina las GPU y prepara datos. Ej.: Intel Xeon o AMD EPYC.
CRAC (Computer Room Air Conditioning)	Hardware y CPD	Climatizador de precisión de la sala técnica. Ej.: mantiene temperatura y humedad exactas.
CUDA (Compute Unified Device Architecture)	Hardware y CPD	Plataforma de NVIDIA para programar sus GPU; una gran ventaja de su ecosistema. Ej.: PyTorch usa CUDA para entrenar en GPU de NVIDIA.
CXL (Compute Express Link)	Hardware y CPD	Estándar para ampliar y compartir memoria entre servidores. Ej.: añadir memoria a un servidor de IA.
Densidad de rack (Rack Density)	Hardware y CPD	Potencia eléctrica por armario. Ej.: de 10 kW en un CPD clásico a más de 100 kW en uno de IA.
DRAM (DRAM)	Hardware y CPD	Memoria principal de los ordenadores. Ej.: los módulos DDR5 de un servidor.
Eficiencia energética del CPD (Power Usage Effectiveness (PUE))	Hardware y CPD	Energía total del CPD dividida entre la de los equipos informáticos; 1,0 es el ideal. Ej.: un PUE de 1,1 significa que solo un 10 % de la energía se va en refrigeración y pérdidas.
Empaquetado avanzado (Advanced Packaging (CoWoS))	Hardware y CPD	Técnica que une el chip con la memoria HBM en un mismo encapsulado. Ej.: el CoWoS de TSMC ha frenado la oferta de GPU.
Espacio blanco (White Space)	Hardware y CPD	Zona del CPD donde están los servidores. Ej.: las filas de racks.
Exaflop (Exaflop)	Hardware y CPD	Un trillón (10¹⁸) de operaciones por segundo. Ej.: los superordenadores de primera línea.
Feynman (Feynman)	Hardware y CPD	Arquitectura de NVIDIA prevista para 2028. Ej.: siguiente paso tras Rubin.
FP4 y FP8 (FP4 / FP8)	Hardware y CPD	Formatos numéricos de 4 y 8 bits que aceleran la IA a costa de precisión. Ej.: las cifras de petaFLOPS de NVIDIA suelen darse en FP4.
Fundición (Foundry)	Hardware y CPD	Fábrica que produce chips diseñados por otros. Ej.: TSMC fabrica para NVIDIA, Apple y AMD.
Gigavatio de cómputo (Gigawatt-scale Compute)	Hardware y CPD	Medida de los grandes campus de IA por la potencia eléctrica que consumen. Ej.: el acuerdo de 6 GW entre OpenAI y AMD.
Grace Blackwell (Grace Blackwell (GB200))	Hardware y CPD	Módulo que une CPU Grace y GPU Blackwell de NVIDIA. Ej.: los racks GB200 NVL72.
HBM4 (HBM4)	Hardware y CPD	Cuarta generación de memoria de alto ancho de banda, para las GPU de 2026. Ej.: AMD MI455X con 432 GB de HBM4.
Helios (AMD Helios)	Hardware y CPD	Rack de AMD con 72 GPU MI455X y 31 TB de HBM4 para la segunda mitad de 2026. Ej.: rival del NVL72 de NVIDIA.
Hopper (Hopper)	Hardware y CPD	Arquitectura de GPU de NVIDIA de 2022. Ej.: H100 y H200.
Huella hídrica (Water Footprint)	Hardware y CPD	Agua que consume un CPD, sobre todo para refrigerar. Ej.: medida con el indicador WUE.
IA en el dispositivo (On-device AI)	Hardware y CPD	Modelos que funcionan dentro del móvil o el portátil. Ej.: Apple Intelligence.
Inferentia (AWS Inferentia)	Hardware y CPD	Chip de Amazon para inferencia barata. Ej.: servir modelos en AWS.
InfiniBand (InfiniBand)	Hardware y CPD	Red de muy baja latencia para unir servidores de un clúster. Ej.: los superordenadores de entrenamiento.
Inmersión (Immersion Cooling)	Hardware y CPD	Refrigerar sumergiendo los servidores en un líquido no conductor. Ej.: CPD de muy alta densidad.
Instinct (AMD Instinct)	Hardware y CPD	Familia de aceleradores de IA de AMD. Ej.: MI300X y MI455X.
Ironwood (TPU Ironwood)	Hardware y CPD	Séptima generación de TPU de Google (2025), pensada para inferencia. Ej.: 9.216 chips por pod.
Latencia de red (Network Latency)	Hardware y CPD	Retraso al enviar datos por la red. Ej.: clave al unir miles de GPU.
Litografía EUV (EUV Lithography)	Hardware y CPD	Fabricación de chips con luz ultravioleta extrema. Ej.: solo ASML fabrica estas máquinas.
LPU (Language Processing Unit)	Hardware y CPD	Chip de Groq con mucha memoria SRAM para respuestas muy rápidas. Ej.: cientos de tokens por segundo.
Maia (Microsoft Maia)	Hardware y CPD	Acelerador de IA propio de Microsoft para Azure. Ej.: alternativa interna a las GPU de NVIDIA.
Memoria de alto ancho de banda (High Bandwidth Memory (HBM))	Hardware y CPD	Memoria apilada junto al chip con un ancho de banda enorme; cuello de botella de las GPU de IA. Ej.: la H200 de NVIDIA lleva 141 GB de HBM3e a 4,8 TB/s.
MTIA (Meta Training and Inference Accelerator)	Hardware y CPD	Chip propio de Meta para recomendación e inferencia. Ej.: el feed de Instagram.
Nanómetro (nodo) (Process Node)	Hardware y CPD	Generación de fabricación de chips; menor número suele significar más transistores. Ej.: TSMC 3 nm o 2 nm.
Neocloud (Neocloud)	Hardware y CPD	Nube especializada en alquilar GPU para IA. Ej.: CoreWeave o Crusoe.
Nuclear modular (Small Modular Reactor (SMR))	Hardware y CPD	Reactor nuclear pequeño que podría alimentar CPD. Ej.: acuerdos de grandes tecnológicas con startups nucleares.
NVLink (NVLink)	Hardware y CPD	Interconexión de alta velocidad entre GPU de NVIDIA. Ej.: une las 72 GPU de un rack NVL72 como si fueran un solo acelerador.
Oblea a escala (Wafer-Scale Engine)	Hardware y CPD	Chip del tamaño de una oblea entera de silicio. Ej.: el WSE-3 de Cerebras.
Operación en coma flotante (Floating-point Operation (FLOP))	Hardware y CPD	Unidad de cálculo; la potencia se mide en FLOPS, por ejemplo en petaFLOPS. Ej.: entrenar un modelo de frontera exige más de 10²⁵ operaciones.
Óptica coempaquetada (Co-Packaged Optics)	Hardware y CPD	Integrar la óptica junto al chip para gastar menos energía. Ej.: switches de nueva generación.
Pasillo frío y caliente (Hot/Cold Aisle)	Hardware y CPD	Separar la entrada de aire frío y la salida de calor para ahorrar energía. Ej.: la contención de pasillos (ver 5.5).
PC con IA (AI PC)	Hardware y CPD	Ordenador con NPU para ejecutar IA en local. Ej.: los portátiles Copilot+.
PDU (Power Distribution Unit)	Hardware y CPD	Regleta inteligente que reparte la energía en el rack. Ej.: mide el consumo de cada servidor.
Petaflop (Petaflop)	Hardware y CPD	Mil billones (10¹⁵) de operaciones por segundo. Ej.: una GPU Rubin llega a 50 petaFLOPS en FP4.
Placa fría (Cold Plate)	Hardware y CPD	Bloque por el que circula líquido sobre el chip para enfriarlo. Ej.: refrigeración directa al chip.
Punto neutro (Internet Exchange Point)	Hardware y CPD	Lugar donde se interconectan redes de distintos operadores. Ej.: DE-CIX Madrid.
Rack NVL72 (NVL72 Rack)	Hardware y CPD	Armario con 72 GPU de NVIDIA unidas por NVLink que funcionan como una sola. Ej.: el rack VR200 cuesta varios millones de dólares.
Refrigeración líquida (Liquid Cooling)	Hardware y CPD	Enfriar los chips con líquido en vez de aire; necesaria con racks de 80-120 kW. Ej.: placas frías sobre cada GPU en los racks de 100 kW o más.
ROCm (ROCm)	Hardware y CPD	Plataforma de software de AMD para programar sus GPU, alternativa a CUDA. Ej.: ejecutar PyTorch en GPU AMD.
Rubin Ultra (Rubin Ultra)	Hardware y CPD	Versión ampliada de Rubin prevista por NVIDIA para 2027. Ej.: sucesora en la hoja de ruta.
SAI (Uninterruptible Power Supply (UPS))	Hardware y CPD	Baterías que mantienen la energía durante un corte hasta que arrancan los generadores. Ej.: SAI de litio en un CPD.
SK Hynix (SK Hynix)	Hardware y CPD	Fabricante surcoreano líder en memoria HBM. Ej.: proveedor clave de NVIDIA.
SRAM (SRAM)	Hardware y CPD	Memoria muy rápida y cara dentro del propio chip. Ej.: cachés de CPU y chips de Groq.
Stargate (Stargate)	Hardware y CPD	Proyecto de OpenAI con socios para construir grandes CPD en EE. UU. Ej.: el campus de Abilene (Texas).
Suelo técnico (Raised Floor)	Hardware y CPD	Suelo elevado por el que circula el aire frío y el cableado. Ej.: CPD clásicos.
Superordenador (Supercomputer)	Hardware y CPD	Ordenador de enorme potencia formado por miles de nodos. Ej.: MareNostrum 5 o Colossus.
TDP (Thermal Design Power)	Hardware y CPD	Potencia máxima que disipa un chip. Ej.: 1.000 W para una B200.
Tier (Uptime Institute) (Data Center Tier)	Hardware y CPD	Clasificación de la disponibilidad de un CPD del I al IV. Ej.: un Tier IV promete un 99,995 % de disponibilidad.
Trainium (AWS Trainium)	Hardware y CPD	Chip de Amazon para entrenar modelos. Ej.: Anthropic lo usa en el Proyecto Rainier.
Transceptor óptico (Optical Transceiver)	Hardware y CPD	Módulo que convierte señales eléctricas en luz para la fibra. Ej.: cada GPU puede necesitar varios.
TSMC (TSMC)	Hardware y CPD	Mayor fabricante de chips del mundo, en Taiwán. Ej.: produce casi todos los chips de IA avanzados.
UALink (UALink)	Hardware y CPD	Estándar abierto para unir aceleradores dentro de un rack. Ej.: impulsado por AMD, Intel y otros.
Ultra Ethernet (Ultra Ethernet)	Hardware y CPD	Estándar de Ethernet mejorado para clústeres de IA. Ej.: alternativa abierta a InfiniBand.
Unidad de procesamiento gráfico (Graphics Processing Unit (GPU))	Hardware y CPD	Procesador con miles de núcleos para cálculo en paralelo; el estándar para entrenar IA. Ej.: NVIDIA H200.
Unidad de procesamiento neuronal (Neural Processing Unit (NPU))	Hardware y CPD	Acelerador de IA integrado en móviles y PC para ejecutar modelos en el propio dispositivo. Ej.: la NPU de los portátiles Copilot+ o el Neural Engine de Apple.
Unidad de procesamiento tensorial (Tensor Processing Unit (TPU))	Hardware y CPD	Acelerador de Google diseñado para redes neuronales. Ej.: Gemini se entrena en TPU; la generación Ironwood (2025) une 9.216 chips por pod.
Vera Rubin (Vera Rubin)	Hardware y CPD	Plataforma de NVIDIA que sucede a Blackwell en 2026, con GPU Rubin y CPU Vera. Ej.: 50 PFLOPS FP4 por GPU y memoria HBM4.
VESDA (Very Early Smoke Detection Apparatus)	Hardware y CPD	Sistema que aspira aire para detectar humo antes del fuego. Ej.: protección de salas de servidores.

Negocio y mercado (71)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Adquisición de talento (Acqui-hire)	Negocio y mercado	Comprar una empresa sobre todo para fichar a su equipo. Ej.: acuerdos de grandes tecnológicas con startups de IA.
Alibaba Cloud (Alibaba Cloud)	Negocio y mercado	Nube de Alibaba y creadora de los modelos Qwen. Ej.: Qwen3.8-Max (ago-2026).
Amazon Web Services (Amazon Web Services (AWS))	Negocio y mercado	Nube de Amazon, gran socio de Anthropic. Ej.: Bedrock y los chips Trainium.
Anthropic (Anthropic)	Negocio y mercado	Laboratorio de EE. UU. creador de Claude, centrado en la seguridad. Ej.: valorado en 965.000 M$ (may-2026).
Asiento (licencia) (Seat)	Negocio y mercado	Licencia por usuario en planes de empresa. Ej.: Claude Team cuesta 25 $ por asiento al mes.
Asociación estratégica (Strategic Partnership)	Negocio y mercado	Acuerdo de colaboración entre empresas. Ej.: Microsoft y OpenAI o Amazon y Anthropic.
Burbuja de la IA (AI Bubble)	Negocio y mercado	Riesgo de que las valoraciones superen lo que justifican los ingresos futuros. Ej.: comparaciones con la burbuja puntocom del año 2000.
Capital riesgo (Venture Capital)	Negocio y mercado	Inversión en empresas jóvenes con alto potencial y riesgo. Ej.: las rondas de Anthropic u OpenAI.
Capitalización bursátil (Market Capitalization)	Negocio y mercado	Valor de todas las acciones de una empresa cotizada. Ej.: NVIDIA ronda los 5,5 billones $.
Caso de uso (Use Case)	Negocio y mercado	Aplicación concreta de una tecnología. Ej.: resumir contratos o atender llamadas.
Club del billón (Trillion-dollar Club)	Negocio y mercado	Empresas que valen más de un billón de dólares. Ej.: NVIDIA, Microsoft, Alphabet o SpaceX.
Código abierto (Open Source)	Negocio y mercado	Licencia que permite usar y modificar el software; en IA no siempre incluye datos ni pesos. Ej.: PyTorch o vLLM.
Contrato de cómputo (Compute Deal)	Negocio y mercado	Acuerdo para comprar o alquilar capacidad de cálculo. Ej.: los acuerdos de varios gigavatios de 2025-2026.
Copiloto (Copilot)	Negocio y mercado	Asistente de IA integrado en una herramienta de trabajo. Ej.: GitHub Copilot o Microsoft 365 Copilot.
CoreWeave (CoreWeave)	Negocio y mercado	Neocloud de GPU que cotiza en bolsa desde 2025. Ej.: alquila cómputo a OpenAI y Microsoft.
Coste total de propiedad (Total Cost of Ownership (TCO))	Negocio y mercado	Coste completo de un sistema: compra, uso, mantenimiento y personal. Ej.: comparar una API con ejecutar un modelo propio.
Cuota de mercado (Market Share)	Negocio y mercado	Porcentaje del mercado que tiene una empresa. Ej.: NVIDIA domina el mercado de aceleradores de IA.
Decacornio (Decacorn)	Negocio y mercado	Startup valorada en más de 10.000 M$. Ej.: Mistral o Perplexity.
DeepSeek (DeepSeek)	Negocio y mercado	Laboratorio chino de Hangzhou conocido por modelos abiertos y baratos. Ej.: R1 (2025) y V4 (2026).
Dependencia de proveedor (Vendor Lock-in)	Negocio y mercado	Dificultad para cambiar de proveedor una vez integrado. Ej.: depender de las herramientas propias de una sola nube.
Efecto red (Network Effect)	Negocio y mercado	Un producto vale más cuanta más gente lo usa. Ej.: plataformas con muchos desarrolladores.
Envoltorio de IA (AI Wrapper)	Negocio y mercado	Producto que añade una interfaz o flujo sobre un modelo de otro. Ej.: una app de resúmenes construida sobre una API.
Escalado empresarial (Enterprise Rollout)	Negocio y mercado	Extender una solución a toda la empresa. Ej.: dar Copilot a 10.000 empleados.
Financiación circular (Circular Financing)	Negocio y mercado	Proveedores que invierten en sus propios clientes. Ej.: NVIDIA invirtiendo en laboratorios que compran sus GPU.
Foso competitivo (Moat)	Negocio y mercado	Ventaja difícil de copiar. Ej.: el ecosistema CUDA de NVIDIA.
Freemium (Freemium)	Negocio y mercado	Modelo con versión gratuita y planes de pago. Ej.: ChatGPT, Claude y Gemini.
Gasto de capital en IA (AI CapEx)	Negocio y mercado	Inversión de las tecnológicas en CPD, chips y energía. Ej.: cientos de miles de millones al año entre las grandes.
Gestión del cambio (Change Management)	Negocio y mercado	Ayudar a las personas a adoptar nuevas herramientas y formas de trabajar. Ej.: formación antes de implantar Copilot.
Google DeepMind (Google DeepMind)	Negocio y mercado	Laboratorio de IA de Google, creador de Gemini y AlphaFold. Ej.: nació en 2023 al unirse Google Brain y DeepMind.
Hiperescala (Hyperscale)	Negocio y mercado	Escala de los mayores proveedores de nube y CPD. Ej.: campus de cientos de megavatios.
Hiperescalador (Hyperscaler)	Negocio y mercado	Gran proveedor de nube. Ej.: AWS, Azure o Google Cloud.
IA en la sombra (Shadow AI)	Negocio y mercado	Uso de herramientas de IA por los empleados sin aprobación de la empresa. Ej.: pegar documentos internos en un chatbot personal.
IA soberana (Sovereign AI)	Negocio y mercado	Que un país o región tenga sus propios modelos, datos y cómputo. Ej.: ALIA en España o Mistral en Europa.
Ingresos recurrentes anuales (Annual Recurring Revenue (ARR))	Negocio y mercado	Ingresos anuales que se repiten por suscripciones. Ej.: Cursor pasó de 100 M$ a más de 2.000 M$ de ARR en un año.
Integrador de sistemas (System Integrator)	Negocio y mercado	Empresa que implanta tecnología en otras empresas. Ej.: consultoras que despliegan IA.
Interfaz de programación (Application Programming Interface (API))	Negocio y mercado	Permite usar un modelo desde otro programa; se suele cobrar por token. Ej.: una app que envía texto a la API de Claude y recibe la respuesta.
Inversión en capital (Capital Expenditure (CapEx))	Negocio y mercado	Gasto en activos físicos; en IA, sobre todo chips y centros de datos. Ej.: los cientos de miles de millones que las tecnológicas gastan cada año en CPD.
Licencia de tecnología (Licensing Deal)	Negocio y mercado	Pagar por usar la tecnología de otra empresa sin comprarla. Ej.: acuerdos de NVIDIA con Groq.
Margen bruto (Gross Margin)	Negocio y mercado	Lo que queda tras restar el coste directo. Ej.: el coste del cómputo reduce el margen de los laboratorios.
Meta AI (Meta AI)	Negocio y mercado	División de IA de Meta, creadora de Llama. Ej.: el asistente de WhatsApp e Instagram.
Microsoft (Microsoft)	Negocio y mercado	Gran socio de OpenAI, con Azure y Copilot. Ej.: invirtió más de 13.000 M$ en OpenAI.
Mistral AI (Mistral AI)	Negocio y mercado	Principal laboratorio europeo, con sede en París. Ej.: valorado en más de 21.000 M€.
Monetización (Monetization)	Negocio y mercado	Forma de ganar dinero con un producto. Ej.: suscripciones, API o publicidad.
Moonshot AI (Moonshot AI)	Negocio y mercado	Startup china creadora de Kimi. Ej.: Kimi K3 (jul-2026).
NVIDIA (NVIDIA)	Negocio y mercado	Fabricante dominante de GPU para IA. Ej.: unos 5,5 billones $ de capitalización.
Oferta pública de venta (Initial Public Offering (IPO))	Negocio y mercado	Primera venta de acciones en bolsa. Ej.: SpaceX en junio de 2026.
OpenAI (OpenAI)	Negocio y mercado	Laboratorio de EE. UU. creador de ChatGPT y la familia GPT. Ej.: valorado en 852.000 M$ (mar-2026).
Periodo de bloqueo (Lock-up Period)	Negocio y mercado	Tiempo tras una OPV en el que los accionistas iniciales no pueden vender. Ej.: el bloqueo de SpaceX vence en diciembre de 2026.
Pesos abiertos (Open Weights)	Negocio y mercado	Modelo cuyos parámetros se publican para descargarlos. Ej.: Llama, DeepSeek o Mistral.
Piloto (Pilot Project)	Negocio y mercado	Prueba a pequeña escala antes de implantar algo. Ej.: un chatbot solo para un departamento.
Plataforma (Platform)	Negocio y mercado	Producto sobre el que otros construyen. Ej.: las API de modelos o la tienda de plugins.
Política de uso de IA (AI Usage Policy)	Negocio y mercado	Normas internas sobre qué herramientas usar y con qué datos. Ej.: prohibir subir datos de clientes a chats públicos.
Precio por resultado (Outcome-based Pricing)	Negocio y mercado	Cobrar por tarea resuelta. Ej.: un agente de soporte que cobra por consulta resuelta.
Precio por token (Price per Token)	Negocio y mercado	Forma de cobrar las APIs de modelos por cada millón de tokens. Ej.: Claude Opus 5.5 cuesta 4 $ de entrada y 20 $ de salida.
Precio por uso (Usage-based Pricing)	Negocio y mercado	Cobrar según lo que se consume. Ej.: las API que cobran por token.
Proveedor de modelos (Model Provider)	Negocio y mercado	Empresa que ofrece modelos por API. Ej.: OpenAI, Anthropic o Google.
Prueba de concepto (Proof of Concept (PoC))	Negocio y mercado	Prototipo para demostrar que una idea funciona antes de invertir más. Ej.: un chatbot piloto con 50 empleados.
Quema de caja (Cash Burn)	Negocio y mercado	Dinero que pierde una empresa al mes o al año. Ej.: los laboratorios pierden miles de millones en cómputo.
Retorno de la inversión (Return on Investment (ROI))	Negocio y mercado	Beneficio obtenido frente a lo invertido. Ej.: horas ahorradas al año por un asistente de IA.
Retorno del gasto en IA (AI ROI Gap)	Negocio y mercado	Distancia entre lo invertido en IA y el beneficio obtenido. Ej.: estudios que muestran pocos pilotos rentables.
Ronda de financiación (Funding Round)	Negocio y mercado	Captación de capital privado. Ej.: la Serie H de Anthropic en mayo de 2026.
Safe Superintelligence (Safe Superintelligence (SSI))	Negocio y mercado	Laboratorio fundado por Ilya Sutskever en 2024 para crear superinteligencia segura. Ej.: sin productos comerciales públicos.
Scale AI (Scale AI)	Negocio y mercado	Empresa de etiquetado de datos para entrenar modelos. Ej.: Meta compró casi la mitad en 2025.
Thinking Machines Lab (Thinking Machines Lab)	Negocio y mercado	Laboratorio fundado por Mira Murati, ex directora técnica de OpenAI. Ej.: una de las mayores rondas semilla de la historia.
Transformación digital (Digital Transformation)	Negocio y mercado	Rediseñar procesos de una empresa con tecnología. Ej.: automatizar la facturación con IA.
Unicornio (Unicorn)	Negocio y mercado	Startup valorada en más de 1.000 M$. Ej.: muchas startups de IA lo logran en pocos meses.
Valoración post-money (Post-money Valuation)	Negocio y mercado	Valor de la empresa justo después de una ronda: valor previo más el dinero aportado. Ej.: si una empresa vale 900 y recibe 65, su valoración post-money es 965.
Valoración pre y post money (Pre-money / Post-money)	Negocio y mercado	Valor de una empresa antes y después de recibir una inversión. Ej.: Anthropic valorada en 965.000 M$ tras su Serie H.
Ventaja del primero (First-mover Advantage)	Negocio y mercado	Beneficio de llegar antes al mercado. Ej.: ChatGPT en 2022.
xAI (xAI)	Negocio y mercado	Laboratorio de Elon Musk creador de Grok, integrado en SpaceX desde 2026. Ej.: cotiza dentro de SPCX.
Zhipu AI (Zhipu AI (Z.ai))	Negocio y mercado	Laboratorio chino creador de GLM. Ej.: GLM-5 con pesos abiertos.

Aprendizaje por refuerzo (34)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Acción (Action)	Aprendizaje por refuerzo	Lo que puede hacer el agente en cada paso. Ej.: mover una pieza.
Actor-crítico (Actor-Critic)	Aprendizaje por refuerzo	Método con una parte que actúa y otra que evalúa las acciones. Ej.: A3C.
Agente (refuerzo) (RL Agent)	Aprendizaje por refuerzo	Quien toma decisiones en el aprendizaje por refuerzo. Ej.: el jugador artificial de un videojuego.
AlphaZero (AlphaZero)	Aprendizaje por refuerzo	IA de DeepMind (2017) que aprendió ajedrez, Go y shogi solo jugando contra sí misma. Ej.: sin datos de partidas humanas.
Aprendizaje fuera de política (Off-Policy Learning)	Aprendizaje por refuerzo	Aprender de datos generados por otra política distinta de la que se mejora. Ej.: reaprovechar partidas antiguas guardadas en memoria.
Aprendizaje por diferencia temporal (TD) (Temporal Difference Learning (TD))	Aprendizaje por refuerzo	Actualiza sus estimaciones comparando la predicción actual con la siguiente. Ej.: TD-Gammon, que jugó al backgammon a nivel experto (1992).
Aprendizaje por imitación (Imitation Learning (Behavior Cloning))	Aprendizaje por refuerzo	El modelo aprende copiando demostraciones de expertos. Ej.: un coche autónomo que imita a conductores humanos.
Aprendizaje por refuerzo con recompensas verificables (RLVR)	Aprendizaje por refuerzo	Entrenar con recompensas que se comprueban automáticamente. Ej.: problemas de matemáticas con solución conocida o tests de código.
Aprendizaje por refuerzo fuera de línea (Offline Reinforcement Learning)	Aprendizaje por refuerzo	Aprender solo de datos ya registrados, sin interactuar. Ej.: políticas médicas a partir de historiales.
Aprendizaje por refuerzo inverso (Inverse Reinforcement Learning (IRL))	Aprendizaje por refuerzo	Deduce la recompensa observando cómo actúa un experto. Ej.: inferir qué valora un buen conductor.
Aprendizaje por refuerzo jerárquico (Hierarchical Reinforcement Learning (HRL))	Aprendizaje por refuerzo	Divide una tarea compleja en subtareas con políticas a varios niveles. Ej.: «preparar café» = coger taza + poner cápsula + pulsar botón.
Autojuego (Self-Play)	Aprendizaje por refuerzo	El agente aprende jugando contra sí mismo. Ej.: AlphaZero en ajedrez y Go.
Bandido multibrazo (Multi-armed Bandit)	Aprendizaje por refuerzo	Problema de elegir entre opciones con recompensa incierta. Ej.: decidir qué anuncio mostrar.
DQN (Deep Q-Network)	Aprendizaje por refuerzo	Q-learning con redes profundas, de DeepMind (2013). Ej.: aprendió a jugar a Atari desde los píxeles.
Entorno (Environment)	Aprendizaje por refuerzo	Mundo con el que interactúa el agente. Ej.: un tablero de ajedrez o un simulador.
Episodio (Episode)	Aprendizaje por refuerzo	Una partida completa, de principio a fin. Ej.: un nivel de un videojuego.
Estado (State)	Aprendizaje por refuerzo	Situación del entorno en un momento dado. Ej.: la posición de las piezas.
Exploración y explotación (Exploration vs. Exploitation)	Aprendizaje por refuerzo	Equilibrio entre probar cosas nuevas y repetir lo que ya funciona. Ej.: probar un restaurante nuevo o ir al de siempre.
Factor de descuento (Discount Factor)	Aprendizaje por refuerzo	Cuánto valora el agente las recompensas futuras frente a las inmediatas. Ej.: 0,99 da mucho peso al futuro.
Función de valor (Value Function)	Aprendizaje por refuerzo	Estima la recompensa total que un agente puede esperar desde un estado. Ej.: cuánto vale una posición del tablero.
GRPO (Group Relative Policy Optimization)	Aprendizaje por refuerzo	Variante de PPO de DeepSeek que compara grupos de respuestas. Ej.: usada para entrenar DeepSeek R1.
Hackeo de la recompensa (Reward Hacking)	Aprendizaje por refuerzo	Cuando el agente encuentra un atajo para ganar puntos sin cumplir el objetivo real. Ej.: un modelo que modifica los tests para que pasen.
Humano en el bucle (HITL) (Human-in-the-Loop (HITL))	Aprendizaje por refuerzo	Sistemas en los que una persona revisa o aprueba decisiones de la IA. Ej.: un agente que pide permiso antes de enviar un pago.
Iteración de política (Policy Iteration)	Aprendizaje por refuerzo	Alterna evaluar una política y mejorarla hasta encontrar la óptima. Ej.: planificar en problemas pequeños y bien definidos.
Iteración de valor (Value Iteration)	Aprendizaje por refuerzo	Calcula la función de valor óptima de un proceso de decisión de Markov mejorando las estimaciones en cada paso. Ej.: encontrar la ruta óptima en un laberinto.
Métodos de gradiente de política (Policy Gradient Methods)	Aprendizaje por refuerzo	Optimizan directamente la política siguiendo el gradiente de la recompensa esperada. Ej.: PPO, usado en el RLHF de los chatbots.
MuZero (MuZero)	Aprendizaje por refuerzo	Sucesor de AlphaZero que aprende las reglas del juego por sí mismo. Ej.: domina Atari, Go y ajedrez.
Política (Policy)	Aprendizaje por refuerzo	Estrategia de un agente: qué acción tomar en cada situación. Ej.: la regla que sigue un robot para no chocar.
PPO (Proximal Policy Optimization)	Aprendizaje por refuerzo	Algoritmo de OpenAI estable y muy usado. Ej.: en el RLHF de los chatbots.
Proceso de decisión de Markov (Markov Decision Process (MDP))	Aprendizaje por refuerzo	Marco matemático del aprendizaje por refuerzo: estados, acciones y recompensas. Ej.: modelar un robot en un laberinto.
Programación dinámica (Dynamic Programming)	Aprendizaje por refuerzo	Resolver un problema dividiéndolo en subproblemas más sencillos y reutilizando sus soluciones. Ej.: calcular la ruta más corta.
Q-learning (Q-Learning)	Aprendizaje por refuerzo	Algoritmo que aprende el valor de cada acción en cada estado sin necesitar un modelo del entorno. Ej.: DQN, que aprendió a jugar a Atari (2013).
Recompensa (Reward Signal)	Aprendizaje por refuerzo	Señal numérica que indica al agente lo buena que ha sido una acción. Ej.: +1 al ganar una partida, −1 al perderla.
RLAIF (Reinforcement Learning from AI Feedback)	Aprendizaje por refuerzo	Como RLHF, pero las valoraciones las da otra IA. Ej.: la IA constitucional de Anthropic.

Visión y robótica (39)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Aprendizaje por demostración (Learning from Demonstration)	Visión y robótica	El robot aprende viendo a una persona hacer la tarea. Ej.: doblar ropa.
Árboles de comportamiento (Behavior Trees)	Visión y robótica	Modelo jerárquico para organizar las conductas de un personaje o robot. Ej.: los enemigos de un videojuego.
Cirugía robótica (Robotic Surgery)	Visión y robótica	Operaciones asistidas por robots. Ej.: el sistema Da Vinci.
Clasificación de imágenes (Image Classification)	Visión y robótica	Asignar una etiqueta a una imagen completa. Ej.: decidir si una foto es de un gato o de un perro.
CLIP (CLIP)	Visión y robótica	Modelo de OpenAI (2021) que relaciona imágenes y textos en el mismo espacio. Ej.: buscar fotos escribiendo una descripción.
Cobot (Collaborative Robot)	Visión y robótica	Robot diseñado para trabajar junto a personas con seguridad. Ej.: brazos en líneas de montaje.
Conducción autónoma (Autonomous Driving)	Visión y robótica	Vehículos que conducen solos con sensores e IA. Ej.: los robotaxis de Waymo.
Detección de objetos (Object Detection)	Visión y robótica	Identificar y localizar objetos en una imagen con cuadros. Ej.: contar coches en una cámara de tráfico.
Diagnóstico asistido por ordenador (CAD) (Computer-Aided Diagnosis (CAD))	Visión y robótica	IA que ayuda a los médicos a detectar enfermedades. Ej.: señalar posibles nódulos en una mamografía.
Dron autónomo (Autonomous Drone)	Visión y robótica	Dron que vuela sin piloto con ayuda de la IA. Ej.: inspección de líneas eléctricas.
Estimación de pose (Pose Estimation)	Visión y robótica	Detectar la postura del cuerpo marcando sus articulaciones. Ej.: apps de fitness que corrigen el ejercicio.
Exoesqueleto (Exoskeleton)	Visión y robótica	Estructura robótica que se lleva puesta para ayudar a moverse o cargar peso. Ej.: rehabilitación y logística.
Flujo óptico (Optical Flow)	Visión y robótica	Movimiento aparente de los píxeles entre fotogramas. Ej.: seguir objetos en un vídeo.
Gemelo digital de robot (Robot Digital Twin)	Visión y robótica	Simulación de un robot para entrenarlo y probarlo. Ej.: NVIDIA Isaac.
LiDAR (LiDAR)	Visión y robótica	Sensor que mide distancias con láser para crear mapas 3D. Ej.: en coches autónomos y robots.
Manipulación robótica (Robotic Manipulation)	Visión y robótica	Coger y mover objetos con un brazo robótico. Ej.: preparar pedidos en un almacén.
Modelo visión-lenguaje-acción (Vision-Language-Action Model (VLA))	Visión y robótica	Modelo que ve, entiende instrucciones y genera movimientos de robot. Ej.: RT-2 de Google DeepMind.
Niveles SAE (SAE Autonomy Levels)	Visión y robótica	Escala del 0 al 5 de autonomía de un vehículo. Ej.: el nivel 4 conduce solo en zonas delimitadas.
Planificación de movimiento (Motion Planning)	Visión y robótica	Calcular trayectorias viables evitando obstáculos. Ej.: un robot de almacén que esquiva estanterías.
Reconocimiento biométrico (Biometric Recognition)	Visión y robótica	Identificar a una persona por rasgos biológicos únicos. Ej.: huella dactilar, iris o voz.
Reconocimiento de gestos (Gesture Recognition)	Visión y robótica	Interpretar gestos de manos o cuerpo. Ej.: controlar una tele con la mano.
Reconocimiento de matrículas (License Plate Recognition)	Visión y robótica	Leer automáticamente matrículas en imágenes. Ej.: accesos a aparcamientos.
Reconocimiento facial (Facial Recognition)	Visión y robótica	Identificar o verificar personas por los rasgos de la cara. Ej.: desbloquear el móvil. Su uso en espacios públicos está muy limitado por la Ley de IA de la UE.
Reconocimiento óptico de música (Optical Music Recognition)	Visión y robótica	Leer partituras de imágenes. Ej.: digitalizar partituras antiguas.
Robot humanoide (Humanoid Robot)	Visión y robótica	Robot con forma humana que puede usar herramientas pensadas para personas. Ej.: Optimus de Tesla o Figure 02.
Robot móvil autónomo (Autonomous Mobile Robot (AMR))	Visión y robótica	Robot que se desplaza solo por un espacio. Ej.: carros de almacén.
Robotaxi (Robotaxi)	Visión y robótica	Taxi sin conductor. Ej.: Waymo en varias ciudades de EE. UU.
Robótica (Robotics)	Visión y robótica	Diseño, construcción y control de robots, cada vez más con IA para percibir y decidir. Ej.: brazos robóticos en una fábrica.
Robótica generalista (General-Purpose Robotics)	Visión y robótica	Robots capaces de muchas tareas distintas con un mismo modelo. Ej.: humanoides como Figure u Optimus.
Segmentación de imágenes (Image Segmentation)	Visión y robótica	Dividir una imagen en regiones, píxel a píxel. Ej.: separar un tumor del tejido sano en una resonancia.
Seguimiento de objetos (Object Tracking)	Visión y robótica	Seguir un objeto a lo largo de un vídeo. Ej.: un jugador en un partido.
Simulación a realidad (Sim-to-Real)	Visión y robótica	Entrenar robots en simulación y trasladarlo al mundo real. Ej.: aprender a caminar en un simulador.
SLAM (Simultaneous Localization and Mapping)	Visión y robótica	Técnica para que un robot construya un mapa mientras se sitúa en él. Ej.: robots aspiradores.
Teleoperación (Teleoperation)	Visión y robótica	Controlar un robot a distancia. Ej.: recoger datos para entrenar robots humanoides.
Visión artificial industrial (Machine Vision)	Visión y robótica	Cámaras con IA para inspección en fábricas. Ej.: detectar piezas defectuosas.
Visión estéreo (Stereo Vision)	Visión y robótica	Calcular profundidad con dos cámaras, como los ojos. Ej.: robots que miden distancias.
Visión por computador (Computer Vision (CV))	Visión y robótica	Campo de la IA que permite a las máquinas interpretar imágenes y vídeo. Ej.: conducción autónoma o control de calidad en una fábrica.
Vision Transformer (Vision Transformer (ViT))	Visión y robótica	Transformer que procesa la imagen como una secuencia de parches. Ej.: base de muchos modelos multimodales.
YOLO (YOLO (You Only Look Once))	Visión y robótica	Algoritmo de detección de objetos muy rápido que analiza la imagen de una sola pasada. Ej.: detección en tiempo real en vídeo.

Probabilidad y optimización (30)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
Análisis topológico de datos (Topological Data Analysis (TDA))	Probabilidad y optimización	Usa la topología para encontrar la «forma» de datos complejos. Ej.: detectar estructuras en datos genómicos.
Búsqueda heurística (Heuristic Search)	Probabilidad y optimización	Búsqueda que usa reglas prácticas para encontrar soluciones sin explorarlo todo. Ej.: el algoritmo A* en los GPS.
Cadena de Markov (Markov Chain)	Probabilidad y optimización	Secuencia en la que cada paso depende solo del anterior. Ej.: un generador de texto que elige la siguiente palabra según la actual.
Distribución de probabilidad (Probability Distribution)	Probabilidad y optimización	Cómo se reparten las probabilidades entre los posibles resultados. Ej.: la del siguiente token de un LLM.
Distribución de probabilidad conjunta (Joint Probability Distribution)	Probabilidad y optimización	Probabilidad de que varias variables tomen ciertos valores a la vez. Ej.: probabilidad de lluvia y tráfico denso.
Entropía (Entropy)	Probabilidad y optimización	Medida de la incertidumbre de una distribución. Ej.: un modelo indeciso tiene alta entropía.
Estimación de la incertidumbre (Uncertainty Estimation)	Probabilidad y optimización	Cuantificar cuánto se fía el modelo de su predicción. Ej.: un sistema médico que avisa cuando no está seguro.
Inferencia bayesiana (Bayesian Inference)	Probabilidad y optimización	Actualizar creencias con nuevos datos. Ej.: ajustar la probabilidad de lluvia al ver nubes.
Inferencia causal (Causal Inference)	Probabilidad y optimización	Determinar si algo causa otra cosa, y no solo si están correlacionados. Ej.: saber si un medicamento cura o solo coincide.
Información mutua (Mutual Information)	Probabilidad y optimización	Mide cuánto sabemos de una variable al conocer otra. Ej.: elegir las variables más informativas.
Intervalo de confianza (Confidence Interval)	Probabilidad y optimización	Rango donde probablemente está un valor real. Ej.: un resultado del 85 % ± 2 %.
Máxima verosimilitud (Maximum Likelihood Estimation)	Probabilidad y optimización	Elegir los parámetros que hacen más probables los datos observados. Ej.: base del entrenamiento de los LLM.
Métodos de Montecarlo (Monte Carlo Methods)	Probabilidad y optimización	Estimar resultados repitiendo muchas simulaciones aleatorias. Ej.: AlphaGo combinaba redes con búsqueda de Montecarlo.
Mínimo local (Local Minimum)	Probabilidad y optimización	Punto donde el error es bajo pero no el más bajo posible. Ej.: una trampa al entrenar redes.
Modelo oculto de Markov (HMM) (Hidden Markov Model (HMM))	Probabilidad y optimización	Modelo de secuencias que depende de estados que no se ven. Ej.: el reconocimiento de voz clásico.
Modelos gráficos probabilísticos (Probabilistic Graphical Models (PGM))	Probabilidad y optimización	Familia de modelos que usan grafos para representar probabilidades, como las redes bayesianas. Ej.: diagnóstico de averías.
Muestreo (Sampling)	Probabilidad y optimización	Elegir valores al azar según una distribución. Ej.: cómo un LLM elige cada palabra.
Optimización bayesiana (Bayesian Optimization)	Probabilidad y optimización	Busca el mejor resultado con pocas pruebas usando un modelo probabilístico. Ej.: ajustar hiperparámetros caros de probar.
Optimización convexa (Convex Optimization)	Probabilidad y optimización	Problemas de optimización con un único mínimo. Ej.: regresión lineal.
Planificación de tareas (Job Scheduling)	Probabilidad y optimización	Asignar tareas a recursos de forma óptima, a menudo con IA. Ej.: repartir trabajos entre las máquinas de una fábrica (job shop).
Problema del viajante (Traveling Salesman Problem)	Probabilidad y optimización	Encontrar la ruta más corta que visita varias ciudades. Ej.: planificar el reparto de paquetes.
Proceso gaussiano (Gaussian Process)	Probabilidad y optimización	Modelo probabilístico para regresión que da también la incertidumbre de cada predicción. Ej.: predecir con pocos datos y saber cuánto fiarse.
Programación lineal (Linear Programming)	Probabilidad y optimización	Optimizar una función con restricciones lineales. Ej.: planificar la producción de una fábrica.
Prueba A/B (A/B Testing)	Probabilidad y optimización	Comparar dos versiones con usuarios reales. Ej.: dos versiones de un chatbot.
Recocido simulado (Simulated Annealing)	Probabilidad y optimización	Optimización inspirada en el enfriamiento de los metales. Ej.: resolver rutas complejas.
Red bayesiana (Bayesian Network)	Probabilidad y optimización	Grafo que representa variables aleatorias y sus dependencias. Ej.: estimar la probabilidad de una enfermedad según los síntomas.
Significación estadística (Statistical Significance)	Probabilidad y optimización	Que un resultado probablemente no sea casual. Ej.: una mejora real entre dos modelos.
Similitud de Jaccard (Jaccard Similarity)	Probabilidad y optimización	Similitud entre dos conjuntos: elementos en común entre elementos totales. Ej.: comparar listas de etiquetas de dos documentos.
Teoría de juegos (Game Theory)	Probabilidad y optimización	Estudio matemático de decisiones entre varios actores. Ej.: subastas o negociaciones entre agentes.
Teoría de la información (Information Theory)	Probabilidad y optimización	Matemáticas de la transmisión y compresión de información (Shannon, 1948). Ej.: base de la entropía cruzada.

Razonamiento simbólico (33)

Término (inglés)	Tipo (grupo)	Descripción y ejemplo
AlphaProof (AlphaProof)	Razonamiento simbólico	Sistema de DeepMind que resolvió problemas de la Olimpiada Matemática Internacional en 2024. Ej.: nivel de medalla de plata.
Base de conocimiento (Knowledge Base)	Razonamiento simbólico	Repositorio de información estructurada que la IA consulta. Ej.: la base de un asistente de soporte técnico.
Demostrador de teoremas (Theorem Prover)	Razonamiento simbólico	Programa que comprueba o encuentra demostraciones matemáticas. Ej.: Lean.
Encadenamiento hacia atrás (Backward Chaining)	Razonamiento simbólico	Inferencia que parte de la conclusión y busca qué la justifica. Ej.: Prolog.
Encadenamiento hacia delante (Forward Chaining)	Razonamiento simbólico	Inferencia que parte de los datos y aplica reglas hasta llegar a una conclusión. Ej.: de los síntomas al diagnóstico.
Grafo de conocimiento (Knowledge Graph)	Razonamiento simbólico	Red de entidades y relaciones entre ellas. Ej.: el panel de Google que muestra datos de una persona famosa.
Hipergrafo (Hypergraph)	Razonamiento simbólico	Grafo en el que una arista puede unir más de dos nodos. Ej.: representar reuniones con varios asistentes.
IA neurosimbólica (Neurosymbolic AI)	Razonamiento simbólico	Combina redes neuronales (aprender de datos) con razonamiento simbólico (reglas y lógica). Ej.: AlphaGeometry de DeepMind.
Lean (Lean)	Razonamiento simbólico	Lenguaje para escribir demostraciones matemáticas verificables por ordenador. Ej.: AlphaProof lo usó en la Olimpiada Matemática.
LISP (LISP)	Razonamiento simbólico	Lenguaje creado por John McCarthy en 1958, clásico de la IA simbólica. Ej.: usado en los primeros sistemas de IA.
Lógica de primer orden (First-order Logic)	Razonamiento simbólico	Lógica con objetos, propiedades y cuantificadores («para todo», «existe»). Ej.: «todos los humanos son mortales».
Lógica difusa (Fuzzy Logic)	Razonamiento simbólico	Lógica con grados de verdad entre 0 y 1 en vez de solo verdadero o falso. Ej.: una lavadora que decide «poco sucio» o «muy sucio».
Lógica proposicional (Propositional Logic)	Razonamiento simbólico	Lógica con afirmaciones verdaderas o falsas unidas por «y», «o» y «no». Ej.: «si llueve, me mojo».
Marco (frame) (Frame)	Razonamiento simbólico	Estructura para representar situaciones típicas con sus elementos. Ej.: el «marco restaurante» con mesa, menú y camarero.
Motor de inferencia (Inference Engine)	Razonamiento simbólico	Parte de un sistema experto que aplica las reglas a los hechos para sacar conclusiones. Ej.: el «cerebro» de MYCIN.
Ontología (Ontology)	Razonamiento simbólico	Definición formal de los conceptos de un dominio y sus relaciones. Ej.: la clasificación de enfermedades SNOMED.
Planificación automática (Automated Planning)	Razonamiento simbólico	Generar secuencias de acciones para alcanzar una meta. Ej.: planificar la ruta de un robot.
Programación lógica (Logic Programming)	Razonamiento simbólico	Programar con hechos y reglas lógicas. Ej.: el lenguaje Prolog.
Prolog (Prolog)	Razonamiento simbólico	Lenguaje de programación lógica de 1972. Ej.: muy usado en la IA simbólica.
Razonamiento abductivo (Abductive Reasoning)	Razonamiento simbólico	Buscar la explicación más probable de una observación. Ej.: el suelo está mojado, probablemente ha llovido.
Razonamiento analógico (Analogical Reasoning)	Razonamiento simbólico	Resolver un problema por su parecido con otro conocido. Ej.: el átomo como un sistema solar.
Razonamiento automático (Automated Reasoning)	Razonamiento simbólico	Uso de ordenadores para deducir conclusiones lógicas a partir de premisas. Ej.: verificar formalmente que un chip no tiene fallos.
Razonamiento causal (Causal Reasoning)	Razonamiento simbólico	Entender qué provoca qué. Ej.: distinguir correlación de causa.
Razonamiento deductivo (Deductive Reasoning)	Razonamiento simbólico	Sacar conclusiones seguras de premisas generales. Ej.: todos los gatos son mamíferos; Misi es un gato; luego es mamífero.
Razonamiento inductivo (Inductive Reasoning)	Razonamiento simbólico	Sacar reglas generales de casos concretos. Ej.: «todos los cisnes que he visto son blancos».
Red semántica (Semantic Network)	Razonamiento simbólico	Grafo de conceptos unidos por relaciones. Ej.: «perro es un mamífero».
Representación del conocimiento (Knowledge Representation)	Razonamiento simbólico	Codificar el conocimiento en un formato que la IA pueda usar para razonar. Ej.: ontologías y grafos de conocimiento.
Satisfacción de restricciones (Constraint Satisfaction)	Razonamiento simbólico	Buscar soluciones que cumplan una serie de condiciones. Ej.: hacer un horario escolar o un sudoku.
Satisfacibilidad (SAT Problem)	Razonamiento simbólico	Saber si existe una combinación que cumpla unas condiciones lógicas. Ej.: verificar circuitos.
Sentido común (Common Sense Reasoning)	Razonamiento simbólico	Conocimiento cotidiano que las personas dan por supuesto. Ej.: el agua moja; un vaso puede caerse.
Sistema de producción (Production System)	Razonamiento simbólico	Conjunto de reglas «si… entonces» que se activan según los hechos. Ej.: los sistemas expertos clásicos.
Sistema experto (Expert System)	Razonamiento simbólico	IA de reglas que imita la decisión de un experto humano en un dominio. Ej.: MYCIN, que diagnosticaba infecciones en los años 70.
Sistemas basados en reglas (Rule-Based Systems)	Razonamiento simbólico	Funcionan con reglas «si… entonces» definidas a mano. Ej.: un sistema que aprueba gastos según su importe.

AGI.2035 · web v.2.18 · actualizada el 06.10.2026Datos con fiabilidad marcada en cada fila👁 Visitas000001(local)