La red neuronal como máquina del tiempo: por qué se enseña a los LLM a pensar a la antigua

Los modelos de lenguaje suelen evaluarse por el volumen de su conocimiento: cuantos más datos ha absorbido la red neuronal, más lista se considera. Pero un grupo de investigadores y entusiastas ha dado la vuelta a esa lógica. Recortan deliberadamente los conjuntos de datos de entrenamiento y los limitan a textos de una época histórica concreta, y obtienen algo totalmente inesperado: una inteligencia artificial que razona como si viviera en el siglo XVII o a principios del XX.

A primera vista, la idea parece un capricho exótico. ¿Para qué querría alguien un modelo que no sabe que existen los antibióticos, la teoría de la relatividad o internet? Sin embargo, detrás hay una motivación científica seria. Los LLM actuales se entrenan con corpus que abarcan toda la historia de la escritura hasta nuestros días. Inevitablemente miran el pasado a través del prisma del presente, con su terminología, sus valores y su conocimiento acumulado. Un modelo entrenado solo con textos anteriores a 1912 carece de esa óptica retrospectiva. No se limita a reproducir las palabras de la época: reproduce su forma de pensar, sus puntos ciegos, su seguridad en cosas que hace tiempo consideramos errores.

Técnicamente, el enfoque funciona así. Se toma la arquitectura de un modelo de lenguaje estándar, por lo general relativamente compacto, porque el volumen de textos históricos es limitado. El corpus de entrenamiento se forma exclusivamente con fuentes fechadas en un periodo determinado: libros, periódicos, cartas, tratados científicos, documentos jurídicos. Es fundamental excluir cualquier texto escrito después de la fecha de corte elegida. Como resultado, el modelo asimila no solo el léxico y la gramática de la época, sino también su marco epistemológico, es decir, los límites de lo que las personas de entonces consideraban posible, verdadero y admisible.

Las aplicaciones de estos modelos «temporales» son mucho más amplias de lo que cabría suponer. En la gnoseología, la ciencia del conocimiento, permiten investigar cómo cambiaron los propios mecanismos de formación del saber. Se le puede preguntar a un modelo de 1650 por la naturaleza de las enfermedades y obtener una respuesta basada en la teoría humoral. No es una estilización, sino la convicción sincera de un sistema para el que la teoría microbiana sencillamente no existe. Esto da a los científicos una herramienta única para modelar paradigmas históricos de pensamiento.

En las ciencias del comportamiento, estos modelos ayudan a estudiar cómo el contexto cultural e informativo moldea la conducta y las decisiones. Si se sitúa un LLM dentro del conocimiento de una época, se pueden modelar reacciones ante acontecimientos, decisiones económicas y actitudes sociales, y compararlas con datos históricos reales. En esencia, es una forma de psicología histórica computacional que hace apenas unos años era impensable.

El potencial educativo también impresiona. Imagine un diálogo interactivo con un «sabio» de la Ilustración que no se limita a citar textos del siglo XVIII, sino que razona de forma coherente dentro de la imagen del mundo de entonces. El estudiante puede hacer preguntas, discutir y toparse con una lógica que era impecable para su tiempo, pero que hoy parece absurda. Es una manera poderosa de mostrar que el conocimiento no es una magnitud absoluta, sino un proceso históricamente condicionado.

Varias iniciativas abiertas ya trabajan en esta dirección. Los proyectos de los que hablan los especialistas de Beeline Cloud desarrollan tanto los modelos como la metodología para preparar corpus históricos. La dificultad clave es la calidad de los datos. Los textos digitalizados de siglos pasados suelen contener errores de reconocimiento, y la selección de fuentes exige una experiencia seria por parte de historiadores, para que el corpus represente el pensamiento de la época y no solo a su élite literaria.

Este enfoque plantea además una pregunta fundamental. Si un modelo entrenado con textos del pasado reproduce los errores y prejuicios de su tiempo, ¿qué dice eso de los LLM actuales? Están igual de limitados por el marco de nuestra época; simplemente aún no sabemos cuáles de nuestras «verdades evidentes» las generaciones futuras considerarán ingenuas. Los modelos temporales se convierten en un espejo que recuerda que toda inteligencia, artificial o no, es producto de su tiempo. Y tomar conciencia de ello quizá valga más que cualquier avance tecnológico.