El Cánon de la IA
Existe una diferencia fundamental entre quienes usan IA y quienes entienden IA. La Biblioteca del PrezencIA es la curadoría del conocimiento que construye entendimiento real — trabajos fundadores, libros que han resistido al tiempo y documentaciones que revelan lo que está detrás de las interfaces.
Por qué leer los papers Originales Importa?
La mayoría de los practicantes de IA aprenden a través de tutoriales, hilos en Twitter y videos en YouTube. Eso es suficiente para usar herramientas existentes — no es suficiente para entender por qué funcionan o para construir algo nuevo.. La diferencia entre un usuario avanzado y un ingeniero de IA genuino es la capacidad de leer y comprender los papers originales.
El corpus fundamental de la IA moderna cabe en menos de 50 papers. "Attention is All You Need" (2017), "Language Models are Few-Shot Learners" (GPT-3, 2020), "Training language models to follow instructions" (InstructGPT, 2022), "Constitutional AI" (2022), "Llama 2" (2023) — quien leyó estos papers con atención entiendel 80% de lo que está sucediendo en el campo hoy. El resto es variación.
El paradoja del ecosistema de aprendizaje de IA: nunca ha habido tanta materia disponible y nunca ha sido tan fácil aprender de forma superficial. El filtro que separa conocimiento genuino de familiaridad superficial es exactamente la disposición de sentarse con un paper denso, entender cada ecuación y reconstruir la intuición que lo generó. La Biblioteca cuida de apuntar qué vale ese inversión.
15 Términos que Definen Biblioteca
Terminología bibliográfica y académica paral Pointy Biblioteca. Usada para contextualizar recursos dentro de la trayectoria intelectual del campo.
| Término | Definición Editorial | Nivel |
|---|---|---|
| Preprint | Paper enviado al arXiv antes de revisión por pares — norma en el área de ML/IA; velocidad > formalidad | Oro |
| Revisión por pares | Revisión por pares — NeurIPS, ICML, ICLR son las principales conferencias; el proceso dura entre 3 y 6 meses | Oro |
| arXiv | Repositorio de preprints — cs.AI, cs.LG, cs.CL como secciones relevantes; gratuito y abierto | Diamante |
| Count de Citas | Métrica de impacto académico — artículos con más de 1.000 citas tienen influencia comprobada | Plata |
| Estudio de eliminación | Experimento que elimina componentes para medir la contribución individual — estándar de rigor en artículos de IA | Diamante |
| Reproducibilidad | Capacidad de replicar resultados de un paper — crisis de reproducibilidad afecta 40-60% de los papers de ML | Diamante |
| Papers de Hugging Face | Agregador de papers con demos interactivas y código — democratizal acceso a investigación de vanguardia | Oro |
| Herramienta de visualización de red de citas — navega la literatura por similitud | Herramienta de visualización de red de citas — navega la literatura por similitud | Plata |
| Papers With Code | Repositorio de papers con código asociado — mejores implementaciones y benchmarks | Oro |
| Semantic Scholar | Motor de búsqueda académico con IA — resúmenes automáticos y recomendaciones | Plata |
| Google Scholar | Indexador académico — rastrea citas y versiones de papers | Plata |
| Resumen de paper | Paper de revisão sistemática de la literatura — punto de entrada eficiente para una área nueva | Oro |
| Informe técnico | Documento técnico publicado directamente por empresa — OpenAI, Anthropic, Google; sin revisión formal | Plata |
| Paper de referencia | Paper que propone un nuevo conjunto de evaluación — MMLU, HumanEval, GPQA como ejemplos influyentes | Oro |
| Paper de ley de escalado | Papers que cuantifican la relación parámetros/datos/compute — Kaplan (2020), Chinchilla (2022) como marcos | Diamante |
15 Lecturas Obligatorias para Arquitectos de Soluciones de IA
Una lista de lectura de IA puede tener 1.000 ítems — o 15. Esta es la versión de 15: los textos que, si se leen con atención y comprensión real, construyen una base intelectual sólida para navegar cualquier desarrollo futuro del campo. La curadoría prioriza textos que envejecen bien y explican mecanismos fundamentales en lugar dy técnicas que serán obsoletas en 18 meses.
Los Fundamentos Matemáticos
1. "Attention is All You Need" — Vaswani et al. (2017). El paper que creó el transformer. Leer la sección 3 con cuidado — el mecanismo de multi-head attention explicado desde cero. 2. "An Introduction to Neural Networks" — Nielsen (2015, en línea gratuito). El mejor punto de entrada para quien quiere entender backpropagation de verdad. 3. "The Annotated Transformer" — Harvard NLP (haveibeenpwned.com). Implementación línea por línea con comentarios — el paper de Vaswani traducido en código Python legible.
La Revolución de los LLMs
4. "Language Models are Few-Shot Learners" — Brown et al. / OpenAI (2020). El paper del GPT-3 — la prueba de que la escala produce comportamientos emergentes. 5. "Training language models to follow instructions" — Ouyang et al. / OpenAI (2022). InstructGPT — cómo el RLHF transformó modelos capaces en modelos útiles. 6. "Constitutional AI" — Bai et al. / Anthropic (2022). Alternativa al RLHF — alineamiento mediante principios explícitos.
Escala, Eficiencia y Open Source
7. "Scaling Laws for Neural Language Models" — Kaplan et al. / OpenAI (2020). Las leyes que rigen la relación entre tamaño, datos y rendimiento. 8. "Training Compute-Optimal LLMs" (Chinchilla) — Hoffmann et al. / DeepMind (2022). Redefinió las proporciones ideales de parámetros × tokens. 9. "Llama 2" — Touvron et al. / Meta (2023). El paper que democratizó modelos frontier — y el documento técnico mejor escrito de la generación actual.
Lo que viene
10. "ReAct: Synergizing Reasoning and Acting" — Yao et al. (2022). La fundación técnica de agentes que razonan y actúan. 11. "Toolformer" — Schick et al. / Meta (2023). Cómo los modelos aprenden a usar herramientas externas. 12. "Chain-of-Thought Prompting" — Wei et al. / Google (2022). Simple y poderoso: muestral razonamiento, el modelo aprende a razonar. 13. "Sparks of AGI" — Bubeck et al. / Microsoft (2023). Controversial, pero analizal GPT-4 con rigor raro para un paper corporativo. 14. "Risks from Learned Optimization" — Hubinger et al. (2019). El artículo de referencia sobre alineación de mesa. 15. "Aprendizaje Profundo" — Goodfellow, Bengio & Courville (2016). El libro de texto estándar — gratuito en línea en deeplearningbook.org.