🔍 artículos IA 2026Inteligencia artificial: los artículos de…
Hablamos en telegrama.
2011Asistente de voz
🎙️«Oye, busca artículos sobre IA.»«No he encontrado nada para "artículos de IA".»
Solo órdenes fijas.
2022Lenguaje natural
«¿Me buscas lo que se ha publicado este año sobre IA y lenguaje, y me lo resumes en tres ideas para mis alumnos?»
Pides como a una persona.
La persona se adapta a la máquinaLa máquina se adapta a la persona
El lenguaje natural es ya la interfaz… y es ambiguo: por eso importa la lingüística.
01 ¿Qué ha cambiado? · la IA en 2026
Ya no solo habla: razona, actúa y descubre.
🧠
Razona
Escribe sus pasos antes de responder.
desde 2024
🛠️
Actúa
Busca, ejecuta código y encadena tareas.
2024–2026
👁️
Ve y oye
Entiende fotos, voz y vídeo.
2023–2026
🔭
Descubre… con ayuda
Oro en la Olimpiada de Matemáticas 2025 y algoritmos nuevos.
2023–2025
Ya no trabaja solo: herramientas, evaluadores y personas lo rodean.
Razonamiento: OpenAI o1 (2024), DeepSeek‑R1 (2025) · IMO 2025: Gemini Deep Think, 35/42, oro certificado (OpenAI anunció lo mismo sin certificar) · FunSearch (Nature, 2023) · AlphaEvolve (2025).
01 ¿Qué es lo humano?
«Una máquina nunca podrá…»
ganar al campeón de ajedrez1997
ganar al go2016
traducir con naturalidad2016
escribir un soneto2022
contar las erres de strawberry2024
ganar un oro en la Olimpiada de Matemáticas2025
Si lo humano es lo que la máquina aún no sabe hacer…
…cada año somos un poco menos humanos. Algo falla en la definición.
Busquemos otra: no en lo que a la máquina le falta, sino en lo que nosotros somos.
Pregunta¿Qué es lo humano? Cuatro espejos nos ayudarán a buscarlo.
01 Cuatro espejos
Cuatro preguntas sobre la máquina… que son preguntas sobre nosotros.
No son miedos irracionales: son dudas razonables. Y cada una, mirada de cerca, nos devuelve un reflejo.
🧮Sobre la máquina¿Razona?Espejo 1
REFLEJO 1 · RAZONAR
¿Cómo pensamos nosotros?
Cuatro formas de pensar
🎨Sobre la máquina¿Crea?Espejo 2
REFLEJO 2 · CREAR
¿Qué hace valioso lo nuevo?
Hallazgos que nadie buscaba
Lo kitsch
🧠Sobre la máquina¿Entiende?Espejo 3
REFLEJO 3 · ENTENDER
¿Qué es entender, para nosotros?
Simular o pensar
Turing frente a Searle
💬Sobre la máquina¿Habla como nosotros?Espejo 4
REFLEJO 4 · HABLAR
¿Qué da sentido a nuestras palabras?
Las compañías de las palabras
Lo que el texto deja fuera
La situación
Espejo 1/4 ¿Razona? · cuatro formas de pensar
Cuatro formas de pensar, con ejemplos sencillos.
DeducciónAristóteles · s. IV a. C.
📅 ⟶ 🔒
regla + caso → conclusión
«Los lunes la biblioteca cierra. Hoy es lunes. Está cerrada.»
Segura, si la regla es cierta
InducciónAristóteles · s. IV a. C.
🦢 🦢 🦢 ⟶ ?
muchos casos → regla
«Todos los cisnes que he visto son blancos. Los cisnes son blancos.» …hasta que ves uno negro.
Probable, nunca segura
AbducciónPeirce · s. XIX
💧 ⟶ 🌧️?
pista → mejor explicación
«El suelo de la calle está mojado. Habrá llovido.» ¿O han pasado los de la limpieza?
Plausible: hay que comprobarla
Pensamiento lateralDe Bono · 1967
🏓 ⟶ 💧
cambiar la pregunta
Una pelota de ping‑pong cae a un tubo estrecho y fijo al suelo. No llegas con la mano. Echas agua: flota y sube.
Nueva: cambia el problema
🪞 Espejo 1 · Razonar
🤔 La duda tiene sentidoResuelve problemas de olimpiada y escribe sus pasos.
🤖 Lo que hace hoyFuerte en reglas y patrones; propone hipótesis.
🪞 Lo que revela de nosotrosPensar es notar el problema y cambiar la pregunta.
Pregunta abierta ¿Quién decide qué problema merece la pena resolver?
Espejo 2/4 ¿Crea? · errores que cambiaron la historia
Muchos avances no se estaban buscando.
1895Rayos XRöntgen investigaba tubos de rayos catódicos y vio brillar una pantalla lejana.
1928PenicilinaUn moho contaminó por descuido las placas de Fleming.
1945MicroondasA Percy Spencer se le derritió una chocolatina junto a un radar.
1968–1980Post-itSe buscaba un pegamento fuerte; salió uno débil.
HeurísticaUn atajo para decidir sin certeza.
Una regla práctica que no garantiza acertar, pero permite avanzar cuando no hay datos ni reglas.
GenialidadVer valor donde nadie lo buscaba.
Fijarse en el moho, en la chocolatina derretida, en el pegamento que no pega. Una capacidad muy humana.
Espejo 2/4 ¿Crea? · lo kitsch, una tesis para debatir
lo ya escrito: los datos de entrenamiento
La IA tiende al centro de lo conocido.
Genera lo más probable a partir de lo que ya ha visto: correcto, fluido… y previsible.
Kitsch es la imitación de los efectos de lo valioso sin el riesgo que lo hizo valioso.
Y si se sale del centro, ¿quién decide si es un error o un hallazgo?
Kitsch: Clement Greenberg, «Avant-garde and kitsch», 1939.
🪞 Espejo 2 · Crear
🤔 La duda tiene sentidoEscribe, dibuja y compone en segundos.
🤖 Lo que hace hoyTiende a lo probable; con un evaluador encuentra algo nuevo (AlphaEvolve).
🪞 Lo que revela de nosotrosCrear es arriesgarse y decidir qué vale.
Pregunta abierta Si encuentra algo nuevo, ¿quién decide si es un hallazgo?
Espejo 3/4 ¿Entiende? · el debate de fondo
¿Simular perfectamente el pensamiento es pensar?
IA débil · «simula»
Reproduce conductas inteligentes
Es una herramienta poderosa, pero simular una mente no es tenerla.
Por ejemplo, Searle: la mente surge de la biología concreta del cerebro; un programa, por sí solo, no basta. (El dualismo de Descartes llega a algo parecido por otro camino: la mente no es materia.)
IA fuerte · «piensa»
Un programa adecuado sería una mente
Con comprensión y estados mentales propios.
Filosofía de fondo: funcionalismo. Lo que importa es la organización, no el material: si un cerebro produce una mente, otro sistema bien organizado también podría.
Dos experimentos mentales famosos ponen a prueba cada postura.
La distinción «IA débil / IA fuerte» es de John Searle (1980).
Espejo 3/4 ¿Entiende? · dos experimentos
Turing, 1950 · la conducta basta
El juego de imitación
A🙋
🧑⚖️
B🤖
Un juez conversa por escrito con A y con B sin verlos. Si no distingue cuál es la máquina, ¿qué razón tiene para negar que piensa?
Searle, 1980 · la conducta no basta
La habitación china
你好吗？
Alguien que no sabe chino
📖 SI ves 你好吗 ESCRIBE 我很好
我很好
你好吗我很好
Siguiendo un libro de reglas, la habitación responde perfecto y pasaría el test. Pero dentro nadie entiende nada: sintaxis sin semántica.
Pregunta ¿Qué tendría que hacer una máquina para que dijerais que entiende?
🪞 Espejo 3 · Entender
🤔 La duda tiene sentidoEn 2025 fue tomado por humano el 73 % de las veces (haciéndose pasar por persona).
🤖 Lo que hace hoySupera pruebas de conducta; ninguna zanja si hay algo «dentro».
🪞 Lo que revela de nosotrosEntender también es algo que vivimos por dentro.
Pregunta abierta ¿Basta manejar símbolos para que signifiquen algo?
Espejo 4/4 ¿Habla como nosotros? · por qué habla tan bien
Una palabra se conoce por sus compañías.
¿Qué palabra falta?
Me tomé un café con leche y una tostada.
Nadie os ha dicho qué es. Lo habéis sabido por las palabras que la rodean.
cafétazacon lechedesayunotomarcalientecafeteracortadoen el bar
Es la hipótesis distribucional: el significado se refleja en las compañías. Es justo lo que aprende un modelo de millones de textos, y por eso habla tan bien.
Harris (1954) · Firth (1957): «Conocerás una palabra por las compañías que frecuenta».
Espejo 4/4 ¿Habla como nosotros? · lo que el texto deja fuera
¿Qué se queda fuera del texto?
📄 Aprende sobre todo de texto, pero no vive en el mundo.
Anclaje del símbolo · Harnad 1990
🌍 Falta el mundo
Aprender chino con un diccionario chino-chino: «dolor → sensación → sentir → dolor…». Nosotros salimos del círculo porque nos ha dolido algo.
Cognición corporeizada · Lakoff y Johnson 1980
🫀 Falta el cuerpo
«Estoy de bajón», «me subió el ánimo», «una idea pesada»: lo triste está abajo; lo difícil, pesa.
Juegos de lenguaje · Wittgenstein 1953
🎲 Falta el uso
«¡Agua!» en el desierto es una petición; en un incendio, una orden; en un barco, una alarma.
Relatividad lingüística · Sapir y Whorf
🔭 Falta la mirada de cada lengua
голубойсинийEl ruso tiene dos azules básicos; en guugu yimithirr no se dice «izquierda», sino «al norte del plato».
Y falta una quinta cosa, la más cotidiana: la situación.
Espejo 4/4 ¿Habla como nosotros? · la quinta: la situación
La misma frase, tres significados.
🚗En el coche, con la ventanilla abierta→ «Sube la ventanilla, por favor.» (una petición)
🏠Visitando un piso de alquiler→ «Este piso no me convence.» (una crítica)
🏖️En la playa, a 40 grados→ «¡Qué calor!» (ironía)
«Hace frío aquí.»
Si le describes la escena, un modelo la interpreta bien. Pero la escena no viene en el texto: alguien tiene que ponerla.
🪞 Espejo 4 · Hablar
🤔 La duda tiene sentidoHabla con fluidez y capta ironías si el texto da pistas.
🤖 Lo que hace hoyConoce las compañías de cada palabra, pero no la escena.
🪞 Lo que revela de nosotrosNuestras palabras se apoyan en lo que vivimos.
Pregunta abierta ¿Puede haber sentido sin haber vivido nada?
01 El espejo completo
Lo que nos devuelven los cuatro espejos.
Espejo 1 · ¿Razona?Elegir la pregunta
Notar el problema y cambiarlo.
Espejo 2 · ¿Crea?Valorar y arriesgar
Reconocer el hallazgo.
Espejo 3 · ¿Entiende?Vivir por dentro
Que algo signifique para alguien.
Espejo 4 · ¿Habla?Compartir la escena
El mundo, el cuerpo y la situación.
🧑Lo humano
Para ver por qué la máquina es como es: de dónde viene (02) y qué hace por dentro (03).
02
Evolución de la IA
¿Cómo hemos llegado hasta aquí, y por qué importa saberlo?
Cuatro capítulos y un epílogo
Índice
La era de las reglas 1950
La era de la estadística 1990
La era del significado aprendido 2013
La era generativa 2017
Epílogo · razonar y actuar2024
Cada capítulo termina con la pregunta que obligó a escribir el siguiente.
Manual de bolsillo
Breve historia de las máquinas que aprendieron a hablar
4 capítulos y un epílogo · 75 años
02 Evolución · el manual
Abramos el libro.
Cuatro capítulos y un epílogo que se está escribiendo. Cada uno resuelve un problema, deja otro abierto… y sigue vivo en lo que usamos hoy.
Capítulo 1 · 1950–1990
La era de las reglas
Idea claveUna persona escribe a mano el conocimiento: «si aparece X, responde Y».
¿Por qué no bastó?El lenguaje tiene infinitas formas. «Mi madre», «mi mamá», «la que me parió»… Nadie puede escribir todas las reglas.
🌱 Sigue vivo enFiltros de seguridad, chatbots de banca con menús, correctores gramaticales.
📚 Pidió a la lingüísticaGramáticas: sintaxis y morfología escritas a mano.
Ejemplo · ELIZA (Weizenbaum, 1966)
Mi madre no me entiende.
Háblame más de tu familia.
Mi jefe tampoco.
¿Por qué dices eso?
Regla: si aparece «madre», preguntar por la familia. Si no hay regla, respuesta comodín.
19501990201320172024hoy
Capítulo 2 · 1990–2013
La era de la estadística
Idea claveEn lugar de escribir reglas, contamos: qué palabra suele venir después de otra en millones de textos.
¿Por qué no bastó?Solo mira dos o tres palabras atrás, y no sabe que «perro» y «can» se parecen: para ella son palabras distintas.
🌱 Sigue vivo enEl teclado predictivo… y la idea central de todo LLM: predecir lo siguiente.
📚 Pidió a la lingüísticaCorpus: recopilar, anotar y medir textos reales.
Ejemplo · el teclado predictivo
Buenos
días63 %
aires8 %
tiempos6 %
Cifras ilustrativas. También: traductores y correctores estadísticos.
19501990201320172024hoy
Capítulo 3 · 2013–2017
La era del significado aprendido
Idea claveCada palabra se convierte en un punto en un espacio: las que aparecen en contextos parecidos quedan cerca (embeddings).
¿Por qué no bastó?Cada palabra tiene un único punto. «Banco» para sentarse y «banco» para sacar dinero quedan mezclados.
🌱 Sigue vivo enBuscadores que entienden sinónimos y la búsqueda en documentos de los asistentes.
📚 Pidió a la lingüísticaSemántica léxica: qué palabras se parecen y por qué.
Ejemplo · word2vec (Mikolov et al., 2013)
rey − hombre + mujer ≈ reina
19501990201320172024hoy
Capítulo 4 · 2017–2024
La era generativa
Idea claveLa atención: cada palabra mira a todas las demás de la frase y ajusta su significado según el contexto. Después se predice la siguiente.
Pregunta abiertaGenera texto muy verosímil. Pero lo verosímil no siempre es verdadero.
🌱 Sigue vivo enTodos los asistentes que usamos hoy.
📚 Pidió a la lingüísticaPragmática y evaluación: ¿es adecuada, verdadera, útil?
Ejemplo · Transformer (2017) → ChatGPT (2022)
Me senté en el banco del parque.
Saqué dinero del banco.
Con atención, «banco» recibe una representación distinta en cada frase: el problema del capítulo 3 queda resuelto.
19501990201320172024hoy
Epílogo · 2024–hoy
La era de razonar y actuar
Idea claveAntes de responder, el modelo escribe sus pasos. Y puede usar herramientas: buscador, calculadora, código.
Pregunta abiertaYa no solo escribe: actúa. Si se equivoca al actuar, ¿quién responde?
🌱 Sigue vivo enAgentes que buscan, programan y usan el ordenador.
📚 Pidió a la lingüísticaEscribir instrucciones y contexto: un género textual nuevo.
Ejemplo · un modelo de razonamiento
¿Cuántas erres tiene strawberry?
💭 Deletreo: s‑t‑r‑a‑w‑b‑e‑r‑r‑y. Erres en las posiciones 3, 8 y 9.
Tiene tres erres.
El misterio del principio, resuelto. Por qué funciona: parte 03, paso 5.
19501990201320172024hoy
03
Cómo funciona un LLM
¿Qué hace cuando le escribimos? ¿Y cómo aprendió a hacerlo? Por el camino, resolveremos el misterio de las erres.
Responder: 5 pasosAprender: 4 etapasEl arnés que lo rodea
El texto se trocea en piezas, y cada pieza es un número.
Fui al banco a sacar
Fui37812
al453
ban8814
co1030
a264
sacar52210
Las piezas se llaman tokens. No son palabras ni sílabas: son los trozos más frecuentes en los textos. Para el modelo, la frase es una lista de números.
Para saber qué es «banco», mira a las demás palabras.
Fuialbancoasacar
La línea más gruesa va a «sacar»: esa pista inclina «banco» hacia el dinero. Cada palabra hace lo mismo con todas las demás. Se llama atención, y es el gran invento de 2017 (capítulo 4).
Por qué fallaba con las erres… y por qué hoy acierta.
2024 · por qué fallaba
Lo que vemos nosotros
strawberry
Lo que «ve» el modelo
str496
aw675
berry15717
Ve tres números, no diez letras.
2026 · por qué acierta
A · Escribe los pasos
Deletrea: cada letra es una pieza que sí ve.
strawberry
erres: 0
B · Usa una herramienta
Escribe un programa y lee el resultado: "strawberry".count("r") → 3
C · Se aprendió la respuesta
El fallo se hizo famoso y entró en el postentrenamiento: a veces no razona, recuerda.
¿Cómo lo aprendió? En el entrenamiento: lo vemos ahora.
03 ¿Cómo aprendió? respuestas ilustrativas
Una pregunta, cuatro etapas de entrenamiento.
La pregunta ¿Cuál es la capital de Francia?
1Preentrenamiento · máquina
📚 Leer y adivinar
Lee 15.000.000.000.000 piezas adivinando la siguiente.
¿Cuál es la capital de Alemania? ¿Y la de Italia?
Continúa textos, no conversa.
2Ajuste con ejemplos · personas
🧑🏫 Imitar ejemplos
Personas escriben pares de pregunta y buena respuesta.
La capital de Francia es París.
Aprende a contestar.
3Preferencias · personas
👍 Aprender qué preferimos
Personas comparan dos respuestas y eligen la mejor.
A · París. ¿Quieres saber algo más de la ciudad? 👍
B · Obviamente, París. Lo sabe todo el mundo. 👎
Aprende tono y prudencia.
4Práctica · máquina
🧩 Practicar problemas
Resuelve problemas comprobables; se premia acertar.
17 × 23 = ? 💭 17×20 = 340; 17×3 = 51 → 391 ✓
Aprende a «pensar» antes de responder.
En cada etapa, personas deciden qué es una buena respuesta.
03 El arnés · harness
El modelo es el motor. El arnés es el coche.
📝InstruccionesQuién es, cómo habla, qué no debe hacer
🧠Contexto y memoriaLo que tiene delante en cada momento
🗂️Documentos y bases de datosBusca y cita fuentes (RAG)
LLMpredice la siguiente pieza
✅EvaluadoresComprueban antes de dar por buena una respuesta
🛠️HerramientasBuscador, código, conectores (MCP)
🎒SkillsPaquetes de instrucciones y ejemplos para una tarea
🔁Bucle de agentePlanificar → actuar → comprobar
Lo que usamos no es un modelo suelto: es un sistema. El arnés decide qué ve el modelo, qué puede hacer y cómo se comprueba. FunSearch y AlphaEvolve son eso: un modelo que propone y un evaluador que filtra.
03 El arnés · el poder del contextoejemplo ilustrativo
El mismo modelo, distinto contexto.
Sin contexto
¿Cuándo acaba el plazo de matrícula?
Normalmente, los plazos de matrícula terminan a finales de septiembre.
✗ GENÉRICO… O INVENTADO
Con contexto
📎 normativa_matricula_2026.pdf · 🎒 skill «atención al estudiante»
¿Cuándo acaba el plazo de matrícula?
Según la normativa de 2026 (art. 4.2), el plazo acaba el 31 de octubre. ¿Quieres el enlace al formulario? [fuente]
✓ CON FUENTE
La diferencia no está en el modelo: está en qué le damos a leer. Elegir, ordenar y redactar ese contexto (instrucciones, documentos, skills) es trabajo lingüístico.
03 En resumen
Aprendió leyendo a predecir la siguiente pieza, y personas le enseñaron a conversar.
Eso explica sus aciertos, sus fallos… y por qué los va corrigiendo:
🍓
No ve letras…
…pero aprendió a deletrear, a usar herramientas y hasta la respuesta. Por eso ya acierta.
Paso 5
🎯
Calcula lo verosímil
No lo verdadero. Sin herramientas, a veces inventa con seguridad.
Paso 4
📄
Aprende de lo escrito
No vive la situación: el mundo, el cuerpo y la escena se los ponemos nosotros.
Espejo 4
🧑🏫
Depende de personas
Alguien decide qué es una buena respuesta y qué contexto recibe.
Entrenamiento y arnés
04
Perfiles: qué aportan las letras
¿Y yo qué pinto aquí?
CamposHumanidadesTareas realesPuestos y sectoresCómo empezar
04 Campos de la lingüística computacional
Cada rama de la lingüística tiene su campo computacional.
Lo que se estudia en Filología y LingüísticaDónde se aplica en la tecnología
Fonética y fonologíaTecnologías del habladictado, voces sintéticas
Morfología y sintaxisAnálisis automáticoetiquetado, corrección
SemánticaBúsqueda por significadoembeddings, RAG
Pragmática y discursoSistemas de diálogoasistentes, chatbots
Lexicografía y terminologíaOntologías y grafosconocimiento estructurado
SociolingüísticaVariación y sesgoslenguas con pocos recursos
Lingüística de corpusDatos de entrenamientocorpus, anotación
Y más: lingüística clínica (detectar trastornos del lenguaje), forense (autoría de un texto), lectura fácil y accesibilidad, enseñanza de lenguas con IA.
04 No solo lingüistas
La IA plantea preguntas que la ingeniería sola no responde.
🏛️
Filosofía
Ética y epistemología: ¿qué es entender?, ¿quién responde de un error?
📜
Historia y documentación
Crítica de fuentes: ¿de dónde salen los datos?, ¿qué voces faltan?
✍️
Literatura y escritura
Estilo, voz y narrativa: la «personalidad» de un asistente se escribe.
🧠
Psicología
Cómo confiamos en una máquina, y cómo nos engañamos.
⚖️
Derecho
Normas y derechos: el Reglamento Europeo de IA (2024).
🎓
Educación
Enseñar a usarla con criterio: alfabetización en IA.
04 Cómo es el trabajo · tres tareas reales
Lo que haces un martes cualquiera.
Datos · anotar
🏷️ ¿Esto es positivo?
El texto
«Genial, otra vez lluvia.»
Tu etiqueta
Sentimiento: negativo · ironía: sí
Un sistema sin pragmática lo leería como positivo. Usas: pragmática.
Diseño · reescribir
💬 Un mensaje de error
Antes
«Error: intención no reconocida.»
Después
«No te he entendido bien. ¿Quieres cambiar la cita o anularla?»
Usas: registro, cortesía y cómo se repara un malentendido.
Evaluación · detectar
🔍 Una traducción
El original
«The nurse told the doctor she was late.»
La traducción
«La enfermera le dijo al médico que llegaba tarde.»
El inglés no dice el género de ninguno: el sistema lo ha sacado de un estereotipo. Usas: análisis lingüístico.
04 Cómo se llaman estos trabajos · en las ofertas suelen ir en inglés
Nueve puestos y dónde buscarlos.
📚 Datos
Anotación y datos lingüísticosData annotator · AI trainer
Un primer proyecto: elige un chatbot, hazle 30 preguntas con ironía, dobles sentidos y variedades del español, y documenta dónde falla y por qué. Eso ya es evaluación lingüística.
Para cerrar
Las máquinas ya hablan. El sentido sigue siendo una pregunta abierta.
🌍
Vivir
el mundo, el cuerpo y la escena que dan sentido a las palabras.
🧭
Elegir
qué pregunta hacer y qué problema merece la pena.
💎
Valorar
reconocer el hallazgo y decidir qué es «bueno».
🤝
Responder
hacerse cargo de las consecuencias.
La tarea: una IA consciente de sus límites y de cómo somos. Para eso hace falta gente que sepa de lenguaje.
Para llevaros
Cuatro preguntas sin respuesta cerrada.
01¿Qué tendría que hacer una máquina para que dijerais que entiende?
02Si una IA encuentra algo nuevo, ¿quién decide si es un hallazgo?
03¿Qué parte de vuestro trabajo es preparación y cuál es juicio?
04¿Lo humano es lo que la máquina no puede hacer… o lo que decidimos no delegar?
Gracias
¿Preguntas?
Adrián Gázquet
Filólogo · lingüista computacional
La presentación, en vuestro móvil: gabuftw.github.io/las-maquinas-ya-hablan
Apéndice
Para seguir leyendo
McCarthy, J. et al. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
Moravec, H. (1988). Mind Children.
Turing, A. (1950). Computing Machinery and Intelligence. Mind.
Searle, J. (1980). Minds, brains, and programs. Behavioral and Brain Sciences.
Legg, S. y Hutter, M. (2007). Universal Intelligence: A Definition of Machine Intelligence.
Peirce, C. S. (1878). Deduction, Induction, and Hypothesis. Popular Science Monthly.
De Bono, E. (1967). The Use of Lateral Thinking.
Snowden, D. y Boone, M. (2007). A Leader's Framework for Decision Making. HBR.
Winawer, J. et al. (2007). Russian blues reveal effects of language on color discrimination. PNAS.
Levinson, S. (2003). Space in Language and Cognition.
Fausey, C. y Boroditsky, L. (2011). Who dunnit? Psychonomic Bulletin & Review.
Harris, Z. (1954). Distributional Structure. Word.
Wittgenstein, L. (1953). Investigaciones filosóficas.
Lakoff, G. y Johnson, M. (1980). Metaphors We Live By.
Harnad, S. (1990). The symbol grounding problem. Physica D.
Greenberg, C. (1939). Avant-garde and kitsch. Partisan Review.
Stanley, K. y Lehman, J. (2015). Why Greatness Cannot Be Planned.
Austin, J. L. (1962). How to Do Things with Words. · Grice, H. P. (1975). Logic and Conversation.
Sravanthi et al. (2024). PUB: A Pragmatics Understanding Benchmark. · Yu et al. (2026). The Pragmatic Mind of Machines.
Weizenbaum, J. (1966). ELIZA. CACM. · Mikolov, T. et al. (2013). word2vec.
Vaswani, A. et al. (2017). Attention Is All You Need.
Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback.
Stanovsky, G. et al. (2019). Evaluating Gender Bias in Machine Translation. ACL.
Romera‑Paredes, B. et al. (2023). Mathematical discoveries from program search with large language models (FunSearch). Nature.
Novikov, A. et al. (2025). AlphaEvolve: A coding agent for scientific and algorithmic discovery. Google DeepMind.
DeepSeek‑AI (2025). DeepSeek‑R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning.
Jones, C. y Bergen, B. (2025). Large Language Models Pass the Turing Test. arXiv:2503.23674.
Google DeepMind (2025). Gemini Deep Think achieves gold-medal standard at the IMO.
Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. · Anthropic (2024). Model Context Protocol.
