De ChatGPT a tu propio servidor IA
¿Qué es realmente un modelo de IA y qué ocurre cuando le haces una pregunta?
La inteligencia artificial parece magia hasta que intentas ejecutarla por tu cuenta.
Abres ChatGPT, Claude o cualquier otro asistente moderno, escribes una pregunta y en cuestión de segundos recibes una respuesta coherente. El modelo puede escribir código, resumir documentos, traducir idiomas o ayudarte a resolver problemas complejos.
Desde la perspectiva del usuario, el proceso parece sencillo: escribes una pregunta y recibes una respuesta. Sin embargo, detrás de esa aparente simplicidad ocurre una enorme cantidad de cálculos matemáticos.
De hecho, comprender qué sucede internamente es el primer paso para entender por qué algunos modelos requieren decenas de gigabytes de memoria, por qué las GPUs se han convertido en una pieza fundamental de la inteligencia artificial moderna y por qué no todos los equipos pueden ejecutar cualquier modelo.
En este artículo exploraremos los conceptos fundamentales que hay detrás de un modelo de lenguaje moderno y veremos qué recursos necesita para funcionar.
¿Qué es un modelo de inteligencia artificial?
Cuando hablamos de modelos como Qwen, DeepSeek, Llama, Gemma o Mistral, solemos imaginar algún tipo de programa extremadamente sofisticado. Sin embargo, un modelo de inteligencia artificial no es una aplicación tradicional. No contiene reglas escritas manualmente por programadores. Tampoco almacenas respuestas predefinidas, para cada pregunta posible. Un modelo es, en esencia, una representación matemática construida durante un proceso de aprendizaje. Podemos imaginarlo como una enorme estructura numérica que ha aprendido patrones a partir de grandes cantidades de información. Durante ese aprendizaje el modelo desarrolla la capacidad de predecir relaciones entre palabras, conceptos, imágenes o cualquier otro tipo de dato con el que haya sido entrenado. Pero para entender cómo llega a adquirir ese conocimiento primero debemos hablar del entrenamiento.
Entrenamiento: cómo aprende un modelo
El entrenamiento es el proceso mediante el cual un modelo aprende patrones a partir de datos. Durante esta etapa se le presentan cantidades masivas de información provenientes de múltiples fuentes:
- Libros.
- Artículos.
- Sitios web.
- Código fuente.
- Documentación técnica.
- Conversaciones.
A medida que analiza estos datos, el modelo ajusta internamente millones o miles de millones de valores numéricos. Cada ajuste representa una pequeña mejora en su capacidad para realizar predicciones.Después de repetir este proceso durante semanas o incluso meses, el modelo desarrolla una representación matemática capaz de capturar relaciones complejas entre conceptos.
Es importante destacar que el entrenamiento es extraordinariamente costoso. Los modelos más avanzados del mundo requieren miles de GPUs funcionando simultáneamente durante largos periodos de tiempo.Por esta razón, la mayoría de las personas nunca entrenarán un modelo desde cero. Lo que sí hacemos habitualmente es utilizar modelos ya entrenados. Y ahí es donde entra en juego la inferencia.
Inferencia: cuando utilizamos el modelo
La inferencia es la etapa de uso. Es lo que ocurre cada vez que interactuamos con una inteligencia artificial. Cuando escribes una pregunta, el modelo utiliza el conocimiento adquirido durante el entrenamiento para generar una respuesta.
Aquí aparece una de las ideas más importantes que debemos comprender. El modelo no busca una respuesta almacenada previamente.
Tampoco consulta una base de datos interna. Lo que hace es calcular cuál debería ser la siguiente pieza de información más probable según el contexto recibido. Y repite este proceso una y otra vez hasta completar toda la respuesta.
El juego de predecir la siguiente palabra
Una forma sencilla de entenderlo es mediante un ejemplo.
Supongamos la frase: La capital de Francia es…
Probablemente la mayoría de las personas completaría la frase con: París
Porque hemos aprendido que esa es la continuación más probable. Los modelos de lenguaje funcionan de forma similar. Reciben una secuencia de texto y calculan cuál es la continuación más probable según todo lo aprendido durante el entrenamiento.
Sin embargo, en lugar de trabajar únicamente con palabras completas, utilizan unidades más pequeñas llamadas tokens.
¿Qué es un token?
Los modelos de lenguaje no procesan texto de la misma forma que los humanos.
Antes de comenzar cualquier cálculo, el texto se divide en pequeñas unidades llamadas tokens.
Un token puede representar:
- Una palabra completa.
- Parte de una palabra.
- Un número.
- Un signo de puntuación.
Por ejemplo, una frase aparentemente sencilla puede dividirse en múltiples tokens. Cuando el modelo responde, genera estos tokens uno por uno. Cada nuevo token requiere una nueva ronda de cálculos. Por esta razón una respuesta larga implica miles de operaciones repetidas.
¿Dónde está almacenado el conocimiento?
Hasta ahora hemos dicho que el modelo aprende durante el entrenamiento. Pero ¿dónde se almacena exactamente ese conocimiento? La respuesta está en los parámetros.
¿Qué son los parámetros?
Los parámetros son valores numéricos ajustados durante el entrenamiento. Podemos imaginar los parámetros como la memoria del modelo. Todo lo que aprendió acerca del lenguaje, la programación, las matemáticas o cualquier otro tema queda codificado dentro de estos valores. Cuando el modelo recibe una pregunta, utiliza constantemente estos parámetros para decidir qué token generar a continuación. Por esta razón, el tamaño de un modelo suele expresarse mediante la cantidad de parámetros que contiene.
¿Qué significa que un modelo sea de 7B o 70B?
Cuando escuchamos nombres como:
- Qwen 3 7B
- Llama 3 70B
- DeepSeek 32B
el número indica la cantidad aproximada de parámetros.
Por ejemplo:
- 7B significa 7 mil millones de parámetros.
- 32B significa 32 mil millones de parámetros.
- 70B significa 70 mil millones de parámetros.
En términos generales, un mayor número de parámetros permite representar relaciones más complejas y abordar tareas más difíciles. Sin embargo, también implica mayores requisitos de memoria y procesamiento. Y aquí aparece una consecuencia importante.
¿Por qué los modelos ocupan tanto espacio?
Cada parámetro debe almacenarse en algún lugar. Si un modelo contiene miles de millones de parámetros, el espacio necesario para almacenarlos puede crecer rápidamente. Por esta razón algunos modelos ocupan varios gigabytes y otros pueden superar fácilmente las decenas o incluso cientos de gigabytes.
El tamaño final dependerá de:
- La cantidad de parámetros.
- La precisión utilizada para almacenarlos.
- Las técnicas de optimización aplicadas.
Esta es una de las razones por las que ejecutar modelos localmente puede requerir hardware especializado.
Los dos recursos fundamentales que necesita una IA
ia artificial no estamos consultando una base de datos ni recuperando respuestas previamente almacenadas. Estamos utilizando un sistema matemático capaz de generar nuevas respuestas a partir de patrones aprendidos durante el entrenamiento.
Llegados a este punto ya podemos responder una pregunta importante. ¿Qué necesita realmente un modelo para funcionar? Aunque la inteligencia artificial moderna pueda parecer extremadamente compleja, todos los modelos dependen de dos recursos fundamentales. Por un lado, necesitan un lugar donde almacenar los parámetros aprendidos durante el entrenamiento.
Por otro lado, necesitan capacidad de procesamiento para realizar los cálculos necesarios durante la inferencia.
En otras palabras:
Todo sistema de IA necesita:
- Memoria.
- Procesamiento.
Estos dos conceptos serán la base de todo lo que veremos en el resto de esta serie.
Cuando interactuamos con una inteligenc
Durante ese proceso intervienen conceptos fundamentales como la inferencia, los tokens y los parámetros, todos ellos esenciales para comprender cómo funcionan los modelos modernos. Pero entender el modelo es solo una parte de la historia.
Una vez que sabemos qué recursos necesita una IA, surge una nueva pregunta:
¿Qué componentes de un computador proporcionan esa memoria y esa capacidad de procesamiento?
En el próximo artículo exploraremos el papel de la CPU, la GPU, la RAM y la VRAM, y veremos por qué la arquitectura del hardware tiene un impacto tan importante en el rendimiento de los modelos de inteligencia artificial.
