Los LLM han dado a la IA la capacidad de comunicarse con los humanos utilizando lenguaje natural.
Sin embargo, la capacidad conversacional por sí sola no es suficiente para resolver problemas del mundo real. Para ir más allá de esta limitación, la IA ha adquirido dos capacidades adicionales con los LLM como núcleo.
Una de ellas es la generación aumentada por recuperación (RAG), que permite a la IA hacer referencia a información externa precisa. La otra es la capacidad de actuar como agente de IA— para tomar decisiones de forma autónoma y actuar.
En esta sección explicamos conceptos clave que describen esta evolución.
Comenzamos con la incrustación de documentos, que permite a la IA manejar el conocimiento del dominio externo que no ha aprendido durante el entrenamiento, y el mecanismo básico de RAG.
Luego presentamos agentes de IA impulsados por indicaciones, que se pueden crear con relativa facilidad utilizando LLM, y finalmente rastreamos la progresión hacia agentes de IA completos que van más allá de las respuestas simples para completar tareas de forma autónoma.
IA física y modelos mundiales: cómo los agentes aprenden las reglas de la realidad
También abordamos la IA física, un área que ha surgido rápidamente en los últimos años, al considerar la conducción autónoma como un ejemplo representativo de agentes que operan en el mundo físico.
Los sistemas de conducción autónoma tradicionales suelen ser modulares y combinan múltiples componentes especializados en un solo sistema. Por el contrario, empresas como Tesla están adoptando un enfoque más avanzado: la IA de conducción autónoma de extremo a extremo, en la que un único modelo maneja todo el proceso desde la percepción hasta el control.
Los agentes de IA de extremo a extremo a menudo se clasifican como modelos mundiales, ya que representan internamente la estructura y las reglas del mundo real.
Al mismo tiempo, la investigación se centra cada vez más en agentes basados en modelos básicos–, que ofrecen mayor flexibilidad y aplicabilidad más amplia que los enfoques centrados en modelos mundiales.
A medida que se sigan implementando agentes de IA en una amplia gama de dominios, estos conceptos solo adquirirán mayor importancia.
Para comprender el papel que puede desempeñar la IA en la sociedad futura, es esencial comprender las ideas presentadas en esta sección.
Por qué son importantes estos conceptos de LLM
| Concepto | Por qué es importante |
| TRAPO | El examen de libro abierto que permite a la IA generar respuestas basadas en datos externos actualizados. |
| Incrustación de documentos | El bibliotecario digital que convierte el conocimiento en vectores de búsqueda que la IA puede encontrar. |
| Agente impulsado por indicaciones | El trabajador basado en instrucciones que realiza tareas basadas en indicaciones inteligentes sin nueva capacitación. |
| Agente totalmente autónomo | El trabajador autónomo que puede decidir, actuar y completar tareas sin intervención humana constante. |
| IA modular (conducción) | El equipo de especialistas se construyó a partir de componentes separados para la percepción, la planificación y el control. |
| IA de extremo a extremo (conducción) | El cerebro integrado donde un único modelo aprende a pasar de la entrada bruta a la acción directamente. |
| Modelo mundial | El simulador interno que permite a los agentes comprender la estructura y la física del mundo real. |
| Modelo de fundación | La base versátil—un cerebro único y de propósito general que admite muchos comportamientos de agentes diferentes. |
