01 / EVOLUCIÓN
De ajustar conexiones a generar nuevas respuestas.
Las redes neuronales artificiales son modelos matemáticos que ajustan conexiones entre unidades de cálculo. La palabra «neuronal» expresa una inspiración; no convierte sus operaciones en una reproducción completa del cerebro ni demuestra que piensen como una persona. [1]
Su historia permite entender por qué hoy conviven sistemas especializados en reconocer imágenes con asistentes que reciben instrucciones, analizan contenido visual y producen lenguaje. Los siguientes hitos muestran cambios de método y de alcance, no una marcha automática hacia una inteligencia humana.
Rumelhart, Hinton y Williams describieron cómo propagar el error hacia las capas internas para ajustar sus conexiones. Estas capas podían aprender características útiles para la tarea, en lugar de recibirlas todas definidas de antemano. [1]
Krizhevsky, Sutskever y Hinton presentaron una red convolucional profunda entrenada para clasificar imágenes de ImageNet. Combinaron aprendizaje de características, cómputo con GPU y técnicas para reducir el sobreajuste; el resultado mejoró el desempeño de clasificación frente a métodos anteriores de esa evaluación. [2]
Vaswani y colaboradores propusieron una arquitectura basada en atención, sin las recurrencias del modelo que comparaban. La evaluaron en traducción entre inglés y alemán, e inglés y francés, con mejoras de calidad y mayor posibilidad de paralelizar el entrenamiento. [3]
LLaVA conectó un codificador visual con un modelo de lenguaje y los ajustó con instrucciones sobre imágenes. El estudio mostró una vía para conversar sobre contenido visual; sus evaluaciones no equivalen a una competencia universal. [4]
02 / CÓMO APRENDEN
Aprender significa modificar un modelo.
Durante el entrenamiento, una red produce una salida, la compara con un objetivo y calcula un error. La retropropagación estima cómo contribuyen sus conexiones a ese error; un procedimiento de optimización modifica sus valores. Repetir este proceso puede construir representaciones internas útiles. Ese es el mecanismo de aprendizaje que describió el trabajo de 1986, no una explicación del aprendizaje biológico en toda su complejidad. [1]
La arquitectura define qué relaciones puede procesar el modelo. En un Transformer, la atención pondera relaciones entre elementos de una secuencia. En traducción, esto permite utilizar el contexto para construir una salida en otro idioma, sin que cada palabra deba tratarse de forma aislada. [3]
Un sistema multimodal añade relaciones entre tipos de información. LLaVA transforma la imagen en representaciones que pueden conectarse con el modelo de lenguaje; el ajuste con instrucciones enseña a responder sobre ese contenido. El artículo publicó modelos, datos y código, lo que permite estudiar su procedimiento y contrastar resultados. El nombre «asistente» describe una interacción, no una garantía de que cada respuesta sea correcta. [4]
Entrenamiento e inferencia
Entrenar ajusta parámetros con ejemplos; la inferencia utiliza el modelo ya entrenado para resolver una entrada. Conviene distinguir ambas etapas al evaluar recursos, porque atender solicitudes también requiere cómputo y energía. [7]
03 / APORTACIONES COMPROBABLES
Casos que se pueden examinar.
Para valorar una aportación, proponemos preguntar qué problema se abordó, contra qué referencia se comparó el método y qué sigue sin resolver. Los casos siguientes ofrecen resultados publicados y condiciones de evaluación identificables.
AlphaFold 2: de una secuencia a una estructura propuesta
El problema consiste en predecir la estructura tridimensional de una proteína a partir de su secuencia. AlphaFold 2 combinó información evolutiva, conocimiento estructural y aprendizaje profundo. En CASP14, una evaluación a ciegas con estructuras todavía no divulgadas, obtuvo predicciones de alta exactitud para una mayoría de los casos y superó ampliamente a los otros métodos participantes. [5]
Su contribución ofrece estructuras propuestas y estimaciones de confianza que pueden orientar preguntas experimentales. La confianza varía entre regiones: una figura tridimensional convincente no vuelve igualmente fiables todas sus partes. El trabajo proporciona código y métodos para examinar cómo se obtuvo el resultado. [5]
AlphaFold 3: estudiar complejos biomoleculares
Publicado el 8 de mayo de 2024, AlphaFold 3 amplió el problema a complejos con proteínas, ácidos nucleicos, moléculas pequeñas y otros componentes. Una arquitectura con difusión genera coordenadas atómicas; sus autores compararon las predicciones con herramientas especializadas y comunicaron mejoras en varias categorías de interacción. [6]
El mismo artículo describe errores de geometría, regiones inventadas y límites para representar cambios de conformación. Predecir una posible interacción no demuestra por sí mismo que una sustancia sea un medicamento seguro o eficaz: ese resultado no fue lo que evaluó el estudio. La utilidad depende de interpretar la predicción y contrastarla con evidencia adecuada. [6]
Traducción: resultados ligados a una tarea
El Transformer se probó con conjuntos de traducción y una métrica definida, BLEU. Su aportación fue mejorar esos resultados con una arquitectura más paralelizable. Es evidencia concreta sobre traducción automática, no una demostración de exactitud para cualquier idioma, documento técnico o contexto de uso. [3]
| Ejemplo | Resultado evaluado | Límite de interpretación |
|---|---|---|
| AlexNet | Clasificación en ImageNet. [2] | No mide comprensión de cualquier escena. |
| LLaVA | Respuestas sobre imágenes y pruebas específicas. [4] | No acredita una aplicación médica. |
| AlphaFold | Exactitud de estructuras propuestas. [5] [6] | No demuestra eficacia terapéutica. |
04 / INVESTIGAR CON CRITERIO
Medir capacidades y reconocer límites.
La OMS advirtió en 2024 que los modelos multimodales pueden producir afirmaciones falsas, sesgadas o incompletas y favorecer el sesgo de automatización: aceptar una respuesta porque proviene del sistema. También señaló riesgos para la privacidad y la ciberseguridad. Por eso, una demostración atractiva no basta para justificar su uso en decisiones de salud. [8]
Para estudiar un resultado proponemos conservar la pregunta, los datos de entrada permitidos, la versión del modelo, la configuración y el criterio de corrección. Después, comparar contra una referencia y revisar tanto aciertos como fallos. Es una pauta de trabajo para esta iniciativa: permite formular desacuerdos observables y facilita que otra persona examine las conclusiones.
El consumo también se mide
Luccioni, Jernite y Strubell compararon la energía de inferencia en distintas tareas y modelos. En su estudio, los sistemas generativos de propósito múltiple resultaron más costosos que sistemas especializados para varias tareas. Las mediciones corresponden a las condiciones del experimento; no fijan un consumo universal por pregunta. [7]
Una evaluación útil debe indicar tarea, equipo, cantidad de solicitudes y procedimiento de medición. Aquí no atribuimos una cifra energética a una conversación ni presentamos estimaciones del consumo de TAAGMX. [7]
La orientación de la OMS propone involucrar a usuarios y otras partes afectadas desde el diseño, definir tareas y evaluar sus consecuencias. Aplicar esa idea significa preguntar también quién revisará un error y qué información debe quedar protegida. [8]
05 / TAAGMX RESEARCH AI
Una iniciativa para aprender e investigar.
TAAGMX Research AI es una línea de investigación tecnológica impulsada por TAAGMX. Su estado actual es En planeación.
Su interés general se centra en comprender los métodos de inteligencia artificial, explorar aplicaciones y estudiar cómo valorar sus capacidades y limitaciones. Esta página ofrece contexto científico para acompañar esa intención. Los trabajos citados pertenecen a sus autores e instituciones; no representan desarrollos ni resultados propios de TAAGMX.
Preguntas definidas
Delimitar qué se busca estudiar y qué evidencia permitiría responderlo.
Resultados revisables
Comunicar métodos, condiciones y límites cuando existan avances que puedan compartirse.
Desarrollo por etapas
Actualizar el alcance conforme se evalúe la viabilidad de cada línea de trabajo.
Esta presentación no anuncia un modelo propio disponible ni servicios médicos basados en IA. La animación inspirada en TON 618 es una representación visual del proyecto, no una simulación científica de su funcionamiento.
06 / FUENTES Y LECTURA
Consultar la evidencia original.
Selección de investigación primaria y orientación oficial. Revisión editorial: . Los años identifican los trabajos citados; esta selección no pretende cubrir toda la literatura del campo.
- Rumelhart, D. E.; Hinton, G. E.; Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536.
- Krizhevsky, A.; Sutskever, I.; Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS 25.
- Vaswani, A. y colaboradores (2017). Attention Is All You Need. NeurIPS 30.
- Liu, H.; Li, C.; Wu, Q.; Lee, Y. J. (2023). Visual Instruction Tuning. NeurIPS 36.
- Jumper, J. y colaboradores (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.
- Abramson, J. y colaboradores (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500.
- Luccioni, A. S.; Jernite, Y.; Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment? ACM FAccT.
- Organización Mundial de la Salud (18 de enero de 2024). WHO releases AI ethics and governance guidance for large multi-modal models. Orientación oficial sobre usos y riesgos.