¿Te perdiste entre términos como «token», «fine-tuning» o «alucinación» mientras probabas el chat de DeepSeek? Este glosario reúne, en español sencillo, los conceptos básicos de inteligencia artificial que más aparecen al hablar de modelos como DeepSeek. Está pensado para quien recién empieza y quiere entender de qué habla la gente cuando menciona estas palabras, sin necesidad de tener formación técnica previa.
Si prefieres aprender haciendo, revisa también nuestras guías paso a paso, donde explicamos cómo usar cada función con ejemplos reales. Aquí, en cambio, vas a encontrar definiciones cortas y claras, ordenadas de lo más general a lo más técnico, para consultar cuando lo necesites.
Inteligencia artificial
La inteligencia artificial (IA) es la rama de la informática que crea sistemas capaces de realizar tareas que normalmente requieren razonamiento humano, como entender texto, reconocer imágenes o tomar decisiones. No es una sola tecnología, sino un conjunto de técnicas que van desde reglas simples hasta redes neuronales muy complejas. DeepSeek, por ejemplo, es un sistema de IA especializado en entender y generar lenguaje natural.
Modelo de lenguaje (LLM)
Un modelo de lenguaje, o LLM (Large Language Model, «modelo de lenguaje grande»), es un programa entrenado con enormes cantidades de texto para predecir qué palabra sigue en una frase. Gracias a ese entrenamiento puede responder preguntas, redactar textos o traducir idiomas. Si quieres entender en detalle cómo funciona por dentro, puedes leer cómo funciona DeepSeek explicado paso a paso.
Prompt
Un prompt es el texto que le escribes a un chatbot para pedirle algo: una pregunta, una instrucción o la descripción de una tarea que quieres que realice. La calidad del prompt influye directamente en la calidad de la respuesta: mientras más claro y específico seas sobre lo que necesitas, mejor te va a entender el modelo.
Token
Un token es la unidad mínima de texto que procesa un modelo de lenguaje: puede ser una palabra completa, un fragmento de palabra o incluso un signo de puntuación. Por ejemplo, la palabra «computadora» puede dividirse en dos o tres tokens distintos. Los modelos miden su uso y, muchas veces, su costo por cantidad de tokens, no por número de palabras o caracteres.
Ventana de contexto
La ventana de contexto es la cantidad máxima de texto, medida en tokens, que un modelo puede tener presente al mismo tiempo durante una conversación. Si el intercambio crece demasiado y supera ese límite, el modelo empieza a «olvidar» los mensajes más antiguos. Una ventana de contexto amplia permite trabajar con documentos largos o conversaciones extensas sin perder el hilo.
Alucinación
Se llama alucinación cuando un modelo de IA genera información que suena convincente pero es falsa o inventada, por ejemplo una cita, un dato o una fuente que no existe. Ocurre porque el modelo predice texto probable en lugar de consultar una base de datos de hechos verificados. Por eso conviene siempre revisar datos importantes, fechas o cifras antes de darlos por buenos.
Fine-tuning (ajuste fino)
El fine-tuning, o ajuste fino, es un entrenamiento adicional que se aplica a un modelo ya existente para especializarlo en una tarea concreta, como responder en un tono determinado o dominar un tema específico. En lugar de entrenar un modelo desde cero, se parte de uno ya capaz y se afina con menos datos y menos tiempo de cómputo.
Entrenamiento
El entrenamiento es el proceso mediante el cual un modelo aprende a partir de grandes cantidades de datos, ajustando internamente millones o miles de millones de valores hasta que sus respuestas se acercan a lo esperado. Este proceso exige muchísima capacidad de cómputo y puede tardar semanas. Una vez entrenado, el modelo queda listo para usarse sin necesidad de repetir todo el proceso cada vez que alguien le escribe.
Red neuronal
Una red neuronal es una estructura matemática inspirada, de forma muy general, en cómo funcionan las neuronas del cerebro humano. Está formada por capas de nodos conectados entre sí que transforman una entrada, por ejemplo un texto, en una salida, como una respuesta o una clasificación. Es la base sobre la que se construyen prácticamente todos los modelos de lenguaje modernos.
Transformer
El transformer es un tipo de arquitectura de red neuronal que permite analizar todas las palabras de un texto al mismo tiempo y entender cómo se relacionan entre sí, en lugar de leerlas una por una en orden estricto. Esta capacidad de «prestar atención» a distintas partes del texto a la vez fue el avance que hizo posible el salto de calidad en los modelos de lenguaje actuales, incluido DeepSeek.
Parámetros
Los parámetros son los valores numéricos internos que un modelo ajusta durante el entrenamiento y que determinan cómo procesa la información. Se pueden imaginar como perillas: cada una se afina un poco para que el modelo produzca mejores respuestas. Los modelos de lenguaje modernos tienen miles de millones de parámetros, aunque tener más no siempre significa mayor calidad.
Chatbot
Un chatbot es un programa diseñado para mantener conversaciones con personas a través de texto, simulando un diálogo natural. Puede basarse en reglas simples o, como ocurre hoy en día, en un modelo de lenguaje que genera respuestas nuevas cada vez. El chat de DeepSeek es un ejemplo de chatbot construido sobre un modelo de lenguaje generativo.
IA generativa
La IA generativa es la categoría de inteligencia artificial capaz de crear contenido nuevo —texto, imágenes, audio o código— en lugar de solo clasificar o analizar información ya existente. Los modelos de lenguaje como DeepSeek son un ejemplo de IA generativa aplicada al texto: a partir de un prompt, generan una respuesta original, palabra por palabra, que no existía antes.
Aprendizaje automático
El aprendizaje automático, o machine learning, es el campo de la IA que estudia cómo hacer que un programa mejore su desempeño a partir de datos, en vez de seguir instrucciones escritas a mano por una persona para cada caso posible. Es el paraguas que incluye técnicas como los árboles de decisión, las redes neuronales y, dentro de estas, el aprendizaje profundo.
Aprendizaje profundo
El aprendizaje profundo, o deep learning, es una rama del aprendizaje automático que usa redes neuronales con muchas capas apiladas para aprender patrones complejos en los datos. Gracias a esa profundidad, los modelos pueden captar matices del lenguaje, reconocer objetos en imágenes o traducir con una precisión que era impensable hace pocos años.
Razonamiento
En IA, el razonamiento se refiere a la capacidad de un modelo para resolver problemas paso a paso, en lugar de responder de forma directa e intuitiva. Los modelos con razonamiento suelen dividir un problema complejo, como uno matemático o de lógica, en pasos intermedios antes de dar la respuesta final, lo que mejora bastante la precisión en tareas difíciles.
API
Una API (interfaz de programación de aplicaciones) es un conjunto de reglas que permite que un programa se comunique con otro, por ejemplo para que tu propia aplicación envíe preguntas a un modelo de IA y reciba respuestas de forma automática. Si quieres integrar DeepSeek en tus propios proyectos, la guía sobre la API de DeepSeek explica cómo empezar desde cero.
Clave de API (API key)
La clave de API, o API key, es un código único que identifica a un usuario o aplicación al hacer solicitudes a través de una API. Funciona como una contraseña: hay que mantenerla en secreto, porque quien la tenga puede usar el servicio en tu nombre, generalmente con un costo asociado. Antes de generar la tuya, conviene revisar cómo obtener y usar una clave de API de forma segura.
Código abierto (open source)
Un modelo de código abierto, u open source, es aquel cuyo código, y muchas veces sus parámetros entrenados, se publica para que cualquiera pueda revisarlo, modificarlo o ejecutarlo en sus propios servidores. DeepSeek es conocido justamente por publicar varios de sus modelos como código abierto, lo que contrasta con modelos cerrados a los que solo se accede mediante una API controlada por su empresa creadora.
Mixture of Experts
Mixture of Experts (mezcla de expertos) es una arquitectura en la que el modelo no usa todos sus parámetros para cada solicitud, sino que activa solo un subconjunto de «expertos» internos según el tipo de tarea que recibe. Esto permite construir modelos enormes que, en la práctica, resultan más eficientes porque no todo el sistema trabaja al mismo tiempo. DeepSeek utiliza este enfoque en varios de sus modelos.
Embeddings
Los embeddings son representaciones numéricas del significado de un texto, una imagen o cualquier otro dato, expresadas como listas de números o vectores. Dos textos con significados parecidos tendrán embeddings numéricamente cercanos entre sí. Esta técnica se usa, por ejemplo, para construir buscadores semánticos que entienden el sentido de una consulta y no solo las palabras exactas que se escribieron.
Temperatura
La temperatura es un parámetro que controla qué tan predecible o creativa es la respuesta de un modelo. Con una temperatura baja, el modelo tiende a elegir siempre la palabra más probable, dando respuestas más consistentes; con una temperatura alta, se arriesga a elegir palabras menos obvias, generando textos más variados pero también más propensos a errores o desvíos.
Cadena de pensamiento (chain-of-thought)
La cadena de pensamiento, o chain-of-thought, es una técnica en la que el modelo expone los pasos intermedios de su razonamiento antes de llegar a una conclusión, en vez de saltar directo a la respuesta final. Pedir explícitamente «explica tu razonamiento paso a paso» suele mejorar los resultados en problemas de matemáticas, lógica o programación.
Aprendizaje por refuerzo (RLHF)
El aprendizaje por refuerzo con retroalimentación humana, conocido como RLHF (Reinforcement Learning from Human Feedback), es una técnica de entrenamiento en la que personas evalúan y ordenan distintas respuestas del modelo según su calidad, y esa retroalimentación se usa para ajustarlo. Así se logra que las respuestas sean no solo correctas, sino también útiles, seguras y agradables de leer para un humano.
Dataset
Un dataset, o conjunto de datos, es la colección de información —textos, imágenes, código, conversaciones— que se usa para entrenar o evaluar un modelo de IA. La calidad y diversidad del dataset influye directamente en las capacidades finales del modelo: si el conjunto de datos tiene errores o está sesgado hacia cierto tipo de contenido, el modelo tenderá a repetir esos mismos problemas.
Inferencia
La inferencia es el momento en que un modelo ya entrenado se usa para generar una respuesta a partir de un prompt nuevo, a diferencia del entrenamiento, que es cuando el modelo aprende. Cada vez que escribes algo en el chat de DeepSeek y recibes una respuesta, estás presenciando un proceso de inferencia en tiempo real.
GPU
La GPU (unidad de procesamiento gráfico) es un tipo de chip originalmente diseñado para renderizar gráficos, pero que resulta ideal para entrenar y ejecutar modelos de IA porque puede realizar miles de cálculos matemáticos de forma simultánea. La disponibilidad y el costo de las GPU son uno de los factores que más limitan el desarrollo de nuevos modelos de IA en el mundo.
Multimodal
Un modelo multimodal es capaz de entender o generar más de un tipo de contenido, por ejemplo texto e imágenes al mismo tiempo, en lugar de trabajar solo con texto. Esto permite, entre otras cosas, subir una foto y pedirle al modelo que la describa, o mostrarle un gráfico y preguntarle qué información contiene.
Benchmark
Un benchmark es una prueba estandarizada que se usa para medir y comparar el desempeño de distintos modelos de IA en tareas específicas, como matemáticas, programación o comprensión de lectura. Los benchmarks permiten tener una idea objetiva de qué tan bien razona o responde un modelo, aunque no siempre reflejan de forma exacta el uso real del día a día.
Sesgo
El sesgo, en IA, se refiere a tendencias injustas o desequilibradas en las respuestas de un modelo, que suelen originarse en los datos con los que fue entrenado. Por ejemplo, si un dataset contiene mayoritariamente información de una región o un punto de vista, el modelo puede reflejar esa visión limitada al responder sobre otros contextos distintos.
Privacidad de datos
La privacidad de datos se refiere a cómo una plataforma de IA maneja la información que los usuarios comparten en sus conversaciones: si se almacena, por cuánto tiempo, si se usa para entrenar futuros modelos y quién puede acceder a ella. Antes de compartir datos sensibles con cualquier chatbot, conviene revisar su política de privacidad y ajustar la configuración disponible.
Latencia
La latencia es el tiempo que transcurre entre que se envía un prompt y se empieza a recibir la respuesta del modelo. Una latencia baja se traduce en una conversación fluida, mientras que una latencia alta genera esperas incómodas, algo especialmente notorio en aplicaciones que necesitan respuestas casi inmediatas, como un asistente de voz.
Ingeniería de prompts
La ingeniería de prompts es la práctica de diseñar y redactar instrucciones de forma cuidadosa para obtener mejores respuestas de un modelo de IA. Incluye técnicas como dar contexto suficiente, pedir un formato específico o mostrar ejemplos de la respuesta esperada. En nuestras guías encontrarás ejemplos prácticos de prompts bien construidos para distintas tareas cotidianas.
Few-shot
Se llama few-shot a la técnica de incluir en el prompt unos pocos ejemplos de cómo quieres que el modelo resuelva una tarea, antes de pedirle que la resuelva para un caso nuevo. Por ejemplo, mostrarle dos o tres correos ya redactados en cierto tono ayuda a que el modelo imite ese mismo estilo en el siguiente que le pidas escribir.
Zero-shot
Zero-shot describe la capacidad de un modelo para resolver una tarea sin haber recibido ningún ejemplo previo en el prompt, apoyándose únicamente en lo que aprendió durante su entrenamiento. Muchas de las tareas cotidianas que le pedimos a un chatbot, como resumir un texto o traducir una frase, se resuelven en modo zero-shot sin instrucciones adicionales.
Agente de IA
Un agente de IA es un sistema que, además de responder preguntas, puede tomar acciones de forma más autónoma: buscar información, usar herramientas externas, ejecutar varios pasos en secuencia y ajustar su plan según los resultados que va obteniendo en el camino. Es un paso más allá del chatbot tradicional, que solo conversa sin actuar sobre el mundo exterior.
Destilación
La destilación es una técnica mediante la cual un modelo más pequeño, llamado «estudiante», aprende a imitar el comportamiento de un modelo más grande, llamado «maestro», logrando un desempeño similar con muchos menos parámetros. Esto permite crear versiones más ligeras y rápidas de un modelo, ideales para ejecutarse en dispositivos con menos capacidad de cómputo disponible.
Código abierto vs. cerrado
La diferencia entre un modelo de código abierto y uno cerrado está en el acceso: el primero publica su código o sus parámetros para que cualquiera los use y modifique libremente, mientras que el segundo solo puede usarse a través de una API controlada por la empresa que lo creó, sin acceso a su funcionamiento interno. Ambos enfoques conviven hoy en la industria y cada uno tiene ventajas distintas en costo, control y transparencia.
Alucinación vs. error
Aunque suenan parecidos, no es lo mismo una alucinación que un error simple. Un error ocurre cuando el modelo se equivoca en un cálculo o dato puntual dentro de un razonamiento que, en su estructura, es correcto; una alucinación, en cambio, es cuando el modelo inventa por completo información que no existe, presentándola con la misma seguridad que un dato real. Distinguir ambos casos ayuda a saber qué tipo de verificación aplicar.
Contexto
El contexto es toda la información previa —mensajes anteriores, documentos adjuntos, instrucciones dadas al inicio— que un modelo tiene disponible al momento de generar una respuesta. Cuanto mejor aproveches el contexto de una conversación, por ejemplo recordándole al modelo datos ya mencionados antes, más coherentes y precisas serán sus respuestas siguientes.
Sitio independiente e informativo, no afiliado a DeepSeek. Sitio oficial: deepseek.com.