Mapa de la inteligencia artificial: qué es cada cosa y cómo encaja todo

Inteligencia artificial, aprendizaje automático, aprendizaje profundo, modelos de lenguaje y agentes de IA: cómo se relacionan, en una sola página. Parte introductoria de la serie Fundamentos de IA.

6 minutos Matěj Žalmánek 2026-10-15

Serie Fundamentos de IA Parte 1 de 52

1. Mapa de la inteligencia artificial: qué es cada cosa y cómo encaja todo
2. Breve historia de la inteligencia artificial: de Turing a los modelos de lenguaje
3. Datos, modelo, entrenamiento, inferencia: los conceptos básicos en un solo ejemplo
4. Cómo leer la notación matemática: símbolos, subíndices, sumatorios y cuantificadores
5. Conjuntos y relaciones: las piezas con las que se construyen las definiciones en IA
6. Funciones y aplicaciones: por qué todo modelo de IA es una función
7. Lógica y demostraciones: las reglas con las que se razona en IA
8. Grafos y árboles: la estructura sobre la que se apoyan la búsqueda y las redes neuronales
9. Álgebra lineal para aprendizaje automático: vectores, matrices y por qué la IA sobre todo multiplica
10. Derivadas, gradiente y regla de la cadena: cómo sabe un modelo en qué dirección aprender
11. Descenso de gradiente: cómo aprende un modelo
12. Qué es la probabilidad: del lanzamiento de un dado a los axiomas de Kolmogórov
13. Probabilidad condicionada y teorema de Bayes: cómo cambiar una estimación cuando te enteras de algo nuevo
14. Variable aleatoria y función de distribución: una sola función que lo dice todo sobre la distribución
15. Función de densidad y función de probabilidad: por qué una variable continua tiene probabilidad cero en cada punto
16. Esperanza, varianza y covarianza: dónde está una distribución, qué anchura tiene y qué se relaciona con qué
17. Resumen de las distribuciones de probabilidad: Bernoulli, binomial, Poisson, uniforme, normal y exponencial
18. Ley de los grandes números y teorema central del límite: por qué las medias se comportan de forma tan predecible
19. Estadística y estimación de parámetros: máxima verosimilitud, MAP e intervalos de confianza
20. Teoría de la información: entropía, entropía cruzada y divergencia KL, el origen de las funciones de pérdida
21. Búsqueda en el espacio de estados: BFS, DFS, UCS y A* con animaciones
22. Juegos y adversarios: minimax, poda alfa-beta y Monte Carlo tree search
23. Satisfacción de restricciones: backtracking, propagación de restricciones y AC-3 con un sudoku y un mapa de regiones checas
24. Lógica y sistemas basados en conocimiento: encadenamiento hacia delante y hacia atrás, resolución y sistemas expertos
25. Planificación: STRIPS, el mundo de bloques, heurísticas a partir de la relajación y la planificación en los agentes de IA
26. Búsqueda local y recocido simulado: un viajante por las capitales regionales checas
27. Algoritmos genéticos: población, cruce, mutación y selección en una mochila para la excursión
28. Estrategias evolutivas y programación genética: de la regla de un quinto a la ley de Kepler
29. Optimización por colonia de hormigas: cómo un rastro de feromona encuentra un camino corto
30. Optimización por enjambre de partículas: inercia, experiencia propia y experiencia del enjambre
31. Neuroevolución: evolución de los pesos y la forma de las redes neuronales, y el algoritmo NEAT
32. Conjuntos difusos y funciones de pertenencia: cómo escribir «algo cálido»
33. Lógica difusa y probabilidad: por qué «algo cálido» no significa «probablemente cálido»
34. Lógica difusa: t-normas, implicaciones y reglas SI–ENTONCES
35. Control difuso: Mamdani y Sugeno, del ventilador al péndulo invertido sobre un carro
36. Agrupamiento difuso: el algoritmo fuzzy c-means y los puntos entre clusters
37. Sistemas neuro-difusos (ANFIS): reglas difusas que aprenden de los datos
38. Cadenas de Markov: matriz de transición, distribución estacionaria y PageRank
39. Modelos ocultos de Márkov: el algoritmo de Viterbi y el casino deshonesto
40. Redes bayesianas: por qué está mojada la hierba y qué significa eso para el aspersor
41. El filtro de Kalman: cómo estimar a partir de mediciones imprecisas dónde está un coche y a qué velocidad va
42. Tipos de aprendizaje automático: supervisado, no supervisado, semisupervisado y más
43. Prompts, contexto y RAG: cómo darle a un modelo la información correcta
44. Autocodificadores variacionales (VAE): imágenes nuevas a partir de un espacio latente continuo
45. Redes generativas adversarias (GAN): el falsificador contra el detective
46. Modelos de difusión: cómo el ruido puro se convierte en una imagen
47. Procesos de decisión de Markov: estados, acciones, recompensas y ecuaciones de Bellman
48. Q-learning y DQN: aprender el valor de las acciones, de la tabla a la red neuronal
49. Gradiente de la política y PPO: aprender directamente la política
50. Cómo funciona un agente de IA: un modelo de lenguaje en un bucle con herramientas
51. Programación con agentes de IA: encargo, pruebas y revisión
52. Evaluación y seguridad de los sistemas de IA: cómo medir y cómo vigilar

Temario completo de la serie 52 de 83 temas publicados

Inteligencia artificial, aprendizaje automático, redes neuronales, modelos de lenguaje, agentes. Palabras que hoy se usan casi como sinónimos y que, sin embargo, significan cosas distintas. Esta parte es un mapa: te muestra qué es cada cosa y cómo encaja todo. Las demás partes de la serie van en profundidad; cada una se puede leer también por separado.

1. Qué es la inteligencia artificial

Definición — agente racional (Russell y Norvig)

Un agente es cualquier cosa que percibe su entorno mediante sensores y actúa sobre él mediante acciones. Formalmente, una función f : P* → A de secuencias de percepciones a acciones.

Un agente es racional si, para cada secuencia de percepciones, elige la acción que maximiza el valor esperado de la medida de rendimiento.

La inteligencia artificial es la disciplina que diseña y construye tales agentes.

Todo el campo se puede dibujar como conjuntos anidados. El aprendizaje profundo es un tipo de aprendizaje automático, el aprendizaje automático es uno de los caminos hacia la inteligencia artificial, y un agente de IA hoy en día suele combinar ambas cosas, búsqueda y aprendizaje:

2. IA que busca

La familia más antigua de la IA no aprende nada. Recibe una descripción exacta de la tarea —dónde empiezo, qué puedo hacer, adónde quiero llegar— y explora las posibilidades hasta encontrar una solución. Así funciona el navegador que busca la ruta más corta, el programa de ajedrez que calcula jugadas por adelantado o el planificador de horarios.

La ventaja: si la tarea está bien descrita, el resultado es fiable y se puede demostrar que es el mejor posible. La desventaja: alguien tiene que describir la tarea con exactitud, y el mundo casi nunca se deja describir con exactitud.

En profundidad: Parte 2 — Búsqueda en el espacio de estados.

3. IA que aprende

Definición — aprendizaje automático (T. Mitchell)

Se dice que un programa aprende de la experiencia E con respecto a una tarea T y una medida de rendimiento P si su rendimiento en T, medido por P, mejora con la experiencia E.

El aprendizaje automático se divide según qué señal recibe el modelo al aprender: respuestas correctas (aprendizaje supervisado), solo datos sin respuestas (no supervisado), un poco de ambas cosas (semisupervisado), respuestas sacadas de los propios datos (autosupervisado) o recompensas por sus acciones (aprendizaje por refuerzo).

En profundidad: Parte 3 — Tipos de aprendizaje automático.

4. Aprendizaje profundo y redes neuronales

El aprendizaje profundo es aprendizaje automático con un tipo concreto de modelo: una red neuronal de muchas capas. Cada capa transforma la entrada de una forma un poco distinta: en una red para imágenes, las primeras capas reconocen bordes, las siguientes formas y las últimas objetos enteros. Nadie les dice qué tienen que buscar; lo aprenden de los datos.

¿Por qué «profundo»? Por el número de capas. ¿Y por qué ahora, si las redes neuronales existen desde los años cincuenta? Porque hasta hoy no había suficientes datos ni suficiente potencia de cálculo (tarjetas gráficas) para entrenar redes grandes.

En profundidad: estamos preparando las partes «Descenso de gradiente: cómo aprende un modelo» y «Una red neuronal desde cero».

5. IA generativa y modelos de lenguaje

La mayoría de los modelos responden a la pregunta «¿qué es esto?»: ¿spam o no? Los modelos generativos crean datos nuevos: texto, imágenes, sonido, código. Un gran modelo de lenguaje es una red neuronal que, con una cantidad enorme de texto, ha aprendido una sola cosa: adivinar la palabra siguiente. Cuando lo hace lo bastante bien, de paso también sabe responder, traducir y escribir código.

Los modelos de lenguaje aprenden en tres pasos, y cada uno es un tipo de aprendizaje distinto: aprendizaje autosupervisado con textos de internet, ajuste supervisado con respuestas de ejemplo y aprendizaje por refuerzo según qué respuestas valoran mejor las personas.

En profundidad: estamos preparando la parte «Transformers y grandes modelos de lenguaje».

6. Agentes de IA: donde se junta todo

Un agente de IA es un modelo de lenguaje que no solo responde, sino que actúa: lee archivos, ejecuta comandos, busca en la web y, según los resultados, decide qué hacer después. Aquí las dos familias de la IA vuelven a encontrarse: el modelo ha aprendido el lenguaje y el razonamiento, pero resuelve la tarea como una búsqueda: prueba un paso, mira el resultado y, si no lleva a la meta, prueba otro.

Hoy los agentes escriben y corrigen código, y precisamente para trabajar con ellos nació coden: el agente trabaja en tu ordenador y tú lo diriges desde el móvil.

En profundidad: estamos preparando la parte «Cómo funciona un agente de IA».

7. Cómo leer esta serie

• Cada parte se puede leer por separado. Arriba encontrarás qué te llevarás y qué conviene saber de antemano.
• La explicación sencilla basta. Las definiciones matemáticas exactas están ocultas en desplegables, para quien las quiera.
• Las imágenes son reales. Las animaciones de las partes son el resultado de ejecutar de verdad los algoritmos, no ilustraciones.

La lista de todas las partes, incluidas las que estamos preparando, está en el recuadro de la serie arriba y en el índice de artículos.

¿Lo ves de otra manera? Escribe a support@coden-app.com.