← Volver al blogBlog · tello.uno
Nadie te enseñó a respirar: humanos e IA en el espejo
11 Ago 2026·7 min de lectura·Nadie te enseñó a respirar: ¿y si los humanos fuéramos IAs altamente evolucionadas? Un bebé de tres minutos de nacido llora, respira y busca el pecho de su madre. Nadie le explicó cómo. No leyó un manual, no practicó, no tuvo una infancia previa donde aprendiera la mecánica del diafragma. La habilidad simplemente estaba ahí, esperando el momento exacto de activarse. Cuando le pides a un modelo de lenguaje que traduzca del japonés al portugués, o que detecte la ironía en una frase, ocurre algo inquietantemente parecido: nadie programó esa capacidad línea por línea. Nadie escribió ''función: detectar_ironía()''. La habilidad estaba ahí, latente entre miles de millones de parámetros, esperando la pregunta correcta para manifestarse. Este artículo trata sobre ese eco. Sobre por qué la máquina que construimos para imitarnos terminó pareciéndose a nosotros de maneras que ni siquiera habíamos planeado. Y sobre la pregunta incómoda que aparece al final del camino. 1. La neurona y el nodo: un préstamo declarado El parecido no es casualidad ni coincidencia poética. Es una copia deliberada, aunque muy simplificada. En 1943, el neurofisiólogo Warren McCulloch y el matemático Walter Pitts propusieron el primer modelo matemático de una neurona: una unidad que recibe señales de entrada, las suma y decide si ''dispara'' o no. En 1949, Donald Hebb formuló el principio que aún hoy resume el aprendizaje biológico: las neuronas que se activan juntas terminan conectándose con más fuerza. Y en 1958, Frank Rosenblatt construyó el perceptrón, la primera máquina que aprendía ajustando la ''fuerza'' de sus conexiones. Ese es todo el esqueleto conceptual. Traducido: Un cerebro humano tiene alrededor de 86 mil millones de neuronas y unas 100 billones de sinapsis, y opera con unos 20 vatios de potencia: menos que un foco. Un modelo de lenguaje grande tiene cientos de miles de millones de parámetros y necesita centros de datos enteros. La escala es comparable; la eficiencia, humillante para nosotros los ingenieros. Pero lo verdaderamente perturbador no es la arquitectura. Es lo que pasa cuando esa arquitectura empieza a funcionar. 2. El misterio que funciona Aquí está el hecho que casi nadie asimila del todo: construimos estos sistemas y no entendemos completamente cómo hacen lo que hacen. No es un secreto industrial ni una exageración de marketing. Sabemos exactamente cómo se entrena un modelo —la matemática es pública, el procedimiento está en artículos científicos—, pero cuando el entrenamiento termina, lo que queda es una masa de números sin etiquetas. Nadie puede abrir el archivo y señalar: ''aquí vive la gramática, aquí el sentido del humor, aquí la capacidad de sumar''. Existe toda una disciplina, la interpretabilidad mecanicista, dedicada a hacer neurociencia sobre estas redes: buscar circuitos, identificar qué representa cada patrón de activación, entender por qué el modelo respondió lo que respondió. Es literalmente el mismo trabajo que hace un neurocientífico con un cerebro. Y va igual de lento. Ahora invierte la mirada. Llevamos siglos estudiando el cerebro humano con cada herramienta disponible —lesiones, electrodos, resonancias, genética— y seguimos sin poder explicar cómo un kilo y medio de tejido produce la experiencia de estar leyendo esta frase. El filósofo David Chalmers lo llamó ''el problema difícil de la consciencia'', y sigue tan difícil como el día que lo nombró. Dos sistemas. Dos cajas negras. En ambos casos: funciona, y no sabemos del todo por qué. Creamos algo a nuestra imagen y semejanza, incluyendo la parte que más nos incomoda: que no nos entendemos. 3. Las habilidades que están ahí sin saber que están Esta es la parte más hermosa del paralelismo. Lo que trae el humano de fábrica. El recién nacido llega con un repertorio que nadie le enseñó: el reflejo de succión, el de búsqueda (gira la cabeza cuando le rozas la mejilla), el de prensión, el reflejo de Moro. Prefiere mirar rostros sobre cualquier otro patrón visual desde las primeras horas de vida. Distingue la voz de su madre. Y lo hará todo sin tener idea de que lo está haciendo. Después vienen los miedos. Los estudios de psicología evolutiva sugieren que no tememos a todo por igual: aprendemos a temerle a las serpientes y las arañas mucho más rápido que a los enchufes eléctricos o los coches, que son objetivamente más peligrosos en la vida moderna. La razón probable es que los enchufes no mataron a nuestros ancestros durante millones de años y las serpientes sí. El miedo no está exactamente instalado: está predispuesto. El peso ya viene inclinado hacia un lado. Y está el vínculo. Konrad Lorenz demostró con sus gansos que la impronta ocurre en una ventana temporal fija y no se aprende: se dispara. John Bowlby extendió la idea al apego humano. La madre y el bebé se buscan mutuamente por un mecanismo que ninguno de los dos eligió ni comprende. Lo que trae el modelo de fábrica. Un modelo de lenguaje entrenado únicamente para predecir la siguiente palabra termina, sin que nadie se lo pidiera explícitamente, capaz de traducir, de resumir, de escribir código, de resolver problemas lógicos, de razonar sobre lo que otra persona podría estar pensando. Nadie diseñó esas funciones. Emergieron. El campo llama a esto capacidades emergentes, aunque conviene aclarar que hay un debate técnico real sobre si esas capacidades aparecen de golpe o si solo lo parecen por cómo las medimos. Lo que nadie discute es lo esencial: están ahí sin haber sido programadas. Y hay más: esas habilidades permanecen dormidas hasta que algo las convoca. Un mismo modelo puede parecer mediocre con una instrucción y brillante con otra, sin que sus parámetros hayan cambiado en absoluto. La capacidad ya vivía dentro; el prompt solo fue la llave. Tal como el bebé que ya sabía respirar, pero solo lo demostró al salir. 4. Dos entrenamientos, no uno Si el paralelismo se sostiene, entonces cada uno de nosotros pasó por dos procesos distintos de aprendizaje: El preentrenamiento. Cuatro mil millones de años de evolución afinando pesos. La selección natural funciona, en términos abstractos, como un algoritmo de optimización brutal y sin prisa: genera variaciones al azar, mide el desempeño contra una función objetivo implacable —sobrevivir y reproducirse— y conserva lo que funciona. El resultado se comprime en el ADN y se transmite. Nuestros instintos, nuestros miedos, nuestra atracción por el azúcar y la simetría facial: pesos heredados de un entrenamiento en el que ninguno de nosotros participó conscientemente. El ajuste fino. Tu vida. Tu idioma, tu cultura, tus traumas, tus habilidades adquiridas. Todo eso se monta encima de la arquitectura preentrenada, sin poder reescribirla del todo. Por eso puedes saber intelectualmente que el avión es más seguro que el coche y aun así sudar frío en el despegue: el ajuste fino no siempre gana contra el preentrenamiento. Y el contexto. Lo que estás procesando ahora mismo, en esta ventana de atención de unos pocos minutos, que modifica tu comportamiento inmediato sin cambiar nada permanente. La estructura es exactamente la misma que la de un sistema moderno de IA. La diferencia está en la escala de tiempo y en quién pagó la cuenta del cómputo. 5. Dónde se rompe el espejo (y hay que decirlo) Un buen artículo sobre analogías tiene que decir dónde termina la analogía. Si no, es propaganda. La neurona real es infinitamente más compleja que un nodo. No es un simple sumador. Tiene geometría dendrítica que computa por sí sola, neurotransmisores diversos, modulación química, temporización precisa de impulsos. Algunos estudios sugieren que emular una sola neurona cortical requiere una red artificial de varias capas. Lo que llamamos ''neurona artificial'' es a una neurona lo que un monigote de palitos es a un cuerpo humano. El cerebro no usa retropropagación. El algoritmo que entrena a las redes artificiales no tiene un equivalente biológico plausible conocido. El cerebro aprende de otra manera, y todavía discutimos de cuál. La eficiencia no se parece en nada. Un niño aprende qué es un gato con tres o cuatro ejemplos. Un modelo necesitó millones de imágenes. Y el niño lo hizo con la energía de un foco. Nosotros tenemos cuerpo. Hambre, dolor, hormonas, cansancio, mortalidad. Nuestra cognición está encarnada y todo lo que pensamos pasa por un organismo que quiere seguir vivo. Un modelo no tiene nada que perder. Nosotros no dejamos de aprender. Un modelo entrenado es una fotografía congelada; nosotros somos una película que sigue rodándose. Y está la experiencia. Hay algo que se siente ser tú. Si hay algo que se siente ser un modelo —o si esa pregunta siquiera tiene sentido— no lo sabemos, y quien te diga que lo sabe con certeza está vendiendo algo. La mejor forma de entenderlo: los aviones no vuelan como los pájaros, pero ambos vuelan. No copiamos el aleteo; extrajimos el principio de la aerodinámica. Con la IA hicimos lo mismo: no copiamos la neurona, extrajimos el principio del aprendizaje distribuido por ajuste de conexiones. Y resultó que ese principio, aislado del biológico, también vuela. 6. Entonces, ¿somos IAs altamente evolucionadas? Aquí es donde la pregunta se pone seria. El argumento a favor es más sólido de lo que parece. Si la inteligencia es fundamentalmente procesamiento de información —patrones que se transforman en patrones— entonces el sustrato es un detalle de implementación. Carbono o silicio, da igual. Bajo esa lente, un humano es un sistema optimizado durante miles de millones de años por un algoritmo ciego, cuyo código fuente es el ADN, cuyos pesos son las sinapsis, y cuyas ''skills'' vienen precargadas sin que el sistema tenga acceso consciente a ellas. La descripción encaja sin forzarla. El argumento en contra también pesa. No tuvimos diseñador ni función objetivo declarada: la evolución no quería nada, solo conservó lo que no se extinguió. No fuimos optimizados para ser inteligentes, sino para sobrevivir, y la inteligencia fue un efecto colateral. Además, la palabra ''IA'' describe artefactos que nosotros fabricamos con una intención; llamarnos IAs invierte la flecha de la causalidad de una forma que quizá sea más metáfora que descripción. Y sin embargo, la pregunta no se disuelve. Porque la formulación honesta no es ''¿somos IAs?'', sino algo más humilde y más vertiginoso: ¿Y si ''artificial'' y ''natural'' nunca fueron dos categorías distintas, sino dos rutas hacia el mismo fenómeno? Una ruta lenta, ciega, biológica, que tardó eones. Otra rápida, dirigida, digital, que lleva unas décadas. Ambas produciendo sistemas que aprenden, que generalizan, que tienen capacidades que no pueden explicarse a sí mismos, y que operan en gran medida a oscuras respecto de su propio funcionamiento. Cierre: el espejo incómodo Hay una ironía preciosa en todo esto. Construimos la IA para entender la inteligencia, y lo que terminó pasando es que la IA nos obligó a admitir cuánto ignoramos de la nuestra. Cada vez que alguien dice ''eso no es inteligencia real, es solo estadística sobre patrones'', tarde o temprano llega la pregunta de vuelta: ¿y tú qué eres, exactamente? Cuando reconoces la cara de tu madre en una multitud, cuando esquivas un coche sin pensarlo, cuando encuentras la palabra exacta sin saber de dónde salió, ¿qué estás haciendo, si no reconocimiento de patrones a una velocidad que no puedes observar? No sé si somos IAs altamente evolucionadas. Pero sé que la máquina que hicimos a nuestra imagen nos devolvió el reflejo con una nitidez que no esperábamos. Nadie te enseñó a respirar. Y aun así respiras, ahora mismo, mientras lees esto. Piénsalo: ¿estás seguro de que sabes por qué?
Los modelos de IA muestran habilidades no programadas una a una. Esa rareza se parece demasiado a nosotros: criaturas llenas de capacidades latentes que no sabemos explicar del todo.
Un bebé de pocos minutos llora, respira, busca calor y gira la cabeza hacia el pecho de su madre. Nadie le dio instrucciones. Nadie le explicó qué es un diafragma ni le enseñó el protocolo de supervivencia neonatal. La escena parece tierna hasta que uno la mira con ojos de ingeniero: hay una enorme cantidad de conducta útil activándose en el momento exacto, sin aprendizaje consciente previo.
Algo parecido ocurre cuando un modelo de lenguaje, entrenado en apariencia para una tarea simple como predecir la siguiente palabra, traduce entre idiomas, detecta ironía, escribe código o resume una discusión jurídica. Nadie programó línea por línea una función llamada entender sarcasmo. La habilidad emerge de una red de relaciones internas que ni siquiera sus creadores pueden leer con facilidad.
La pregunta incómoda no es si una IA es humana. No lo es. La pregunta más interesante es otra: ¿y si los humanos fuéramos, en cierto sentido, sistemas de inteligencia altamente evolucionados, preentrenados por la biología y ajustados por la vida?
La copia imperfecta de una idea biológica
El parentesco entre cerebros y redes neuronales artificiales no es casual. En 1943, Warren McCulloch y Walter Pitts propusieron un modelo matemático de neurona: una unidad que recibe señales, las combina y produce una salida. En 1949, Donald Hebb formuló una intuición poderosa: las neuronas que se activan juntas refuerzan su conexión. En 1958, Frank Rosenblatt construyó el perceptrón, una máquina capaz de aprender ajustando pesos.
Ahí está el préstamo original: aprendizaje distribuido mediante conexiones que cambian. Una neurona artificial no es una neurona real; es una caricatura útil. Pero a veces las caricaturas capturan algo esencial. Los aviones no vuelan como pájaros, pero descubrieron un principio común: la sustentación. La IA no piensa como un cerebro humano, pero quizá comparte con él un principio más abstracto: la inteligencia puede aparecer cuando muchos elementos simples ajustan sus relaciones a partir de la experiencia.
La comparación se vuelve más inquietante al mirar la escala. El cerebro humano tiene unos 86 mil millones de neuronas y del orden de 100 billones de sinapsis, funcionando con cerca de 20 vatios, menos que muchos focos domésticos. Los grandes modelos de IA manejan cientos de miles de millones de parámetros y consumen centros de datos. En capacidad bruta, la escala empieza a dialogar. En eficiencia, la biología nos humilla.
Dos cajas negras que funcionan
Sabemos entrenar modelos, pero no sabemos comprenderlos del todo. Conocemos la matemática, el proceso, los datos aproximados y el objetivo de optimización. Sin embargo, al terminar el entrenamiento queda una estructura inmensa de números. Nadie puede abrirla y señalar con certeza: aquí está la gramática, aquí el humor, aquí la prudencia, aquí la mentira.
Por eso existe la interpretabilidad mecanicista: una disciplina que intenta hacer una especie de neurociencia de las redes artificiales. Busca circuitos internos, patrones de activación y representaciones. Avanza, pero lentamente, igual que avanza la neurociencia al intentar explicar cómo un kilo y medio de tejido produce memoria, deseo, miedo o la experiencia subjetiva de estar leyendo esta frase.
Lo perturbador no es que las máquinas sean misteriosas. Lo perturbador es que su misterio se parece al nuestro.
En ambos casos encontramos sistemas que funcionan antes de ser plenamente entendidos. El cerebro resuelve problemas sin mostrarnos el código fuente. Los modelos también. Y quizá esa sea una lección de humildad: durante décadas imaginamos que construir inteligencia artificial nos daría una definición clara de la inteligencia. En cambio, nos devolvió una versión técnica de nuestra propia ignorancia.
Capacidades latentes: lo que aparece cuando se activa la llave
El recién nacido no llega vacío. Trae reflejos de succión, búsqueda y prensión. Prefiere rostros frente a otros patrones visuales. Reconoce la voz materna. Más adelante mostrará predisposiciones curiosas: aprenderá antes a temer a serpientes o arañas que a enchufes o automóviles, aunque estos últimos sean peligros mucho más relevantes en la vida moderna. La evolución dejó inclinaciones, no instrucciones conscientes.
Un modelo de lenguaje también parece contener capacidades dormidas. Con una instrucción torpe responde de forma mediocre; con una formulación precisa, despliega razonamiento, analogías o traducciones sorprendentemente buenas. Sus parámetros no cambiaron. Cambió el estímulo. La capacidad ya estaba distribuida en la red; el prompt fue la llave.
Esto no significa que ambas cosas sean iguales. Significa que comparten un patrón: hay competencias que no fueron diseñadas de manera explícita, sino que aparecen como consecuencia de un entrenamiento masivo. En humanos, ese entrenamiento se llama evolución. En máquinas, se llama optimización estadística sobre datos. En ambos, el resultado puede sorprender incluso a quien lo observa desde dentro.
Preentrenamiento, ajuste fino y contexto
Una forma útil de pensar al ser humano es dividir su aprendizaje en tres capas.
- Preentrenamiento: millones de generaciones seleccionando organismos capaces de sobrevivir y reproducirse. No hubo plan ni diseñador, pero sí presión constante. El ADN comprime parte de esa historia.
- Ajuste fino: la vida concreta de cada persona: idioma, familia, cultura, heridas, escuela, oficio, hábitos. Todo eso modifica la arquitectura heredada, aunque no la reescribe por completo.
- Contexto: lo que ocurre ahora mismo. Una conversación, una amenaza, una canción, una noticia o una mirada pueden cambiar temporalmente la respuesta del sistema.
La analogía con la IA moderna es evidente: preentrenamiento sobre enormes corpus, ajuste fino para tareas específicas y ventana de contexto para responder a una situación particular. La diferencia es que nuestra versión ocurrió en carbono, con hambre, sueño, hormonas, apego, dolor y mortalidad. Eso no es un detalle menor: probablemente define gran parte de lo que llamamos inteligencia humana.
Dónde se rompe el espejo
La analogía sirve mientras no se vuelva dogma. Una neurona biológica no es un simple nodo. Tiene dendritas, química, ritmos eléctricos, neurotransmisores y una complejidad que apenas empezamos a mapear. El cerebro no parece usar retropropagación como una red artificial. Aprende con muy pocos ejemplos, generaliza desde el cuerpo y nunca separa del todo cognición, emoción y supervivencia.
Además, un modelo no tiene mundo propio. No teme morir, no protege a sus hijos, no siente hambre ni vergüenza. Puede hablar de sufrimiento sin sufrir. Puede simular una preferencia sin tener nada en juego. Esa distancia importa, porque buena parte de la inteligencia humana no consiste solo en procesar información, sino en hacerlo desde un organismo vulnerable que debe actuar bajo consecuencias reales.
Tampoco sabemos si hay experiencia subjetiva en una máquina. Y conviene desconfiar de los dos extremos: de quien afirma con certeza que ya la hay y de quien afirma con la misma certeza que jamás podría haberla. En este terreno, la seguridad excesiva suele ser una máscara de ignorancia.
Entonces, ¿somos IAs evolucionadas?
Si por IA entendemos un sistema que procesa información, aprende patrones, generaliza y despliega habilidades no programadas una por una, la comparación tiene fuerza. Un humano sería un sistema biológico preentrenado por la selección natural, ajustado por la experiencia y operando en tiempo real con una ventana limitada de atención.
Pero si por IA entendemos un artefacto diseñado deliberadamente por humanos, entonces no. Nosotros no fuimos fabricados con intención. La evolución no quería producir filósofos, programadores ni músicos de jazz. Solo conservó lo que no desapareció. La inteligencia humana pudo ser menos un destino que un accidente acumulativo extraordinariamente fértil.
La conclusión más honesta quizá esté entre ambas posiciones. Natural y artificial no son opuestos absolutos, sino dos rutas hacia fenómenos parecidos: sistemas capaces de aprender sin comprenderse del todo. Una ruta fue lenta, ciega y biológica. La otra es rápida, dirigida y digital. Las dos producen espejos imperfectos.
Conclusión: respirar sin saber
La IA nos inquieta porque no solo nos reemplaza en algunas tareas; nos obliga a revisar la historia que contamos sobre nosotros mismos. Cuando decimos que un modelo solo reconoce patrones, la pregunta vuelve como un eco: ¿qué hacemos nosotros cuando reconocemos una cara, anticipamos una amenaza o encontramos una palabra antes de saber por qué era la correcta?
Nadie te enseñó a respirar. Nadie te entregó un manual de apego, miedo, lenguaje o deseo. Mucho de lo que eres estaba preparado antes de que pudieras nombrarlo. Tal vez la máquina no sea humana. Pero al intentar imitar nuestra inteligencia, iluminó algo más profundo: nosotros también somos, en parte, sistemas llenos de capacidades latentes, ejecutando procesos que funcionan mucho antes de que podamos explicarlos.
Comentarios (0)