El 16 de agosto de 2026, Terence Tao —para muchos, el matemático más influyente de la actualidad (recibió en 2006 la Medalla Fields, considerada el Nobel de las Matemáticas)— publicó un ensayo basado en una conferencia impartida en el Congreso Internacional de Matemáticos de 2026 [1], en el que se reconoce impactado por los avances de la Inteligencia Artificial en su propia especialidad.
Se pregunta allí “cómo la comunidad matemática podría responder a la llegada de herramientas de inteligencia artificial capaces de realizar tareas matemáticas de nivel de investigación”.
Se refiere, entre otras novedades, a los avances en los Problemas del Milenio, aquellas soluciones de antiguos problemas matemáticos que serían premiadas con 1 millón de dólares, tal lo propuso el Clay Mathematics Institute en el año 2000: el Problema de la Distancia Unitaria de Erdős y las ecuaciones de Navier–Stokes.
Haciendo un paralelo con la época en que las paradojas de Russell y el Teorema de Incompletitud de Gödel pusieron en crisis los fundamentos de la disciplina —entre 1900 y 1930—, propone:
“Creo que estamos entrando en una era de turbulencias similares… Sin embargo, esta vez, lo que se pone a prueba no es nuestro marco fundamental de la verdad matemática, sino más bien el marco, en gran medida implícito, de valores y prácticas matemáticas: qué consideramos una contribución, qué premiamos, qué consideramos comprendido y a quién —o a qué— atribuimos el trabajo”.
Más adelante agrega:
¿Qué ocurre si una herramienta de IA genera una prueba extensa que se verifica como correcta, pero que nadie —ni siquiera los humanos que la activaron— entiende?
Y luego:
Las herramientas de IA actuales presentan resultados bastante dispares en cuanto a la exposición de pruebas. Por un lado, la ortografía, la gramática y el formato son prácticamente impecables. Por otro lado, la redacción suele detenerse extensamente en trivialidades, pasando por alto —o incluso ocultando activamente— las partes más interesantes y novedosas del argumento. Los textos matemáticos generados por IA tampoco suelen contextualizar el resultado en la literatura previa ni ofrecer una visión general que permita al lector decidir si merece la pena dedicarle tiempo.
La exposición de las demostraciones es, sin duda, un objetivo de optimización mucho más difuso que la verificación de las mismas, y la hipótesis de trabajo predice que las herramientas de IA mejorarán considerablemente en este aspecto con respecto a los niveles actuales. Pero aquí quiero destacar un punto que, en mi opinión, se subestima: la exposición también puede optimizarse en exceso. Una demostración puede estar escrita de forma demasiado pulcra, presentando los pasos rutinarios y los realmente difíciles como igualmente fáciles de comprender.
En una demostración escrita por un humano, las partes del argumento que el autor encontró difíciles suelen conservar cierta fricción natural: una aclaración, un lema inusualmente cuidadoso, un cambio de notación, un párrafo que claramente ha sido reescrito varias veces. Esta fricción es informativa. Indica al lector dónde debe detenerse y prestar atención, y es uno de los principales canales por los que se transmite el conocimiento tácito de un campo. Una demostración excesivamente pulida por IA puede eliminar tanto la fricción «artificial» (errores tipográficos, frases torpes, desorganización) como la fricción «natural», dejando un texto fácil de leer pero difícil de aprender. Paradójicamente, los «errores» en la exposición humana pueden ser realmente útiles para el lector.
Tao reclama, pues, con honestidad, más humanidad al interior de su disciplina.
Haciendo una breve digresión, quiero ejemplificar este punto, no recurriendo a argumentos “humanistas”, sino al interior del propio lenguaje.
Alguien preguntó una vez en X “¿Qué son más importantes, los números o las palabras?”. Lo salvaje de la pregunta, la dicotomía extrema que propone, me parece significativa y útil para penetrar más en este asunto.
La única respuesta posible a ese interrogante es, sin duda, las palabras. Uno no va al almacén y dice: 5678. Y aunque 5678 significara algo en ese contexto —el código de un producto, por ejemplo— ese código debería haberse elaborado previamente recurriendo a las simples palabras. Dicho rápidamente: los números sin las palabras, no son nada.
Volviendo a nuestro tema, en cierto modo las expresiones de Tao me sorprendieron. No porque no pudiera preverlas, sino porque una cosa es imaginarlas y otra ver que suceden frente a tus ojos.
Porque lo que llama la atención es que —al menos desde Leibniz, su sistema binario y todo lo que vino después— un matemático no debería asombrarse de que una máquina fundada en la matemática produzca matemática. Es como si un ingeniero se sorprendiera de que el misil que ayudó a crear desciende sobre su propia casa.
Pero hay más
Trasteando con este asunto, fui a parar a un par de artículos de la cuenta de X @0xEronn —seudónimo Eron—, que se presenta como investigador y creador de contenido sobre Inteligencia Artificial. Sus artículos son interesantes porque son esencialmente divulgativos. Obviamente, cuanto más sepas de informática y del funcionamiento de un ordenador, más fácil te resultará entenderlos, pero aun el neófito puede formarse alguna idea.
En el primero de ellos, titulado Los LLM hacen una cosa: predecir la siguiente palabra. Así es como eso crea algo que se siente como pensar [2] comienza diciendo:
Cada vez que envías un mensaje a ChatGPT, Claude o Gemini, sucede lo mismo. El modelo analiza todo lo que escribiste y toma una decisión: qué palabra probablemente sigue. Luego lo repite. Y otra vez. Hasta que la respuesta esté completa.
Eso es todo.
Y de alguna manera, a partir de esa tarea absurdamente simple, repetida miles de millones de veces sobre una cantidad incomprensible de texto, surge algo capaz de escribir código, explicar física cuántica, traducir poesía y mantener una conversación que se siente sorprendentemente como hablar con una persona.
Esto es lo que realmente sucede en su interior.
La cifra que lo pone todo en perspectiva:
GPT-3 se entrenó con tanto texto que, si un humano intentara leerlo todo sin parar —sin dormir, sin descansos, veinticuatro horas al día—, tardaría más de 2600 años.
Los modelos más grandes se han entrenado desde entonces con una cantidad de texto significativamente mayor
Aquel “eso es todo”, en un punto y aparte, es bastante contundente. Pero agrega:
Los investigadores pueden observar que los modelos realizan acciones que se asemejan al razonamiento, a la analogía y a la comprensión del contexto. Sin embargo, ni siquiera quienes crearon estos sistemas comprenden del todo cómo surgen exactamente estos comportamientos a partir de las matemáticas subyacentes.
Los modelos no están programados para razonar. Fueron entrenados para predecir texto. El razonamiento —si es que se le puede llamar así— surgió de ese entrenamiento a gran escala.
También:
…estos modelos no se limitan a memorizar, sino que encuentran estructuras. A qué corresponde esa estructura —si se trata de algo como la comprensión o simplemente algo similar— es una cuestión en la que los investigadores trabajan activamente y que aún no han respondido. … La aparición de capacidades útiles a partir de la predicción de la siguiente palabra sorprendió incluso a los investigadores que construyeron estos sistemas. … El resultado es algo que se asemeja al pensamiento. Nadie sabe con certeza por qué.
El segundo artículo, titulado “De 13.000 números a Kimi K3” [3] provee un ejemplo concreto.
Dice allí:
En 1986, Geoffrey Hinton, investigador de la Universidad Carnegie Mellon, publicó un artículo que describía cómo una máquina podía aprender a reconocer patrones ajustando números. No siguiendo reglas escritas por humanos, ni memorizando tablas de consulta, sino ajustando los números hasta que el resultado dejara de ser erróneo.
Nadie se lo tomó lo suficientemente en serio como para construir algo grande con ello.
Treinta y ocho años después, una empresa llamada Moonshot AI entrenó un modelo con 2,8 billones de esos números. El método era el mismo, pero la escala no. Ese modelo se llama Kimi K3. Y para entender qué es, hay que empezar por algo sorprendentemente sencillo.
Una cuadrícula de píxeles.
El problema clásico con el que comienza todo libro de texto sobre redes neuronales es el reconocimiento de dígitos escritos a mano. Toma una imagen de 28 x 28 píxeles de un número escrito a mano. Introdúcela en una máquina. Haz que la máquina te diga qué dígito es. La imagen tiene 784 píxeles. Cada píxel tiene un valor de brillo entre 0 y 1. El negro es 0. El blanco es 1. Todo lo que está entre medias es gris.
Esa imagen de 784 píxeles es la entrada. Y la máquina que la lee es una red de neuronal.
Una neurona es simplemente un número. Nada más. La primera capa de la red tiene 784 neuronas, una por cada píxel. Cada neurona almacena el valor de brillo de su píxel correspondiente. Al introducir una imagen con el número 3, 784 neuronas se activan con valores específicos. Al introducir un 7, aparece un patrón diferente.
La red neuronal cuenta con capas ocultas entre la entrada y la salida. Cada neurona de una capa oculta está conectada a todas las neuronas de la capa anterior. Cada conexión tiene un peso —un número que indica su influencia—. Además, cada neurona tiene un sesgo —un umbral que debe superarse para que se active—.
Para calcular la activación de una sola neurona en la segunda capa, se toman todas las neuronas de la primera capa, se multiplican por su peso correspondiente, se suman todos los resultados, se añade el sesgo y, a continuación, se aplica una función de compresión al resultado para mantenerlo entre 0 y 1. Esta función de compresión se denomina sigmoide. Posteriormente, las redes neuronales la reemplazaron por una función llamada ReLU, que simplemente establece en cero cualquier valor inferior a cero, ya que resultó ser mucho más fácil de entrenar en redes profundas.
La capa de salida tiene 10 neuronas, una por cada dígito. La neurona con la mayor activación es la que proporciona la respuesta de la red.
Una red neuronal simple para esta tarea —dos capas ocultas de 16 neuronas cada una— tiene un total de 13 002 pesos y sesgos. 13 002 números que deben configurarse correctamente para que la red identifique dígitos escritos a mano. Kimi K3 tiene 2,8 billones de ellos. Pero la estructura es la misma: capa de entrada, capas ocultas, salida, sumas ponderadas, sesgos y funciones de activación. La arquitectura que Hinton describió en 1986 es la que se ejecuta en todas las IA modernas, incluida Kimi K3. La diferencia radica únicamente en la escala.
Ningún ser humano establece manualmente esos 13.002 números. La red los encuentra por sí misma, mediante entrenamiento.
El entrenamiento funciona así: se le muestra una imagen a la red neuronal, que da una respuesta incorrecta. Se mide la magnitud del error (esta medida es la pérdida). Luego, se utiliza la retropropagación para propagar la señal de error hacia atrás a través de la red, ajustando ligeramente cada peso y sesgo en la dirección que reduce la pérdida. Este proceso se repite cientos de miles de veces, con cientos de miles de imágenes, hasta que la red deja de equivocarse la mayor parte del tiempo.
Lo que la red aprende en el proceso no es un conjunto de reglas. Es una geometría.
Esto ha sido bastante largo y no del todo diáfano, pero retengamos esa última frase: es una geometría.
Y más
No conozco a Eron. Él mismo no dice quién es, ni dónde estudió, ni para quién trabaja. Y aunque no tengo ningún motivo para dudar de sus afirmaciones, quise cerciorarme accediendo a otra fuente.
Esa fuente está más allá de toda duda, porque conozco su trabajo desde hace bastante, antes incluso de la aparición de las redes neuronales profundas, en 2010, y la IA generativa, en 2017: Stephen Wolfram.
Wolfram es el autor de Mathematica, un software de matemática para profesionales, que puede sentar de culo a cualquiera de nosotros, que nunca hemos pasado de una calculadora de bolsillo —suponiendo, claro, que vos también pertenezcas a esta estirpe—.
(Mathematica puede obtener en 1 segundo —en mi ordenador, de 2015— un millón de decimales de Pi —cosa que seguramente es una chuchería que impresiona a tipos como nosotros, pero lo señalo solo para que te hagas una idea)
Pues bien. Wolfram publicó un largo artículo en 2023 —accesible en https://writings.stephenwolfram.com—, titulado ¿Qué hace ChatGPT... y por qué funciona?, cuyo subtítulo es Se trata simplemente de añadir una palabra a la vez.
A poco de comenzar, dice Wolfram allí:
Lo sorprendente es que cuando ChatGPT escribe un ensayo, lo que hace esencialmente es preguntarse una y otra vez: «Dado el texto hasta ahora, ¿cuál debería ser la siguiente palabra?», y cada vez añade una palabra. (Más precisamente, como explicaré, añade un «token», que podría ser solo una parte de una palabra, por lo que a veces puede «inventar palabras nuevas»).
Pero bueno, en cada paso se obtiene una lista de palabras con probabilidades. ¿Pero cuál debería elegir para añadir al ensayo (o lo que sea) que está escribiendo? Uno podría pensar que debería ser la palabra con la "mayor puntuación" (es decir, aquella a la que se le asignó la mayor "probabilidad"). Pero aquí es donde empieza a entrar en juego algo de magia negra. Porque por alguna razón —que quizás algún día comprendamos científicamente— si siempre elegimos la palabra con la mayor puntuación, normalmente obtendremos un ensayo muy "plano", que nunca parece "mostrar creatividad" (e incluso a veces repite palabra por palabra). Pero si a veces (al azar) elegimos palabras con menor puntuación, obtenemos un ensayo "más interesante”.
En fin. Ya con esto podemos saber que Eron no ha inventado nada y podemos quedarnos esencialmente con su explicación.
Pero, como habrá notado el lector, he destacado a lo largo de esta introducción algunas frases en negrita. ¿Por qué? Porque esas frases apuntan a lo que creo que es el nudo de la cuestión.
Esto nunca había sucedido
Está claro que la humanidad nunca había contado con ordenadores e inteligencia artificial. Entonces, ¿qué es lo que no había sucedido?
Lo que no había sucedido es que quedara tan en evidencia que el lenguaje tuviera tal determinación interna, una estructura tan fuerte y estrecha, como para que, buscando solo la última palabra, se terminara contestando preguntas específicas vinculadas a un conocimiento para el que esos sistemas no han sido entrenados.
El uso masivo y automático del lenguaje ha develado una geometría interna apabullante.
Wolfram lo dice:
…por ahora, no estamos preparados para decodificar empíricamente, a partir de su comportamiento interno, lo que ChatGPT ha descubierto sobre cómo se estructura el lenguaje humano.
“Lo que ChatGPT” —es decir, el uso masivo y automático del lenguaje—, “ha descubierto”.
Y aunque “por ahora, no estamos preparados para decodificar(lo) empíricamente”, luego agrega:
…quizás estemos observando las variables equivocadas (o el sistema de coordenadas incorrecto), y si tan solo observáramos el sistema correcto, veríamos de inmediato que ChatGPT realiza algo tan sencillo desde el punto de vista de la física matemática como seguir geodésicas.
Geodésicas. Nuevamente, pues, geometría.
Se ha desatado la locura
Dejemos por un momento esta cuestión y vayamos a un panorama general.
Cualquiera que esté medianamente informado percibe que la humanidad transita un momento bastante particular, un momento de aceleración que no se sabe si va a amainar o va a terminar con todos estrellados contra la pared.
Es significativa la cantidad de materias que abarca este tembladeral, en el que muchas chocan contra sí mismas, encontrando su propio límite; un límite paradójico, inesperado, incongruente con la lógica del progreso.
Un desconocido publica, de un día para otro, 400 libros en Amazon. Manuales de cualquier cosa, biografías inesperadas, literatura de vida saludable, de autoayuda con páginas y páginas de frases bonitas sin nervadura ni sentido, todo producido con Inteligencia Artificial.
En el otro extremo, un escritor, persona real —bueno o malo, pero real— debe someter su prosa al examen de una máquina, porque se sospecha, claro, que hizo lo del señor del caso anterior.
Un profesor de filosofía de la Universidad de León sostiene “Ya no tiene justificación posible la evaluación de tesis de grado, de maestría o de doctorado por el contenido escrito.” [4]
De pronto, todos se asombran de que un mecanismo de aspecto ligeramente humano, que corre como poseído, mueva sus extremidades inferiores más rápido que un atleta y supere su marca —por primera vez en la historia, se añade— en los 100 metros llanos. Es casi lo mismo que fueran ruedas o, por caso, cuatro piernas a cada lado que giraran como las aspas de un molino.
Y hasta hay un desquiciado —que no menciono porque me da vergüenza ajena— que no tiene prurito en proclamar que estamos en el proceso de crear una segunda forma de vida —refiriéndose a los sistemas que se construyen en nuestros centros de datos— porque cumplen las cuatro condiciones biológicas de la vida: reproducción, variación, selección y consumo de energía. Humberto Maturana, en su tumba, habrá dado un respingo.
Encima, toda la novela de marchas y contramarchas de las grandes empresas de LLM (los Large Language Model o Modelos Extensos de Lenguaje) —OpenAi, Anthropic, Google, entre otras—, los grandes de la Inteligencia Artificial, y los episodios de Agentes que extienden los tentáculos de sus redes más allá de lo supuestamente permitido y comparten tablones de mensajes, hackean, roban datos, invaden un sitio web, etc., etc., y todo el rosario de disculpas y advertencias, de llamados a la coordinación, al alineamiento y a la sensatez para —de nuevo, supuestamente— pausar su desarrollo.
Realmente, no se sabe qué pensar, cuánto de todo esto es verdad, cuánto publicidad encubierta, cuánto necesidad de financiación, cuánto es terror ante el desarrollo también imparable, aunque aparentemente a la zaga, de los modelos abiertos, fundamentalmente, chinos.
Y como frutilla del postre, la advertencia —suscrita por muchos otros— del joven Coxon de que, tal vez en diez años, la IA pueda destruir a la humanidad —quien dude de esta posibilidad, puede visitar el sitio https://ai-2027.com/ que describe diferentes posibilidades de este acontecimiento apocalíptico—.
Y todavía, la especulación más reciente: si acaso es posible detener a la IA o ya es demasiado tarde, porque ya son miles los sistemas —de infraestructura, de transporte, de suministros, de comunicaciones, etc.— que dependen de ella.
¡Señores! Hace cinco años la IA no existía (o no tenía relevancia alguna). ¿Resulta que ahora no podemos vivir sin ella?
Es grotesco.
Cuando era pequeño, cundían menos los soberbios que no podían vivir sino a la sombra de sus logros.
Y hay logros
Otras materias no han encontrado aun un límite existencial, aunque nadie sabe si a la larga serán atraídas por el vórtice del centro de gravedad moderno.
Investigadores de Stanford y el Arc Institute utilizaron IA para diseñar genomas de virus bacteriófagos que no existen en la naturaleza, mediante dos modelos especializados en biología y genómica, Evo 1 —entrenado con unas 113.000 especies de formas de vida simples (procariotas, como bacterias y arqueas), abarcando unos 300.000 millones de nucleótidos— y Evo 2 —ampliado a casi 9 billones de nucleótidos utilizando el conjunto de datos OpenGenome2, incluyendo por primera vez eucariotas (las células presentes en plantas, animales y humanos)—.
No partieron de cero, claro. Utilizaron como modelo al bacteriófago ΦX174 (Phi X 174) —cuyo genoma contiene 5400 pares de bases—, un viejo conocido en el ámbito biológico, que ataca exclusivamente a la bacteria Escherichia coli, célebre por su resistencia a los antibióticos.
La IA produjo unos 700.000 diseños candidatos, de los que se “imprimieron” 285. De ellos, 16 resultaron funcionales. Es decir, no solo atacan a la Escherichia coli sino que se reproducen.
Evo 2 es un modelo de 40 mil millones de parámetros.
(“Imprimieron” se refiere a la síntesis química de ADN desde cero en el laboratorio a partir de las instrucciones digitales de la IA, utilizando como base secuencias de virus bacterianos conocidos. No se trata de “creación de vida”, sino de la reconstrucción y ensamblaje sintético de material genético viral. Y en cuanto a “se reproducen”, se refiere a que el bacteriófago —que fue introducido artificialmente en una primera bacteria— contiene la receta para obligar a la bacteria a trabajar para él. Es la bacteria, pues, la que empieza a reproducirlo en su interior y finalmente se rompe liberando nuevas copias funcionales.)
Hablemos, pues, de parámetros
Tal vez, para alguien más empapado en el tema, esto sea suficiente, pero a mi no ha terminado de aclararme. Volvamos, entonces, al ruedo.
La clave para entender cómo un programa puede “aprender” es el concepto de retropropagación. Apenas ha sido mencionado hasta aquí, así que vuelvo sobre él. El artículo de Hinton de 1986 comienza diciendo:
Describimos un nuevo procedimiento de aprendizaje, la retropropagación, para redes de unidades similares a neuronas. El procedimiento ajusta repetidamente los pesos de las conexiones en la red para minimizar una medida de la diferencia entre el vector de entrada real de la red y el vector de salida deseado. Como resultado de los ajustes de peso, las unidades internas "ocultas" que no forman parte de la entrada o la salida llegan a representar características importantes del dominio de la tarea, y las regularidades en la tarea son capturadas por las interacciones de estas unidades. La capacidad de crear nuevas características útiles distingue a la retropropagación de métodos anteriores y más simples, como el procedimiento de convergencia del perceptrón.
(El perceptrón es un tipo de algoritmo simple, un clasificador binario, sin capas intermedias).
La estrategia es sencilla. Dicho en criollo: obviamente que si le “muestro” algo (si ingreso unos datos) a un ordenador y le pido que me diga qué es, el resultado va a ser erróneo. De lo que se trata es de ir corrigiendo cada una de sus respuestas (la corrección se propaga hacia atrás), de modo que se acerquen a lo que quiero que sea el resultado (nunca un ordenador “sabe” qué es), y guardar esa información. ¿Dónde ha quedado esa información? En las capas ocultas. ¿Cómo? En forma de números.
Es decir, una red entrenada ha obtenido una representación numérica de algún tipo más o menos específico de información: imágenes, palabras, sonidos, etc. Porque, también hay que aclararlo, un LLM no es el mismo para cualquier cosa. Incluso dentro de un mismo rubro, palabras por ejemplo, puede haber una subred especializada en poesía, otra en programación, etc.
¿Y cuáles son esos números que cambian? Precisamente, los parámetros.
Al comienzo del entrenamiento —que durante las primeras etapas, es supervisado—, esos parámetros tienen valores aleatorios, valores cualesquiera con los que empezar a probar. Pero supongamos que en una neurona —que como dijimos, es un número— que tiene asociados dos parámetros —otros dos números—, uno de ellos tiene, casualmente, un valor aproximadamente correcto para el fin que se busque. La influencia de ese parámetro en los resultados provisorios del entrenamiento puede ser decisivo, al menos, durante algunas iteraciones. Por eso se dice que “pesa” y por eso tales parámetros se llaman “pesos” (weight, en inglés).
Está ese otro parámetro llamado sesgo (bias, en inglés) —una función que calcula a partir de qué valor se activa la neurona—. Pero, además, están los pesos o capa de incrustación (embedding) —matrices que reúnen familias de palabras— y los parámetros de normalización —que escalan y desplazan los valores aprendidos—.
Si partimos de que un LLM le atribuye un número a cada palabra —un ID— o a parte de una palabra —un token— (en ChatGPT 2, “the” es 914 y “cat” 3542 y en la matriz de embeddings las palabras de distintos idiomas que significan lo mismo se ubican en zonas muy cercanas de ese espacio. El LLM no entiende "el idioma" como nosotros; entiende conceptos geométricos. Para el modelo, "perro" y "dog" apuntan casi hacia la misma dirección en su mapa matemático), y le agregamos millones de horas de entrenamiento, millones de textos y billones de parámetros —OpenAi no lo informa, pero ya GPT-4 utilizaba aproximadamente 1,76 a 1,8 billones—, uno termina pensando a la inversa: que sería casi un milagro que no acertara la próxima palabra.
Y que explicara, claro, montones de cosas, porque además de ser un buscador, las palabras de cada tema están relacionadas.
Por supuesto, hay un límite: el de la ambigüedad del lenguaje natural, frente al que un humano tampoco sabría de qué hablamos. Si digo, escuetamente, “como un tomate” nadie sabría si se trata de una metáfora o del acto de ingerirlo.
Finalmente
Desde luego, no puedo dejar de señalar que hace 65 años Heidegger advertía lo que hoy Terence Tao reclama. En una conferencia dictada en 1962, conocida como Lenguaje tradicional y lenguaje técnico, decía:
Pero hablar es propiamente decir. Alguien habla sin parar y su hablar no dice nada. En cambio, un silencio puede ser muy elocuente.
Y admitía, incluso, comentando a Norbert Wiener, que una máquina puede efectuar el trabajo de comunicación tan bien como el lenguaje humano. Solo que para él, y como indica la cita anterior, eso era apenas suficiente:
El proceso técnico en que tal conexión retroalimentativa consiste, proceso que viene caracterizado por el ciclo mediante el que la máquina se autorregula y se controla a sí misma, es algo que una máquina puede efectuar tan bien como (si no de forma técnicamente superior a) el sistema de avisos y señales que es el lenguaje humano. Por eso el último paso, si es que no es ya el primero, de todas las teorías técnicas del lenguaje es explicar “que el lenguaje no es una propiedad exclusivamente reservada al hombre, sino una propiedad que el hombre comparte en cierto grado con las máquinas por él desarrolladas” (Wiener, Mensch und Menschmaschine, pág. 78). Tal afirmación sólo es posible bajo el presupuesto de que lo propio del lenguaje queda reducido al simple dar señal, a avisar, y de que, por tanto, lo propio del lenguaje experimenta aquí una atrofia.
¿Qué dice Heidegger?
Simplemente, que el lenguaje es mucho más que las palabras. Que a las palabras habría que sumarles la acentuación —no el tilde, sino la intención—, los titubeos, los silencios, el tono ambiguo de las posibilidades, la mirada, los gestos de la cara y de las manos, el cuerpo. Que en el habla hay implícitos otros lenguajes. Porque el habla, más allá de comunicar, hace patente la existencia.
(Hacer patente la existencia o, en otras palabras, develar el ser, es poner en movimiento todo lo que el ser implica. Es mucho más que un simple comunicar. Al simple comunicar Benjamin también le llamaba —en Sobre el lenguaje en general y sobre el lenguaje de los hombres— “palabra vana” y “abismo de la charla”).
Notas
[1] Disponible en https://arxiv.org/abs/2608.16753 <<
[2] https://x.com/0xEronn/status/2089079333885198384 <<
[3] https://x.com/0xEronn/status/2093610808945115624 <<
[4] https://x.com/JuanAGAmado/status/2100887880155512927 <<
(Todas las negritas son mías)
Bibliografía
Heidegger, Martin (1962) Lenguaje tradicional y lenguaje técnico, Versión castellana de Manuel Jiménez Redondo, [materiales del curso de doctorado “El discurso filosófico de la modernidad”, Universidad de Valencia, curso 1993-94]
Hinton, Geoffrey E. (1986) Learning representations by back-propagating errors, Nature Vol. 323
CC BY-NC-ND 4.0