Hay algo en lo que un bebé humilla a ChatGPT sin despeinarse: aprender un idioma con una fracción mínima de datos. Los niños aprenden mejor que la IA y encima lo hacen con un presupuesto ridículo de palabras.
La cifra da vértigo: un modelo de lenguaje masivo puede digerir cien mil veces más palabras que un niño antes de dominar su lengua materna. Es lo que los científicos llaman brecha de eficiencia de datos y, según un análisis de MIT Technology Review, nadie ha logrado cerrarla del todo.
La brecha de datos que deja en ridículo a la IA
Michael C. Frank, científico cognitivo de Stanford, lo resume sin piedad: para replicar lo que pasa en un salón durante un año hay que quemar un bosque y rascar todo el conocimiento humano. No es una exageración poética: los modelos actuales entrenan con volúmenes de texto que solo se explican con metáforas.
Un modelo como Llama 3.1 trituró 15 billones de tokens antes de afinarse. Un niño criado en un hogar rico en lenguaje puede oír unos 100 millones de palabras antes de la adolescencia. Si sumas lectura, llegas a 300 millones a los 20 años. Esa brecha se llama diferencia de escala, y duele.
Ethan Gotlieb Wilcox, de Georgetown, traduce la escala a una imagen que se queda grabada: Claude ha visto el lenguaje de toda una ciudad durante una generación. Si imprimes las palabras de un modelo moderno, la pila supera la Estación Espacial Internacional. La de un niño preadolescente apenas llega a 20 metros.
Frank lo remata con un dato que escuece: si entrenas GPT-2 con 30 millones de palabras, obtienes un generador de sinsentidos, no un niño. Un bebé arranca con esa cifra y produce frases gramaticalmente correctas. La diferencia no es de matiz, es de naturaleza.
Un bebé no necesita leer internet entero para aprender a hablar; las máquinas, de momento, sí.
BabyLM: entrenar a una IA con el oído de un niño
Para entenderlo, un grupo de investigadores montó en 2022 el reto BabyLM. La idea es simple: entrenar modelos de lenguaje con un corpus de solo 100 millones de palabras (o 10 millones en la pista bebé) y ver hasta dónde llegan. Alex Warstadt, uno de los impulsores, llevaba desde 2019 escuchando la misma objeción: los modelos aprenden, sí, pero con datos inhumanos.
Las pruebas son las que usan los psicolingüistas con humanos. Una frase como 'The keys to the cabinet are on the table' frente a 'The keys to the cabinet is on the table' revela si el modelo se mosquea con la gramática rota. En un niño se nota en la mirada; en una IA, en la sorpresa estadística. El detalle incómodo: la técnica de currículum, que muchos creían clave, no funcionó tan bien.
Chomsky, Skinner y una pelea que aún no se cierra
El misterio no es nuevo. En los años 50, Noam Chomsky defendió que los bebés nacen con un instinto gramatical; su rival, B.F. Skinner, apostaba por puro aprendizaje ambiental. La idea de Chomsky ganó durante décadas, hasta que los grandes modelos demostraron que la estadística pura puede aprender sintaxis. Pero nadie sabe aún cómo un niño hace más con menos.
Ahí está el giro bonito: los modelos tipo ChatGPT no son cerebros, son máquinas de patrones. Y sin embargo aprenden gramática, algo que muchos lingüistas no esperaban. Alison Gopnik lo dice claro: aprenden sintaxis. Lo que no ha aparecido es la receta para hacer magia con migajas de datos. Spoiler: seguimos sin ella.
Las implicaciones van más allá de la curiosidad científica: si se cierra la brecha, entrenar IA en vídeo o crear chatbots en lenguas minoritarias costaría mucho menos. Por eso BabyLM no es un capricho de lingüistas, es una búsqueda con utilidad real.
📱 El TL;DR (Too Long; Didn't Read)
- 👤 De quién hablamos: Los niños y los modelos de lenguaje como GPT o Claude.
- 📲 En qué red social ha pasado: En X y en comunidades científicas, con base en un análisis de MIT Technology Review.
- 🔥 Por qué es viral: Porque un bebé aprende mejor que una IA con muchísimos menos datos.
