Durante siglos, el lenguaje fue considerado una frontera entre lo humano y lo artificial. Hablar, comprender, interpretar: todo eso parecía exigir conciencia y experiencia. Sin embargo, hoy conversamos con máquinas que traducen, escriben y responden con una fluidez que antes atribuíamos exclusivamente a la inteligencia humana.
¿Cómo puede una IA “entender” el lenguaje sin entenderlo realmente? ¿Cómo traduce las palabras -tan cargadas de historia y ambigüedad- en estructuras matemáticas que le permiten anticipar el sentido de una frase?
Del símbolo a la geometría
En sus comienzos, la lingüística computacional trató el lenguaje como un sistema de reglas. Cada palabra tenía un significado predefinido, y la máquina solo debía aplicarlo. Pero el lenguaje humano no funciona así: es ambiguo, cambiante y profundamente contextual. El giro conceptual llegó con una idea simple pero revolucionaria del lingüista británico John R. Firth:
“El significado de una palabra está determinado por las compañías que mantiene.”
Formulada en 1957, esa intuición¹ dio origen a toda una nueva forma de pensar el lenguaje: si el significado depende del contexto, puede inferirse estadísticamente. En lugar de intentar “explicar” lo que una palabra quiere decir, podemos observar con qué otras palabras aparece y en qué condiciones.
De esa idea nació la representación distribuida del significado: cada palabra se transforma en una serie de números, un vector en un espacio de muchas dimensiones. En lugar de un diccionario de definiciones, la máquina construye un mapa matemático donde el sentido se expresa como distancia.
El lenguaje convertido en espacio
A comienzos de la década de 2010, ese principio se materializó en modelos como Word2Vec² y GloVe³. Ambos demostraron que las máquinas podían aprender significado simplemente observando cómo las palabras se combinan entre sí.
Cada palabra se convierte en un punto en el espacio. “Rey” y “reina” están cerca, al igual que “hombre” y “mujer”. Más aún, las relaciones se mantienen: si restamos hombre de mujer y sumamos rey, el resultado apunta hacia reina. Esa es la magia de los embeddings: el sentido no se define, se emerge de la geometría. El lenguaje se convierte en topografía. Y en esa topografía, la IA no “sabe” qué significa cada palabra, pero entiende cómo se relacionan entre sí.
Como explica la lingüista Alessandro Lenci, los modelos distribucionales “no buscan capturar significados preexistentes, sino reproducir los patrones de uso que les dan forma”⁴. El significado, en otras palabras, se infiere del uso.
De las palabras al contexto
Los word embeddings fueron el primer paso. Pronto surgió una pregunta más profunda: ¿podría una IA entender que la palabra banco no significa lo mismo en “banco de madera” que en “banco central”?Modelos como ELMo⁵ y más tarde BERT⁶ respondieron que sí. Introdujeron los llamados embeddings contextuales, donde el significado de una palabra depende de las palabras que la rodean. Ya no hay una sola representación por palabra, sino múltiples, ajustadas a cada contexto.
Así nació la comprensión profunda del lenguaje: una red neuronal que ya no procesa oraciones de forma lineal, sino como redes de relaciones simultáneas. Esa innovación —el mecanismo de atención— fue presentada en el paper de Google *“Attention Is All You Need”*⁷ y cambió para siempre la historia de la IA. De ese modelo surgieron los actuales sistemas generativos, capaces de mantener conversaciones, traducir con matices y hasta escribir con estilo propio.
Comprender sin entender
Cuando una IA responde, no busca en una base de datos. Predice, a partir de su mapa de relaciones, qué palabra tiene más sentido según el contexto. No interpreta, pero simula comprensión de manera tan efectiva que la frontera entre entender y predecir se vuelve difusa.
No es pensamiento: es geometría con consecuencias semánticas. Y quizás ahí reside su fascinación —no en lo que entiende, sino en cómo nos obliga a redefinir qué significa entender.
Referencias
- Firth, J. R. (1957). A synopsis of linguistic theory 1930–1955. Studies in Linguistic Analysis.
- Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv:1301.3781.
- Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe: Global vectors for word representation. Proceedings of EMNLP.
- Lenci, A. (2018). Distributional models of word meaning. Annual Review of Linguistics, 4(1), 151–171.
- Peters, M. E., Neumann, M., Iyyer, M., et al. (2018). Deep contextualized word representations. Proceedings of NAACL-HLT.
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT.
- Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS).