En el artículo anterior vimos que el grado de apertura de un modelo de inteligencia artificial depende de cuatro elementos: el código fuente, los pesos entrenados, los datos de entrenamiento y la forma de acceso al sistema.

Dependiendo de qué partes estén disponibles y cuáles permanezcan cerradas, podemos encontrar distintos tipos de modelos dentro del ecosistema de la inteligencia artificial.

Aunque en la conversación pública a menudo se simplifica el debate en términos de modelos “abiertos” frente a modelos “cerrados”, en realidad existen varias categorías intermedias. Algunas . . .

En el artículo anterior vimos que hablar de modelos “open source” en inteligencia artificial puede resultar engañoso. A diferencia del software tradicional, los modelos de IA no están formados únicamente por código, sino por varios componentes distintos que pueden publicarse o mantenerse cerrados.

Por esta razón, cuando analizamos el nivel de apertura de un modelo de inteligencia artificial, no basta con preguntar si es gratuito o si se puede utilizar. La verdadera cuestión es qué partes del sistema están disponibles y cuáles permanecen bajo control de la empresa que lo ha desarrollado.

En la práctica, la apertura de un modelo suele depender de cuatro elementos fundamentales: el código fuente, los pesos entrenados del modelo, los datos utilizados en el entrenamiento y la forma de acceso al sistema.

Cada uno de estos componentes representa una capa diferente de apertura.

Dependiendo de cuáles estén disponibles y cuáles no, el modelo puede ser completamente abierto, parcialmente abierto o completamente cerrado.

1. El código fuente

El código fuente es el conjunto de instrucciones que define la arquitectura del modelo y el proceso necesario para entrenarlo o ejecutarlo. En el caso de los modelos de lenguaje actuales, este código describe la estructura de la red neuronal, el funcionamiento de los algoritmos de entrenamiento y los procedimientos necesarios para realizar inferencias.

Podríamos compararlo con el plano de una máquina: describe cómo está construida y cómo debe funcionar.

Cuando el código fuente se publica, investigadores y desarrolladores pueden estudiarlo, modificarlo o utilizarlo como base para construir nuevos modelos. Plataformas como Hugging Face o GitHub se han convertido en repositorios habituales donde las empresas comparten este tipo de software.

Sin embargo, el hecho de que el código sea público no significa necesariamente que el modelo completo sea reproducible. Un modelo de inteligencia artificial puede compartir su arquitectura sin revelar otros elementos clave, como los pesos entrenados o los datos utilizados durante el entrenamiento.

Por esta razón, el código abierto es solo una parte de la apertura total de un modelo.

2. Los pesos del modelo

Los pesos son los valores numéricos que una red neuronal aprende durante el proceso de entrenamiento. Estos parámetros son el resultado de procesar enormes cantidades de datos y son los que permiten que el modelo realice tareas como generar texto, traducir idiomas o responder preguntas.

Sin estos pesos, el código del modelo sería simplemente una estructura vacía.

Publicar los pesos permite a otros usuarios ejecutar el modelo directamente o adaptarlo mediante técnicas como el fine-tuning, que consiste en ajustar el sistema para tareas específicas.

Este tipo de apertura se conoce normalmente como open weights.

Muchos modelos actuales se sitúan en este punto intermedio: comparten los pesos entrenados, pero no revelan los datos utilizados para generarlos ni el proceso completo de entrenamiento. Esto permite utilizar el modelo, pero dificulta comprender completamente cómo se ha construido o reproducirlo desde cero.

3. Los datos de entrenamiento

El tercer elemento clave son los datos utilizados durante el entrenamiento del modelo.

Los sistemas modernos de inteligencia artificial se entrenan con enormes colecciones de textos, imágenes o vídeos recopilados de diversas fuentes. Estos datasets influyen de forma directa en el comportamiento del modelo: determinan qué conocimientos incorpora, qué patrones aprende y qué sesgos puede reproducir.

Por esta razón, el acceso a los datos de entrenamiento es fundamental para auditar un sistema de inteligencia artificial.

Si los datos están disponibles, los investigadores pueden analizar su composición, detectar posibles sesgos y comprender mejor las limitaciones del modelo. También es posible utilizar esos datos para reproducir o mejorar el sistema.

Sin embargo, en la práctica la mayoría de las empresas no publican estos datasets.

Las razones suelen ser legales, económicas o técnicas. Los datos pueden incluir contenido protegido por derechos de autor, información sensible o material recopilado mediante procesos de scraping cuya distribución pública podría generar conflictos legales.

Como resultado, incluso muchos modelos considerados “abiertos” no comparten completamente sus datos de entrenamiento.

4. El acceso al modelo

Existe una cuarta capa de apertura que a menudo pasa desapercibida: la forma en que los usuarios pueden acceder al modelo.

Algunas empresas no publican ni el código, ni los pesos, ni los datos, pero permiten utilizar el sistema a través de una interfaz online o una API. Este es el caso de muchos de los modelos más conocidos del sector.

En este modelo de acceso, el usuario no descarga el sistema ni tiene control sobre él. En su lugar, envía solicitudes a servidores gestionados por la empresa desarrolladora, que procesa las consultas y devuelve las respuestas.

Este enfoque tiene varias ventajas: simplifica el uso del modelo, elimina la necesidad de hardware potente y permite a la empresa mantener el control sobre el sistema.

Pero también implica una dependencia total del proveedor. El usuario no puede modificar el modelo, auditar su funcionamiento ni garantizar que seguirá disponible en el futuro bajo las mismas condiciones.

Un espectro de apertura

Cuando combinamos estas cuatro capas —código, pesos, datos y acceso— obtenemos distintos grados de apertura.

Algunos modelos comparten prácticamente todos los elementos y permiten reproducir el sistema completo. Otros solo publican los pesos o el código. Y muchos no comparten nada, limitándose a ofrecer acceso a través de servicios online.

Por eso, en inteligencia artificial la apertura no es una categoría única, sino un continuo.

Comprender estas diferencias es fundamental para interpretar correctamente las afirmaciones que aparecen en la industria tecnológica cuando se habla de modelos abiertos.

En el próximo artículo veremos cómo estas capas de acceso dan lugar a distintos tipos de modelos: sistemas completamente cerrados, modelos de código abierto y una categoría intermedia cada vez más común conocida como open weights.

En los últimos años se ha vuelto habitual leer titulares que anuncian el lanzamiento de un nuevo modelo de inteligencia artificial “open source”.

Empresas tecnológicas, startups y medios especializados utilizan esta expresión para describir sistemas que, en teoría, cualquiera puede utilizar, estudiar o modificar. La idea parece sencilla: un modelo abierto frente a un modelo cerrado.

Sin embargo, en el mundo de la inteligencia artificial la realidad es bastante más compleja.

Cuando hablamos de software tradicional, el término open source tiene una definición bastante clara. Un programa es de código abierto cuando su código fuente está disponible públicamente y puede utilizarse, modificarse y redistribuirse bajo determinadas licencias.

Pero los modelos de inteligencia artificial no son solo código.

Un modelo moderno de IA es en realidad un sistema compuesto por varias piezas distintas: el código que define su arquitectura, los pesos que ha aprendido durante el entrenamiento, los datos con los que ha sido entrenado y la forma en que los usuarios pueden acceder a él.

Dependiendo de cuáles de estas partes se publiquen y cuáles permanezcan cerradas, el grado de apertura puede cambiar radicalmente.

Por eso, en inteligencia artificial, la apertura no es una cuestión binaria porque no existe únicamente el modelo abierto y el modelo cerrado, sino que existe todo un espectro intermedio en el que diferentes empresas publican algunas partes del sistema mientras mantienen otras bajo llave.

En algunos casos se comparte el código pero no los pesos. En otros se distribuyen los pesos entrenados pero no el proceso de entrenamiento. También existen modelos que no publican nada, pero permiten acceder a ellos a través de una interfaz online o una API.

A pesar de estas diferencias, en la conversación pública todos estos sistemas suelen agruparse bajo la misma etiqueta: open source.

Esta simplificación ha generado bastante confusión.

Algunos modelos que se presentan como abiertos en realidad tienen licencias restrictivas que limitan su uso comercial. Otros permiten descargar los pesos pero no revelan los datos de entrenamiento, lo que impide auditar completamente cómo se ha construido el sistema.

Incluso dentro de la comunidad de inteligencia artificial existe un debate constante sobre qué debería considerarse realmente open source cuando hablamos de modelos de aprendizaje automático.

Comprender estas diferencias no es solo una cuestión técnica.

El nivel de apertura de un modelo puede influir en muchos aspectos del ecosistema de la inteligencia artificial: desde la investigación académica hasta la capacidad de las startups para construir nuevos productos, pasando por cuestiones de transparencia, seguridad o independencia tecnológica.

Por ejemplo, un modelo completamente cerrado puede ofrecer un rendimiento excelente y resultar muy fácil de utilizar, pero crea una dependencia total de la empresa que lo controla. Si esa empresa decide cambiar el precio, modificar las condiciones de uso o cerrar el servicio, los usuarios tienen muy poco margen de maniobra.

En cambio, un modelo más abierto puede permitir a investigadores y desarrolladores estudiar su funcionamiento, adaptarlo a necesidades concretas o integrarlo en sistemas propios sin depender de un proveedor externo.

Por eso, cuando escuchamos que un modelo es “open source”, la primera pregunta que deberíamos hacernos no es si es abierto o cerrado, sino qué parte del sistema está realmente abierta.

En los próximos artículos de esta serie analizaremos precisamente estas diferencias.

Primero veremos cuáles son las cuatro capas que determinan el nivel de apertura de un modelo de inteligencia artificial: el código, los pesos, los datos de entrenamiento y la forma de acceso al sistema. A partir de ahí será mucho más fácil entender por qué algunos modelos se consideran realmente abiertos, mientras que otros solo lo son parcialmente.

Si uno se fija en la cobertura mediática de temas como interfaces cerebro-ordenador (BCI), parece que todo gira alrededor de una sola empresa: Neuralink. El nombre de Elon Musk, la idea de implantar chips en el cerebro y las demostraciones con monos jugando a videojuegos han dominado la narrativa pública durante años pero, en realidad, la historia de esta tecnología es mucho más potente, más compleja y, en cierto modo, más silenciosa.

Hoy existen varias empresas desarrollando interfaces cerebro-ordenador con enfoques muy distintos. Algunas buscan implantes profundamente integrados en el cerebro. Otras intentan reducir la invasividad al mínimo. Y algunas, como ciertas startups chinas, se están centrando directamente en aplicaciones médicas concretas, alejándose del espectáculo mediático.

Para entender el momento actual conviene mirar con calma a cuatro actores que representan filosofías tecnológicas diferentes: Neuralink, Synchron, Neuracle y el ecosistema de investigación que las rodea.

Neuralink: la apuesta por la alta resolución

La historia de Neuralink comienza en 2016, cuando Elon Musk decide entrar en el campo de las interfaces cerebro-ordenador. La motivación pública que repite en entrevistas es conocida: si la inteligencia artificial se vuelve extremadamente poderosa, los humanos necesitarán una forma de “aumentarse” para no quedar atrás.

Ese discurso futurista ha sido parte del atractivo mediático de la empresa. Pero desde el punto de vista técnico, el objetivo de Neuralink es bastante concreto: registrar la mayor cantidad posible de señales neuronales con la mayor precisión posible.

El cerebro humano contiene miles de millones de neuronas, y cada una se comunica mediante impulsos eléctricos. Para captar esas señales, Neuralink utiliza un implante con hilos extremadamente finos, más delgados que un cabello humano, que penetran en el tejido cerebral. Estos hilos contienen electrodos capaces de registrar la actividad de neuronas individuales.

Para implantar el dispositivo, la empresa desarrolló un robot quirúrgico especializado capaz de insertar los electrodos evitando vasos sanguíneos microscópicos. El objetivo es minimizar el daño cerebral y aumentar la estabilidad del implante.

La lógica de este enfoque es clara: cuantos más electrodos se puedan colocar en el cerebro, más información neuronal se puede registrar. En teoría, esto permitiría interfaces de gran precisión capaces de controlar ordenadores, prótesis o dispositivos digitales con mucha fidelidad.

En 2024 Neuralink anunció los primeros implantes en humanos dentro de ensayos clínicos, con pacientes capaces de mover cursores o escribir utilizando señales cerebrales.

Pero esta estrategia también implica un reto evidente: es un sistema profundamente invasivo. El implante entra en el tejido cerebral, lo que introduce riesgos quirúrgicos, posibles inflamaciones y problemas de estabilidad a largo plazo.

En otras palabras, Neuralink apuesta por la vía más ambiciosa tecnológicamente, pero también la más compleja desde el punto de vista médico.

Synchron: la estrategia de la mínima invasión

Mientras Neuralink acaparaba titulares, otra empresa avanzaba con una estrategia completamente diferente: Synchron, fundada por el neurocientífico Thomas Oxley, decidió atacar el mismo problema desde otra perspectiva: ¿y si se pudiera acceder al cerebro sin abrir el cráneo?

La solución que propusieron se llama Stentrode.

En lugar de implantarse directamente en el cerebro, este dispositivo se introduce en el cuerpo a través de la arteria yugular, utilizando un procedimiento similar a los utilizados en cardiología para colocar stents. El dispositivo viaja por los vasos sanguíneos hasta llegar a una vena cercana a la corteza motora del cerebro.

Una vez allí, el implante se expande y queda fijado en el vaso sanguíneo. Desde esa posición puede registrar actividad neuronal a través de la pared vascular.

Este enfoque tiene ventajas claras:

• Primero, el procedimiento es mucho menos invasivo. No requiere cirugía abierta del cráneo, lo que reduce riesgos y facilita su aceptación médica.

• Segundo, aprovecha técnicas quirúrgicas que los hospitales ya utilizan habitualmente.

La desventaja es que la señal neuronal es menos precisa que cuando los electrodos están directamente dentro del tejido cerebral. Es una especie de compromiso entre seguridad y resolución.

Synchron ha realizado ya varios implantes en pacientes con parálisis severa. Algunos de ellos han podido enviar mensajes, navegar por interfaces digitales o controlar dispositivos mediante señales cerebrales.

Este enfoque representa una filosofía distinta: no maximizar la cantidad de datos neuronales, sino hacer la tecnología clínicamente viable lo antes posible.

Neuracle: el enfoque clínico chino

En China, el desarrollo de interfaces cerebro-ordenador ha seguido una trayectoria menos mediática pero muy activa.

Neuracle es una de las startups más representativas de este ecosistema. La empresa ha trabajado durante años en tecnologías de registro neuronal y neuroingeniería, desarrollando sistemas tanto invasivos como no invasivos.

El avance que estamos viendo estos días en los medios tiene que ver con la aprobación regulatoria de uno de sus sistemas para uso clínico, que es la principal novedad.

A diferencia de algunos implantes experimentales más agresivos, el dispositivo de Neuracle está diseñado para colocarse sobre la superficie del cerebro, registrando señales neuronales relacionadas con la intención de movimiento.

Estas señales se envían a un sistema externo que las procesa mediante algoritmos de machine learning. El resultado puede ser el control de prótesis robóticas, dispositivos digitales o sistemas de rehabilitación.

En ensayos clínicos iniciales, pacientes con lesiones graves de médula espinal han podido recuperar parcialmente la capacidad de abrir y cerrar la mano o manipular objetos mediante sistemas robóticos. Este tipo de desarrollos refleja una estrategia que también se observa en otras áreas tecnológicas chinas: avanzar rápidamente hacia aplicaciones clínicas concretas, más que hacia demostraciones futuristas. No se trata tanto de imaginar interfaces para ampliar las capacidades humanas, sino de resolver problemas médicos específicos.

Tres filosofías tecnológicas distintas

Si se comparan estas empresas, aparecen tres visiones bastante diferentes de lo que debe ser una interfaz cerebro-ordenador.

Neuralink representa la búsqueda de máxima resolución neuronal. Su objetivo es registrar grandes cantidades de información directamente desde el cerebro para construir interfaces extremadamente precisas.

Synchron apuesta por la mínima invasión médica, incluso a costa de perder parte de esa precisión.

Neuracle, por su parte, refleja un enfoque más centrado en aplicaciones clínicas pragmáticas, donde la prioridad es que la tecnología pueda utilizarse realmente en hospitales.

Estas diferencias no son triviales. En realidad, representan tres maneras distintas de pensar el futuro de las interfaces cerebro-máquina.

La tecnología detrás de las BCI

A pesar de las diferencias entre empresas, la arquitectura básica de una interfaz cerebro-ordenador suele seguir el mismo esquema.

• Primero, un dispositivo registra señales neuronales. Esto puede hacerse mediante electrodos implantados en el cerebro, sensores colocados sobre la superficie cortical o incluso dispositivos externos como los electroencefalogramas.

• Segundo, esas señales se transmiten a un sistema de procesamiento. Las señales neuronales son extremadamente complejas y ruidosas. Para interpretarlas se utilizan algoritmos de machine learning capaces de detectar patrones asociados a determinadas intenciones motoras. Por ejemplo, el sistema puede aprender que un patrón específico de actividad neuronal corresponde a la intención de mover un dedo.
• Una vez identificado ese patrón, el sistema lo traduce en una acción digital: mover un cursor, activar una prótesis o enviar una señal a un dispositivo robótico.

Este proceso se repite continuamente mientras el sistema aprende y se ajusta al usuario.

El verdadero estado de la tecnología

A pesar de la fascinación que generan, las interfaces cerebro-ordenador todavía están en una fase relativamente temprana. Los avances más impresionantes se han producido en pacientes con parálisis severa, donde estas tecnologías pueden restaurar formas básicas de interacción con el entorno.

Controlar un cursor, escribir lentamente en un ordenador o manipular objetos mediante una prótesis ya representa un cambio enorme en la vida de estas personas. Sin embargo, estamos todavía lejos de escenarios como leer pensamientos complejos, transmitir recuerdos o conectar directamente cerebros con redes digitales.

Las señales neuronales que se registran hoy son muy específicas y limitadas. En la mayoría de los casos están relacionadas con funciones motoras. La idea de convertir el pensamiento humano en datos generalizables sigue siendo, por ahora, más ciencia ficción que realidad.

Un campo que empieza a salir del laboratorio

Lo que sí parece claro es que las interfaces cerebro-ordenador están empezando a cruzar una frontera importante. Durante décadas fueron principalmente un campo de investigación académica, pero ya empiezan a entrar en ensayos clínicos reales y en aplicaciones médicas.

Eso significa que el debate sobre estas tecnologías cambiará inevitablemente: Ya no se tratará solo de imaginar el futuro de la interacción humano-máquina, sino de decidir cómo integrar estas herramientas en sistemas sanitarios, regulaciones médicas y sociedades reales.

Como ha ocurrido muchas veces en la historia de la tecnología, el verdadero impacto probablemente no vendrá de las promesas más espectaculares, sino de aplicaciones concretas que devuelvan autonomía a personas que hoy la han perdido.

Y en ese terreno, lejos del ruido mediático, varias empresas están empezando a escribir una historia tecnológica que apenas está comenzando.

Jensen Huang sube al escenario de la GPU Technology Conference con su chaqueta de cuero negra, la misma que ha utilizado durante años en cada presentación y que, cuenta la leyenda, fue elegida por su mujer y su hija.

Miles de desarrolladores y ejecutivos esperan en el auditorio el anuncio de sus últimos chips y avances en el mundo de la inteligencia artificial. Jensen Huang hoy es casi una celebrity en el mundo tecnológico y el CEO de una empresa valorada en más de dos trillones de dólares, pero pocos saben que hace 30 años, este hombre estaba sentado en un Denny’s barato de San José en California, apostando por una idea que casi destruye su empresa: diseñar un chip con la tecnología equivocada en el momento equivocado.

El caos de los gráficos 3D

A mediados de los años noventa, el mercado de gráficos 3D para ordenadores era bastante caótico. Había más de setenta empresas (como 3dfx con su tarjeta Voodoo, S3 Graphics, Matrox, Rendition o ATI) que competían por fabricar chips para videojuegos. El problema era que cada empresa ofrecía tecnología incompatible con las demás.

Esto era complicado para cualquiera que quisiera estar en el negocio de los videojuegos: un desarrollador podía pasar meses optimizando su juego para las tarjetas de 3dfx, y después descubrir que los usuarios con Matrox no podían jugar, y había estudios pequeños que no podían permitirse desarrollar múltiples versiones del mismo juego.

Microsoft intentó poner orden desarrollando DirectX, una plataforma de software que quería estandarizar todo esto. La idea era sencilla: en lugar de que cada juego tuviera que adaptarse a cada tarjeta gráfica, los desarrolladores podrían programar sus juegos siguiendo las reglas de DirectX. Y así, si una tarjeta gráfica era compatible con esa plataforma, cualquier juego funcionaría en ella.

Pero para que todo esto funcionara, las empresas de chips gráficos tenían que aceptar un conjunto de decisiones técnicas comunes. Y la más importante de todas tenía que ver con las primitivas gráficas, que son los bloques geométricos básicos con los que se construyen todas las imágenes tridimensionales.

Microsoft eligió triángulos porque son las figuras geométricas más sencillas que pueden definir cualquier superficie plana y con triángulos suficientemente pequeños, puedes aproximar cualquier forma curva.

Tres ingenieros en un restaurante

En1993, tres ingenieros decidieron fundar su propia empresa de chips gráficos y se reunieron en un Denny’s en San José para discutir su visión.

Jensen Huang tenía treinta años y había trabajado en AMD diseñando microprocesadores, Malachowsky venía de Sun Microsystems y Curtis Priem era un diseñador de chips con bastante experiencia en IBM. Ninguno había dirigido una empresa, pero estaban convencidos de algo: los videojuegos 3D estaban a punto de transformar la industria de los ordenadores personales, y las CPUs tradicionales no servían para esto.

Bautizaron la empresa NVIDIA, una combinación de la palabra latina “invidia” (envidia) y la abreviatura NV por “next version”. Necesitaban veinte millones de dólares en capital de riesgo, pero en un mercado ya saturado de competidores no era fácil convencer a un inversor. ¿Por qué el mundo necesitaba una empresa más de chips gráficos cuando ya había setenta? La respuesta de Huang era muy simple: “porque ninguna lo estaba haciendo bien“.

La apuesta técnica del NV1

En 1995, NVIDIA lanzó su primer chip gráfico: el NV1.

La decisión más crítica que tomó el equipo de ingeniería fue usar cuadriláteros como primitivas gráficas básicas en lugar de triángulos.

Ellos creían que los cuadriláteros ofrecían ventajas reales para renderizar superficies curvas y ciertos tipos de geometría compleja y podían producir imágenes de más calidad con menos cálculos. Además, el NV1 incluyeron características inusuales para la época (integraba audio y un puerto para joystick). El equipo de ingeniería estaba orgullosísimo. Habían creado algo diferente y técnicamente superior a lo que ofrecían los demás.

Pero encontraron un problema…

El muro de la incompatibilidad

El problema era simple pero devastador: DirectX, que era el estándar de Microsoft, utilizaba triángulos y, por ello, todo el ecosistema se construía alrededor de triángulos.

Los desarrolladores que querían usar el NV1 tenían que convertir sus modelos 3D de triángulos a cuadriláteros.

Aún así creían que su apuesta podría funcionar y, de hecho,NVIDIA firmó un contrato importante con Sega para usar el NV1 en sus consolas. Para Jensen Huang, esto validaba su visión y Nvidia parecía haber encontrado el camino hacia el éxito diferenciándose técnicamente de la competencia.

Pero en la práctica, los desarrolladores de juegos enfrentaban un problema: programar para cuadriláteros requería herramientas diferentes, código diferente y una curva de aprendizaje adicional.

La crisis de 1997

El NV1 fracasó comercialmente. Los desarrolladores simplemente no querían invertir tiempo y recursos en programar para un estándar propietario cuando DirectX se estaba convirtiendo en universal. La crisis llegó cuando Sega canceló sus compromisos y NVIDIA se dió cuenta de que había quemado millones de dólares en desarrollo sin generar los ingresos esperados.

En 1997, apenas cuatro años después de su fundación, la empresa estaba al borde de la quiebra. Se dice que tenían efectivo suficiente para aguantar solo seis meses más y los empleados comenzaron a abandonar el barco, buscando seguridad en otras empresas de Silicon Valley.

Los inversores, liderados por Sequoia Capital, presionaban y Don Valentine, el legendario inversor de riesgo que había invertido en empresas como Apple y Cisco, les dio un ultimátum implícito: o cambiaban de dirección o cerraban y evitaban más pérdidas. Valentine había visto suficientes startups fracasar por aferrarse tercamente a ideas que el mercado rechazaba y ellos iban camino de hacer lo mismo.

Para los fundadores, especialmente para Huang, era un momento de reflexión: habían invertido años de sus vidas y millones de dólares de otras personas en una visión buena pero que el mercado rechazaba. Podían culpar a Microsoft o a los desarrolladores por no verlo, pero la realidad es que no tenía sentido seguir apostando por los cuadriláteros.

La decisión más difícil

Jensen Huang enfrentó la decisión más difícil de su carrera. Podía defender su visión original, y apostar porque el mercado reconocería la superioridad técnica de los cuadriláteros, o podía admitir que había cometido un error fundamental y pivotar completamente. Para un equipo de ingenieros brillantes que habían invertido años diseñando tecnología innovadora, admitir que estaban equivocados era profundamente humillante.

Pero Huang entendió algo crucial sobre cómo funciona la industria tecnológica: el mercado no se equivoca, las empresas sí. El mercado no siempre elige la mejor tecnología por sus características técnicas, sino que define qué es “mejor” basándose en otros factores como compatibilidad, disponibilidad de herramientas, curva de aprendizaje, o lo que se llama “efectos de red”.

Los economistas llaman “efectos de red” a lo siguiente: cuando todos usan la misma tecnología, esa tecnología se vuelve exponencialmente más valiosa. Aunque exista una alternativa técnicamente superior; el valor real está en la compatibilidad, en poder usar las mismas herramientas, compartir el mismo código, contratar desarrolladores que ya conocen el sistema.

Es el mismo fenómeno que hace que Windows domine el mercado de los ordenadores o que el formato VHS derrotara a Betamax en los ochenta a pesar de ser técnicamente inferior. Una vez que un estándar alcanza masa crítica, desplazarlo requiere algo más que superioridad técnica. Requiere una ventaja tan abrumadora que justifique el costo masivo de cambiar todo un ecosistema.

Cuando DirectX con triángulos alcanzó masa crítica, cualquier tecnología alternativa, sin importar sus méritos técnicos, estaba condenada. Huang tomó la decisión: NVIDIA abandonaría los cuadriláteros, adoptaría triángulos y seguiría el estándar DirectX. Rediseñarían completamente su siguiente chip desde cero. Esta decisión requirió tragarse el orgullo, pero era la única forma de sobrevivir.

El rescate: RIVA 128

A finales de 1997, NVIDIA lanzó el RIVA 128. Este chip seguía completamente el estándar DirectX con triángulos como primitivas gráficas. Técnicamente, era peor que el NV1 (no tenía las ventajas de los cuadriláteros, ni era una solución multimedia todo en uno. Pero eso ya no importaba.

El RIVA 128 era compatible con miles de videojuegos, y los desarrolladores no tenían que aprender nada nuevo.

El éxito fue inmediato. NVIDIA vendió millones de unidades en muy pocos meses. El RIVA 128 ayudó a popularizar juegos como Quake II, convirtiéndose en una de las tarjetas gráficas más vendidas de esa generación. Los reviews de revistas especializadas como PC Gamer y Computer Gaming World elogiaban su rendimiento y su compatibilidad. Era exactamente lo que el mercado necesitaba: potencia sin complicaciones.

La empresa que estaba a seis meses de cerrar sus puertas acababa de salvarse. Volvían a tener el apoyo de inversores y los empleados ya querían quedarse. Pero sobre todo, aprendieron la lección más importante de la cultura de NVIDIA: la compatibilidad con el ecosistema es más importante que la superioridad técnica aislada.

NV1 se convirtió en un recordatorio constante de los peligros del aislamiento tecnológico.

El nacimiento de la GPU

En 1999, NVIDIA lanzó el GeForce 256, un chip que transformó la industria. Huang acuñó el término GPU, Graphics Processing Unit, para diferenciarlo de las CPUs de toda la vida.

Para quien no lo sepa, una CPU es como el “cerebro” del ordenador y ejecuta tareas secuencialmente, es decir, una detrás de otra. Puede hacer cualquier tarea compleja, pero solo una cosa a la vez.

Una GPU, por el contrario, tiene miles de núcleos más simples que pueden ejecutar muchas operaciones a la vez, lo que se conoce como procesamiento en paralelo. Esta arquitectura es perfecta para gráficos, donde cada píxel de la pantalla puede calcularse independientemente.

El GeForce 256 seguía completamente el estándar DirectX, pero lo ejecutaba mejor que cualquier competidor y, gracias a ello, NVIDIA comenzó a dominar el mercado de tarjetas gráficas para videojuegos. Pero Huang ya estaba pensando en algo más grande que videojuegos.

CUDA: aplicando la lección

La lección de 1997 sobre la importancia de los estándares y la compatibilidad volvería a ser crucial años después, cuando NVIDIA tomó otra apuesta arriesgada. En 2006, la empresa lanzó CUDA, abreviatura de Compute Unified Device Architecture, CUDA era una plataforma de software que permitía a los programadores usar GPUs para uso general, no solo para gráficos.

La idea había estado circulando en la empresa durante años. Los ingenieros de NVIDIA se habían dado cuenta de algo importante: la arquitectura de procesamiento paralelo que hacía las GPUs tan buenas para gráficos también las hacía perfectas para otros tipos de cálculos. Simulaciones científicas, análisis de datos, criptografía, cualquier problema que pudiera dividirse en miles de pequeñas tareas independientes podría beneficiarse enormemente.

Antes de CUDA, si querías usar una GPU para hacer cálculos científicos o simulaciones complejas, tenías que programar como si estuvieras renderizando gráficos, usando lenguajes especializados y poco intuitivos para científicos e ingenieros. Era como pedirle a un físico que aprendiera animación 3D solo para ejecutar sus simulaciones más rápido. Era absurdo.

Aquí es donde Huang aplicó directamente la lección aprendida con el NV1. En lugar de forzar a los programadores a aprender un lenguaje completamente nuevo y propietario, NVIDIA hizo CUDA compatible con C y C++, lenguajes de programación que millones de desarrolladores ya conocían. No tenías que ser un experto en gráficos para usar una GPU. Podías escribir código relativamente familiar y CUDA se encargaba de traducirlo para que la GPU lo ejecutara eficientemente.

Esta decisión de diseño fue estratégica y directamente inspirada en el fracaso del NV1. Reducir la barrera de entrada y no forzar a la gente a tu mundo, sino traer tu tecnología al donde ellos están.

De todas formas, CUDA no tenía aún un mercado claro. Las empresas no entendían por qué necesitaban GPUs si no eran para diseño gráfico, así que era una inversión sin retorno inmediato garantizado y algunos en la junta directiva dudaban.

Pero Huang insistió. Había aprendido otra lección del episodio del NV1: a veces necesitas apostar por tecnología antes de que el mercado exista, siempre que lo hagas reduciendo las barreras de entrada. CUDA era exactamente eso: una tecnología sin mercado claro, pero diseñada para ser un éxito cuando ese mercado apareciera.

Durante unos años no generó ingresos pero la utilizaron investigadores, físicos, biólogos, astrónomos… y ya se veía su calidad.

El momento AlexNet

En 2012, pasó algo muy importante. Un equipo de investigadores liderados por Geoffrey Hinton en la Universidad de Toronto ganó ImageNet, un concurso que se hacía todos los años para reconocer objetos en imágenes, usando redes neuronales profundas y que se hacía, con GPUs de NVIDIA.

El modelo llamado AlexNet, superó a todos los competidores pero con un margen enorme (de tasas de error del 25%, AlexNet bajaba al 16%). Esto demostró que el deep learning era algo que servía en la práctica. Las redes neuronales profundas requierían entrenar modelos con millones de parámetros usando millones de ejemplos y esto significa hacer trillones de multiplicaciones de matrices, el tipo exacto de operación que las GPUs hacían extraordinariamente bien. Y las GPUs programadas con CUDA eran la única forma de hacerlo escalable y accesible.

El éxito de AlexNet desató una revolución: investigadores de inteligencia artificial en todo el mundo comenzaron a comprar GPUs de NVIDIA. Papers académicos sobre deep learning empezaron a incluir secciones de agradecimiento a NVIDIA por proporcionar hardware y empresas como Google, Facebook y Microsoft invirtieron miles de millones en data centers con hardware de NVIDIA.

Este éxito fue posible porque CUDA ya era accesible. Los científicos podían empezar a experimentar rápidamente porque el ecosistema de programación era familiar y había tutoriales, ejemplos de código, bibliotecas compartidas, comunidades online. Todo esto había estado acumulándose durante los seis años desde el lanzamiento de CUDA.

Si NVIDIA hubiera cometido el mismo error que con el NV1, creando un lenguaje propietario incompatible y difícil de aprender, la historia podría haber sido completamente diferente. Los investigadores de IA habrían buscado alternativas. Quizás habrían presionado a AMD o Intel para desarrollar soluciones competitivas. Quizás el deep learning habría tardado años más en despegar, esperando que surgiera una plataforma más accesible.

Pero no tuvieron que esperar. CUDA ya estaba ahí, lista y accesible, cuando el mundo finalmente la necesitó.

NVIDIA hoy en día

Hoy, NVIDIA controla aproximadamente entre el 80 y el 95% del mercado de GPUs para inteligencia artificial. Cada empresa que entrena modelos de lenguaje grandes, como ChatGPT de OpenAI o Gemini de Google, depende de chips H100, A100 o Blackwell de NVIDIA.

La capitalización de mercado de NVIDIA superó los dos trillones de dólares, convirtiéndola en una de las empresas más valiosas del mundo.

Jensen Huang, el hombre de la chaqueta de cuero, es considerado un visionario que vio venir la era de la inteligencia artificial décadas antes que otros. Pero este dominio absoluto tiene raíces directas en aquella decisión de 1997: cuando Huang admitió que los cuadriláteros eran un error y humildemente adoptó triángulos, y aprendió que el verdadero poder en tecnología no siempre viene de tener la solución más potente. Viene de construir sobre lo que la industria ya utiliza, de integrarse en el ecosistema existente y hacerlo mejor que nadie desde dentro del estándar, no desde fuera.

Competidores como AMD tienen tecnología comparable en muchos aspectos. En benchmarks, a veces superan a NVIDIA, pero cambiar de NVIDIA a otra plataforma requiere reescribir millones de líneas de código, reentrenar equipos de ingenieros y abandonar años de optimizaciones específicas de CUDA.

El costo de cambio es tan alto que CUDA se convirtió en un estándar de facto, exactamente como DirectX con triángulos lo hizo en los noventa. La historia se repitió, pero esta vez NVIDIA estaba del lado correcto 😉

La lección aprendida

La historia del NV1 enseña una verdad incómoda sobre innovación tecnológica que muchas startups y empresas establecidas ignoran repetidamente: la mejor solución técnica no siempre gana. La solución más compatible con el ecosistema existente sí.

Jensen Huang descubrió que forzar al mundo a adoptar tu visión aislada, sin importar cuán brillante sea, te mata. El verdadero poder estratégico viene de entender qué estándares están emergiendo, aceptarlos aunque no sean perfectos y luego innovar dentro de esas restricciones para ejecutar mejor que cualquier otro.

La empresa pasó de ser una startup convencida de su superioridad técnica a una organización que entiende cómo funcionan los mercados tecnológicos reales. Cada decisión posterior, desde el GeForce hasta CUDA y los Tensor Cores especializados para deep learning, siguió el mismo principio: innovar dentro del estándar, no contra él.

Hoy Jensen Huang sube al escenario con su chaqueta de cuero para anunciar los chips que entrenan los sistemas de inteligencia artificial más avanzados del planeta y Nvidia se ha convertido en una de las empresas más influyentes del mundo tecnológico.

Pero esa historia no empezó con la inteligencia artificial. Hace treinta años Nvidia apostó por la tecnología equivocada y estuvo a punto de desaparecer pero la empresa sobrevivió porque su fundador hizo algo que rara vez ocurre en la industria tecnológica: admitir que estaba equivocado y reconstruir toda su estrategia a partir de esa lección.

Internet de las Cosas (IoT) es la red que conecta sensores, dispositivos y máquinas físicas al ecosistema digital, permitiendo que recojan, transmitan y en algunos casos procesen datos sin intervención humana.

Estos dispositivos (también llamados nodos) están presentes en fábricas, ciudades, hogares, vehículos y en el propio cuerpo humano, creando un flujo constante de información.

La inteligencia artificial aprovecha estos datos generados por IoT para entrenar modelos, inferir condiciones en tiempo real o tomar decisiones automáticas que optimizan procesos y mejoran la experiencia de usuarios y organizaciones.

Entre los casos de uso más habituales se encuentran los sensores industriales que anticipan averías mediante modelos predictivos, las cámaras con IA capaces de detectar anomalías en fábricas o entornos urbanos, o los relojes inteligentes que identifican patrones de salud a partir de redes neuronales.

Para que todo esto sea posible, el IoT se apoya en una infraestructura de red específica: Los dispositivos envían sus datos a través de gateways locales, que actúan como puntos de recopilación y primera agregación. Utilizan protocolos ligeros como MQTT o CoAP, diseñados para entornos con baja capacidad de procesamiento y consumo energético reducido.

La información puede transmitirse de forma periódica o continua hacia la nube o hacia servidores de edge computing, donde se procesa y se integra con modelos de inteligencia artificial para generar valor en tiempo real.

¿Cómo hemos llegado hasta aquí?

Todo lo que hoy conocemos como Inteligencia Artificial (IA) comenzó con una pregunta: “¿Las máquinas pueden imitar el pensamiento humano?”.

Responder a esa pregunta nos ha ayudado a recorrer un camino (para mí, absolutamente fascinante) que comenzaba en una época en la que ni siquiera existía la palabra “informática”, pero donde ya comenzaban a surgir las ideas que darían lugar al pensamiento computacional.

NOTA: Los siguientes párrafos nos ponen en contexto temporal los mayores avances. Todos ellos se explican y desarrollan en capítulos posteriores; Aquí únicamente los situamos en el tiempo para después ir comprendiendo y conociendo en detalle todas las piezas del puzzle.

Los orígenes del pensamiento computacional

Para que existiera la inteligencia artificial, primero tuvo que existir la computación: una manera ordenada y lógica de procesar datos utilizando máquinas.

Gracias a la computación, es decir, a la forma en que los ordenadores procesan y organizan la información fue posible crear sistemas de inteligencia artificial capaces de aprender, razonar o tomar decisiones.

Entender cómo fue esa evolución ayuda a comprender mejor el funcionamiento actual de la inteligencia artificial, sus límites, pero también su potencial. Conocer sus orígenes no es solo una cuestión histórica: nos ayuda a entender por qué se eligieron ciertos caminos, qué consecuencias tuvieron y cómo influyen todavía en las decisiones que toman hoy las grandes empresas tecnológicas.

Nuestra historia comienza en el siglo XIX cuando Charles Babbage, matemático británico, diseñó la llamada Máquina Analítica, un dispositivo capaz de ejecutar instrucciones programadas previamente, para resolver cálculos complejos. Aunque, en realidad, la máquina nunca llegó a terminarse, su diseño sentó las bases para el funcionamiento de los ordenadores tal y como los conocemos.

Por su parte, Ada Lovelace, considerada la primera programadora de la historia, llegaba, casi a la vez, a la siguiente conclusión: que una máquina podía programarse, no solo para cálculo numérico, sino que además podíamos pedirle que ejecutara instrucciones y que manipulara cierta información.

Con ello, Ada Lovelace estaba anticipando unos de los principios teóricos fundamentales de la inteligencia artificial. Sin embargo, el mundo aún tendría que esperar casi un siglo para ver nuevos avances en esta dirección.

En los años 30, el matemático británico Alan Turing propuso un modelo teórico que cambió por completo la forma en que entendemos la computación: la llamada “Máquina de Turing”.

No era un aparato físico, sino una idea abstracta que describía cómo una máquina podía seguir instrucciones paso a paso para solucionar cualquier problema que se pudiera resolver con un proceso lógico. Este modelo demostró que, en teoría, una máquina podía realizar cualquier cálculo que un ser humano fuera capaz de hacer, siempre que contara con el tiempo y las instrucciones adecuadas para ello.

Dos décadas más tarde, en 1950, Turing publicó el famoso artículo titulado “Computing Machinery and Intelligence”, en el que lanzó la pregunta que marcaría el nacimiento de la inteligencia artificial: “¿Las máquinas pueden pensar?”.

En lugar de buscar una definición filosófica que generara debate sobre lo que significaba “pensar”, propuso un experimento práctico, hoy en día muy conocido, que se bautizó como el Test de Turing.

La prueba consistía en lo siguiente: generar una conversación a través de texto entre un evaluador humano y dos participantes ocultos: otro humano y una máquina.

El evaluador sin saber con quién hablaba en cada momento, debía ser capaz de identificar cuál de los dos era el humano. Si no conseguía distinguirlos, la máquina se habría hecho pasar por un humano y por tanto habría ganado la prueba.

Para Turing lo importante no era si la máquina era realmente inteligente, sino si parecía inteligente cuando interactuaba con una persona. Este criterio centrado en el comportamiento abrió una nueva manera de plantear la inteligencia artificial: no desde lo que ocurre “por dentro”, sino desde cómo se expresa hacia afuera.

Sus ideas fueron fundamentales para el desarrollo de la IA. Suponía la demostración de que las máquinas podían ir más allá de un simple cálculo matemático y que podían, de verdad, ejecutar tareas complejas que, hasta la fecha, se consideraban exclusivamente humanas.

La tesis de Church-Turing: los fundamentos de la computación universal

Mientras Alan Turing desarrollaba su conocida máquina teórica (capaz de simular cualquier proceso computacional mediante una serie de reglas y símbolos), el lógico y matemático Alonzo Church trabajaba en paralelo con el cálculo lambda (λ), un sistema minimalista pero muy potente para definir funciones y operar con datos.

Aunque partían de enfoques completamente distintos (Turing con una máquina abstracta que leía y escribía símbolos, y Church con funciones matemáticas puras), ambos llegaron a la misma conclusión: cualquier proceso que pueda definirse mediante reglas claras puede ser resuelto tanto por una máquina de Turing como por el cálculo lambda.

Esta similitud en capacidad de cómputo llevó a la formulación de lo que hoy conocemos como la tesis de Church-Turing, que establece los fundamentos teóricos de la computación universal: todo lo que es computable, lo es en alguno de estos modelos.

Esta tesis no es una ley matemática que se pueda demostrar formalmente, sino una hipótesis de que cualquier función que pueda ser calculada por un ser humano siguiendo un algoritmo, también puede ser calculada por una máquina. Es decir, todo proceso computable (entendido como una serie finita de pasos lógicos y muy bien definidos para llegar a una solución) puede ser llevado a cabo por una máquina si está bien programada.

Este principio sentó las bases de lo que hoy llamamos computación universal: la idea de que existe un modelo teórico (como la máquina de Turing) capaz de ejecutar cualquier cálculo o proceso lógico que pueda expresarse mediante un algoritmo, sin importar su complejidad. En la práctica, esto significa que un ordenador, si cuenta con suficiente memoria y tiempo, podría simular cualquier otro sistema computacional, por complicado que sea.

Sin embargo, esta teoría también reveló algo igual de importante: que existen límites. No todo se puede calcular. Hay problemas que, por su propia naturaleza, no pueden resolverse mediante ningún algoritmo, por muy potente que sea la máquina.

El ejemplo más conocido es el problema de la parada, formulado por el propio Turing: no existe una manera general de saber si un programa informático va a detenerse algún día o se ejecutará para siempre. Este descubrimiento marcó un antes y un después, al demostrar que hay preguntas que simplemente no pueden ser respondidas por medios computacionales.

La tesis de Church-Turing no solo transformó el campo de la computación teórica, sino que también proporcionó una base conceptual necesaria para el desarrollo de lo que hoy conocemos como inteligencia artificial.

¿Por qué? Porque al demostrar que tareas como el razonamiento, el aprendizaje o la toma de decisiones podían expresarse como procesos computables, abrió la puerta a la idea de que las máquinas podían, al menos en teoría, replicar aspectos fundamentales del pensamiento humano. Ya no se trataba solo de automatizar cálculos numéricos, sino de imaginar sistemas capaces de imitar comportamientos inteligentes utilizando para ello algoritmos.

En el verano de 1956, un pequeño grupo de científicos se reunió en el Dartmouth College, en New Hampshire (Estados Unidos), con una idea revolucionaria: investigar la posibilidad de que las máquinas pudieran imitar la inteligencia humana. Esta reunión, conocida como la Conferencia de Dartmouth, organizada por el informático John McCarthy, con la participación de personalidades clave como Marvin Minsky, Herbert Simon, Allen Newell y Claude Shannon, se considera el momento en el que la inteligencia artificial comenzó a considerarse una disciplina científica.

Durante la conferencia, McCarthy propuso por primera vez el término “Inteligencia Artificial” (Artificial Intelligence), que se adoptó para describir el objetivo común de todos ellos: crear sistemas capaces de realizar tareas que, si las hiciera un humano, requerirían inteligencia.

El planteamiento era bastante ambicioso. En la propuesta original, se afirmaba que “cada aspecto del aprendizaje o cualquier otra característica de la inteligencia humana puede ser descrito con tal precisión que una máquina pueda simularlo”.

La reunión no produjo resultados inmediatos (pese a que estaban convencidos de que los verían en un par de años) pero fue clave para definir los objetivos iniciales del campo, trazar una agenda de investigación, reunir a científicos con enfoques muy distintos (lógica formal, psicología, neurociencia, lingüística, y teoría de la computación) y ponerse manos a la obra, ayudando así a consolidar la Inteligencia Artificial como una nueva rama de la ciencia, ahora sí, con identidad propia.

Por primera vez se organizaba una investigación en torno a la idea de que el pensamiento humano podía ser imitado por máquinas, iniciando líneas de trabajo (como los sistemas expertos, las redes neuronales y la lógica simbólica) que hoy en día siguen definiendo el imparable avance de este campo.