La máquina y la persona
Hay una diferencia de fondo entre trabajar con las huellas escritas del lenguaje y participar en el lenguaje. Los modelos actuales aprenden regularidades a una escala que ninguna persona alcanzará; las personas aprendemos a hablar dentro de situaciones, instituciones y formas de vida. Las dos cosas son lenguaje, pero no son lo mismo.
Míralo
Dos maneras de estar en el lenguaje
La máquina
- Aprende regularidades de enormes cantidades de texto escrito por personas.
- Produce continuaciones plausibles: resume, reformula, traduce, clasifica, conversa.
- Trabaja sobre formas lingüísticas y sus contextos de uso.
- Escribe con la misma fluidez lo cierto y lo inventado.
La persona
- Habla desde una vida, un cuerpo y una situación concreta.
- Responde de lo que dice y de lo que acepta como verdadero.
- Decide qué es pertinente, para quién y con qué propósito.
- Interpreta, valida y corrige lo que la máquina produce.
El trabajo humano no desaparece cuando entra una IA: se desplaza hacia la interpretación, la validación, la reconstrucción del contexto y la responsabilidad sobre lo que se da por bueno.
Qué es la lingüística computacional
La lingüística computacional estudia cómo representar, analizar y generar lenguaje con ordenadores. Está entre la lingüística, la informática y la inteligencia artificial, y se pregunta cosas que una filóloga reconoce enseguida: qué cuenta como unidad, cómo se resuelve una ambigüedad, qué se pierde al formalizar un fenómeno.
| Lingüística computacional | Procesamiento del lenguaje natural (PLN) |
|---|---|
| Más cerca de la ciencia: cómo representar los fenómenos del lenguaje y con qué criterios evaluarlos. | Más cerca de la ingeniería: construir sistemas que traduzcan, clasifiquen, transcriban o conversen. |
Un ejemplo: una empresa quiere detectar las quejas en los correos de sus clientes. Desde el PLN, la pregunta es qué modelo entrenar, con cuántos ejemplos y cuánto cuesta ponerlo en producción. Desde la lingüística computacional, las preguntas son previas: qué cuenta como queja (¿lo es «a ver si esta vez llega a tiempo»?), cómo se distingue de una consulta o de una ironía, qué guía de anotación hace que dos personas etiqueten igual y con qué casos difíciles hay que probar el sistema. Sin la segunda mirada, el modelo aprende etiquetas incoherentes y la métrica dice que todo va bien; sin la primera, el análisis se queda en el papel.
En la práctica se mezclan, y esta web habla de las dos: de cómo funcionan los sistemas y de qué criterio hace falta para entenderlos y evaluarlos.
Ni loros ni mentes
Hay dos maneras fáciles de equivocarse con los modelos de lenguaje. Una es despreciarlos como loros estocásticos que solo repiten: capturan regularidades reales del uso y hacen con ellas cosas muy útiles. La otra es creer que comprenden como un lector humano porque escriben como uno.
Lo más preciso está en medio. Un LLM trabaja muy bien sobre formas lingüísticas, pero su fluidez no garantiza comprensión, verdad ni criterio. Por eso conviene describirlo con verbos exactos: predice, reformula, clasifica, recupera. «Entiende» y «sabe» merecen comillas, o al menos una pausa.
Una historia corta
- 1950
Turing propone su «juego de imitación»: ¿puede una máquina conversar como una persona?
- 1954
El experimento Georgetown-IBM traduce frases del ruso al inglés con seis reglas y 250 palabras, y promete resolver la traducción en pocos años.
- 1966
ELIZA, de Weizenbaum, imita a una psicoterapeuta con trucos de reformulación. La gente le cuenta intimidades. Ese mismo año, el informe ALPAC frena la financiación de la traducción automática.
- 1985
Empieza WordNet en Princeton: una red de palabras inglesas unidas por sus relaciones de significado.
- 1993
Se publica el Penn Treebank, un corpus anotado con la estructura sintáctica de millones de palabras. La estadística sustituye a las reglas.
- 2013
Word2vec: vectores de palabras aprendidos de sus contextos. Firth, convertido en cálculo.
- 2017
Se presenta el Transformer, la arquitectura basada en la atención que hay dentro de todos los modelos actuales.
- 2022
ChatGPT pone un modelo de lenguaje conversacional al alcance de cualquiera.
- 2023-2026
Modelos que trabajan con texto, imagen y voz a la vez, que razonan por pasos antes de responder y que usan herramientas como agentes.
Hay dos constantes. Cada salto técnico vino acompañado de promesas exageradas, desde 1954 hasta hoy. Y desde ELIZA, las personas atribuimos comprensión a cualquier cosa que conversa con soltura. Ninguna de las dos es un asunto técnico.
Por qué hacen falta las humanidades
- No se empieza de cero. Quien viene de la filología ya distingue niveles del lenguaje, registros, ambigüedades y tipos de error. Es justo lo que hace falta para leer lo que produce una máquina.
- La máquina trabaja con lenguaje producido por personas. Entender ese lenguaje (quién lo escribió, para qué, con qué sesgos) es entender al modelo.
- Evaluar es interpretar. Una métrica dice cuánto se acierta; decir en qué y por qué se falla exige análisis lingüístico.
- Las humanidades no son un adorno ético posterior. Son una fuente de distinciones, de interpretación y de juicio que la técnica necesita para funcionar bien.