© 2016–2026 santa marta crea | N.I.T. 700173312-4
formación gratuita · módulo 03
Detrás de cada IA moderna hay millones de piezas diminutas que solo saben sumar y decidir: las neuronas artificiales. Hoy vas a encender una con tus propias manos, verla trabajar en capas y entrenar una red en vivo — sin una sola fórmula.
Una red neuronal artificial es un sistema de cálculo inspirado — muy libremente — en el cerebro. Su pieza básica, la neurona artificial, funciona como una caja con perillas: recibe varias señales de entrada, multiplica cada una por su peso — la importancia que le asigna —, suma los resultados y decide si "se enciende" para avisar a las neuronas siguientes. Esas neuronas se organizan en capas: las primeras detectan rasgos simples, como bordes o manchas de color; las intermedias los combinan en formas y partes; y la última capa toma la decisión final, por ejemplo "esta foto es un gato". Entrenar la red no es programarla: es ajustar sus perillas — probar con ejemplos, medir el error y corregir — millones de veces, hasta que el error deja de bajar. Esas perillas se llaman parámetros: cuando un titular habla de un modelo con 70 mil millones de parámetros, habla de 70 mil millones de perillas ajustadas automáticamente durante el entrenamiento.
Olvida los diagramas intimidantes: una neurona artificial es una cajita que hace tres cosas y ya. No piensa, no siente, no entiende — suma con criterio ajustable. La magia no está en una neurona: está en juntar millones.
Cada neurona recibe varias entradas: numeritos que vienen de los datos o de otras neuronas. En nuestro ejemplo de hoy: ¿hay nubes?, ¿la humedad está alta?, ¿el pronóstico dice lluvia?
No todas las señales importan igual. Cada entrada se multiplica por su peso — una perilla que dice cuánto cuenta esa señal. El pronóstico oficial pesa más que una nube suelta.
La neurona suma todo y lo compara con su umbral: si la suma lo pasa, "se enciende" y avisa a las siguientes. Si no, se queda callada. Eso es todo lo que hace.
Esta neurona decide una sola cosa: ¿llevo paraguas? Activa o apaga las señales, muévele las perillas y mira cuándo se enciende. Empieza así: solo hay nubes. ¿Se enciende? Ahora activa el pronóstico… o súbeles la perilla a las nubes.
las señales de entrada (toca para activar o apagar)
las perillas (peso = importancia de cada señal)
suma 0 de 12 · la marca negra es el umbral (4)
apagada — hoy no lleves paraguas
Simplificación honesta: una neurona real trabaja con valores continuos, admite pesos negativos ("esta señal me quita ganas de encenderme") y usa funciones más suaves que un sí/no seco. Pero el mecanismo — cada señal por su peso, suma y umbral — es exactamente el que acabas de mover.
Una neurona sola decide poquito. La gracia está en organizarlas en capas, donde cada piso trabaja sobre lo que descubrió el anterior. Así, de píxeles sueltos se llega a "es un gato" — sin que nadie le programe a la red qué es un gato.
Las neuronas de la primera capa solo ven píxeles y se encienden ante cosas elementales: un borde vertical, una mancha clara, un cambio brusco de color. Nada más.
Cada capa arma piezas mayores con lo que le entrega la anterior: los bordes se vuelven curvas y esquinas; las curvas, formas; las formas, partes reconocibles — una oreja, un ojo, un bigote.
Al final, unas pocas neuronas resumen todo el recorrido y votan. "Orejas puntiagudas + bigotes + hocico corto" enciende con fuerza una salida en concreto: gato.
La foto entra por abajo y cada capa le pasa a la siguiente algo más elaborado. Avanza tú el recorrido:
entrada → capa 1 → capa 2 → capa 3 → salida
entrada · la foto, tal como la ve la red
La red no ve "una foto de un gato": ve una cuadrícula de números — el brillo de cada píxel. Solo eso.
capa 1 · bordes y cambios de brillo
Las neuronas de esta capa se encienden ante bordes y cambios bruscos de brillo. Aquí nadie sabe todavía qué es un gato.
capa 2 · formas
Los bordes se combinan en formas: círculos, triángulos, curvas cerradas. Unas encajan con lo que sigue; otras (las grises) se irán descartando.
capa 3 · partes con nombre
Las formas se vuelven partes con nombre: orejas puntiagudas y bigotes (en teal), ojos, hocico. La evidencia se va acumulando.
salida · la red vota
es un gato — la salida se enciende
Las últimas neuronas resumen todo el recorrido: "orejas puntiagudas + bigotes + hocico corto" enciende con fuerza la salida gato. Nadie escribió esa regla — la red la construyó capa a capa.
Ninguna red guarda "dibujitos" como estos: entre capa y capa solo viajan listas de números, y los rasgos que una capa detecta no siempre coinciden con conceptos humanos como "oreja". Esta escalera es la intuición correcta — de lo simple a lo complejo —, no una radiografía literal.
En el módulo 2 viste que una máquina aprende de ejemplos. Ahora puedes mirar el mecanismo por dentro: aprender es, literalmente, ajustar las perillas hasta que el error deja de bajar. Y nadie las ajusta a mano — un algoritmo repite este ciclo de tres pasos:
Se le muestra un ejemplo con respuesta conocida — una foto de gato, digamos — y la red, con sus perillas como estén, apuesta su respuesta.
Se compara la apuesta con la respuesta correcta: ¿qué tan lejos quedó? Ese número — el error — es la única brújula del aprendizaje.
Cada perilla se mueve un pelito en la dirección que reduce el error. Y vuelta a empezar: otro ejemplo, otra medida, otro ajuste. Millones de veces.
Una red recién nacida tiene las perillas en valores al azar: falla casi todo. Dale al botón y mira el ciclo probar-medir-corregir repetirse hasta que la red converge.
cinco de sus perillas (arrancan al azar)
0 rondas 90 % de error
Juguete declarado: aquí el error baja siguiendo una curva pintada por nosotros, para que veas la forma típica de un entrenamiento. En una red real el error se calcula comparando miles de predicciones con sus respuestas correctas, y el ajuste de cada perilla lo dicta un algoritmo (descenso por gradiente). Pero la película es exactamente esta: baja con altibajos y al final se estanca.
Tu victoria de hoy: leer las noticias de IA sin perderte. Con la idea de las perillas en la cabeza, estos tres titulares se traducen solos:
Parámetros = perillas. Ese número mide el tamaño del modelo: cuántas perillas se ajustaron durante su entrenamiento. Los modelos grandes de hoy se mueven en las decenas o cientos de miles de millones. Ni magia ni neuronas de verdad: perillas.
Ahora sabes por qué: ajustar miles de millones de perillas exige repetir el ciclo probar-medir-corregir sobre cantidades enormes de datos, durante semanas o meses, en miles de computadores especializados. De ahí las facturas de energía y equipos que salen en la prensa.
Nadie — ni sus creadores — puede explicar del todo qué hace cada perilla: los valores funcionan en conjunto, no de a uno. Sabemos entrenar estos modelos y medir sus resultados, pero no leerles la mente perilla por perilla. Por eso se les dice cajas negras.
En el próximo módulo verás qué pasa cuando una red de estas se entrena con textos de medio internet para una sola tarea: adivinar la siguiente palabra. Ahí nacen los LLM — la IA que habla.
5 preguntas sobre lo que acabas de ver. Con 4 aciertos completas el módulo. Puedes repetirlo las veces que quieras.