Seguramente ya has escuchado algunos de estos términos. Yo también. El hype de la inteligencia artificial está en su punto más alto, y cada día surgen nuevos conceptos, protocolos y enfoques. Nunca había visto una evolución tan acelerada —ni siquiera en la era de los frameworks de frontend.
Por eso, te traigo esta guía definitiva: un resumen claro y actualizado de los términos clave que están dando forma al mundo de la IA. Ideal para que te pongas al día y entiendas las tendencias que están transformando la tecnología.
Términos de IA que todos deberían conocer
- IA General (AGI): IA que puede pensar como los humanos.
- Cadena de Pensamiento (CoT – Chain of Thought): IA que piensa paso a paso.
- Agentes de IA (AI Agents): Programas autónomos que toman decisiones.
- Wrapper de IA (AI Wrapper): Simplifica la interacción con los modelos de IA.
- Alineación de IA (AI Alignment): Garantiza que la IA siga los valores humanos.
- Ajuste fino (Fine-tuning): Mejora la IA con datos de entrenamiento específicos.
- Alucinación (Hallucination): Cuando la IA genera información falsa.
- Modelo de IA (AI Model): Un sistema entrenado para una tarea.
- Chatbot (Chatbot): IA que simula una conversación humana.
- Cómputo (Compute): Potencia de procesamiento para modelos de IA.
- Visión por Computadora (Computer Vision): IA que entiende imágenes y videos.
- Contexto (Context): Información que la IA retiene para mejores respuestas.
- Aprendizaje Profundo (Deep Learning): Aprendizaje de la IA mediante redes neuronales en capas.
- Embeddings (Embedding): Representación numérica de palabras para la IA.
- Explicabilidad (Explainability): Cómo se entienden las decisiones de la IA.
- Modelo Fundacional (Foundation Model): Modelo de IA grande adaptable a diferentes tareas.
- IA Generativa (Generative AI): IA que crea texto, imágenes, etc.
- GPU (GPU): Hardware para procesamiento rápido de IA.
- Verdad Base (Ground Truth): Datos verificados que la IA utiliza para aprender.
- Inferencia (Inference): La IA haciendo predicciones con nuevos datos.
- Modelo de Lenguaje Grande (LLM – Large Language Model): IA entrenada con grandes cantidades de texto.
- Aprendizaje Automático (Machine Learning): IA que mejora a partir de la experiencia con datos.
- Protocolo de Contexto del Modelo (MCP – Model Context Protocol): Estándar para el acceso externo a datos por parte de la IA.
- Procesamiento de Lenguaje Natural (NLP – Natural Language Processing): IA que comprende el lenguaje humano.
- Red Neuronal (Neural Network): Modelo de IA inspirado en el cerebro.
- Parámetros (Parameters): Variables internas de la IA para el aprendizaje.
- Ingeniería de Prompts (Prompt Engineering): Elaboración de entradas para guiar la salida de la IA.
- Modelo de Razonamiento (Reasoning Model): IA que sigue un pensamiento lógico.
- Aprendizaje por Refuerzo (Reinforcement Learning): IA que aprende de recompensas y castigos.
- Generación Aumentada por Recuperación (RAG – Retrieval-Augmented Generation): IA que combina búsqueda con generación de respuestas.
- Aprendizaje Supervisado (Supervised Learning): IA entrenada con datos etiquetados.
- TPU (TPU): Procesador especializado de Google para IA.
- Tokenización (Tokenization): División del texto en partes más pequeñas.
- Entrenamiento (Training): Enseñar a la IA ajustando sus parámetros.
- Transformador (Transformer): Arquitectura de la IA para procesamiento de lenguaje.
- Aprendizaje No Supervisado (Unsupervised Learning): IA que encuentra patrones en datos no etiquetados.
- Codificación con IA (AI Coding): Codificación asistida mediante prompts en lenguaje natural.
- Pesos (Weights): Valores que determinan el aprendizaje de la IA.
