Español
En 2012, Google describió una red neuronal que había aprendido una característica que respondía intensamente a las caras de gatos tras entrenarse con imágenes de YouTube sin etiquetar. Nadie había proporcionado una etiqueta de «gato» durante ese entrenamiento. Naturalmente, internet lo interpretó como prueba de que hasta una computadora enorme podía distraerse con gatos.
El chiste era bueno. La pregunta de investigación era mejor: ¿podían surgir características visuales útiles a partir de grandes cantidades de datos sin que alguien etiquetara antes cada ejemplo?
Qué encontrarás en este artículo
- Por qué el gato se convirtió en la noticia
- Qué hizo el experimento
- Qué significa una neurona del gato
- Cómo interpretar los resultados
- La conexión con la visión biológica
- AlexNet y TensorFlow
- Lo que el experimento sigue enseñándonos
- Preguntas frecuentes
Por qué el gato se convirtió en la noticia
Los gatos ya tenían un lugar cómodo en la cultura de internet. Nuestro recorrido por la historia de Longcat (en inglés) sigue una de las muchas formas en que una imagen felina podía convertirse en un chiste compartido en línea. Un resultado científico con otro gato llegó con su propio comité de bienvenida.
El anuncio de Google del 26 de junio de 2012, firmado por Jeff Dean y Andrew Ng, explicaba que una unidad artificial se había vuelto sensible a los gatos mediante la exposición a fotogramas sin etiquetar. La descripción para el gran público era aprendizaje autodidacta.
Es memorable porque podemos imaginarnos el resultado. «Un sistema aprendió una representación útil» necesita una explicación. «Una computadora encontró los gatos» ya tiene titular, miniatura y sección de comentarios.
Qué hizo el experimento
Building High-level Features Using Large Scale Unsupervised Learning, de Quoc Le y sus colaboradores, se presentó en ICML 2012. El experimento utilizó diez millones de imágenes de 200 por 200 píxeles, tomando una por video de YouTube para reducir la duplicación.
El modelo tenía aproximadamente mil millones de conexiones y se entrenó durante tres días en 1.000 máquinas que contenían 16.000 núcleos de CPU. Es decir, 16.000 núcleos, no 16.000 computadoras distintas.
En esa etapa aprendió características visuales sin etiquetas de categorías. Los experimentos posteriores de evaluación y clasificación sí utilizaron datos etiquetados.
Por tanto, «no supervisado» no significa que los investigadores no tuvieran ningún papel. Eligieron la arquitectura, el objetivo de entrenamiento, los datos y la evaluación. Significa que un tipo concreto de señal de aprendizaje —las etiquetas que nombraban los objetos de las imágenes de entrenamiento— estaba ausente en la etapa de aprendizaje de características.
Piensa en la diferencia entre recibir una caja de fotografías con separadores identificados y tener que encontrar estructuras visuales recurrentes en un montón sin ordenar. Es solo una analogía, pero se acerca más que imaginar a un diminuto investigador consciente viviendo dentro de un servidor.
Qué significa una neurona del gato
El equipo encontró unidades sensibles a rostros humanos, cuerpos y caras de gatos. Una neurona artificial es un componente numérico de un modelo; su activación puede ponerse a prueba con distintas entradas.
Una respuesta intensa a las caras de gatos es una característica aprendida interesante. No demuestra conocimiento de los gatos como seres vivos, de su comportamiento ni del hecho de que la costosa cama que compraste seguirá sin usarse.
La visualización borrosa del gato era una entrada optimizada que activaba intensamente una unidad, no una fotografía recuperada ni una imagen literal de las creencias de una máquina.
Estas visualizaciones pueden facilitar la investigación del comportamiento de un modelo. Aun así, necesitan interpretación y otras pruebas. Una imagen que nos parece significativa no es una explicación completa de todo lo que hace una red. Nuestra guía sobre IA explicable (en inglés) explora ese problema más amplio.
Interpretar los resultados sin perder de vista lo importante
El artículo informa de una exactitud de alrededor del 75 % para una unidad sensible a los gatos y del 81,7 % para la unidad más potente de rostros humanos. En la prueba de rostros, predecir siempre «no es un rostro» obtuvo un 64,8 %; una referencia de comparación basada en filtros lineales muestreados alcanzó el 74 %.
Son resultados de conjuntos de datos y procedimientos de evaluación concretos, no tasas universales de acierto para identificar todos los gatos de internet. La referencia de comparación importa porque una prueba con categorías de tamaños desiguales puede premiar una estrategia muy poco útil.
El experimento más amplio de clasificación de imágenes alcanzó una exactitud del 15,8 % en aproximadamente 22.000 categorías tras un ajuste fino supervisado, frente a un resultado anterior citado del 9,3 %.
La distinción importante está entre aprender una representación y utilizarla para una tarea de clasificación con etiquetas. El experimento hizo ambas cosas, en etapas distintas. Describir todo el resultado como una máquina que aprende todo sin etiquetas proporcionadas por humanos borra esa distinción.
La conexión con la visión biológica
Hay una atractiva simetría felina en esta historia. David Hubel y Torsten Wiesel estudiaron neuronas de la corteza visual de los gatos y ayudaron a establecer cómo las células responden selectivamente a características visuales como bordes con determinadas orientaciones.
La conferencia Nobel de Hubel de 1981 relata el desarrollo de ese trabajo. Sus descubrimientos sobre el sistema visual les valieron la mitad del premio de Medicina de aquel año; Roger Sperry recibió la otra mitad por un trabajo diferente sobre los hemisferios cerebrales.
Las ideas sobre el procesamiento visual por capas contribuyeron a inspirar la investigación en visión artificial. Inspiración no significa identidad: un detector artificial de características no demuestra que un cerebro biológico utilice el mismo mecanismo, y una sola unidad selectiva de software no puede resolver los debates sobre cómo se representan los conceptos en el cerebro.
El gato aparece a ambos lados de la historia: como animal cuya visión se estudió y como imagen que una máquina aprendió a distinguir. Esa conexión es suficientemente interesante sin afirmar que todos los modelos de visión descienden de una única línea genealógica recta.
AlexNet y TensorFlow fueron partes distintas de la historia
Otro resultado importante de 2012 fue AlexNet, de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton. Su red convolucional supervisada y su implementación en GPU se convirtieron en una demostración importante del aprendizaje profundo para la clasificación de imágenes.
Es tentador presentarlo como una victoria de las GPU sobre el enorme clúster de CPU del experimento del gato. Pero las tareas, las arquitecturas y los regímenes de entrenamiento eran distintos. Un enfrentamiento directo de hardware requeriría una comparación controlada, no dos cifras llamativas extraídas de proyectos separados.
Tampoco la notoriedad de AlexNet significa que el aprendizaje con datos sin etiquetar simplemente desapareciera. Los dos enfoques abordaban oportunidades distintas, y las etapas supervisadas y no supervisadas ya podían combinarse.
La infraestructura de Google también tuvo una vida más allá del titular del gato. En su anuncio de TensorFlow de 2015, Google describió DistBelief como el sistema interno anterior utilizado para esta investigación y otras aplicaciones, entre ellas el reconocimiento de voz e imágenes.
TensorFlow se presentó como un sistema de segunda generación más flexible, publicado como código abierto. Esa descripción es más precisa que decir que el propio modelo del gato se convirtió en TensorFlow: el modelo aprendido y la infraestructura de software utilizada para construir modelos son cosas distintas.
Lo que el experimento sigue enseñándonos
La idea perdurable es que se pueden aprender estructuras útiles a partir de datos sin que alguien nombre explícitamente cada característica que después nos resulte útil. Eso conecta esta historia con el aprendizaje moderno de representaciones, pero no convierte todas las técnicas de IA en una misma receta.
Por ejemplo, los modelos de lenguaje aprenden mediante tareas de predicción (en inglés) con otros datos y objetivos. La semejanza es general: el entrenamiento puede producir representaciones internas útiles más allá de un ejemplo individual. No demuestra que el reconocimiento visual, la generación de lenguaje y el razonamiento sean intercambiables.
Los propios datos también importan. Los videos subidos son una selección de lo que las personas graban y comparten, no un inventario equilibrado de la realidad. Encontrar un patrón reconocible en esa colección no nos dice cuán común es en todos los demás lugares.
Esa es la lección que hay debajo del chiste: pregunta qué vio un sistema, para qué se entrenó y cómo se puso a prueba el resultado. Después, por supuesto, disfruta del hecho de que un proyecto de investigación carísimo le dio a internet otro gato.
Preguntas frecuentes
¿La red de Google entendía a los gatos?
Aprendió una característica visual que respondía a caras de gatos. Ese resultado no demuestra los conocimientos más amplios ni la experiencia vivida que asociamos con entender a un animal.
¿Recibió imágenes etiquetadas como «gato»?
No durante el aprendizaje no supervisado de características. Sí se utilizaron etiquetas en la evaluación posterior y en el trabajo de clasificación supervisada.
¿El gato borroso era una fotografía?
No. Visualizaba una entrada que activaba intensamente una unidad aprendida.
¿Así funcionan todos los sistemas modernos de IA?
No. Ilustra una idea más general sobre el aprendizaje de representaciones, mientras que los sistemas modernos pueden diferir mucho en arquitectura, datos, objetivos y entrenamiento posterior.
Traducción al español del artículo original en inglés del 2026-08-12. Traducido con ayuda de IA el 1 de noviembre de 2026; las referencias temporales siguen siendo las del original.
