Una red neuronal es un modelo matemático formado por capas de neuronas artificiales. Aprende a partir de ejemplos, no de reglas escritas a mano. Cada neurona multiplica sus entradas por unos pesos, suma el resultado y aplica una función. El entrenamiento ajusta esos pesos hasta que el error baja.
Aquí lo verás con números reales, con una neurona de dos entradas. Después repasamos los cuatro tipos que más importan: densas, convolucionales, recurrentes y Transformer.
¿Qué es una red neuronal y para qué sirve?
Es una de las técnicas del machine learning. En lugar de programar «si el píxel es oscuro, entonces…», le das miles de ejemplos y la red encuentra sola qué patrones importan.
Piensa en un clasificador de fotos. La entrada son los píxeles de una imagen. La salida es una probabilidad: «gato», «perro» u «otro». Entre ambas hay capas intermedias que transforman los datos poco a poco.
El nombre viene de una inspiración lejana en el cerebro. No es una copia. Una neurona artificial es una operación aritmética sencilla, nada más.
Se habla de deep learning (aprendizaje profundo) cuando la red tiene muchas capas ocultas. Es el motor de buena parte de la inteligencia artificial actual: reconocimiento de imágenes, traducción, voz y asistentes conversacionales.
La idea no es nueva. Frank Rosenblatt presentó el perceptrón en 1958, y la historia de la IA está llena de épocas de entusiasmo y de olvido para estas redes. Lo que ha cambiado es la cantidad de datos y de potencia de cálculo disponibles.
¿Cómo funciona una neurona artificial?
Una neurona hace cinco cosas, siempre en este orden:
- Recibe entradas (números): x1, x2…
- Multiplica cada entrada por su peso: w1·x1, w2·x2…
- Suma los productos y añade un sesgo (b), un valor que desplaza el resultado.
- Obtiene así un número intermedio: z = w1·x1 + w2·x2 + b.
- Aplica una función de activación: salida = f(z).
Los pesos indican cuánto cuenta cada entrada. Un peso alto significa «esto me importa mucho». Un peso negativo significa «esto empuja en contra». Los pesos y el sesgo son lo que la red aprende.
La función de activación
Sin ella, apilar capas no serviría de nada. Varias operaciones lineales seguidas equivalen a una sola, y la red no podría captar relaciones complejas.
Las más comunes son la sigmoide, que comprime cualquier número a un valor entre 0 y 1, y la ReLU, que deja pasar los positivos y convierte los negativos en cero. En la capa final se usa a veces softmax, que reparte probabilidades entre varias categorías.
De una neurona a una red
Una capa es un grupo de neuronas que reciben las mismas entradas. La salida de una capa alimenta a la siguiente. Hay tres tipos de capas: de entrada (los datos), ocultas (donde ocurre la transformación) y de salida (la respuesta).
Si algún término se te escapa, el glosario de inteligencia artificial los resume.
¿Cómo aprende una red? Entrenamiento y retropropagación
Entrenar es repetir un ciclo de cuatro pasos con muchos ejemplos:
- Pasada hacia delante: la red calcula una predicción.
- Pérdida: se mide cuánto se equivoca respecto a la respuesta correcta.
- Retropropagación: se calcula cuánto contribuyó cada peso a ese error.
- Actualización: cada peso se mueve un poco en la dirección que reduce el error. Eso es el descenso de gradiente.
La retropropagación se popularizó con el artículo de Rumelhart, Hinton y Williams de 1986, publicado en Nature. Es la regla de la cadena del cálculo aplicada de forma ordenada, de la salida hacia la entrada.
Ejemplo numérico: una neurona, dos entradas
Datos de partida: x1 = 1, x2 = 2. Pesos iniciales: w1 = 0,5 y w2 = -0,3. Sesgo: b = 0,1. Activación sigmoide. Respuesta correcta: y = 1. Pérdida: L = (ŷ − y)². Tasa de aprendizaje: 0,5.
- Hacia delante. z = 0,5·1 + (-0,3)·2 + 0,1 = 0. La salida es ŷ = sigmoide(0) = 0,5.
- Error. L = (0,5 − 1)² = 0,25.
- Hacia atrás, primer tramo. dL/dŷ = 2·(ŷ − y) = −1. La derivada de la sigmoide es ŷ·(1 − ŷ) = 0,25. Por tanto, dL/dz = −1 · 0,25 = −0,25.
- Gradiente de cada parámetro. dL/dw1 = −0,25·x1 = −0,25. dL/dw2 = −0,25·x2 = −0,5. dL/db = −0,25.
- Actualización (parámetro − tasa · gradiente). w1 = 0,5 − 0,5·(−0,25) = 0,625. w2 = −0,3 − 0,5·(−0,5) = −0,05. b = 0,1 − 0,5·(−0,25) = 0,225.
- Nueva pasada. z = 0,625·1 + (−0,05)·2 + 0,225 = 0,75. La salida sube a ŷ ≈ 0,68 y el error baja a L ≈ 0,10.
Con un solo ciclo, la predicción se acerca al 1 y el error cae de 0,25 a unos 0,10. Fíjate en que w2 cambió más que w1. Su entrada era mayor, así que influía más en el error.
Qué cambia con varias capas
El mecanismo es el mismo, pero con más eslabones. El error se propaga hacia atrás capa por capa, multiplicando derivadas. Así cada peso de cada capa recibe su propio gradiente.
En la práctica no se entrena ejemplo a ejemplo. Se usan lotes de datos y se recorre el conjunto completo muchas veces, cada recorrido llamado época. Si la tasa de aprendizaje es demasiado alta, el error oscila. Si es demasiado baja, el entrenamiento se eterniza.
También hay que vigilar el sobreajuste: la red memoriza los ejemplos de entrenamiento y falla con datos nuevos. Por eso se reserva una parte de los datos para validar.
¿Qué tipos de redes neuronales hay?
Todas comparten neuronas, pesos y entrenamiento. Cambia la forma de conectarlas, y esa forma se adapta al tipo de dato.
| Tipo | Idea clave | Sirve para | Límite principal |
|---|---|---|---|
| Densa (perceptrón multicapa) | Cada neurona se conecta con todas las de la capa siguiente. | Datos en tabla: predecir un precio, clasificar clientes, estimar un riesgo. | No aprovecha la estructura de imágenes o textos. |
| Convolucional (CNN) | Filtros pequeños recorren la imagen y detectan bordes, formas y texturas. | Reconocer objetos, analizar imágenes médicas, leer matrículas, inspección visual en fábricas. | Pensada para datos con estructura de cuadrícula; menos flexible con secuencias largas. |
| Recurrente (RNN, LSTM, GRU) | Procesa paso a paso y arrastra una memoria del pasado. | Series temporales, señales de sensores, voz y textos cortos. | Olvida el contexto lejano y es lenta de entrenar, porque va en orden. |
| Transformer | La atención permite que cada elemento «mire» a todos los demás a la vez. | Texto, código, traducción; también imagen y audio. | Consume mucha memoria y cálculo; el coste crece con la longitud del contexto. |
No son excluyentes. Un sistema real suele combinar varias. Un modelo que describe imágenes, por ejemplo, puede usar una parte visual y otra de lenguaje.
¿Qué relación tienen con ChatGPT, Gemini o Claude y qué límites tienen?
Asistentes como ChatGPT, Gemini o Claude son redes neuronales de tipo Transformer, entrenadas para predecir la siguiente palabra (en realidad, el siguiente fragmento de texto) en cantidades enormes de texto. La arquitectura se presentó en 2017 en el artículo «Attention Is All You Need».
Esa capacidad de leer todo el contexto a la vez es lo que les permite mantener una conversación coherente. Es la base del procesamiento de lenguaje natural moderno. Si quieres sacarles partido en el día a día, empieza por cómo usar ChatGPT.
Conviene conocer sus límites:
- Dependen de los datos. Si los ejemplos tienen sesgos, la red los aprende.
- Son difíciles de interpretar. Puedes ver los pesos, pero no una explicación sencilla de por qué decidió algo.
- Fallan con seguridad. Una red puede dar una respuesta equivocada con tono convincente.
- No «entienden» como una persona. Detectan patrones estadísticos. Eso basta para tareas muy útiles, pero no equivale a comprensión.
Por eso, en medicina, finanzas o decisiones legales, sus resultados son un apoyo y no un veredicto. Siempre debe revisarlos un profesional.
¿Cómo empiezo a practicar con redes neuronales?
Lo más rápido es comprobar a mano lo que acabas de leer. Puedes usar un asistente como tutor, pero verifica sus cuentas.
Eres un tutor de redes neuronales. Una neurona tiene entradas x1=1 y x2=2,
pesos w1=0,5 y w2=-0,3, sesgo b=0,1 y activación sigmoide.
Calcula la salida paso a paso. Después calcula el error cuadrático
si el valor objetivo es 1 y explica en una frase qué indica.Resultado esperado: z = 0, salida 0,5 y error 0,25. Si el asistente da otra cifra, pídele que repita cada operación por separado. Así se aprende a detectar errores de cálculo.
Después, deja que una biblioteca haga la retropropagación. Este código en PyTorch reproduce el ejemplo y debería imprimir los gradientes −0,25, −0,5 y −0,25:
import torch
x = torch.tensor([1.0, 2.0])
w = torch.tensor([0.5, -0.3], requires_grad=True)
b = torch.tensor(0.1, requires_grad=True)
y_pred = torch.sigmoid((w * x).sum() + b)
loss = (y_pred - 1.0) ** 2
loss.backward()
print(w.grad, b.grad)La documentación de PyTorch explica cómo construir redes completas. Para entender las convolucionales con rigor, el curso abierto de Stanford CS231n es una referencia clásica.
Si quieres entender las redes neuronales, empieza por repetir a mano el ejemplo de una neurona y luego cámbialo: otros pesos, otra entrada, otra tasa de aprendizaje. Cuando te salgan los resultados sin mirar, pasa a PyTorch y entrena una red densa pequeña con un conjunto de datos sencillo, antes de acercarte a las convolucionales o a los Transformer.
Preguntas frecuentes
¿Redes neuronales y deep learning son lo mismo?
No exactamente. Deep learning es el uso de redes neuronales con muchas capas ocultas. Una red con una sola capa oculta es una red neuronal, pero no suele llamarse «profunda».
¿Hace falta mucha matemática para entenderlas?
Para la idea general, bastan multiplicar, sumar y comprender qué es una derivada como «cuánto cambia esto si muevo aquello». Para investigar o diseñar arquitecturas nuevas sí hace falta álgebra lineal, cálculo y probabilidad. Para usarlas con bibliotecas, mucho menos.
¿Piensa una red neuronal como el cerebro?
No. La inspiración biológica es lejana. Una neurona artificial es una fórmula y el aprendizaje se hace con cálculo de gradientes, un mecanismo que no se ha demostrado igual en el cerebro.
¿Cuántas capas necesita una red?
Depende del problema y no hay una cifra universal. Lo habitual es empezar con una red pequeña, medir su error con datos de validación y añadir capas o neuronas solo si hace falta.
