En 2016 ocurrió algo que muchos expertos consideraban imposible. AlphaGo, un programa desarrollado por DeepMind, derrotó al campeón mundial Lee Sedol en una partida de Go, un juego de mesa tan complejo que durante décadas se había pensado que ningún ordenador sería capaz de dominarlo. La sorpresa no fue solo la victoria. Algunos de los movimientos que realizó la máquina desconcertaron a los propios grandes maestros, que los calificaron de creativos e inesperados.

Aquel día quedó claro que la inteligencia artificial había entrado en una nueva etapa. Detrás de aquella demostración había una tecnología que hoy impulsa ChatGPT, los asistentes de voz, los traductores automáticos o los sistemas que ayudan a detectar enfermedades: el deep learning. Pero ¿qué es exactamente y por qué está transformando tantos sectores al mismo tiempo?

Cuando los ordenadores solo seguían órdenes

Durante buena parte de la historia de la informática, los ordenadores solo hacían aquello que los programadores les habían dicho que hicieran. Si queríamos que un sistema reconociera un gato en una fotografía, era necesario definir las características que debía buscar: la forma de las orejas, los bigotes, el hocico o la cola.

Esta forma de programar funciona muy bien cuando las reglas son claras, pero se queda corta ante problemas mucho más complejos, como entender una conversación, interpretar una radiografía o distinguir a una persona entre millones de rostros.

El primer gran cambio llegó con el machine learning. En lugar de escribir todas las instrucciones, los investigadores comenzaron a mostrar miles de ejemplos a los ordenadores para que fueran ellos quienes descubrieran los patrones. Aun así, los humanos seguían decidiendo qué información era importante.

¿Qué hace diferente al deep learning?

El deep learning es una evolución del machine learning que elimina buena parte de esta intervención humana. En lugar de indicarle qué debe buscar, el sistema aprende por sí mismo qué patrones son relevantes.

Para conseguirlo utiliza redes neuronales artificiales, estructuras inspiradas muy libremente en el funcionamiento del cerebro humano. Estas redes están formadas por múltiples capas de neuronas conectadas entre sí. Las primeras detectan elementos muy simples, como líneas, colores o contrastes. Las siguientes combinan esa información para identificar formas más complejas, y las últimas son capaces de reconocer un objeto, entender una frase o predecir una respuesta.

La palabra deep («profundo») hace referencia precisamente a esta sucesión de capas. Cuanto más profundo es el modelo, más complejos pueden llegar a ser los patrones que aprende. Es esta capacidad de aprender automáticamente qué es importante la que ha convertido al deep learning en el motor de la inteligencia artificial moderna.

Aprender también es equivocarse

Cuando una persona aprende un idioma o toca un instrumento, mejora a base de repetir, equivocarse y corregir los errores. Las redes neuronales funcionan de una manera parecida.

Durante el entrenamiento, el modelo analiza una enorme cantidad de datos, hace una predicción y comprueba si es correcta. Si se ha equivocado, ajusta ligeramente millones de pequeños parámetros matemáticos que determinan su comportamiento. Este proceso se repite millones de veces hasta que el error es cada vez menor.

Por eso los modelos actuales pueden llegar a reconocer voces, traducir idiomas o generar textos con una precisión sorprendente. No porque «piensen» como nosotros, sino porque han aprendido a identificar patrones estadísticos extraordinariamente complejos.

La revolución también es de hardware

Si esta tecnología existe desde los años ochenta, ¿por qué solo ahora ha explotado?

La respuesta no está solo en los algoritmos. También está en el hardware.

Entrenar una red neuronal implica ejecutar billones de operaciones matemáticas. Los procesadores tradicionales (CPU) no estaban diseñados para afrontar este tipo de cálculos de manera eficiente. En cambio, las GPU, creadas inicialmente para generar los gráficos de los videojuegos, pueden realizar millones de operaciones en paralelo.

Cuando los investigadores descubrieron que estas tarjetas gráficas eran ideales para entrenar redes neuronales, el desarrollo del deep learning se aceleró de forma exponencial. Empresas como NVIDIA, que durante años habían estado asociadas casi exclusivamente al mundo de los videojuegos, se convirtieron en piezas fundamentales de la revolución de la inteligencia artificial.

Sin esta evolución del hardware, probablemente ChatGPT o Gemini seguirían siendo proyectos de laboratorio.

Una tecnología que ya convive con nosotros

El deep learning está mucho más presente de lo que imaginamos. Desbloquea nuestro teléfono mediante el reconocimiento facial, filtra el correo no deseado, detecta operaciones bancarias fraudulentas, traduce textos en tiempo real y ayuda a los radiólogos a identificar lesiones que pueden pasar desapercibidas.

También es la base de los grandes modelos de lenguaje que han popularizado la inteligencia artificial generativa. Estos sistemas no buscan información en Internet cada vez que responden, sino que utilizan los patrones aprendidos durante su entrenamiento para predecir cuál es la respuesta más probable.

Este mismo principio también se está aplicando al desarrollo de nuevos medicamentos, a la investigación científica, a la conducción autónoma e incluso a la predicción de fenómenos meteorológicos.

El futuro también plantea interrogantes

El deep learning ha demostrado un potencial extraordinario, pero no está exento de limitaciones. Estos modelos consumen grandes cantidades de energía, necesitan volúmenes inmensos de datos y, a menudo, funcionan como una «caja negra»: ofrecen resultados muy precisos, pero ni siquiera sus propios creadores pueden explicar siempre con exactitud cómo han llegado a una determinada conclusión.

También existe una cuestión estratégica. Desarrollar los modelos más avanzados requiere infraestructuras valoradas en miles de millones de euros, lo que concentra esta capacidad tecnológica en manos de un número muy reducido de empresas. En un mundo cada vez más dependiente de la inteligencia artificial, controlar los datos, los chips y la capacidad de cálculo puede acabar siendo tan relevante como controlar la energía o las materias primas.

Una revolución que no ha hecho más que empezar

El deep learning no es simplemente una nueva técnica informática. Es el gran salto que ha permitido que las máquinas dejen de limitarse a seguir instrucciones y comiencen a aprender de la experiencia. Esta diferencia, aparentemente sutil, es la que está transformando sectores enteros y redefiniendo la relación entre las personas y la tecnología.

Todavía es pronto para saber hasta dónde llegará esta revolución, pero una cosa parece clara: entender qué es el deep learning ya no es solo una curiosidad para ingenieros. Es una forma de comprender una de las tecnologías que marcará el futuro de la economía, la ciencia y la sociedad.

Proteger los ahorros con oro físico ha sido una de las principales aportaciones de 11Onze a su comunidad y, ahora, amplía su gama de productos. Por eso, ante la volatilidad, la todavía elevada inflación y la creciente crisis de confianza en el sistema bancario, el oro vuelve a reforzarse como valor refugio. Descubre Or Llavor en Preciosos 11Onze.